[发明专利]一种基于遗传算法优化BP神经网络的反窃电系统

权利要求书

1.一种基于遗传算法优化BP神经网络的反窃电系统，包括输入向量的选择、输入输出的归一化、训练样本的设计、隐含层数的设计、隐节点数的设计和激活函数的选取，其特征在于：所述输入向量的选择：样本向量的各分量应是能充分反映反窃电嫌疑系数的定量指标,以反窃电评价指标为基础，将日用电量、用户最大线损值、用表类型、所在台区线损、三相不平衡率、微机扫描情况、功率因数及合同容量比作为网络的输入；输入输出的归一化：在输入神经网络前,数据需经归一化处理,限制于[0,1]区间内,常用以下变换式式中,x_i为输入或输出数据；x_min、x_max分别为数据变化范围最小值、最大值；训练样本的设计：网络训练所需的样本数随输入—输出非线性映射关系的复杂程度而增多,且样本中的噪声越大,网络的规模亦会相应扩大，神经网络要提取的规律蕴含在训练样本中,样本的选择要有代表性,要注意样本类别的均衡,使每个类别的样本数量大致相等,对同一类样本则要照顾样本的均匀性和多样性，由此可避免学习过程出现反复,网络训练发生振荡；隐含层数的设计：当学习不连续函数时,BP网络需两个隐含层,具有单隐层的感知器可映射所有连续函数，设计BP网络隐含层时,先考虑设一个,当一个隐含层的隐节点数很多仍不能改善网络性能时,再考虑增加另一个；隐节点数的设计：采用常用的试凑法确定隐节点数,初始值用以下经验公式计算；式中,m为隐含层节点数；n为输入层节点数,取为8；l为输出层节点数,取为1；α为1～10之间的常数，式(7)表明，隐节点数取值范围约为4～13，经多次试验后发现m值取7时，网络误差较小、训练过程稳定，而隐节点数大于7时，训练极易过度,网络泛化能力差,故初步确定隐节点数为7,网络结构即为8-7-1；激活函数的选取：Sigmoid型函数的输出曲线在中间部分变化剧烈,两端较平坦,这种特性更接近生物神经元的信号输出形式，同时Sigmoid型函数具有饱和非线性特性和可微分性,增强了网络的非线性映射能力，因此,隐层节点的激活函数通常选取连续可微的Sigmoid型函数,而输出层激活函数通常选取线性型函数,可避免神经网络的输出范围受到限制。

2.根据权利要求1所述的一种基于遗传算法优化BP神经网络的反窃电系统，其特征在于，所述BP神经网络算法,输入向量为x_p＝(x_p1,x_p2,Λ,x_pn)^T,隐含层输出向量为y_p＝(y_p1,y_p2,Λ,y_pm)^T；输入层和隐含层间的权值矩阵为wjk(j＝1,2Λ,n；k＝1,2Δ,m)；隐含层和输出层间的权值矩阵为w＝(w₁,w₂,Λ,w_k,Δw_m)^T；列向量w_k为输出层第k个神经元对应的权向量；b_p为样本的输出。

3.根据权利要求2所述的一种基于遗传算法优化BP神经网络的反窃电系统，其特征在于，所述隐含层和输出层样本p的输出计算公式分别为式中，y_pk、b`<sub>p</sub>分别为隐含层、输出层样本p的输出；θ<sub>k</sub>为隐含层节点k的阈值；θ为输出层输出节点的偏置值，每个节点的输出与输入间的非线性关系采用Sigmoid型函数描述,即：f(x)＝1/(1+e<sup>-x</sup>)(4)定义h个样本的实际输出b`_p与期望输出b_p的总误差函数为：神经网络对样本的学习过程,即选取适当的训练函数使E极小化的过程。

4.根据权利要求1所述的一种基于遗传算法优化BP神经网络的反窃电系统，其特征在于，所述训练样本的设计中在确定训练样本数时可参考一个经验规则，网络连接权总数的5～10倍。