基于生长-修剪优化RBF神经网络的电能质量扰动分类

针对电能质量扰动分类算法中径向基函数(radial basis function,RBF)神经网络隐层神经元的中心点数量、中心点位置、宽度、输出权值的设置问题,提出一种基于网络生长-修剪算法(GAP)的RBF神经网络电能质量扰动分类算法。首先,建立电能质量扰动模型,采用GAP算法实现对RBF神经网络的结构参数优化,设计相应的电能质量扰动分类算法流程图;其次,利用广义S变换、特征值提取、GAP-RBF神经网络对8种电能质量扰动进行处理。通过仿真分析,验证GAP-RBF神经网络对隐层神经元的参数优化能力,并给出优化算法的参数设定范围;仿真和实验结果表明,与同类算法相比,所提算法在保证分类准确度的前提下减少了隐层神经元的数量,且实现了RBF神经网络的参数自优化和继承式学习。