基于改進(jìn)型離散Hopfield網(wǎng)絡(luò)的不間斷電源供電曲線模型研究

孫艷華

【摘要】脈沖神經(jīng)元模擬了人體神經(jīng)系統(tǒng)進(jìn)行信號傳導(dǎo)與處理的真實特性。利用脈沖神經(jīng)元所具備的多種獨特性質(zhì)，可以將其有效利用于改進(jìn)離散Hopfield網(wǎng)絡(luò)的數(shù)學(xué)結(jié)構(gòu)中，使這種傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)無論是在函數(shù)擬合問題，或是時間序列預(yù)測問題上，都可以得到比傳統(tǒng)離散Hopfield網(wǎng)絡(luò)模型更好的計算性能。不間斷電源電池在經(jīng)過長時間放置或者長期使用之后，都會出現(xiàn)不同程度的電荷衰減現(xiàn)象。本文采用了改進(jìn)型離散Hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)，利用建立于改進(jìn)型離散Hopfield網(wǎng)絡(luò)的不間斷電源供電曲線模型，來有效掌握電池的工作狀態(tài)，為電力檢修提供了較大幫助。

【關(guān)鍵詞】脈沖神經(jīng)元；離散Hopfield網(wǎng)絡(luò)；不間斷電源；供電曲線

1、引言

近年來，通過神經(jīng)生物學(xué)的最新研究表明，一種區(qū)別于傳統(tǒng)S神經(jīng)元的脈沖神經(jīng)元進(jìn)一步模擬了人體神經(jīng)系統(tǒng)進(jìn)行信號傳導(dǎo)與處理的真實特性。[1]利用脈沖神經(jīng)元所具備的多種獨特性質(zhì)，可以將其有效利用于改進(jìn)離散Hopfield網(wǎng)絡(luò)的數(shù)學(xué)結(jié)構(gòu)中，使這種傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)無論是在函數(shù)擬合問題，或是時間序列預(yù)測問題上，都可以得到比傳統(tǒng)離散Hopfield網(wǎng)絡(luò)模型更好的計算性能。

不間斷電源（UPS）所使用的鉛酸電池以其良好的性能和循環(huán)壽命被廣泛運(yùn)用于工業(yè)及日常生活中。UPS電池在經(jīng)過長時間放置或者長期使用之后，都會出現(xiàn)不同程度的電荷衰減現(xiàn)象。本文采用了改進(jìn)型離散Hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)，利用建立于改進(jìn)型離散Hopfield網(wǎng)絡(luò)的不間斷電源供電曲線模型，來有效掌握電池的工作狀態(tài)，為電力檢修提供了較大幫助。

2、改進(jìn)型離散Hopfield網(wǎng)絡(luò)結(jié)構(gòu)

2.1、脈沖神經(jīng)元模型結(jié)構(gòu)

S神經(jīng)元的輸出值在超出-1到1的值域后，因為不能被計算出來，因此采用多次迭代和嚴(yán)格執(zhí)行時序的方法計算出來，對于不是模擬量的輸入值則不能有效計算，導(dǎo)致網(wǎng)絡(luò)計算錯誤。

因為超越值域而采用多次迭代的方式，S神經(jīng)元對于時間序列預(yù)測等問題，存在神經(jīng)元內(nèi)部延時的天生缺陷，從數(shù)學(xué)結(jié)構(gòu)上就不存在用于設(shè)置的時間變量。因此，采用新型的脈沖神經(jīng)元可以在一定程度上改善與時間相關(guān)的計算結(jié)構(gòu)，從而有效提高函數(shù)擬合與時間序列預(yù)測問題的準(zhǔn)確性和計算效率。

脈沖神經(jīng)元的模型原理如圖1所示，其中左圖為脈沖神經(jīng)元工作時的膜電壓曲線，右圖為脈沖神經(jīng)元的膜電壓為負(fù)值時，抑制脈沖的負(fù)電壓的變化情況。

在大多數(shù)情況下，假如用脈沖神經(jīng)元構(gòu)造的模型只考慮輸出端的脈沖神經(jīng)元抑制神經(jīng)元負(fù)電壓的影響，則神經(jīng)元的膜電壓響應(yīng)為：

（1）

公式1表示，當(dāng)神經(jīng)元受到了抑制神經(jīng)元負(fù)電壓影響時，因來自其他方面影響而傳導(dǎo)的突觸后膜電位將會結(jié)合來自其他方面的響應(yīng)。

當(dāng)神經(jīng)元不斷積累由其他神經(jīng)元傳導(dǎo)而來的電信號時，膜電壓依照積分的特性積累，直到達(dá)到閾值，再向下一級發(fā)出，之后將持續(xù)一段時間的抑制神經(jīng)元負(fù)電壓。

脈沖神經(jīng)元抑制負(fù)電壓持續(xù)時間是脈沖神經(jīng)元的重要參數(shù)，其取值決定了脈沖神經(jīng)元對既有信息記憶的持續(xù)時長。

2.2、基于脈沖神經(jīng)元的離散Hopfield網(wǎng)絡(luò)

離散Hopfield網(wǎng)絡(luò)的數(shù)學(xué)模型由美國科學(xué)家J.J Hopfield在1982年提出，是一種全連接型神經(jīng)網(wǎng)絡(luò)。在這種網(wǎng)絡(luò)中具有一層僅僅作為輸入功能的神經(jīng)元，無實際運(yùn)算的作用，它的下一級神經(jīng)元對輸入的信號和加權(quán)系數(shù)的乘積進(jìn)行累加，之后通過非線性函數(shù)進(jìn)行數(shù)據(jù)的讀出。是一個開關(guān)函數(shù)，倘若神經(jīng)網(wǎng)絡(luò)讀出器的值大于，則讀出器顯示為1，倘若神經(jīng)網(wǎng)絡(luò)讀出器的值小于，則讀出器顯示為-1。

離散Hopfield網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)式如公式2所示。

（2）

如果權(quán)值系數(shù)在時為零，這類神經(jīng)網(wǎng)絡(luò)只能單純輸出，不會傳遞反饋值，被稱為前饋型神經(jīng)網(wǎng)絡(luò)，反之，則可以傳遞反饋值，這些網(wǎng)絡(luò)被稱為遞歸型神經(jīng)網(wǎng)絡(luò)。離散Hopfield網(wǎng)絡(luò)就是一種典型的遞歸型神經(jīng)網(wǎng)絡(luò)。[8]

3、基于改進(jìn)型網(wǎng)絡(luò)的UPS供電曲線模型

3.1、模型結(jié)構(gòu)及實驗設(shè)計

不間斷電源（UPS）所使用的鉛酸電池以其良好的性能被廣泛運(yùn)用于工業(yè)及日常生活中。而電池在經(jīng)過長時間放置或者長期使用之后，都會出現(xiàn)不同程度的電荷衰減現(xiàn)象。

不間斷電源供電曲線模型采用常規(guī)的方法很難進(jìn)行數(shù)學(xué)建模，故本文采用了改進(jìn)型離散Hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)。

我們采用了國產(chǎn)某一型號UPS采集的電源電壓值與電流值隨時間變化的數(shù)據(jù)進(jìn)行實驗。其中，我們采用了由脈沖神經(jīng)元構(gòu)成的離散Hopfield網(wǎng)絡(luò)進(jìn)行計算，脈沖神經(jīng)元的抑制負(fù)電壓的持續(xù)時間取為0.8，整個網(wǎng)絡(luò)的輸入為2個節(jié)點，輸出為1個節(jié)點，初始網(wǎng)絡(luò)權(quán)值都為0.1，實驗平臺為MATLAB 2013b。

3.2、實驗結(jié)果

通過使用改進(jìn)型離散Hopfield網(wǎng)絡(luò)進(jìn)行建模計算，我們利用函數(shù)擬合得到了這一型號UPS的供電曲線，如圖2所示。

根據(jù)這一模型，可以確定，在常用的電池輸出電壓值為9.8V的情況下，當(dāng)電流為30A時，電池剩余時間為1851.0427min；當(dāng)電流為40A時，電池剩余時間為1297.8602min；當(dāng)電流為50A時，電池剩余時間為1000.6463min；當(dāng)電流為60A時，電池剩余時間為778.0522min；當(dāng)電流為70A時，電池剩余時間為606.7987min。

同時，利用改進(jìn)型離散Hopfield網(wǎng)絡(luò)構(gòu)建的數(shù)學(xué)模型，我們可以得到，電流強(qiáng)度為55A時的放電曲線如圖3所示。

利用數(shù)學(xué)模型計算出的剩余時間與實際剩余時間的平均相對誤差如表1所示。

通過實驗可以得出，利用改進(jìn)型離散Hopfield網(wǎng)絡(luò)進(jìn)行的不間斷電源供電曲線模型建立和計算，具有較好的準(zhǔn)確性，能夠比較真實地還原出UPS供電的基本情況。

4、結(jié)論

不間斷電源（UPS）所使用的鉛酸電池以其良好的性能和循環(huán)壽命被廣泛運(yùn)用于工業(yè)及日常生活中。而電池在經(jīng)過長時間放置或者長期使用之后，都會出現(xiàn)不同程度的電荷衰減現(xiàn)象。

本文采用了改進(jìn)型離散Hopfield網(wǎng)絡(luò)來表達(dá)這一非線性系統(tǒng)。我們采用了國產(chǎn)某一型號UPS采集的電源電壓值與電流值隨時間變化的數(shù)據(jù)進(jìn)行實驗。這種方法是將一個不可知的函數(shù)進(jìn)行訓(xùn)練，利用已知的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后再進(jìn)行數(shù)學(xué)建模的工作。

通過實驗可以得出，利用改進(jìn)型離散Hopfield網(wǎng)絡(luò)進(jìn)行的不間斷電源供電曲線模型建立和計算，具有較好的準(zhǔn)確性，能夠比較真實地還原出UPS供電的基本情況，為今后UPS電池的保養(yǎng)與更換提供了有力的幫助。

參考文獻(xiàn)：

[1] Maass， W. On the Computational Power of Recurrent Circuits of Spiking Neuron， Technische Universit?t Graz （2000）.

[2] Behi T.， Arous N.， Ellouze N. Self-organization map of spiking neurons evaluation in phoneme classification[C]. Sciences of Electronics， Technologies of Information and Telecommunications （SETIT）， 2012 6th International Conference on， 2012， 701-705.

[3] Espinosa-Ramos J.I.， Cruz-Cortes N.， Vazquez R.A. Creation of spiking neuron models applied in pattern recognition problems[C]. Neural Networks （IJCNN）， The 2013 International Joint Conference on， 2013， 1-8.

[4] Russell A.， Orchard G.， Yi Dong， Mihalas S.， Niebur E.， Tapson J.， Etienne-Cummings R. Optimization Methods for Spiking Neurons and Networks[C]. Neural Networks， IEEE Transactions on， 2010， 1950-1962.

[5] 徐若冰， 施偉峰， 劉燕. 基于DHNN的船舶發(fā)電機(jī)故障診斷[J]. 儀器儀表用戶， 2007， 14（6）： 114-115.

[6] 宋濤， 唐德善， 曲煒. 基于離散型Hopfield神經(jīng)網(wǎng)絡(luò)的項目風(fēng)險分析模型[J]. 統(tǒng)計與決策， 2005， 3： 24-26.

[7] 謝宏， 何怡剛， 彭敏放， 等. 離散Hopfield神經(jīng)網(wǎng)絡(luò)在混燒控制系統(tǒng)故障診斷中的應(yīng)用[J]. 湖南大學(xué)學(xué)報（自然科學(xué)版）， 2007， 34（3）： 33-35.

[8] 姜惠蘭， 孫雅明. 反饋式Hopfield神經(jīng)網(wǎng)絡(luò)在輸電線路故障診斷中的應(yīng)用[J]. 電力系統(tǒng)及自動化學(xué)報， 1999， 11（1）： 6-12.