基于改進型離散Hopfield網絡的不間斷電源供電曲線模型研究

孫艷華

【摘要】脈沖神經元模擬了人體神經系統進行信號傳導與處理的真實特性。利用脈沖神經元所具備的多種獨特性質，可以將其有效利用于改進離散Hopfield網絡的數學結構中，使這種傳統的遞歸神經網絡無論是在函數擬合問題，或是時間序列預測問題上，都可以得到比傳統離散Hopfield網絡模型更好的計算性能。不間斷電源電池在經過長時間放置或者長期使用之后，都會出現不同程度的電荷衰減現象。本文采用了改進型離散Hopfield網絡來表達這一非線性系統，利用建立于改進型離散Hopfield網絡的不間斷電源供電曲線模型，來有效掌握電池的工作狀態，為電力檢修提供了較大幫助。

【關鍵詞】脈沖神經元；離散Hopfield網絡；不間斷電源；供電曲線

1、引言

近年來，通過神經生物學的最新研究表明，一種區別于傳統S神經元的脈沖神經元進一步模擬了人體神經系統進行信號傳導與處理的真實特性。[1]利用脈沖神經元所具備的多種獨特性質，可以將其有效利用于改進離散Hopfield網絡的數學結構中，使這種傳統的遞歸神經網絡無論是在函數擬合問題，或是時間序列預測問題上，都可以得到比傳統離散Hopfield網絡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壽命被廣泛運用于工業及日常生活中。UPS電池在經過長時間放置或者長期使用之后，都會出現不同程度的電荷衰減現象。本文采用了改進型離散Hopfield網絡來表達這一非線性系統，利用建立于改進型離散Hopfield網絡的不間斷電源供電曲線模型，來有效掌握電池的工作狀態，為電力檢修提供了較大幫助。

2、改進型離散Hopfield網絡結構

2.1、脈沖神經元模型結構

S神經元的輸出值在超出-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格執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，導致網絡計算錯誤。

因為超越值域而采用多次迭代的方式，S神經元對于時間序列預測等問題，存在神經元內部延時的天生缺陷，從數學結構上就不存在用于設置的時間變量。因此，采用新型的脈沖神經元可以在一定程度上改善與時間相關的計算結構，從而有效提高函數擬合與時間序列預測問題的準確性和計算效率。

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

在大多數情況下，假如用脈沖神經元構造的模型只考慮輸出端的脈沖神經元抑制神經元負電壓的影響，則神經元的膜電壓響應為：

（1）

公式1表示，當神經元受到了抑制神經元負電壓影響時，因來自其他方面影響而傳導的突觸后膜電位將會結合來自其他方面的響應。

當神經元不斷積累由其他神經元傳導而來的電信號時，膜電壓依照積分的特性積累，直到達到閾值，再向下一級發出，之后將持續一段時間的抑制神經元負電壓。

脈沖神經元抑制負電壓持續時間是脈沖神經元的重要參數，其取值決定了脈沖神經元對既有信息記憶的持續時長。

2.2、基于脈沖神經元的離散Hopfield網絡

離散Hopfield網絡的數學模型由美國科學家J.J Hopfield在1982年提出，是一種全連接型神經網絡。在這種網絡中具有一層僅僅作為輸入功能的神經元，無實際運算的作用，它的下一級神經元對輸入的信號和加權系數的乘積進行累加，之后通過非線性函數進行數據的讀出。是一個開關函數，倘若神經網絡讀出器的值大于，則讀出器顯示為1，倘若神經網絡讀出器的值小于，則讀出器顯示為-1。

離散Hopfield網絡的數學表達式如公式2所示。

（2）

如果權值系數在時為零，這類神經網絡只能單純輸出，不會傳遞反饋值，被稱為前饋型神經網絡，反之，則可以傳遞反饋值，這些網絡被稱為遞歸型神經網絡。離散Hopfield網絡就是一種典型的遞歸型神經網絡。[8]

3、基于改進型網絡的UPS供電曲線模型

3.1、模型結構及實驗設計

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用于工業及日常生活中。而電池在經過長時間放置或者長期使用之后，都會出現不同程度的電荷衰減現象。

不間斷電源供電曲線模型采用常規的方法很難進行數學建模，故本文采用了改進型離散Hopfield網絡來表達這一非線性系統。

我們采用了國產某一型號UPS采集的電源電壓值與電流值隨時間變化的數據進行實驗。其中，我們采用了由脈沖神經元構成的離散Hopfield網絡進行計算，脈沖神經元的抑制負電壓的持續時間取為0.8，整個網絡的輸入為2個節點，輸出為1個節點，初始網絡權值都為0.1，實驗平臺為MATLAB 2013b。

3.2、實驗結果

通過使用改進型離散Hopfield網絡進行建模計算，我們利用函數擬合得到了這一型號UPS的供電曲線，如圖2所示。

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

同時，利用改進型離散Hopfield網絡構建的數學模型，我們可以得到，電流強度為55A時的放電曲線如圖3所示。

利用數學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，利用改進型離散Hopfield網絡進行的不間斷電源供電曲線模型建立和計算，具有較好的準確性，能夠比較真實地還原出UPS供電的基本情況。

4、結論

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

本文采用了改進型離散Hopfield網絡來表達這一非線性系統。我們采用了國產某一型號UPS采集的電源電壓值與電流值隨時間變化的數據進行實驗。這種方法是將一個不可知的函數進行訓練，利用已知的數據訓練神經網絡，之后再進行數學建模的工作。

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

參考文獻：

[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的船舶發電機故障診斷[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神經網絡的項目風險分析模型[J]. 統計與決策， 2005， 3： 24-26.

[7] 謝宏， 何怡剛， 彭敏放， 等. 離散Hopfield神經網絡在混燒控制系統故障診斷中的應用[J]. 湖南大學學報（自然科學版）， 2007， 34（3）： 33-35.

[8] 姜惠蘭， 孫雅明. 反饋式Hopfield神經網絡在輸電線路故障診斷中的應用[J]. 電力系統及自動化學報， 1999， 11（1）： 6-12.