[发明专利]基于MATLAB神经网络的电能表故障分类方法及其装置

权利要求书

1.一种基于MATLAB神经网络的电能表故障分类方法，其特征在于，其包括以下步骤：

S1：提取电能表常见的故障类型及其对应的软硬件特征，并建立故障种类矩阵和对应的特征数据矩阵；

S2：将所述故障种类矩阵中的故障类型作为神经网络的期望输出，所述特征数据矩阵中的软硬件特征作为神经网络的输入，分别进行编码以作为所述神经网络的各组训练样本；

S3：确定所述神经网络的输入层神经元数目和输出层神经元数目，并根据所述输入层神经元数目和所述输出层神经元数目计算出所述神经网络的隐含层神经元数目；

S4：根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目，构建所述神经网络，配置所述神经网络的训练参数，并利用各组训练样本对所述神经网络进行训练，得到训练后的神经网络；

S5：使用训练后的神经网络判断出电能表软硬件特征所对应的故障类型并进行分类。

2.如权利要求1所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述神经网络具有三层结构，所述三层结构分别为输入层、一个隐含层以及输出层。

3.如权利要求2所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述输入层包括8种常见软硬件特征，8种常见软硬件特征为4组且分别为未收到输入X₁和输入接收错误X₂、无输出X₃和输出结果错误X₄、数据丢失X₅和数据存储错误X₆、无法启动X₇和非正常中断X₈，且用1表示有此故障，0表示无此故障；将8种常见软硬件特征编码组成256种特征值以作为各组训练样本。

4.如权利要求2所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述输出层包括4种故障类型，且4种故障类型分别为输入型故障Y₁、输出型故障Y₂、数据故障Y₃、程序故障Y₄，且用1、2、3、4表示分别发生了相应的其中的某一类故障类型。

5.如权利要求1所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述隐含层神经元数目的计算公式为：

式中，M为所述隐含层神经元数目，N为所述输入层神经元数目，L为所述输出层神经元数目；α为常数，且取值范围为1～10。

6.如权利要求1所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述隐含层神经元数目的计算公式为：

M＝log₂N

式中，M为所述隐含层神经元数目，N为所述输入层神经元数目。

7.如权利要求1所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述隐含层神经元数目的计算公式为：

式中，M为所述隐含层神经元数目，N为所述输入层神经元数目，L为所述输出层神经元数目。

8.如权利要求1所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，所述输入层神经元数目为8，所述输出层神经元数目为4，所述隐含层神经元数目为6；所述训练参数包括：

学习速率，其为0.05；

期望的误差，其为10^-5；以及

迭代次数，其为5000。

9.如权利要求2所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，基于MATLAB构建所述神经网络，并通过traingrp训练函数对构建的神经网络进行训练；在步骤S5之前，还进行以下步骤：

将所述神经网络的实际输出与期望输出进行比较；

在所述输出层的神经元的实际输出结果与期望输出结果一致时，判定故障分类成功；

在所述实际输出结果与所述期望输出结果不一致时，判定未正确分类。

10.一种基于MATLAB神经网络的电能表故障分类装置，其应用于如权利要求1-9中任意一项所述的基于MATLAB神经网络的电能表故障分类方法，其特征在于，其包括：

提取模块，其用于提取电能表常见的故障类型及其对应的软硬件特征；

矩阵建立模块，其用于根据所述提取模块的提取结果建立故障种类矩阵和对应的特征数据矩阵；

编码模块，其用于将所述故障种类矩阵中的故障类型作为神经网络的期望输出，所述特征数据矩阵中的软硬件特征作为神经网络的输入，分别进行编码以作为所述神经网络的各组训练样本；

神经元数目计算模块，其用于确定所述神经网络的输入层神经元数目和输出层神经元数目，并根据所述输入层神经元数目和所述输出层神经元数目计算出所述神经网络的隐含层神经元数目

构建模块，其用于根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目，构建所述神经网络，配置所述神经网络的训练参数；

训练模块，其用于利用各组训练样本对所述神经网络进行训练，得到训练后的神经网络；以及

分类模块，其用于使用训练后的神经网络判断出电能表软硬件特征所对应的故障类型并进行分类。