《表3 BP神经网络的训练特征向量样本（部分）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于反向传播神经网络的故障电弧识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文利用萤火虫-粒子群算法优化BP神经网络结构参数，得到最优的网络初始连接权值和节点阈值，然后采用表3中的630组训练样本数据对BP神经网络进行反复训练，最终保证BP神经网络输出满足规定的误差精度[15-17]。为检验萤火虫-粒子群算法优化BP神经网络的优越性及必要性，对于7种不同类型的家用典型负载的正常工作和故障状态，另外再采集120组不同于训练样本的电弧电流特征向量数据用于测试样本，分别输入经过训练以后的标准BP神经网络和萤火虫-粒子群算法优化的BP神经网络，并分别对两种情况下BP神经网络在满足同样测试误差精度要求的输出误差情况进行分析，如图5～6所示。从图中的测试误差统计情况明显可得，利用萤火虫-粒子群算法及改进BP算法优化训练BP神经网络后的故障电弧识别测试误差的最大值不超过0.06，而没有经过优化的BP神经网络的故障电弧识别误差最大值达到了0.92。通过比较分析表明，利用本文萤火虫-粒子群算法优化后的BP神经网络故障电弧识别误差比没有优化过的BP神经网络故障要小得多，接近1/16。同时为了进一步验证萤火虫-粒子群算法优化训练BP神经网络的寻优性能，对BP算法、遗传算法、粒子群算法、萤火虫-粒子群算法等不同算法的优化训练时间、训练误差、误判率进行对比研究，如表4所示，其中采取萤火虫-粒子群算法优化训练的神经网络训练时间最短、训练误差最小、误判率最低。由此可见，本文设计的BP神经网络故障电弧识别模型训练速度快、训练误差小、故障识别准确率高。