經過青島創統科技研發團隊的共同努力，研發設計出網側電流檢測算法：

1.小波神經網絡的結構

小波神經網絡(WNN)是小波分析理論與人工神經網絡理論相結合的產物，從結構形式上可分為小波變換和神經網絡的松散型結合與緊致型結合兩大類，若采用緊致型小波神經網絡^[3-4]， 設x=[x₁，x₂， …， x_n]^T為輸入向量，y=[y₁，y₂， …，y_m]^T為輸出向量，輸出層到隱層的權值為w_ij，隱層到輸入層的權值為w_jk，中間隱層的伸縮參數和平移參數分別為a_j和b_j，若隱層神經元數為N，則i=1，2，…，m，j=1，2，…，N，k=1，2，…，n，其網絡方程的實現可表示為：

2.小波神經網絡的學習算法

在小波網絡進行訓練之前，小波基函數的選取，以及小波基個數的多少，都將直接影響到估計精度和計算的復雜程度，根據PWM整流器的數學模型特點選取 Morlet小波函數:

它是 Gauss函數的二階導數，在時域和頻域都有很好的局部特性。一般r取1.75，共有N組訓練樣本對(x(n)，y(t_n))，n = 1，2 ，…，N。采用學習速率自適應調整的BP算法訓練小波神經網絡，訓練時采用批量處理。取優化目標函數為：

整流器電流采樣的特點決定了網絡的輸入節點數和輸出節點數，因此選擇網絡規模主要是確定隱層節點數的大小。小波神經網絡的訓練學習和隱層節點數密切相關，隱層節點數過少，網絡不能具有必要的信息處理能力和學習能力，隱層節點數過多，增加了網絡結構的復雜性，在學習過程中更容易陷入局部最小，而且使網絡的學習速度變慢。常用的試湊法一般是根據經驗來選取隱層的節點數，有很大的隨機性。采用下述經驗公式來確定神經網絡隱層節點數：

n為輸入節點數，m為輸出節點數。

采用梯度下降法，調整網絡參數，得到相應的最優參數：

1）網絡參數的初始化：w_ij設為0，中間隱層的伸縮參數和平移參數分別為a_j和b_j，選取計算樣本重心的方法，即為了初始化a₁和b₁，先在[0，n] 上選擇一個p點, 該點為[0，n]區間的重心, 設a₁=p,b₁=ξ(n-0)=ξn(一般ξ=0.5),這樣點p把區間[0,n]分成兩部分,然后可以在這兩個區間上重復以上步驟，就可以初始化參數a₂和b₂,直到a_N和b_N；

2）輸入學習樣本對(X(p),Y(p))；

3）網絡的自學習：利用當前的網絡參數計算出網絡的輸出；

4）計算瞬時梯度向量和增量：

      各梯度項為：

式中:η_ij，η_jk，η_a，η_b 分別為參數w_ij，w_jk，a_j，b_j 的學習速率。

 （5）當E小于容許誤差或達到最大學習次數時，終止學習；否則返回步第(2)步。