[发明专利]一种基于小波神经网络的异常能耗定位方法

权利要求书

1.一种基于小波神经网络的异常能耗定位方法，其特征在于，包括以下步骤：

S1：采集异常能耗数据；

S2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；

S3：构建小波神经网络模型；

S4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。

2.根据权利要求1所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，步骤S2具体包括以下步骤：

S2.1：对异常能耗数据进行小波包多尺度分解处理，得到分解数据；

S2.2：采用小波包系数重构算法对分解数据进行重构，得到重构数据；

S2.3：计算重构数据的能量值，从而提取得到能量特征值；

S2.4：对能量特征值进行降维处理，得到降维的能量特征值；

S2.5：对降维的能量特征值进行归一化处理，得到训练样本。

3.根据权利要求2所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.2中，重构数据的数据长度与异常能耗数据分解前的数据长度一致。

4.根据权利要求2所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.4中，采用主成分分析降维技术对能量特征值进行降维处理；具体为：

假定能量特征值的初始向量X包含n个样本和m个特征，即

X＝(x₁,x₂,...,x_n)^T；

则初始向量X的协方差矩阵为：

基于K–L变换，主成分的累计贡献率C(q)为：

采用特征向量矩阵U＝(U₁,U₂,...,U_m)^T将初始向量X映射到新的特征子空间中，得到特征向量矩阵Y，映射公式为：

Y＝U^TX；

其中，协方差矩阵S是n×n维矩阵，且其特征值满足λ₁λ₂…λ_m；x₁,x₂,...,x_n均为初始向量X中的样本，X_i为初始向量X第i个分量；λ_i为矩阵S的第i个特征值，q为矩阵S的主成分，s为贡献率标准值。

5.根据权利要求4所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.5中，归一化公式为：

其中，y为标准化区间，y_max、y_min分别为标准化区间的最大值和最小值，x为特征向量矩阵Y中要归一化的数据，x_max、x_min分别为特征向量矩阵Y中每行数据中的最大值和最小值。

6.根据权利要求1所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S3中，小波神经网络模型的输入层节点数m根据能量特征值确定，输出层节点数n根据输出结果确定，隐含层节点数h根据以下公式确定：

其中，α为适应度系数。