CN104503235A - 基于改进bp神经网络的电厂设备的状态监测方法 - Google Patents
基于改进bp神经网络的电厂设备的状态监测方法 Download PDFInfo
- Publication number
- CN104503235A CN104503235A CN201410747579.8A CN201410747579A CN104503235A CN 104503235 A CN104503235 A CN 104503235A CN 201410747579 A CN201410747579 A CN 201410747579A CN 104503235 A CN104503235 A CN 104503235A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- neural network
- individuality
- power plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于改进BP神经网络的电厂设备的状态监测方法。针对电厂设备状态的复杂性,利用神经网络进行状态监测,而神经网络存在易陷入局部最优的问题,首先对神经网络进行改进以期获得全局最优解。依据电厂电力设备数据实时性要求以及遗传算法寻优时计算时间少的优势,采用遗传算法对神经网络进行优化。本发明提出了一种基于个体迁移-扩展机制的遗传算法,在保证收敛到全局最优解的同时加快了收敛速度。之后本发明利用经IM-EMGA优化的BP神经网络来对电厂设备进行状态监测,从而能够及时发现故障发生的预兆。将本发明模型进行仿真实验,结果表明该方法相比单纯的遗传算法优化的BP神经网络具有更好的收敛速度和全局寻优能力。
Description
技术领域
本发明涉及一种电厂设备的状态监测方法,尤其涉及一种基于改进BP神经网络的电厂设备的状态监测方法。
背景技术
由于电厂设备的工作状态变化没有规律性,很难使用现有的数学模型对其进行拟合估计。神经网络具有优秀的非线性拟合能力,适合对复杂的工作状态进行拟合,但是它容易陷入局部最优解,每次拟合结果可能不尽相同,遗传算法可以处理任意形式的目标函数和约束,具有良好的全局寻优能力以及较快的收敛速度,然而遗传算法也存在早熟的现象。
电厂设备的工作状态直接影响了电厂的工作运行,对电厂设备进行检测已成为电厂研究的重要问题。如上述提到各种方法有诸多的缺陷问题,因此,现在需要发明一种方法,在解决遗传算法早熟问题的同时提高算法收敛到全局最优解速度,以此来满足电厂设备工况数据的精确性和实时性的要求。
发明内容
针对遗传算法早熟问题以及神经网络容易陷入局部最优解的局限性问题,本发明研制一种基于改进BP神经网络的电厂设备的状态监测方法。
本发明其特征在于,包括以下步骤:
(1)采集电厂数据(包括历史数据和实时数据)作为数据源进行种群初始化和个体迁移。
(2)数据源进行初始化后得到三个种群,对这三个种群采取不同的选择方式和交叉操作。
(3)防止取得的电厂数据种群陷入局部最优进行变异操作。
(4)当连续几代没有出现新的最优个体时,说明算法可能陷入局部最优,此时加入扩展机制,增强种群的多样性,使算法跳出局部最优解。
所述种群初始化和个体迁移是为了改善遗传算法早熟现象,引入多种群并提出一种新的个体迁移机制:初始创建三个随机种群,分别计算三个种群中个体的适应度值,根据个体适应度值将个体分为优中劣三个等级;个体迁移是指将每代的三个种群中的优秀个体放在第一个种群中,一般个体放入第二个种群,较差个体放入第三个种群;
所述选择是对于第一个种群,由于其存放的都是适应度值较大的优秀个体,将保留所有个体进入下一代种群;对于第二个种群,通过轮盘赌的方法以较大的选择概率选择个体进入下一代种群;对于第三个种群,同样通过轮盘赌的方法以较小的选择概率选择个体进入下一代种群。;
所述变异操作是第一个种群保存的是当代适应度值较大的优秀个体,因此对其进行小范围的变异,提高算法的局部搜索能力;第二个种群进行较大范围的变异,增加种群的多样性,避免陷入局部最优、产生早熟现象;第三个种群进行大范围的变异,以期产生多个新个体,增强种群多样性;
所述扩展机制是交叉操作不再仅限于三个种群各自内部进行,而是随机进行两个种群间的个体的交叉操作,以期产生新的最优个体,同时增大交叉概率和交叉个体的数目,增大个体变异概率和变异个体的数目。
附图说明
图1是基于改进BP神经网络的电厂设备的状态监测方法实施流程图。
图2是实时数据的趋势图。
图3是BP以及SGA对设备状态的监测图。
图4是IM-EMGA优化的BP对设备状态的监测图。
具体实施方式
为更好地理解本发明,下面结合附图和具体实施方式对本发明进行更为详细描述。在以下的描述中,当已有的现有技术的详细描述也许会淡化本发明的主题内容时,这些描述在这儿将被忽略。
图1是本发明基于改进BP神经网络的电厂设备的状态监测方法的一种具体实施方式流程图。在本实施例中,本发明的基于改进BP神经网络的电厂设备的状态监测方法包括以下步骤:
某电厂中采集到的设备的振动数据,其实时趋势如图2所示,其中横坐标表示时间(每隔一分钟获取一个数据)。
(1)将上述电厂数据作为数据源进行种群初始化和个体迁移。
(2)数据源进行初始化后得到三个种群,对这三个种群采取不同的选择方式和交叉操作。
(3)防止取得的电厂数据种群陷入局部最优进行变异操作。
(4)当连续几代没有出现新的最优个体时,说明算法可能陷入局部最优,此时加入扩展机制,增强种群的多样性,使算法跳出局部最优解。
将BP、SGA优化的BP以及IM-EMGA优化的BP分别应用于该段实时数据,测试结果如图3所示,左侧两张图为BP对电厂实时数据的两种监测结果,右侧两张图为SGA对电厂实时数据的两种监测结果,从图中可以看出,由于BP神经网络每次寻找到的最优解不尽相同,因此BP对相同实时数据的评估相差很大,同时结果一出现了过拟合现象,没有准确及时的发现异常数据。
而经SGA优化后的BP不会出现过拟合现象,但是由于SGA的早熟现象也存在对相同实时数据的评估相差很大的情况,如对于右侧两张图两条黑色虚线之间的时间段内的数据而言,结果一中的实时数据与假设输出拟合度很好但是在结果二中显示出异常。
从图4中可以看出,设备正常运行的时候,实时数据与假设输出之间拟合度很高,两个数据的差值在0左右波动,当设备将要发生故障时,实时数据与 假设输出之间的差值逐渐变大,此时就说明设备向着故障方向变化,应该及时的进行检修,防止故障发生,造成设备停机。该算法有效地对异常变化进行了实时监测。
尽管上面对本发明说明性的具体实施方式进行了描述,但应当清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于改进BP神经网络的电厂设备的状态监测方法,其特征在于,包括以下步骤:(1)采集电厂数据(包括历史数据和实时数据)作为数据源进行种群初始化和个体迁移。(2)数据源进行初始化后得到三个种群,对这三个种群采取不同的选择方式和交叉操作。(3)防止取得的电厂数据种群陷入局部最优进行变异操作。(4)当连续几代没有出现新的最优个体时,说明算法可能陷入局部最优,此时加入扩展机制,增强种群的多样性,使算法跳出局部最优解。
2.根据权利要求1所述的一种基于改进BP神经网络的电厂设备的状态监测方法其特征在于:所述种群初始化和个体迁移是为了改善遗传算法早熟现象,引入多种群并提出一种新的个体迁移机制:初始创建三个随机种群,分别计算三个种群中个体的适应度值,根据个体适应度值将个体分为优中劣三个等级;个体迁移是指将每代的三个种群中的优秀个体放在第一个种群中,一般个体放入第二个种群,较差个体放入第三个种群;
所述选择是对于第一个种群,由于其存放的都是适应度值较大的优秀个体,将保留所有个体进入下一代种群;对于第二个种群,通过轮盘赌的方法以较大的选择概率选择个体进入下一代种群;对于第三个种群,同样通过轮盘赌的方法以较小的选择概率选择个体进入下一代种群。;
所述变异操作是第一个种群保存的是当代适应度值较大的优秀个体,因此对其进行小范围的变异,提高算法的局部搜索能力;第二个种群进行较大范围的变异,增加种群的多样性,避免陷入局部最优、产生早熟现象;第三个种群进行大范围的变异,以期产生多个新个体,增强种群多样性;
所述扩展机制是交叉操作不再仅限于三个种群各自内部进行,而是随机进行两个种群间的个体的交叉操作,以期产生新的最优个体,同时增大交叉概率和交叉个体的数目,增大个体变异概率和变异个体的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410747579.8A CN104503235B (zh) | 2014-12-09 | 2014-12-09 | 基于改进bp神经网络的电厂设备的状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410747579.8A CN104503235B (zh) | 2014-12-09 | 2014-12-09 | 基于改进bp神经网络的电厂设备的状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104503235A true CN104503235A (zh) | 2015-04-08 |
CN104503235B CN104503235B (zh) | 2017-05-10 |
Family
ID=52944639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410747579.8A Expired - Fee Related CN104503235B (zh) | 2014-12-09 | 2014-12-09 | 基于改进bp神经网络的电厂设备的状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104503235B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105389475A (zh) * | 2015-12-22 | 2016-03-09 | 中国石油大学(华东) | 一种基于小波包分解的电厂设备故障检测方法 |
CN110829434A (zh) * | 2019-09-30 | 2020-02-21 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020077756A1 (en) * | 1999-11-29 | 2002-06-20 | Scott Arouh | Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation |
CN101630380A (zh) * | 2009-07-08 | 2010-01-20 | 西安电子科技大学 | 基于多种群进化机制的作业车间调度方法 |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
-
2014
- 2014-12-09 CN CN201410747579.8A patent/CN104503235B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020077756A1 (en) * | 1999-11-29 | 2002-06-20 | Scott Arouh | Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation |
CN101630380A (zh) * | 2009-07-08 | 2010-01-20 | 西安电子科技大学 | 基于多种群进化机制的作业车间调度方法 |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
Non-Patent Citations (5)
Title |
---|
TETSUYUKI TAKAHAMAT 等: "Structural Learning of Neural Networks by Coevolutionary Genetic Algorithm with Degeneration", 《2004 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS》 * |
史燕琨 等: "基于伪并行遗传算法的配电网电容器优化配置", 《电力系统保护与控制》 * |
孟玲玲 等: "基于多种群混沌遗传神经网络的模拟电路故障诊断", 《计算机测量与控制》 * |
林丽莉 等: "多种群并行进化神经网络的研究及应用", 《青岛海洋大学学报》 * |
田力汉 等: "遗传算法中交叉算子对群体多样性的影响", 《计算机工程与科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105389475A (zh) * | 2015-12-22 | 2016-03-09 | 中国石油大学(华东) | 一种基于小波包分解的电厂设备故障检测方法 |
CN105389475B (zh) * | 2015-12-22 | 2018-04-20 | 中国石油大学(华东) | 一种基于小波包分解的电厂设备故障检测方法 |
CN110829434A (zh) * | 2019-09-30 | 2020-02-21 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
CN110829434B (zh) * | 2019-09-30 | 2021-04-06 | 重庆大学 | 一种提高深度神经网络潮流模型扩展性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104503235B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN104200087B (zh) | 用于机器学习的参数寻优及特征调优的方法及系统 | |
Liu et al. | A new quantum-behaved particle swarm optimization based on cultural evolution mechanism for multiobjective problems | |
US11069009B2 (en) | System, method and apparatuses for identifying load volatility of a power customer and a tangible computer readable medium | |
CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
CN109032145A (zh) | 对多机器人路径的调度方法及装置 | |
CN109861206B (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
CN107909194B (zh) | 系统级测试性设计多目标优化方法 | |
CN104503235A (zh) | 基于改进bp神经网络的电厂设备的状态监测方法 | |
CN109548029A (zh) | 一种面向无线传感器网络的两级节点信任评估方法 | |
CN105204438A (zh) | 一种面向缸盖零件的加工质量控制方法 | |
CN102682348A (zh) | 复杂装备部件维修级别优化系统及其建立方法 | |
CN114997745A (zh) | 一种基于深度特征提取的光伏故障诊断溯源方法 | |
KR20170072284A (ko) | 유틸리티 그리드에서 규범적 동작 제한을 식별 및 고수하기 위한 시스템 및 방법 | |
Xu et al. | Optimization of multiple traveling salesman problem based on simulated annealing genetic algorithm | |
Rosli et al. | Predictive maintenance of air booster compressor (ABC) motor failure using artificial neural network trained by particle swarm optimization | |
Gaur et al. | CNN-Bi-LSTM Based Household Energy Consumption Prediction | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN111160386B (zh) | 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法 | |
Zhong et al. | The nexus among artificial intelligence, supply chain and energy sustainability: A time-varying analysis | |
CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
CN103513168B (zh) | Gis及电缆局部放电综合判断方法 | |
Wu et al. | A Fuzzy‐Neural Ensemble and Geometric Rule Fusion Approach for Scheduling a Wafer Fabrication Factory | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20171209 |