一种基于L-M算法改进的BP神经网络电弧检测模型

技术领域

本发明涉及光伏串联电弧故障检测领域，具体涉及一种基于L-M算法改进的BP神经网络电弧检测方法。

背景技术

近年来，光伏产业发展迅猛且应用成熟，很多的住宅、厂房、电站等都配备了光伏发电系统，相应地，光伏电气火灾事件发生频率越来越高，对国民生命财产安全造成了严重危害。经调查发现，光伏系统发生火灾事件的起因大多数归为电弧故障，它们通常是由光伏系统直流侧线路绝缘破损，光伏连接组件接触不良等造成的。同时，光伏系统发生的电弧故障类型绝大多数为串联电弧，光伏系统直流侧的串联电弧故障检测显得尤为重要。

传统的BP神经网络基于梯度下降法使代价函数不断减小，实现对模型参数的寻优，梯度下降法对参数的迭代公式如下：

x

式中，x

发明内容

本发明提出了一种基于L-M算法改进的BP神经网络检测模型的检测方法，解决了现有的梯度下降算法不能根据代价函数的大小和变化情况对迭代步长进行调整，检测精度不高的问题。

本发明的技术方案是这样实现的：

一种基于L-M算法改进的BP神经网络电弧检测模型，包括基于L-M算法改进的BP神经网络电弧检测模型为：光伏串联电弧的特征量为回路电流的时域标准差和频域中特征频段的谱积分；改进后的网络参数迭代算法为x

包括以下步骤：

步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；

步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；

步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；

步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。

优选的，基于L-M算法改进算法的BP神经网络参数迭代算法，I为单位矩阵，μ为大于0的比例常数，所述J

优选的，基于L-M算法改进的BP神经网络电弧检测模型，样本数据集的划分是按照K折交叉验证划分的。

优选的，K折交叉验证中的K为样本数据随机划分的数据集组数，在采用基于L-M算法改进的BP神经网络电弧检测模型进行电弧故障诊断前，设置一套初始超参数作标准，用训练集对神经网络模型进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差e

优选的，K折交叉验证的参数和超参数的寻优中的参数包括网络权值和网络阈值，超参数包括隐藏层数、代价函数、最大迭代次数、激活函数和收敛系数。

优选的，如权利要求1所述的基于L-M算法改进的BP神经网络电弧检测模型，其特征在于，对网络模型参数进行优化，具体包括以下步骤，初始化收敛系数μ＝μ

优选的，在采用基于L-M算法改进的BP神经网络检测模型的检测方法进行判断电弧故障之前，设置一套标准的参数以作判断，具体包括以下方法：设置一套初始超参数，按照K折交叉验证法对训练集进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差e

本发明的有益效果是，

本发明通过一种基于L-M算法改进的BP神经网络电弧检测模型；包括以下步骤：步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。本发明区别梯度下降算法提出一种基于L-M算法改进的BP神经网络电弧检测模型，通过光伏电弧的测试样本集分别对基于这两种算法的光伏串联电弧检测结果进行对比得出，基于L-M算法改进的BP神经网络电弧检测模型对光伏串联电弧故障的识别精度的提高和误报率的降低。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明基于L-M算法改进的BP神经网络检测算法原理框图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

参照图1，一种基于L-M算法改进的BP神经网络检测模型的检测方法，包括基于L-M算法改进的BP神经网络电弧检测模型为：光伏串联电弧的特征量为回路电流的时域标准差和频域中特征频段的谱积分；改进后的网络参数迭代算法为x

步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；

步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；

步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；

步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。

基于L-M算法改进算法的BP神经网络参数迭代算法，其特征在于，I为单位矩阵，μ为大于0的比例常数，所述J

基于L-M算法改进的BP神经网络电弧检测模型中样本数据集的划分是按照K折交叉验证划分的。

K折交叉验证中的K为样本数据随机划分的数据集组数，在采用基于L-M算法改进的BP神经网络电弧检测模型进行电弧故障诊断前，设置一套初始超参数作标准，用训练集对神经网络模型进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差e

K折交叉验证的参数和超参数的寻优，参数包括网络权值和网络阈值，所述超参数包括隐藏层数、代价函数、最大迭代次数、激活函数和收敛系数。

基于L-M算法改进的BP神经网络电弧检测模型对网络模型参数进行优化，具体包括以下步骤，初始化收敛系数μ＝μ

本申请通过电阻和逆变器作为光伏电源的两种不同负载对象，在不同大小电流运行时，分别采集起弧电路和正常电路的传导干扰电压和高频电流数据，实验样本采集分类情况如下表格：

在这里，对采样数据采用公式

上述公式的归一化方法，将所有数据值归一到0～1之间，其中min为相应特征量中对应的最小值，max为相应特征量中对应的最大值，x为相应特征量实际大小，y为归一后的特征值。

另外，本模型采用的是K折交叉验证法来划分采样数据集，进而实现对网络参数的整定。上述表格中一共有600个样本，随机取出100个样本作为测试集预留，再把剩下的500个样本随机打乱，均分为10大组，每大组50个数据，轮流取其中的9大组数据作为训练集，剩下的1大组作为验证集，这样轮流训练结束后，实现参数寻优和10个网络误差，再对这10个网络误差取平均值，即最终用MSE(Mean Square Error，均方误差)作为评定所选超参数(学习率、迭代数、神经网络层数、激活函数等)下的网络模型性能的指标，接下来通过比较不同超参数下的网络误差平均值，选取对应最小的作为模型最优超参数。其中，MSE计算如下式，其中K为K折交叉验证的样本份数，本模型o

最后确定隐藏节点数，根据公式

得到以下数据：

由数据看出基于L-M算法改进的神经网络模型在收敛速度和网络误差方面都要优于梯度下降算法。

对于检测结果的验证，如下表。

其中的样本数为600，按照K折交叉验证法预留测试集样本数为120，其中有电弧故障的样本和正常电路的样本数分别都为60个。用测试集样本对网络模型进行测试后。基于梯度下降算法和基于L-M算法改进的BP网络模型的电弧故障检出率分别为90％和96.7％，电路正常的检测率分别为95％和98.3％，说明基于L-M算法改进的BP神经网络模型，对光伏直流系统串联电弧故障的检测准确率要明显高于传统的梯度下降算法，且误报率也低于梯度下降算法，验证了所提基于L-M算法改进的神经网络模型对光伏电弧识故障别性能的提高。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。