[发明专利]一种基于小波神经网络和小波技术的变压器噪声预测方法

权利要求书

1.一种基于小波神经网络和小波技术的变压器噪声预测方法，其特征在于，具体实施步骤如下：

步骤1，分别采集变压器表面的I个不同位置处的振动数字信号、变压器外某点处的噪声数字信号，其中，I≥2；

步骤2，利用小波函数对采集到的I路振动数字信号进行小波分解，将分解得到的小波低频系数进行归一化后作为小波神经网络输入量；利用小波函数对采集到的噪声数字信号进行小波分解，将分解得到的小波低频系数进行归一化后作为小波神经网络输出量；

步骤3，通过对小波神经网络中神经元进行训练学习，在输入量和输出量之间建立相应的映射关系，最终建立基于三层拓扑结构的小波神经网络的预测模型；

步骤4，利用步骤3中建立的预测模型，实现变压器的噪声预测，具体为：

A.首先对采集到的变压器表面I个不同位置处的振动数字信号进行小波分解，然后将分解得到的小波低频系数进行归一化处理，最后将归一化后的数据输入预测模型中；

B.利用预测模型对接收到的数据进行计算后输出计算结果；

C.首先对预测模型的输出结果进行反归一化处理，然后将得到的对应噪声的小波低频系数进行小波重构，从而得到预测出的噪声数字信号。

2.根据权利要求1所述的一种基于小波神经网络和小波技术的变压器噪声预测方法，其特征在于，步骤3中对小波神经网络中神经元进行的训练学习，其过程如下：

(1)设定步骤2中所述训练数据样本总数为M个，那么输入第n个训练数据样本时小波神经网络的各层输出如下：

输入层第i个神经元的输出：

x_in＝X_i(n)

式中，n为正整数且n∈[1,M]；i为输入层神经元的编号，即振动信号采集位置的编号，i＝1,2,…,I；I为输入层神经元的总个数，即振动信号采集位置的总个数；X_i(n)为第n个样本数据中第i个采集位置处的数据；

隐含层第h个神经元的输出：

Yhn=F[(Σi=1Iwhixin-ch)-bhah]]]>

式中，h为隐含层神经元的编号，h＝1,2,…,H；H为隐含层神经元的总个数；为Morlet小波函数；w_hi为神经网络隐含层第h个神经元与输入层第i个神经元之间的链接权；a_h为隐含层各神经元小波函数的伸缩因子；b_h为隐含层各神经元小波函数的平移因子；c_h为隐含层各神经元的阀值；

输出层第j个神经元的输出：

yjn=g(Σh=1HWjhYhn-dj)]]>

式中，j为输出层神经元的编号，即噪声信号采集位置的编号，j＝1,2,…,J；J表示输出层神经元总个数，也是噪声信号测量点总个数；为S型对数函数；W_jh表示神经网络输出层第j个神经元与隐含层第h个神经元之间的链接权；d_j表示输出层各神经元的阀值；

(2)设输入第n个训练数据样本时的误差函数如下

En=12Σj=1J(yjn-Ojn)2]]>

式中，O_jn为输出层第j个神经元的实际样本输出值；

依据梯度下降原则，调整网络参数，参数调整幅度分别为：

Δwhi=-η∂En∂whi=-η(yjn-Ojn)yjn′WjhYhn′ahxin;]]>

ΔWjh=-η∂En∂Wjh=-η(yjn-Ojn)yjn′Yhn;]]>

Δah=-η∂En∂ah=η(yjn-Ojn)yjn′WjhYhn′[(Σi=1Iwhixin-ch)-bhah2];]]>

Δbh=-η∂En∂bh=η(yjn-Ojn)yjn′WjhYhn′ah;]]>

Δch=-η(yjn-Ojn)yjn′WjhYhn′ah;]]>

Δd_j＝-η(y_jn-O_jn)y'_jn；

式中，η表示学习速率；Δw_hi表示神经网络隐含层第h个神经元与输入层第i个神经元之间权值的修正量；ΔW_jh表示神经网络输出层第j个神经元与隐含层第h个神经元之间权值的修正量；Δa_h表示隐含层各神经元小波函数伸缩因子的修正量；Δb_h表示隐含层各神经元小波函数平移因子的修正量；Δc_h表示隐含层各神经元阀值的修正量；Δd_j表示输出层各神经元阀值的修正量；y'_jn表示第n个训练数据样本输入神经网络时，输出层第j个神经元输出函数对应的导数；Y'_hn表示第n个训练数据样本输入神经网络时，隐含层第h个神经元输出函数对应的导数；

利用动量因子α修正网络参数，迭代公式如下：

w_hi＝w_hi+(1+α)*Δw_hi

W_jh＝W_jh+(1+α)*ΔW_jh

a_h＝a_h+(1+α)*Δa_h

b_h＝b_h+(1+α)*Δb_h

c_h＝c_h+(1+α)*Δc_h

d_j＝d_j+(1+α)*Δd_j

(3)重复(1)和(2)，直至计算完所有样本的误差函数后，将每个样本的误差值叠加后取平均：

E=1MΣn=1MEn]]>

式中，E表示训练数据样本的平均误差；

(4)判断所有训练数据样本的平均误差E是否大于设定的误差精度，若不大于则完成训练学习，否则返回(1)。