[发明专利]一种电能表端子温度检测方法

说明书

本发明提供了一种电能表端子温度检测方法，采用多种群互生粒子群优化算法对径向基神经网络参数进行优化，建立径向基神经网络预测模型，使用该模型进行电能表端子温度的间接测量，属于电能计量领域。本发明采用K‑Means++算法确定径向基神经网络的中心向量、采用多种群相互影响的方法优化径向基神经网络的宽度系数、采用递推最小二乘法求解径向基神经网络的连接权值。根据优化算法计算出径向基神经网络的最佳参数，并构建全新的径向基神经网络模型，用于构建适合检测电能表端子温度的模型，使电能表端子温度的检测精度更高。

技术领域

本发明属于电能计量温度检测技术领域，具体涉及一种电能表端子温度检测方法。

背景技术

电能表内部不具备温度感知功能，无法实时在线监测电能表内接线端子的温度，对电能表接线端子的失效和故障无法实现预警，影响用户的用电安全，并且事后需要依靠人工进行处理，导致维修成本高。因此，开展电能表端子温度检测与设计变得尤为重要。

在人工神经网络中，径向基神经网络的非线性拟合能力非常强，理论上是可以映射任意的复杂的非线性函数。此外，径向基神经网络的核函数简单，便于计算，被学者广泛应用于各类机械电器的温度预测。传统的径向基神经网络对于网络的隐含层个数，对应的中心值、宽度系数和权值系数等参数多采用聚类法和梯度下降法，特别是梯度下降法，在各类人工神经网络中最为常用。随着各类科学家对自然界生物的认识越来越全面，相关的学者在近几十年不断地摸索，提出了不少能够优化神经网络结构的智能算法：Dorigo提出了蚁群算法（Ant Colony Optimization， ACO）；Min-Yuan Cheng和Doddy Prayogo模拟共生生物在生态系统中生存和传播方法提出了生物共生搜索算法（Symbiotic OrganismsSearch ，SOS）；Eberhart和Kennedy基于人工生命和演化理论提出粒子群算法（ParticleSwarm Optimization， PSO）。其中PSO算法因原理简单、参数少和容易实现等优点被广泛应用于神经网络的训练。相较于传统的PSO算法，不少学者提出了一些改进方法，但PSO算法依然容易陷入局部最优、且后期收敛速度慢，算法的优化结果精度不够等问题；而RBF神经网络的参数对神经网络的效果有很大的影响。所以，对于温度间接测量过程中，不能给出适合的参数及数量，将难以实现准确测量电能表端子温度。

发明内容

本发明的目的是针对现有的技术问题，提供一种电能表端子温度检测方法，其基于改进的粒子群算法，互生粒子群算法优化径向基神经网络参数的算法，该算法能有效的提高电能表端子温度间接测量的精度问题。

为达上述目的，本发明通过如下技术方案实现：

本发明提供了一种电能表端子温度检测方法，基于多种群互生粒子群优化算法(SOPSO)优化径向基神经网络参数的算法（SOPSO-RBF），该算法用于间接检测电能表端子温度。对径向基神经网络初始化，采用多种群互生粒子群优化算法对径向基神经网络参数进行优化，建立径向基神经网络预测模型，使用建立的径向基神经网络预测模型进行电能表端子温度的间接测量。其具体步骤如下：

步骤1，确定径向基神经网络的结构，以及核函数及个数，利用K-Means++确定RBF网络的隐含层中心向量；

步骤2，对粒子群进行初始化：设置两个种群，以RBF的宽度系数为种群的维度，确定种群的规模，以及设置各个粒子群的初始速度、初始位置、局部最优位置和全局最优位置。

步骤3，开始训练径向基神经网络算法的宽度系数的参数：根据公式（1）计算两个种群的各个粒子的速度和，

（1）