CN104899796A - 粒子群优化lvq神经网络的方法及扰动、谐波检测方法 - Google Patents

Abstract

本发明涉及信息数据分析技术领域，具体而言，涉及粒子群优化LVQ神经网络的方法及扰动、谐波检测方法。该方法包括：建立粒子群，其中所述粒子群中粒子的位置的分量与所述LVQ神经网络中的连接权值一一对应；利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；当所述粒子群迭代算法达到设定的迭代次数，或，所述LVQ神经网络的实际输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。本发明实施例提供的粒子群优化LVQ神经网络的方法及扰动、谐波检测方法，克服了现有LVQ神经网络当拥有一组较为理想的样本之后，训练网络时很可能会遇到不收敛或者收敛速度慢的问题。

Description

粒子群优化LVQ神经网络的方法及扰动、谐波检测方法

技术领域

本发明涉及信息数据分析技术领域，具体而言，涉及一种粒子群优化学习向量量化LVQ神经网络的方法及电源扰动、电源谐波在线检测。

背景技术

近年来，以电力为中心的新一轮能源革命的序幕已经拉开，其目的是实现以智能电网为核心的低碳能源。于2012年4月26日在京召开的第六届电能质量国际研讨会，把电能质量与智能电网作为主题，并重点讨论了模块化新能源接入的电能质量问题、分布式电源相关的电能质量测量与评估问题等。由此可以看出，分布式电源的有效利用得到了学术界和科技界的大力关注。从分布式电源用多种小型连接电网的设备发电和储能的特点看，分布式电源具有不易出现规模性瓦解、可跟踪电力负荷的变化及采用热电联产及能源梯级式利用时可大大提高资源的利用率的特性。在我国大电网集中供电的背景下，分布式电源作为重要的电源补充将发挥巨大的作用。但分布式电源由于自身不稳定特性，使其在应用时电能质量问题比较突出，其中包括谐波、电压闪变等。另外在并网时，对电网造成很大的冲击。研究解决分布式电源电能质量问题具有重要的现实意义。

要解决分布式电源电能质量问题，先要对其电能质量参数进行检测，目前国内外通常的电能质量检测有在线检测、定期或不定期检测和专门测量三种，而从电能质量检测方法方面来看可大致分为时域仿真方法、频域检测方法、人工智能方法等几大类。基于人工智能的方法是目前研究的热点，人工神经网络是人工智能方法当中的一种，目前，它主要应用在电能质量的谐波测量、间谐波测量和扰动类型识别当中。它虽然在实际应用当中显示了其优越性，但也有一些不足之处。人工神经网络在投入运用之前，需要训练样本训练网络。而在某些应用中，要寻找到一组具有代表性的样本并不是一件容易的事情。当拥有这样一组较为理想的样本之后，训练网络时很可能会遇到不收敛或者收敛速度慢的问题；假若问题或者网络结构需要改变，那么网络就需要重新训练；训练当中还有可能出现过学习的问题。

综上可以看出现有的LVQ神经网络不能满足电能质量检测的实际需求。

发明内容

本发明的目的在于提供一种粒子群优化LVQ神经网络的方法及扰动、谐波检测方法，以满足电能质量检测中的实际需求。

第一方面，本发明实施例提供了一种粒子群优化学习向量量化LVQ神经网络的方法，包括：建立粒子群，其中所述粒子群中粒子的位置的分量与LVQ神经网络中的连接权值一一对应；利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，并利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用所述粒子群的最优适应度位置更新所述LVQ神经网络的所述连接权值；当所述粒子群迭代算法达到设定的迭代次数，或，所述LVQ神经网络的实际输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述LVQ神经网络包括分别由多个神经元组成的输入层、竞争层及输出层；所述输入层中的每个神经元分别与所述竞争层中的所有神经元连接，其中所述输入层的神经元与所述竞争层的神经元的一次连接对应一个连接权值；所述竞争层的每个神经元所对应的所有所述连接权值构成其自身的参考向量；所述竞争层中的神经元与所述输出层中的神经元一一对应连接；所述输出层，用于对外输出检测结果。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述建立粒子群，包括：建立初始种群数目为n，以及迭代次数为T的粒子群，其中所述粒子群中的粒子的维度为所述LVQ神经网络中所述连接权值的数目，并随机产生所述粒子群中所有粒子的初始位置和初始速度，以及确定每个粒子初始的最优适应度位置和所述粒子群初始的最优适应度位置；建立所述粒子群中粒子的位置的分量与所述电能质量检测模型中的连接权值的一一对应关系。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括：依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化所述粒子群；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，包括：每次更新粒子的位置和速度后，计算粒子当前的适应度值；依次判断每个粒子当前的所述适应度值是否优于其当前的最优适应度位置对应的适应度值，如果是，则利用粒子的当前位置替换所述粒子的最优适应度位置。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，包括：依次判断每个粒子当前的最优适应度位置的适应度值是否优于所述粒子群的最优适应度位置的适应度值，如果当前进行判断的粒子当前的最优适应度位置的适应度值优于所述粒子群当前的最优适应度位置的适应度值，则将所述粒子群的最优适应度位置更新为当前进行判断的粒子的最优适应度位置。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述计算粒子当前的适应度值，包括：利用公式计算粒子当前的适应度值；其中，N为训练样本总数；y_i ^h和y_i ^a分别为相应于第i个训练样本的输出层的期望输出和实际输出。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括：采用公式 $v_{id}^{k+1}={\mathrm{\ωv}}_{id}^k+c_1\mathrm{\ξ}(p_{id}^k-x_{id}^k)+c_2\mathrm{\η}(p_{gd}^k-x_{id}^k)$ 更新粒子的速度；利用公式更新粒子的位置；其中：ω为惯性权重；

为第i个粒子第k次迭代时速度在维度d上的分量；

为第i个粒子第k次迭代时位置在维度d上的分量；

第i个粒子第k次迭代时粒子的最优适应度位置在维度d上的分量；

为第k次次迭代时整个所述粒子群的最优适应度位置在维度d上的分量；

ξ和η为预设的介于0与1之间的随机数；

c₁与c₂为学习因子。

第二方面，本发明实施例还提供了一种分布式电源扰动类型的在线检测的方法，利用如第一方面所述方法优化的LVQ神经网络，依据输入的电能质量信号中的扰动类型信息，对所述电能质量信号的扰动类型进行检测。

第三方面，本发明实施例还提供了一种分布式电源谐波的在线检测的方法，其特征在于，利用第一方面所述方法优化的LVQ神经网络，依据输入的电能质量信号中的谐波信息，对所述电能质量信号的谐波及间谐波扰动进行检测。

本发明实施例提供的粒子群优化LVQ神经网络的方法及扰动、谐波检测方法，利用粒子群算法优化LVQ神经网络，构建电能质量检测模型，克服现有神经网络在电能质量检测中获取样本不易，当拥有这样一组较为理想的样本之后，训练网络时很可能会遇到不收敛或者收敛速度慢的问题；假若问题或者网络结构需要改变，那么网络就需要重新训练；训练当中还有可能出现过学习的技术问题，从而满足电能质量检测中的实际需求。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种粒子群优化学习向量量化LVQ神经网络的方法；

图2示出了本发明实施例所提供的一个LVQ神经网络的示意图。

主要元件符号说明：

a1、神经元；a2、神经元；a3、神经元；b1、神经元；b2、神经元；b3、神经元；b4、神经元；c1、神经元；c2、神经元；c3、神经元；c4、神经元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中提供了一种粒子群优化学习向量量化LVQ神经网络的方法，主要处理步骤包括：

步骤S11：构建学习向量量化LVQ神经网络；

步骤S12：用粒子群算法PSO优化LVQ神经网络。

本发明中，学习向量量化LVQ神经网络是一种由输入层、竞争层和输出层组成的混合网络，现有的LVQ神经网络的学习结合了竞争学习和有监督的学习来形成分类。学习规则为：

式中，w_jl为神经元j对应的参考向量，x_l为竞争层输出，Δw_jl(k)为第k步时参考向量的修正值，η为学习速率或步长(0≤η≤1)。

本发明中，LVQ神经网络包括分别由多个神经元组成的输入层、竞争层及输出层；输入层中的每个神经元分别与竞争层中的所有神经元连接，其中输入层的神经元与竞争层的神经元的一次连接对应一个连接权值；竞争层的每个神经元分别对应一个参考向量，参考向量由相应神经元所对应的所有连接权值构成；竞争层中的神经元与输出层中的神经元一一对应连接；输出层，用于对外输出电能质量信号扰动类型的检测结果。

图2是一个LVQ神经网络的示意图，LVQ神经网络中包括输入层，竞争层和输出层。输入层包括神经元a1，神经元a2和神经元a3；竞争层包括神经元b1，神经元b2，神经元b3和神经元b4；输出层包括神经元c1，神经元c2，神经元c3和神经元c4。输入层的每个神经元分别和竞争层的所有神经元连接，且每一次连接对应一个连接权值，例如输入层的神经元a1与竞争层神经元b1的连接权值为a1b1，输入层的神经元a1与竞争层神经元b2的连接权值为a1b2，输入层的神经元a2与竞争层神经元b2的连接权值为a2b2，其它连接权值类似。竞争层的每个神经元均对应一个参考向量，其分量为对应神经元上的各个连接权值。例如神经元b1对应一个参考向量，记为向量r_b1；神经元b1上的各个连接权值，为向量r_b1上的分量，即向量r_b1可表示为(a1b1，a2b1，a3b1)。其余竞争层的神经元的参考向量类似b1的表示。竞争层神经元分别与输出层神经元一一对应连接，即b1连接c1，b2连接c2，其余类似。

利用PSO优化LVQ神经网络包括：建立粒子群，其中粒子群中粒子的位置的分量与LVQ神经网络中的连接权值一一对应；利用粒子群迭代算法，迭代更新粒子群中所有粒子的位置和速度；其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，并利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用粒子群的最优适应度位置更新LVQ神经网络的连接权值；当粒子群迭代算法达到设定的迭代次数，或，LVQ神经网络的实际输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。

建立粒子群，包括：建立初始种群数目为n，以及迭代次数为T的粒子群，其中粒子群中的粒子的维度为上述LVQ神经网络所有连接权值的数目，并随机产生粒子群中所有粒子的初始位置和初始速度，并确定每个粒子初始的最优适应度位置和所述粒子群初始的最优适应度位置；建立粒子群中粒子的位置的分量与LVQ神经网络中的连接权值的一一对应关系。

即建立的粒子群中的粒子数目为n，迭代次数为T。粒子群中的粒子的维度为LVQ神经网络中连接权值的数目。如图2所示的LVQ神经网络，优化此LVQ神经网络的粒子群的粒子维度为连接权值的数目12，粒子群中的每个粒子都可以为LVQ神经网络中所有的连接权值赋值。例如粒子群中的粒子h，记为(h1，h2，h3，h4，h5，h6，h7，h8，h9，h10，h11，h12)；其中h1对应连接权值a1b1，h2对应连接权值a2b1，h3对应连接权值a3b1，h4对应连接权值a1b2，其余类似，粒子h的分量分别依次记载竞争层中的神经元b1，神经元b2，神经元b3和神经元b4各个对应的参考向量的分量的值。粒子群中的粒子，其初始位置和初始速度都是随机的。每个粒子初始的最优适应度值为该粒子初始位置对应的适应度值，即粒子初始的最优适应度位置为粒子的初始位置；粒子群初始的最优适应度值为粒子群中所有粒子初始的最优适应度值的最优值，即粒子群初始的最优适应度位置为粒子群中初始的最优适应度值最优的粒子的位置。

利用粒子群迭代算法，迭代更新粒子群中所有粒子的位置和速度，包括：依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化粒子群；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。

即每次迭代更新粒子群中所有粒子的位置和速度后，判断粒子群是否需要重新初始化。具体的判断方式是，依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化所述粒子群，包括：重新设置粒子数目n，迭代次数T，并随机产生粒子群中所有粒子的初始位置和初始速度，并确定每个粒子初始的最优适应度位置和所述粒子群初始的最优适应度位置；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。

每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，包括：每次更新粒子的位置和速度后，计算粒子当前的适应度值；依次判断每个粒子当前的适应度值是否优于和其对应的当前的最优适应度位置的适应度值，如果是，则利用粒子的当前位置替换和其对应的当前的最优适应度位置。

即记录每个粒子的最优适应度位置，计算最优适应度位置的适应度值。如果粒子更新后的适应度值优于最优适应度位置的适应度值，则将粒子对应的当前的最优适应度位置更新为粒子当前的位置。

利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，包括：依次判断每个粒子当前的最优适应度位置的适应度值是否优于粒子群当前的最优适应度位置的适应度值，如果当前进行判断的粒子的当前的最优适应度位置的适应度值优于粒子群当前的最优适应度位置的适应度值，则将粒子群当前的最优适应度位置更新为当前进行判断的粒子的最优适应度位置。

计算粒子当前的适应度值，包括：利用公式计算粒子当前的适应度值；其中，N为训练样本总数；y_i ^h和y_i ^a分别为相应于第i个训练样本的输出层的期望输出和实际输出。

计算粒子的适应度值的方法包括：利用粒子的位置，给LVQ神经网络中所有连接权值赋值；LVQ神经网络的竞争层的每个神经元与多个输入层的神经元连接，与竞争层的同一个神经元相关的连接权值是相应神经元的参考向量的分量。即粒子的位置给所有竞争层的神经元的参考向量赋值。训练样本中的电能质量信号输入LVQ神经网络的输入层后，与电能质量信号距离最近的参考向量对应的竞争层的神经元被激发，被激发的神经元按照其对应的参考向量通过与其连接的输出层神经元对外输出电能质量信号。训练样本是已知的，所以期望输出y_i ^h即输入的第i个电能质量信号，y_i ^a为输入第i个电能质量信号时LVQ神经网络实际输出的电能质量信号。此处电能质量信号与参考向量的距离为表征电能质量信号的向量与参考向量的欧氏距离。

利用粒子群迭代算法，迭代更新粒子群中所有粒子的位置和速度，包括：采用公式 $v_{id}^{k+1}={\mathrm{\ωv}}_{id}^k+c_1\mathrm{\ξ}(p_{id}^k-x_{id}^k)+c_2\mathrm{\η}(p_{gd}^k-x_{id}^k)$ 更新粒子的速度；

利用公式更新粒子的位置；

其中：ω为惯性权重；

为第i个粒子第k次迭代时速度在维度d上的分量；

为第i个粒子第k次迭代时位置在维度d上的分量；

第i个粒子第k次迭代时粒子的历史最优解在维度d上的分量；

为第k次迭代时整个所述粒子群最优解在维度d上的分量；

ξ和η为预设的介于0与1之间的随机数；

c₁与c₂为学习因子。

本发明进一步提供了粒子群算法优化LVQ神经网络的具体实施方式，具体如下所述。

在PSO算法中，由n个粒子组成的群体对m维空间进行搜索，每个粒子对应一个待优化问题的潜在解。第i个粒子的位置和速度分别表示为x_i＝(x_i1,x_i2,…,x_im)和υ_i＝(υ_i1,υ_i2,…,υ_im)。x_i对应的目标函数值称为粒子的适应度值f_i，算法通过其来衡量粒子的优劣程度；υ_i决定粒子运动的方向和距离。每个粒子通过追踪两个最优解进行更新：粒子在迭代过程中搜索到的最优适应度位置p_i和整个群体在迭代过程中搜索到的最优适应度位置p_g。粒子速度和位置更新公式：

${\mathrm{\υ}}_{id}^{k+1}={\mathrm{\ω\υ}}_{id}^k+c_1\mathrm{\ξ}(p_{id}^k-x_{id}^k)+c_2\mathrm{\η}(p_{gd}^k-x_{id}^k)---\left(1\right)$

$x_{id}^{k+1}=x_{id}^k+{\mathrm{\υ}}_{id}^{k+1}---\left(2\right)$

其中，c₁和c₂是学习因子，通常取值为2。ξ和η是介于0和1之间的随机数，是用来保持群体多样性的。粒子每一维的速度都限制在υ_max内。惯性权重表达式如下：

ω＝(ω₁-ω₂)*(T-k)/T+ω₂     (3)

其中，ω₁和ω₂是惯性权重最大和最小值，k是算法当前迭代次数，T是算法允许的最大迭代次数。惯性权重起到权衡局部最优能力和全局最优能力的作用，当惯性权重较小时，比如小于0.8，如果粒子群算法能找到全局最优适应度位置的话，那么它所经历的搜索时间是很短的，即所有的粒子趋向于快速汇集在一起。如果最优解是在初始搜索空间内，粒子群算法将会很容易找到全局最优适应度位置，否则他会找不到全局最优；当惯性权重较大时，比如大于1.2，粒子群算法更像全局搜索算法，且它总是搜索新的区域，这时的粒子群算法会需要更多的迭代来达到全局最优，且更有可能找不到全局最优。当惯性权重适中时，粒子群算法将会有更大的机会找到全局最优适应度位置，但迭代次数也会比第一种情况要多。惯性权重在区间[0.4，0.95]随迭代次数线性递减，对大多数问题有较好的寻优效果。

通过试验仿真发现，随时间变化的学习因子同样对算法的性能有很大的影响，表达式如下：

c₁＝(c_1f-c_1i)*k/T+c_1i       (4)

c₂＝(c_2f-c_2i)*k/T+c_2i       (5)

其中，c_1f和c_1i分别是c₁的最大值和最小值，c_2f和c_2i分别是c₂的最大值和最小值。

算法基本思想与步骤：

Step1初始化。设定初始种群数目为n，迭代次数T，学习因子c₁、c₂，随机产生所有粒子的位置和速度，并确定粒子的最优适应度位置p_i和粒子群的最优适应度位置p_g，分配LVQ神经网络中的连接权值。

即设定初始种群数目n；粒子群中粒子的维度为LVQ神经网络中连接权值的数目；学习因子c₁、c₂是随机设定的值；粒子群中所有粒子的位置和速度是随机设定的；初始设定每个粒子初始的最优适应度位置p_i为粒子的初始位置，和设定粒子群的最优适应度位置p_g为最优的p_i。

Step2评价每个粒子的适应度值，即计算每个粒子的目标函数值；

根据每个粒子当前位置，计算每个粒子的适应度值。

Step3根据公式(1)更新粒子的速度；

Step4对粒子群中每个粒子的位置x_i，将x_i与设定的位置比较，将更新后的速度υ_i与设定的速度比较，如果x_i小于设定的位置，并且更新后的速度υ_i小于设定的速度，则重新初始化粒子群；否则直接根据公式(2)更新粒子群的位置；

即如果粒子的位置与速度都小于设定值，则重新初始化粒子群。

Step5比较种群中每个粒子当前位置的适应度值与其p_i的适应度值，若当前的适应度值更优，则将p_i更新为粒子当前的位置；否则p_i保持不变；

即用p_i记录第i个粒子在迭代过程中的最优适应度位置；如果第i个粒子当前的适应度值优于p_i的适应度值，则将p_i更新为粒子当前的位置；否则，保存p_i不变。

Step6对每个粒子，将最优适应度位置p_i的适应度值与群体历史最优适应度位置p_g的适应度值进行比较，如果优于p_g的适应度值，则将其位置作为群体最优适应度位置p_g，否则p_g保持不变；

Step7用粒子群最优位置p_g更新LVQ神经网络的连接权值；

即利用p_g各个分量依次为LVQ神经网络中的各个连接权值赋值，其顺序是：按照竞争层的神经元的排列顺序，通过p_g依次给竞争层的神经元对应的参考向量赋值，即给相应神经元对应的连接权值赋值；在给竞争层的神经元对应的参考向量赋值时，依照输入层的神经元的排列顺序依次给连接权值赋值。例如如图2所示的LVQ神经网络，p_g前3个分量给神经元b1对应的参考向量赋值，其顺序是第一个分量给a1b1赋值，第二个分量给a2b1赋值，第三个分量给a3b1赋值；其余连接权值赋值的方法依次类推。

Step8若满足终止条件，则停止算法；否则转向Step3。

这里粒子的适应度函数为误差平方和的均值：

$F=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}(y_i^h-y_i^a)---\left(6\right)$

其中，N为训练样本总数；y_i ^h和y_i ^a分别为相应于第i个训练样本的神经网络输出层的期望输出和实际输出。通常循环结束的标准是达到规定的迭代次数或者满足规定的误差标准为止。作为预设的样本，输入的训练样本对应的电源扰动类型是已知的，y_i ^h为第i个电能质量信号对应的电源扰动类型的期望输出，即输入值；y_i ^a为电能质量信号输入神经网络后的输出值，对应神经网络识别的电源扰动类型。

利用一种粒子群优化学习向量量化LVQ神经网络的方法，建立优化的LVQ神经网络后，依据输入的电能质量信号中的扰动类型信息，对所述电能质量信号的扰动类型进行检测；或依据输入的电能质量信号中的谐波信息，对所述电能质量信号的谐波及间谐波扰动进行检测。

即电能质量信号中的扰动类型信息和谐波信息用向量表征。LVQ神经网络的竞争层的每个神经元分别对应一个参考向量。与输入的电能质量信号对应的向量距离最近的竞争层的神经元被激发，以被激发的神经元的参考向量作为输入的电能质量信号的分类结果，即每个竞争层神经元代表一个类。这里的距离指两个向量间的欧氏距

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种粒子群优化学习向量量化LVQ神经网络的方法，其特征在于，包括：

建立粒子群，其中所述粒子群中粒子的位置的分量与LVQ神经网络中的连接权值一一对应；

利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；

其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，并利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用所述粒子群的最优适应度位置更新所述LVQ神经网络的所述连接权值；

当所述粒子群迭代算法达到设定的迭代次数，或，所述LVQ神经网络的实际输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。

2.根据权利要求1所述的方法，其特征在于，所述LVQ神经网络包括分别由多个神经元组成的输入层、竞争层及输出层；

所述输入层中的每个神经元分别与所述竞争层中的所有神经元连接，其中所述输入层的神经元与所述竞争层的神经元的一次连接对应一个连接权值；所述竞争层的每个神经元所对应的所有所述连接权值构成其自身的参考向量；

所述竞争层中的神经元与所述输出层中的神经元一一对应连接；

所述输出层，用于对外输出检测结果。

3.根据权利要求1所述的方法，其特征在于，所述建立粒子群，包括：

建立初始种群数目为n，以及迭代次数为T的粒子群，其中所述粒子群中的粒子的维度为所述LVQ神经网络中所有连接权值的数目，并随机产生所述粒子群中所有粒子的初始位置和初始速度，以及确定每个粒子初始的最优适应度位置和所述粒子群初始的最优适应度位置；

建立所述粒子群中粒子的位置的分量与所述电能质量检测模型中的连接权值的一一对应关系。

4.根据权利要求1所述的方法，其特征在于，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括：

依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化所述粒子群；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。

5.根据权利要求1所述的方法，其特征在于，所述每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，包括：

每次更新粒子的位置和速度后，计算粒子当前的适应度值；

依次判断每个粒子当前的所述适应度值是否优于其当前的最优适应度位置对应的适应度值，如果是，则利用粒子的当前位置替换所述粒子的最优适应度位置。

6.根据权利要求1所述的方法，其特征在于，所述利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，包括：

依次判断每个粒子当前的最优适应度位置的适应度值是否优于所述粒子群的最优适应度位置的适应度值，如果当前进行判断的粒子当前的最优适应度位置的适应度值优于所述粒子群当前的最优适应度位置的适应度值，则将所述粒子群的最优适应度位置更新为当前进行判断的粒子的最优适应度位置。

7.根据权利要求5所述的方法，其特征在于，所述计算粒子当前的适应度值，包括：

利用公式计算粒子当前的适应度值；

其中，N为训练样本总数；y_i ^h和y_i ^a分别为相应于第i个训练样本的输出层的期望输出和实际输出。

8.根据权利要求4所述的方法，其特征在于，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括：

采用公式 $v_{id}^{k+1}={\mathrm{\ωv}}_{id}^k+c_1\mathrm{\ξ}(p_{id}^k-x_{id}^k)+c_2\mathrm{\η}(p_{gd}^k-x_{id}^k)$ 更新粒子的速度；

利用公式更新粒子的位置；

其中：ω为惯性权重；

为第i个粒子第k次迭代时速度在维度d上的分量；

为第i个粒子第k次迭代时位置在维度d上的分量；

第i个粒子第k次迭代时粒子的最优适应度位置在维度d上的分量；

为第k次迭代时整个所述粒子群的最优适应度位置在维度d上的分量；

ξ和η为预设的介于0与1之间的随机数；

c₁与c₂为学习因子。

9.一种分布式电源扰动类型的在线检测的方法，其特征在于，利用如权利要求1-8任一项所述方法优化的LVQ神经网络，依据输入的电能质量信号中的扰动类型信息，对所述电能质量信号的扰动类型进行检测。

10.一种分布式电源谐波的在线检测的方法，其特征在于，利用如权利要求1-8任一项所述方法优化的LVQ神经网络，依据输入的电能质量信号中的谐波信息，对所述电能质量信号的谐波及间谐波扰动进行检测。