[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

说明书

本发明公开了一种基于MATLAB神经网络的电能表故障分类方法及其装置。该方法包括：提取电能表常见的故障类型及对应的软硬件特征，并建立故障种类矩阵和对应的特征数据矩阵；将故障类型作为神经网络的期望输出，对应的软硬件特征作为神经网络的输入，分别编码以作为神经网络的各组训练样本；根据输入层神经元数目和输出层神经元数目计算出隐含层神经元数目；构建神经网络，配置训练参数，并利用各组训练样本对神经网络进行训练；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。本发明无需人为手工进行分类，提高电能表故障分类效率，故障分类效果好，满足巨大任务量，提高检测效率，有利于智能电能表的推广、使用和发展。

技术领域

本发明涉及电能表技术领域的一种故障分类方法，尤其涉及一种基于MATLAB神经网络的电能表故障分类方法，还涉及应用该方法的基于MATLAB神经网络的电能表故障分类装置。

背景技术

智能电网的发展对智能电能表功能设计提出越来越多的要求，软件的规模及复杂性随之增加，同时由于软件引起的设备故障率逐步攀升。由于软件故障涉及到的对外接口众多，自身体系庞大，编程指令复杂等，导致故障种类繁多，所以，如果能够快速地检测出智能电能表的各种故障，分类整理，最后由相关专业的人员根据类别进行故障排除，就会非常有利于智能电能表的推广、使用和发展。

目前电力设备生产商电能表的软件故障分类主要靠手工进行，手工分类存在任务量巨大、检测效率低等缺点。

发明内容

为解决现有的电能表故障分类存在任务量巨大、检测效率低的技术问题，本发明提供一种基于MATLAB神经网络的电能表故障分类方法及其装置。

本发明采用以下技术方案实现：一种基于MATLAB神经网络的电能表故障分类方法，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。

本发明通过先提取常见故障类型和软硬件特征而建立相应的矩阵，再将故障类型作为神经网络的输出，软硬件特征作为输入进行编码以获得训练样本，然后根据输入输出层的神经元数目计算隐含层神经元数目，再通过MATLAB构建神经网络并对网络进行训练，最后通过训练后的神经网络对故障类型进行分类，解决了现有的电能表故障分类存在任务量巨大、检测效率低的技术问题，得到了分类效率高，故障分类效果好，而且算法简洁有效，能大量处理分类任务的技术效果。

作为上述方案的进一步改进，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。

进一步地，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。