[发明专利]一种基于人工神经网络的分布式电源频率检测方法

权利要求书

1.一种基于人工神经网络的分布式电源频率检测方法，其特征在于，包括以下步骤：

在已知分布式电源的频率条件下，采集分布式电源的电压数据；

对所述电压数据及其对应的频率进行人工神经网络模型训练；

基于训练得到的人工神经网络模型对分布式电源的频率进行检测；

对电压数据及其对应的频率进行人工神经网络模型训练，包括：

对采集到的电压数据及其对应的频率进行归一化处理，形成训练样本；

对所述训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，完成人工神经网络模型训练；

对训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，具体包括：

对训练样本进行正向传播，求解出各节点的实际输出值与期望值之间的误差；

按照误差梯度下降最快的方向，利用复合求导得到输出层权值更新公式和输入层与隐藏层之间的权值更新公式，根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值；

进行正向传播，求解各节点的实际输出值与期望值之间的误差，并判断所述误差是否符合指标要求；

若符合，则完成了反向传播过程，若不符合，则重新更新输出层权值以及输入层与隐藏层之间的权值，进行正向传播，求解各节点的实际输出值与期望值之间的误差，直至所述误差符合指标要求；

根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值，具体包括：

按照公式Δ_pw_ij＝η(t_pi-o_pi)o_pi(1-o_pi)x_ji更新输出层权值；

按照公式更新输入层与隐藏层之间的权值；

其中，Δ_p表示第p个样本的梯度变化，η为学习效率，t_pi为第p层第i个神经元的期望输出值，o_pi为第p层第i神经元的实际输出值，x_ji为神经元i到节点j的输入，x_i为神经元的参数，δ_ki＝(t_ki-o_ki)o_ki(1-o_ki)，t_ki表示隐藏层第i个节点的期望输出值，o_ki表示隐藏层第i个节点的实际输出值，w_ki表示当前输入层与隐藏层之间的权值。

2.根据权利要求1所述的方法，其特征在于，在已知分布式电源的频率条件下，采集分布式电源的电压数据，具体包括：

在已知分布式电源的频率条件下，利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路；

所述AD采样电路以一定的采样频率，采集分布式电源的电压数据；

由单片机通过以太网通讯将采集的所述电压数据输入计算机。

3.根据权利要求1所述的方法，其特征在于，对采集到的电压数据及其对应的频率进行归一化处理，具体包括：

将采集到的电压数据及其对应的频率通过归一化函数，映射到[-1,1]区间，所述归一化函数为：

y＝(1-y_min)*(x-x_min)/(x_max-x_min)–1

其中，x、y分别为归一化前、后电压数据或其对应的频率，x_max、x_min分别为归一化前x的最大值和最小值。

4.根据权利要求1所述的方法，其特征在于，对训练样本进行正向传播，求解出各节点的实际输出值与期望值之间的误差具体包括：

训练样本从输入层输入，通过隐藏层的激活函数处理，经由隐藏层节点输出；

经过输出层的激活函数处理，经由输出层节点输出，得到实际输出值；

通过各节点实际输出值和理想输出值，计算出各节点输出误差和总误差。