基于BP-AdaBoost的电子式电能表故障检测方法

为了解决现有电子式电能表故障检测方法精度偏低、训练速度慢的问题,提出一种BP-AdaBoost复合神经网络故障预测方法。首先,在单一BP神经网络的基础上,利用组合分类器算法AdaBoost对其进行改进,将多个单一BP神经网络作为弱分类器,多次迭代训练得到强分类器;随后,将该故障预测方法应用于电子式电能表的典型故障——整流桥故障的分类判别中;利用Simulink搭建电子式电能表仿真模型,选取故障注入点与观测点,仿真运行生成的故障数据作为BP-AdaBoost算法的处理对象。仿真结果表明,BP-AdaBoost故障预测方法与单一BP神经网络故障预测方法相比,能提高预测精度,显著减小误差,在实际应用中具有一定可行性。