[发明专利]一种基于径向基函数神经网络的电力系统谐波检测方法

权利要求书

1.一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于，包括以下步骤：

步骤一：采集待检测的电流信号，得到RBF神经网络的期望输入信号，根据期望输入信号确定RBF神经网络的输入层节点数、隐含层节点数及输出层节点数，同时初始化权向量、高斯函数的中心值和宽度参数，并且确定学习效率和动态因子；

步骤二：将高斯基函数确定为RBF神经网络中隐含层的径向基函数，并且根据高斯函数计算出隐含层的输出；

步骤三：根据隐含层的输出和权向量计算出输出层的实际输出；

步骤四：根据输出层的实际输出和期望输出计算出性能指标；

步骤五：根据性能指标梯度下降法获得权向量的更新公式、高斯函数的中心值的更新公式、以及高斯函数的宽度的更新公式；

步骤六：根据步骤五得到的权向量的更新公式、高斯函数的中心值的更新公式、以及高斯函数的宽度的更新公式更新权向量、高斯函数的中心值和宽度参数；

步骤七：判断步骤四得到的性能指标是否符合范围要求，如不符合范围要求，则跳转执行步骤二；如符合范围要求，则执行步骤八；

步骤八：根据步骤六得到的更新后的权向量、高斯函数的中心值和宽度参数计算出电流信号中谐波的振幅、频率和相位。

2.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤二中，隐含层的输出的具体计算公式为：h＝[h₁ h₂...h_j h_n]^T，其中，

其中，x表示采集的电流输入信号，||·||表示欧几里得范数，c_j表示隐含层到神经中心的矢量距离，b_j是神经元节点基宽度参数。

3.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤三中，输出层的实际输出的具体计算公式为：

y_m(k)＝wh＝w₁h₁+w₂h₂+...+w_mh_m

其中，w表示隐含层到输出层的权向量，h表示隐含层的输出。

4.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤四中，性能指标的具体计算公式为：

其中，y(k)表示输出层的期望输出，y_m(k)表示输出层的实际输出。

5.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤五中，权向量的更新公式为：

w_j(k)＝w_j(k-1)+η(y(k)-y_m(k))h_j+α(w_j(k-1)+w_j(k-2))

其中，y(k)表示输出层的期望输出，y_m(k)表示输出层的实际输出，α表示动态因子，η表示学习效率，h_j表示隐含层的输出。

6.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤五中，高斯函数的中心值的更新公式为：

其中，y(k)表示输出层的期望输出，y_m(k)表示输出层的实际输出，α表示动态因子，η表示学习效率，w_j表示隐含层到输出层的权向量，h_j表示隐含层的输出，x_j表示输入信号，b_j是神经元节点基宽度参数。

7.根据权利要求1所述的一种基于径向基函数神经网络的电力系统谐波检测方法，其特征在于：在步骤五中，高斯函数的宽度的更新公式为：

其中，y(k)表示输出层的期望输出，y_m(k)表示输出层的实际输出，α表示动态因子，η表示学习效率，w_j表示隐含层到输出层的权向量，h_j表示隐含层的输出，X表示输入信号，c_j表示隐含层到神经中心的矢量距离，b_j是神经元节点基宽度参数。