CN113780888A - 一种电能质量综合评估方法 - Google Patents

Abstract

本发明提供一种电能质量综合评估方法，包括，根据预设的采样周期周期性地采集电能检测数据，并根据预设的等级划分标准对所述电能检测数据进行等级划分；确定等级划分后的电能检测数据中各等级的各项指标对应的概率值；将等级划分后的电能检测数据、对应的概率值作为输入量输入预先训练的神经网络进行计算，得到与所述电能检测数据对应的电能质量综合评估结果。本发明避免了人为主观因素的不良影响，又可以有效地体现各分项指标的主要特征，在数据评估阶段，引入了权重矢量，体现了各单项指标的重要性，能够满足用电个性化的需求，同时通过神经网络确定权重矢量，以克服主观因素的影响。

Description

一种电能质量综合评估方法

技术领域

本发明涉及电能质量监测和评估技术领域，特别是涉及一种电能质量综合评估方法。

背景技术

电能质量的定义虽然还未有统一且完全的共识，但是，对其主要技术指标确有较为一致的认识，国家技术监督局已颁布了涉及电能质量五个方面的国家标准，即：供电电压允许偏差，供电电压允许波动和闪变，供电三相电压允许不平衡度，公用电网谐波，以及供电频率允许偏差等的指标限制。其中，电压偏差是指供电***在正常运行方式下，某一节点的实际电压与***的标准电压之差对***标称电压的百分数。电压波动是指电压均方根一系列相对快速变动或连续改变的现象，电压闪变通常是以白炽灯的工况作为判断，描述了“灯、脑、眼”环节的频率特性。频率偏差是指在电力***正常运行条件下，***频率的实际值与标称值(50Hz或6OHz，我国采用5OHz标准)之差。三相电压不平衡度是指电力***在正常的运行方式下，电量的负序分量均方根与正序分量均方根值之比。谐波是一个周期电气量的正弦波分量，其频率为基波频率的整数倍。

从总体上看，电力***中的各种扰动所引起的电能质量问题主要可分为稳态事件和暂态事件两大类。稳态电能质量问题以波形畸变为特征，主要包括谐波、间谐波、波形下陷及噪声等；暂态事件通常是以频谱和暂态持续时间为特征，可分为脉冲暂态和振荡暂态两大类。电能质量的分析方法主要有时域仿真法、频域分析方法和基于变换的方法。

但是，现代电网规模越来越大，监测点越来越多，未来电能质量的监测不仅局限于某一点，而是要实现同一供电***、不同地点的电能质量监测，甚至实现多个不同供电***的集中监测。在功能上，更强调智能化，除具有计算、显示等功能外，还要有一定的判断、分析、决策等功能，如能进行事件预测、故障辨识、干扰源识别和实时控制，初步具有自动的实用先进的计算智能评估功能。同时，由于对电能质量的评估涉及诸多指标，这在电能作为一种特殊商品投入到市场竞争中去的环境下，很难给出一个电能质量综合评价指标，来指导电能竞价上网，按质定价、优质优价的实施。因此，在电力市场环境下对电能质量进行综合评估具有重要意义。这需要将多个电能质量评估指标向一维综合评价指标加权归并，这种归并可采用各种不同的方法：如概率统计与矢量代数相结合的方法、模糊数学法、概率统计与模糊数相结合的方法、层次分析法和物元分析法等等。但由于电能质量各单一指标客观上的不相关性，导致相对权重难以确定，以上数学模型均不同程度地受到人为主观因素的影响，使评定结果存在一定的不确定性和不可理解性。

发明内容

本发明的目的在于，提出一种电能质量综合评估方法，解决现有方法不同程度地受到人为主观因素的影响，评定结果存在一定的不确定性和不可理解性的技术问题。

一方面，提供一种电能质量综合评估方法，包括：

根据预设的采样周期周期性地采集电能检测数据，并根据预设的等级划分标准对所述电能检测数据进行等级划分；

确定等级划分后的电能检测数据中各等级的各项指标对应的概率值；

将等级划分后的电能检测数据、对应的概率值作为输入量输入预先训练的神经网络进行计算，得到与所述电能检测数据对应的电能质量综合评估结果。

优选地，所述电能检测数据的各项指标至少包括电压偏差、电压闪变、频率偏差、三相不平衡度及总谐波畸变率。

优选地，所述根据预设的等级划分标准对所述电能检测数据进行等级划分包括：

识别所述电能检测数据的数据类型及数值，将所述数据类型与电能检测数据的各项指标进行匹配，根据匹配结果对电能检测数据进行分类；

根据预设的等级划分标准将每一类电能检测数据划分为多个等级，将符合预设的合格级标准的等级项划分为合格级，将不符合预设的合格级标准的等级项划分为不合格级。

优选地，所述确定等级划分后的电能检测数据各等级中各项指标对应的概率值包括：

获取电能检测数据采集过程中总的采样点个数值，并获取所述电能检测数据的各项指标在每一等级中的采样点个数值；

将电能检测数据的每项指标在各等级中的采样点个数值与采集过程中总的采样点个数值的比值输出为电能检测数据的每项指标处于各等级的概率值。

优选地，所述预先训练的神经网络包括：

第一计算权重中间层，包括第一权重矢量，所述第一权重矢量包括与所述第一矩阵中相对应的电能检测数据与所有指标项对应的权重值及对应的指标项数，用以表示各指标项对综合指标评价的贡献大小，初始时平等对待各指标的贡献；

第二计算权重中间层，包括第二权重矢量，所述第二权重矢量包括与所述第二矩阵中相对应的电能检测数据中所有等级对应的权重值及对应的每个指标的等级项数，用以表示各级别对综合指标的贡献大小，初始时平等对待各级别的贡献。

优选地，所述预先训练的神经网络通过以下步骤进行训练：

按预设的训练周期统计电能检测数据，得到多个数据对；其中，所述数据对包括概率分布矩阵和实际样本的输出值，所述概率分布矩阵表示电能质量的五个指标项；而每个指标项是由多个值构成的矢量，对应指标项的某级别数乘以该级别对应的概率值；

将所述多个数据对作为多个训练样本输入预设的神经网络进行训练，得到训练输出值；

根据所述训练输出值和所述实际样本的输出值计算第一误差值，当第一误差值的绝对值不等于0时，按预设的步长调整第一权重矢量中的各项值，根据调整后的第一权重矢量重新计算误差值，得到第二误差值；

当第二误差值的绝对值等于0时，训练结束，输出训练后的第一权重矢量；当第二误差值的绝对值不等于0时，按预设的步长调整第二权重矢量中的各项值，根据调整后的第二权重矢量重新计算误差值，得到第三误差值；

当第三误差值的绝对值等于0时，训练结束，输出训练后的第二权重矢量；当第三误差值的绝对值不等于0时，计算所有训练样本的均方差；

将所有训练样本的均方差中最小均方差对应的第一权重矢量、第二权重矢量输出为训练后的第一权重矢量、训练后的第二权重矢量。

优选地，根据以下公式计算得到训练输出值：

Y_p＝ω_i*X_p*ω_j

其中，Y_p表示模式p下的训练输出值，对第p个训练样本称为模式p；ω_i表示第一权重矢量；ω_j表示第二权重矢量；X_p为节点的输入，即是某个训练周期的电能质量的概率矩阵。

优选地，所述根据以下公式计算第一误差值：

E_p＝sign(V_p-Y_p)

其中，E表示所有训练样本的总误差，即第一误差值；n表示是样本数；E_p是模式p下的训练输出值Y_p的网络误差函数；Y_p表示模式p下的训练输出值；V_p表示实际样本的输出值；若V_p大于Y_p，则sign函数取值为1；若V_p等于Y_p，则sign函数取值为-1；若V_p小于Y_p，则sign函数取值为0。

优选地，所述计算所有训练样本的均方差包括：

S_p＝(V_p-Y_p)²

其中，S_p表示均方差函数；V_p表示实际样本的输出值；Y_p表示表示模式p下的训练输出值。

优选地，所述得到与所述电能检测数据对应的评估结果包括：

将电能检测数据各等级中各项指标对应的概率值按由低到高的顺序排列成第一矩阵；

将第一矩阵与训练后的第一权重矢量相乘，得到第二矩阵；其中，所述第二矩阵包括电能检测数据的各等级中各项指标的评估结果；

将所述第二矩阵与训练后的第二权重矢量相乘，得到与所述电能检测数据对应的电能质量综合评估结果。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的电能质量综合评估方法，先将电能质量各分项的指标数据作为统计和学习的样本，给出详细的等级分类，并对这些类打分，以此作为下一步人工神经网络学习的目标函数。之后启动人工神经网络，在Hadoop的分布式海量数据库的机群环境中进行学习，利用了MapReduce并行架构在学习样本空间中搜索寻优，并不断修改其中的权值来逼近目标函数。在学习完后，再将所得到的权值应用于所需的综合指标评估。给出符合本地区电力运行环境的更切实可行的综合指标评判数据，评定结果排除认为主观因素的影响，评定结果准确，统一，跟接近于实际应用。

保证了评估过程的客观性，避免了人为主观因素的不良影响，又可以有效地体现各分项指标的主要特征，在数据评估阶段，引入了权重矢量，体现了各单项指标的重要性，能够满足用电个性化的需求，同时通过神经网络确定权重矢量，以克服主观因素的影响。

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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例中一种电能质量综合评估方法的主流程示意图。

图2为本发明实施例中神经网络的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明提供的一种电能质量综合评估方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：

根据预设的采样周期周期性地采集电能检测数据，并根据预设的等级划分标准对所述电能检测数据进行等级划分；考虑到电能监测数据的采集频率很高，一般以两分钟作为采样周期，所以电能质量监测数据随时间的积累在不断增长，需要用海量存储机制来存储电能监测数据。Hadoop是专门针对海量数据而设计的一种分布式海量数据处理机制，选用它来存储电能质量数据较为理想。在选用此存储机制后，再将电能质量的各指标按国家标准和实际需求划分等级。

具体实施例中，识别所述电能检测数据的数据类型及数值，将所述数据类型与电能检测数据的各项指标进行匹配，根据匹配结果对电能检测数据进行分类；

根据预设的等级划分标准将每一类电能检测数据划分为多个等级，将符合预设的合格级标准的等级项划分为合格级，将不符合预设的合格级标准的等级项划分为不合格级。电能质量的各指标按国家标准和实际需求划分等级，如下表所示：

其中，8级为优质电能质量等级，7级为良好电能质量等级，6级为中等电能质量等级，5级为合格电能质量等级，4级为轻度污染电能质量等级，3级为中度污染电能质量等级，2级为较重污染电能质量等级，1级为重度污染电能质量等级。对合格电能质量单项指标进行了划分，分四级，定为8～5级。同时对不合格电能质量单项指标也进行了划分，分四级，定为4～1级。

确定等级划分后的电能检测数据中各等级的各项指标对应的概率值；也就是说，电能质量各指标对应各等级的概率分布，在所确定的总的采样点个数中，依次求出电能质量各指标在每一级中的采样点个数，则该指标处于第k级的概率分布P_k＝该指标在第k级的采样点个数/整个时间段中总的采样点个数，概率分布P_k就可以描述电网整个时间段中某个指标各级的状况。

具体实施例中，获取电能检测数据采集过程中总的采样点个数值，并获取所述电能检测数据的各项指标在每一等级中的采样点个数值；将电能检测数据的每项指标在各等级中的采样点个数值与采集过程中总的采样点个数值的比值输出为电能检测数据的每项指标处于各等级的概率值。

将等级划分后的电能检测数据、对应的概率值作为输入量输入预先训练的神经网络进行计算，得到与所述电能检测数据对应的电能质量综合评估结果。也就是说，初始数据采集和处理过程中应用概率统计方法，即保证了评估过程的客观性，避免了人为主观因素的不良影响，又可以有效地体现各分项指标的主要特征，在数据评估阶段，引入了权重矢量，体现了各单项指标的重要性，能够满足用电个性化的需求，但是如何确定权重矢量，以克服主观因素的影响，需要在用已经训练的神经网络来进一步改善。由于电能质量综合评估是高度复杂的非线性评估过程，传统的统计方法将存在如何选择模型形式及非线性优化方法问题，表现出明显的局限性，并且统计模型的更新工作也将非常繁重；而BP神经网络、RBF神经网络等人工神经网络，则通过神经元作用函数的简单复合就能逼近有界子集上的任意非线性函数，且模型具有自适应能力，所以通过人工神经网络在电能质量综合评估中的确定权重可以简化处理过程，同时确保准确度和统一性，避免主观因素的影响。

具体实施例中，如图2所示，所述预先训练的神经网络包括：

第一计算权重中间层，包括第一权重矢量，所述第一权重矢量包括与所述第一矩阵中相对应的电能检测数据与所有指标项对应的权重值及对应的指标项数，用以表示各指标项对综合指标评价的贡献大小，初始时平等对待各指标的贡献；对应的，ω_i是第一权重矢量A_1×m中的各项值，其中，m表示电能质量的指标项数，用来描述各指标项对综合指标评价的贡献大小，初始时将平等对待各指标的贡献，即每项的初始值均取为0.2。

第二计算权重中间层，包括第二权重矢量，所述第二权重矢量包括与所述第二矩阵中相对应的电能检测数据中所有等级对应的权重值及对应的每个指标的等级项数，用以表示各级别对综合指标的贡献大小，初始时平等对待各级别的贡献；对应的，ω_j是第二权重矢量Q_n×1中的各项值，其中，n表示每个指标都被分为n级，用来描述各级别对综合指标的贡献大小，初始时平等对待各级别的贡献，即每项的初始值均取为0.2。

进一步的，对于神经网络的训练过程具体为：

首先，按预设的训练周期统计电能检测数据，得到多个数据对；其中，所述数据对包括概率分布矩阵和实际样本的输出值，所述概率分布矩阵表示电能质量的五个指标项；而每个指标项是由多个值构成的矢量，对应指标项的某级别数乘以该级别对应的概率值；也就是说，现训练样本集是按周进行统计得出的一系列数值对<X,V>，其中，X是概率分布矩阵B_m×n的另一种表达形式，由<x₁,x₂,x₃,x₄,x₅>来表示，分别代表电能质量的五个指标；而每个x是由八个值构成的矢量，这八个值等于某电能质量指标的某级别数乘以该级别对应的概率值，如电压偏差指标的第8级概率为10％，则x中该指标所对应的项值为80％(即：8*10％)。

其次，将所述多个数据对作为多个训练样本输入预设的神经网络进行训练，得到训练输出值；进一步的，根据以下公式计算得到训练输出值：

Y_p＝ω_i*X_p*ω_j

其中，Y_p表示模式p下的训练输出值，对第p个训练样本称为模式p，其中，第p个训练样本具体为<X,V>，X是概率分布矩阵，V表示输出值；ω_i表示第一权重矢量；ω_j表示第二权重矢量；X_p为节点的输入，即是某个训练周期的电能质量的概率矩阵；根据前面的划分，输出值取8、7、6、5、4、3、2和1中的一个等级。

再次，根据所述训练输出值和所述实际样本的输出值计算第一误差值，当第一误差值的绝对值不等于0时，按预设的步长(按0.1的步长)调整第一权重矢量A_1×m中的各项值(当网络的输出误差E不满足绝对值等于0的要求时，需要通过误差反向传播算法对神经网络的连接权值进行调整)，根据调整后的第一权重矢量重新计算误差值，得到第二误差值；也就是，由于海量数据库采用了Hadoop的HBase，整个过程的计算可利用Hadoop的MapReduce架构在机群上作并行处理，故可以依次调整这五个指标对综合指标贡献的权重比值，重新计算E(第一误差值)。

具体地，根据以下公式计算第一误差值(以下的误差值也通过此公式计算，如第二误差值、第三误差值)：

E_p＝sign(V_p-Y_p)

其中，E表示所有训练样本的总误差，即第一误差值；n表示是样本数；E_p是模式p下的训练输出值Y_p的网络误差函数；Y_p表示模式p下的训练输出值；V_p表示实际样本的输出值；若V_p大于Y_p，则sign函数取值为1；若V_p等于Y_p，则sign函数取值为-1；若V_p小于Y_p，则sign函数取值为0。

当第二误差值的绝对值等于0时，训练结束，输出训练后的第一权重矢量；当第二误差值的绝对值不等于0时，按预设的步长调整第二权重矢量中的各项值，根据调整后的第二权重矢量重新计算误差值，得到第三误差值；也就是，当调整完第一权重矢量A_1×m中的各项值后，若输出误差满足绝对值等于0的要求时,学习结束；否则，再适当调整第二权重矢量Q_n×1中的各项值，同样取调整步长为0.1，重复上面的过程。

当第三误差值的绝对值等于0时，训练结束，输出训练后的第二权重矢量；当第三误差值的绝对值不等于0时，计算所有训练样本的均方差；具体地，根据以下公式计算所有训练样本的均方差：

S_p＝(V_p-Y_p)²

其中，S_p表示均方差函数；V_p表示实际样本的输出值；Y_p表示表示模式p下的训练输出值。进一步，所有训练样本的总均方差为

其中，n表示样本数。

将所有训练样本的均方差中最小均方差对应的第一权重矢量、第二权重矢量输出为训练后的第一权重矢量、训练后的第二权重矢量。也就是，当调整完第二权重矢量Q_n×1中的各项值后，若输出误差满足绝对值等于0的要求时,学习结束；否则，整个神经网络学习结束于最小的S_min及相关的A_1×m和Q_n×1中的各项值。

进一步的，实施例中，所述得到与所述电能检测数据对应的评估结果包括：

根据电能检测数据各等级中各项指标对应的概率值按由低到高的顺序排列成第一矩阵，其中，排列顺序还可以根据具体实施例的情况进行改动，如高到低等；

将第一矩阵与训练后的第一权重矢量相乘，得到第二矩阵；其中，所述第二矩阵包括电能检测数据的各等级中各项指标的评估结果；

将所述第二矩阵与训练后的第二权重矢量相乘，得到与所述电能检测数据对应的电能质量综合评估结果。

也就是说，首先对电能质量的各项指标进行分级，然后运用上述概率统计的方法对各指标相结合方法分级进行评估分析，得到各个指标各级的概率分布P，将每个指标的第k级概率分布P_k按顺序排列成第一矩阵B_m×n(m表示电能质量的指标项数，n表示每个指标都被分为n级，B_ij，即表示电能质量第i项指标的第j级的概率分布，i∈[1，m]，j∈[1，n]。把第一矩阵B与相应的第一权重矢量A_1×m相乘，得到一个含有n个数据的矩阵C_1×n。第一权重矢量A_1×m的元素为与B中相对应的电能质量的某项指标的权重值，具体数值由实际需要而定。矩阵C的几个数据为各级电能质量的评估结果。最后，再对第二矩阵C乘以第二权重矢量Q_n×1，可得到唯一的综合量化评估结果。

以电压偏差为例，这种基于概率统计的评估方法的算法关系如下:

(1)将电压偏差允许值≤7％的绝对值平均划分为n个等级；

(2)根据电压偏差变化曲线，得到电压偏差在第k级的时间为t_k，则总时间为：

各级所占概率为：

P_k＝t_k/T (k＝1,2,…,10)

(3)将所得各级概率排成矩阵

B_U＝[P₁,P₂…，P_n]

(4)将B_U乘以一个合适的权重矢量A

C_U＝A*B_U＝[C₁,C₂,...,C_n]

(5)对C_U应用加权平均法就可以得到唯一量化指标，即电能质量的综合评估结果：

此种方法在初始数据采集和处理过程中应用概率统计方法，即保证了评估过程的客观性，避免了人为主观因素的不良影响，又可以有效地体现各分项指标的主要特征，在数据评估阶段，引入了权重矢量，体现了各单项指标的重要性，能够满足用电个性化的需求。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的电能质量综合评估方法，先将电能质量各分项的指标数据作为统计和学习的样本，给出详细的等级分类，并对这些类打分，以此作为下一步人工神经网络学习的目标函数。之后启动人工神经网络，在Hadoop的分布式海量数据库的机群环境中进行学习，利用了MapReduce并行架构在学习样本空间中搜索寻优，并不断修改其中的权值来逼近目标函数。在学习完后，再将所得到的权值应用于所需的综合指标评估。给出符合本地区电力运行环境的更切实可行的综合指标评判数据，评定结果排除认为主观因素的影响，评定结果准确，统一，跟接近于实际应用。

保证了评估过程的客观性，避免了人为主观因素的不良影响，又可以有效地体现各分项指标的主要特征，在数据评估阶段，引入了权重矢量，体现了各单项指标的重要性，能够满足用电个性化的需求，同时通过神经网络确定权重矢量，以克服主观因素的影响。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种电能质量综合评估方法，其特征在于，包括：

根据预设的采样周期周期性地采集电能检测数据，并根据预设的等级划分标准对所述电能检测数据进行等级划分；

确定等级划分后的电能检测数据中各等级的各项指标对应的概率值；

将等级划分后的电能检测数据、对应的概率值作为输入量输入预先训练的神经网络进行计算，得到与所述电能检测数据对应的电能质量综合评估结果。

2.如权利要求1所述的方法，其特征在于，所述电能检测数据的各项指标至少包括电压偏差、电压闪变、频率偏差、三相不平衡度及总谐波畸变率。

3.如权利要求2所述的方法，其特征在于，所述根据预设的等级划分标准对所述电能检测数据进行等级划分包括：

识别所述电能检测数据的数据类型及数值，将所述数据类型与电能检测数据的各项指标进行匹配，根据匹配结果对电能检测数据进行分类；

根据预设的等级划分标准将每一类电能检测数据划分为多个等级，将符合预设的合格级标准的等级项划分为合格级，将不符合预设的合格级标准的等级项划分为不合格级。

4.如权利要求3所述的方法，其特征在于，所述确定等级划分后的电能检测数据各等级中各项指标对应的概率值包括：

获取电能检测数据采集过程中总的采样点个数值，并获取所述电能检测数据的各项指标在每一等级中的采样点个数值；

将电能检测数据的每项指标在各等级中的采样点个数值与采集过程中总的采样点个数值的比值输出为电能检测数据的每项指标处于各等级的概率值。

5.如权利要求4所述的方法，其特征在于，所述预先训练的神经网络包括：

第一计算权重中间层，包括第一权重矢量，所述第一权重矢量包括与所述第一矩阵中相对应的电能检测数据与所有指标项对应的权重值及对应的指标项数，用以表示各指标项对综合指标评价的贡献大小，初始时平等对待各指标的贡献；

第二计算权重中间层，包括第二权重矢量，所述第二权重矢量包括与所述第二矩阵中相对应的电能检测数据中所有等级对应的权重值及对应的每个指标的等级项数，用以表示各级别对综合指标的贡献大小，初始时平等对待各级别的贡献。

6.如权利要求5所述的方法，其特征在于，所述预先训练的神经网络通过以下步骤进行训练：

按预设的训练周期统计电能检测数据，得到多个数据对；其中，所述数据对包括概率分布矩阵和实际样本的输出值，所述概率分布矩阵表示电能质量的五个指标项；而每个指标项是由多个值构成的矢量，对应指标项的某级别数乘以该级别对应的概率值；

将所述多个数据对作为多个训练样本输入预设的神经网络进行训练，得到训练输出值；

根据所述训练输出值和所述实际样本的输出值计算第一误差值，当第一误差值的绝对值不等于0时，按预设的步长调整第一权重矢量中的各项值，根据调整后的第一权重矢量重新计算误差值，得到第二误差值；

当第二误差值的绝对值等于0时，训练结束，输出训练后的第一权重矢量；当第二误差值的绝对值不等于0时，按预设的步长调整第二权重矢量中的各项值，根据调整后的第二权重矢量重新计算误差值，得到第三误差值；

当第三误差值的绝对值等于0时，训练结束，输出训练后的第二权重矢量；当第三误差值的绝对值不等于0时，计算所有训练样本的均方差；

将所有训练样本的均方差中最小均方差对应的第一权重矢量、第二权重矢量输出为训练后的第一权重矢量、训练后的第二权重矢量。

7.如权利要求6所述的方法，其特征在于，根据以下公式计算得到训练输出值：

Y_p＝ω_i*X_p*ω_j

其中，Y_p表示模式p下的训练输出值，对第p个训练样本称为模式p；ω_i表示第一权重矢量；ω_j表示第二权重矢量；X_p为节点的输入，即是某个训练周期的电能质量的概率矩阵。

8.如权利要求7所述的方法，其特征在于，所述根据以下公式计算第一误差值：

E_p＝sign(V_p-Y_p)

其中，E表示所有训练样本的总误差，即第一误差值；n表示是样本数；E_p是模式p下的训练输出值Y_p的网络误差函数；Y_p表示模式p下的训练输出值；V_p表示实际样本的输出值；若V_p大于Y_p，则sign函数取值为1；若V_p等于Y_p，则sign函数取值为-1；若V_p小于Y_p，则sign函数取值为0。

9.如权利要求8所述的方法，其特征在于，所述计算所有训练样本的均方差包括：

S_p＝(V_p-Y_p)²

其中，S_p表示均方差函数；V_p表示实际样本的输出值；Y_p表示表示模式p下的训练输出值。

10.如权利要求9所述的方法，其特征在于，所述得到与所述电能检测数据对应的评估结果包括：

将电能检测数据各等级中各项指标对应的概率值按由低到高的顺序排列成第一矩阵；

将第一矩阵与训练后的第一权重矢量相乘，得到第二矩阵；其中，所述第二矩阵包括电能检测数据的各等级中各项指标的评估结果；

将所述第二矩阵与训练后的第二权重矢量相乘，得到与所述电能检测数据对应的电能质量综合评估结果。

Images