基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behavedparticleswarmoptimization,QPSO)的改进算法，用于优化人工神经网络(artificialneuralnetwork,ANN)，实现电能质量(powerquality,PQ)扰动识别。采用2个神经子网络，分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取，作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数，改进了QPSO算法的参数迭代更新过程，从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明，与加入动量因子的前馈式神经网络的训练方法相比，该算法具有更好的收敛性和稳定性。