[发明专利]一种基于改进概率神经网络的负载识别方法

摘要

本发明公开了一种基于改进概率神经网络的负载识别方法，包括：对用电网络中的负载类型采用二进制进行编码，建立负载类型的编码库；采集各个负载类型的电参数；建立各个负载类型的电参数与编码之间的非线性映射关系，创建概率神经网络；对概率神经网络进行训练获得误差函数；将误差函数作为粒子群算法的适应度函数，采用粒子群算法对概率神经网络的平滑因子进行优化，获取最优平滑因子；根据获取的最优平滑因子更新概率神经网络，获得改进的概率神经网络；基于改进的概率神经网络，对用电网络中的负载类型进行识别。该方法可同时识别多个负载，提高了在多负载模式下将恶性负载的判别速度，更好的实现多用电电器情形下的限用电器识别和用电控制。

主权项

1.一种基于改进概率神经网络的负载识别方法，其特征在于，包括：对用电网络中的负载类型采用二进制进行编码，建立负载类型的编码库；采集各个负载类型从启动瞬间至一段时间内的电参数；建立各个负载类型的电参数与对应编码之间的非线性映射关系，创建概率神经网络；对所述概率神经网络进行训练，获得网络的误差函数，所述误差函数表示为：式中，为与训练集样本对应的期望输出，y_t(k)为概率神经网络训练后的实际输出，q为训练样本集个数，S为负载类型个数；将所述误差函数作为粒子群算法的适应度函数，采用粒子群算法对所述概率神经网络的平滑因子进行优化，获取所述概率神经网络的最优平滑因子；根据所获取的最优平滑因子更新所述概率神经网络，获得改进的概率神经网络；基于改进的概率神经网络，对用电网络中的负载类型进行识别；其中，采用粒子群算法对所述概率神经网络的平滑因子进行优化包括以下步骤：(S1)设定平滑因子的取值范围，在可解空间中随机初始化一群粒子{σ₁,σ₂,…σ_N}，设定最大迭代次数并设当前迭代次数k＝1；(S2)将所述误差函数作为粒子群算法的适应度函数，计算粒子适应度值，并以此寻找个体极值和群体极值；其中，在一个D维的搜索空间中，对应于N个模式类别的平滑因子组成粒子群σ′＝(σ₁,σ₂,…σ_N)，第i个粒子表示为一个D维的向量σ_i＝[σ_i1,σ_i2,…σ_iD]^T，代表第i个粒子在D维搜索空间中的位置，第i个粒子的速度为V_i＝[V_i1,V_i2,…,V_iD]^T，其个体极值为P_i＝[P_i1,P_i2,…,P_iD]^T，种群的全局极值为P_g＝[P_g1,P_g2,…,P_gD]^T；其中，N、D分别为整数；(S3)粒子速度和位置更新，重新计算粒子适应度值，个体极值和群体极值更新，得到下代种群；更新公式如下：式中，ω为惯性权重；d＝1，2，…，D；i＝1，2，…，N；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负的常数，称为加速度因子；r₁和r₂为分布于[0,1]之间的随机数；(S4)设当前迭代次数k＝k+1；(S5)检查是否满足结束条件：若达到最大迭代次数或是J_m＝0，则停止；否则返回步骤(S3)。