一种基于人工神经网络的分布式电源频率检测方法技术

本发明专利技术涉及一种基于人工神经网络的分布式电源频率检测方法，属于分布式电源技术领域，解决了现有技术中分布式电源频率检测精度和速度较低的问题。一种基于人工神经网络的分布式电源频率检测方法，包括以下步骤：在已知分布式电源的频率条件下，采集分布式电源的电压样本数据；对所述电压样本数据及其对应的频率进行人工神经网络模型训练；基于训练得到的人工神经网络模型对分布式电源的频率进行检测。实现了分布式电源频率的智能检测，提高了分布式电源频率检测的精度和速度。

A Frequency Detection Method for Distributed Power Supply Based on Artificial Neural Network

The invention relates to a frequency detection method of distributed power supply based on artificial neural network, which belongs to the technical field of distributed power supply, and solves the problem of low accuracy and speed of frequency detection of distributed power supply in the prior art. A frequency detection method of distributed power supply based on artificial neural network includes the following steps: collecting the voltage sample data of distributed power supply under the condition of known frequency of distributed power supply; training the voltage sample data and corresponding frequency with artificial neural network model; and detecting the frequency of distributed power supply based on the artificial neural network model obtained from training. Measurement. Intelligent frequency detection of distributed power supply is realized, and the accuracy and speed of frequency detection of distributed power supply are improved.

【技术实现步骤摘要】
一种基于人工神经网络的分布式电源频率检测方法
本专利技术涉及分布式电源
，尤其涉及一种基于人工神经网络的分布式电源频率检测方法。
技术介绍
随着社会的发展，电能已经成为推动社会发展不可或缺的一部分，对于电能的研究成为重要研究课题。分布式发电设备可以很好的增强电网的可靠性和经济性，提高了供电的可靠性。分布式发电设备的技术也越来越成熟，市场中也越来越多的选择分布式发电设备来增大功率和提高供电可靠性。而分布式发电设备具有频率变化较大的特点，在这种情况下，如何快速精确的检测分布式发电设备的频率成为研究的重点。分布式电源发电具有频率变化较大的特点，而现有的用于嵌入式开发的频率检测算法在检测精度和速度上有一定的限制，因而很难实现高精度快速检测频率，并且对嵌入式系统硬件性能较高要求。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种基于神经网络的分布式电源频率检测方法，实现了分布式电源的频率检测，提高了分布式电源频率检测的精度和速度。本专利技术提供一种基于人工神经网络的分布式电源频率检测方法，包括以下步骤：在已知分布式电源的频率条件下，采集分布式电源的电压样本数据；对所述电压样本数据及其对应的频率进行人工神经网络模型训练；基于训练得到的人工神经网络模型对分布式电源进行检测。上述技术方案的有益效果为：通过上述方案实现了分布式电源频率的智能检测，提高了分布式电源频率检测的精度和速度。进一步地，在已知分布式电源的频率条件下，采集分布式电源的电压样本数据，具体包括：在已知分布式电源的频率条件下，利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路；所述AD采样电路以一定的采样频率，采集分布式电源的电压数据；再由单片机通过以太网通讯将采集的所述电压数据输入计算机。上述进一步技术方案的有益效果为：通过一定采样频率的AD采样电路进行数据采样，提高了采样速度，进而提高了人工神经网络模型的训练速度和计算效率。进一步地，对电压样本数据及其对应的频率进行人工神经网络模型训练，包括：对采集到的电压数据及其对应的频率进行归一化处理，形成训练样本；对上述训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，完成人工神经网络模型训练。上述进一步技术方案的有益效果为：将训练样本采用回归训练的方法输入人工神经网络进行有监督学习，相比无监督学习，有着更高的训练速度和精度。进一步地，对采集到的电压数据及其对应的频率进行归一化处理，具体包括：将采集到的电压数据及其对应的频率通过归一化函数，映射到[-1,1]区间，所述归一化函数为y＝(1-ymin)*(x-xmin)/(xmax-xmin)–1，其中，x、y分别为归一化前、后电压数据或其对应的频率，xmax、xmin分别为归一化前x的最大值和最小值。上述进一步技术方案的有益效果为：由于训练样本中包含电压值和频率值，两参数在数量级上存在一定的差异，将采集到的电压样本数据及其对应的频率真实值进行归一化处理，有助于提高神经网络的训练速度和精度。进一步地，对训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，具体包括：对训练样本进行正向传播，求解出各节点的实际输出值与期望值之间的误差；按照误差梯度下降最快的方向，利用复合求导得到输出层权值更新公式和输入层与隐藏层之间的权值更新公式，根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值；进行正向传播，求解各节点的实际输出值与期望值之间的误差，并判断所述误差是否符合指标要求；若符合，则完成了反向传播过程，若不符合，则重新更新输出层权值以及输入层与隐藏层之间的权值，进行正向传播，求解各节点的实际输出值与期望值之间的误差，直至所述误差符合指标要求。上述进一步技术方案的有益效果为：通过按照误差梯度下降最快的方向更新权值，减少正向传播和反向传播的迭代步骤，提高了神经网络模型的训练速度。进一步地，对训练样本进行正向传播，求解出各节点的实际输出值与期望值之间的误差具体包括：训练样本从输入层输入，通过隐藏层的激活函数处理，经由隐藏层节点输出；经过输出层的激活函数处理，经由输出层节点输出，得到实际输出值；通过各节点实际输出值和理想输出值，计算出各节点输出误差。进一步地，上述隐藏层节点的输出为输出层节点的输出为其中，f1(·)为隐藏层的激活函数，f2(·)为输出层的激活函数，Xi为第i个输入节点，vki表示输入层与隐藏层之间的权值，wjk表示隐藏层与输出层的权值，n，q，m分别为输入层、隐藏层、输出层的节点个数。进一步地，根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值，具体包括：按照公式Δpwij＝η(tpi-opi)opi(1-opi)xji更新输出层权值；按照公式更新输入层与隐藏层之间的权值；其中，Δp表示第p个样本的梯度变化，η为学习效率，tpi为第p层第i个神经元的期望输出值，opi为第p层第i神经元的实际输出值，xji为神经元i到节点j的输入，xi为神经元的参数，δki＝(tki-oki)oki(1-oki)，tki表示隐藏层第i个节点的期望输出值，oki表示隐藏层第i个节点的实际输出值，wki表示当前输入层与隐藏层之间的权值。进一步地，各节点的输出值与期望值之间的误差由误差函数求得，所述误差函数具体为，分别为节点的实际输出值和期望值，其中，p为训练样本总数，j＝1,2,…,m，m为输出层节点个数。进一步地，基于训练得到的人工神经网络模型对分布式电源的频率进行检测，具体包括：利用交流电压采样电路对分布式电源的电压数据进行采集，将采集到的三相电压数据进行归一化处理，将经归一化后处理的电压数据输入单片机嵌入式系统中固化的人工神经网络模型中，检测得出所述分布式电源的频率值。上述技术方案的有益效果为：通过上述方法实现分布式电源的频率检测，提高了嵌入式系统的分布式电源频率检测的精度和鲁棒性，同时降低了频率检测对嵌入式系统硬件的高性能要求。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。图1为本专利技术实施例所述方法的流程示意图；图2为本专利技术实施例所述人工神经网络的结构示意图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理。本专利技术的一个具体实施例，公开了一种基于神经网络的分布式电源频率检测方法。所述方法的流程示意图，如图1所示，所述方法包括以下步骤：步骤S1、在已知分布式电源的频率条件下，采集分布式电源的电压样本数据；具体包括，在已知分布式电源的频率条件下，利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路，所述AD采样电路以设定采样频率，采集分布式电源的电压数据，再由单片机通过以太网通讯将电压数据输入计算机。训练样本的组成包括分布式电源本文档来自技高网...

【技术保护点】
1.一种基于人工神经网络的分布式电源频率检测方法，其特征在于，包括以下步骤：在已知分布式电源的频率条件下，采集分布式电源的电压样本数据；对所述电压样本数据及其对应的频率进行人工神经网络模型训练；基于训练得到的人工神经网络模型对分布式电源的频率进行检测。

【技术特征摘要】
1.一种基于人工神经网络的分布式电源频率检测方法，其特征在于，包括以下步骤：在已知分布式电源的频率条件下，采集分布式电源的电压样本数据；对所述电压样本数据及其对应的频率进行人工神经网络模型训练；基于训练得到的人工神经网络模型对分布式电源的频率进行检测。2.根据权利要求1所述的方法，其特征在于，在已知分布式电源的频率条件下，采集分布式电源的电压样本数据，具体包括：在已知分布式电源的频率条件下，利用电阻分压方法将分布式电源的交流电压输入单片机中的AD采样电路；所述AD采样电路以一定的采样频率，采集分布式电源的电压数据；由单片机通过以太网通讯将采集的所述电压数据输入计算机。3.根据权利要求2所述的方法，其特征在于，对电压样本数据及其对应的频率进行人工神经网络模型训练，包括：对采集到的电压数据及其对应的频率进行归一化处理，形成训练样本；对所述训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，完成人工神经网络模型训练。4.根据权利要求3所述的方法，其特征在于，对采集到的电压数据及其对应的频率进行归一化处理，具体包括：将采集到的电压数据及其对应的频率通过归一化函数，映射到[-1,1]区间，所述归一化函数为：y＝(1-ymin)*(x-xmin)/(xmax-xmin)–1其中，x、y分别为归一化前、后电压数据或其对应的频率，xmax、xmin分别为归一化前x的最大值和最小值。5.根据权利要求3所述的方法，其特征在于，对训练样本进行正向传播，并通过反向传播更新输出层权值以及输入层与隐藏层之间的权值，使输出层各节点的输出值与期望值之间的误差符合指标要求，具体包括：对训练样本进行正向传播，求解出各节点的实际输出值与期望值之间的误差；按照误差梯度下降最快的方向，利用复合求导得到输出层权值更新公式和输入层与隐藏层之间的权值更新公式，根据上述更新公式分别更新输出层权值、输入层与隐藏层之间的权值；进行正向传播，求解各节点的实际输出值与期望值之间的误差，并判断所述误差是否符合指标要求；若符合，则完成了反向传播过程，若不符合，则重新...

【专利技术属性】
技术研发人员：张新，杨润宇，徐晓彤，刘光斌，
申请(专利权)人：北京机械设备研究所，
类型：发明
国别省市：北京,11