CN104573380A - 一种基于权限学习机模型的智能变电站故障录波判据启动方法 - Google Patents

Abstract

本发明公开了一种基于权限学习机模型的智能变电站故障录波判据启动方法，涉及到电力系统自动化领域，具体涉及到智能变电站中故障录波器启动方法，发明在单隐层前馈神经网络的基础上，依次完成数据处理、选取训练和测试数据、权限学习机的创建和训练、权限学习机测试验证、误差分析及性能评价和结果输出，当输出结果为1时，表示正常状态，为2或3时表示电流越限，此时进行判据启动开始进行故障录波。发明能够有效地完成故障录波判据启动，并对故障录波数据进行分类，减小分类误差，弥补了传统故障录波启动判据设置不方便且易出错的不足。

Description

一种基于权限学习机模型的智能变电站故障录波判据启动方法

技术领域

本发明涉及一种基于权限学习机模型的智能变电站故障录波判据启动方法，属于电力系统自动化技术领域。

背景技术

故障录波判据启动算法的产生是为了在电力系统出现故障时能够及时准确地对异常情况进行记录。随着电力系统的发展，电网结构的复杂化，出现在故障录波中的问题越来越多，传统故障录波判据的启动主要依赖于电气量的特性分析和傅里叶计算而得出判据，这种算法比较麻烦，并且现场设置复杂易出错，大部分算法的通用性都很差，为了解决这一问题，有必要设计一个适应性很强的算法。

本发明的有益效果在于：

极限学习机是在单隐层前馈神经网络基础上的新型算法，该算法训练速度快，容易获得全局最优解，适用于非线性问题求解，用于模式识别和分类有很大的优越性。

发明内容

为了解决上述技术问题，本发明提供一种基于权限学习机模型的智能变电站故障录波判据启动方法。

本发明解决上述技术问题的技术方案是：利用权限学习机模型的学习速度快、泛化性能好、调节参数少等优点，在该模型的基础上设计故障录波判据启动方法，当录波数据输入到已经建立并且训练结束的权限学习机模型时，输出结果能够显示是否需要进行判据启动，从而方便快捷地完成故障录波判据启动。

本发明所采用的技术方案为：

一种基于权限学习机模型的智能变电站故障录波判据启动方法，包括以下步骤：

1、数据处理

通过WireShark抓包软件对网络报文进行抓包，并且对报文信息进行解析形成数据，为了减少数据差异太大影响问题的研究，所以统一对数据进行归一化处理。

2、选取训练、测试数据

为了使得建立的模型具有更好的普适性，选取20000组具有代表性的训练样本，另取2000组作为测试数据。

3、权限学习机模型的建立

采用elmtrain()函数进行模型创建和训练。

(1)通过随机函数选取输入层、隐含层的连接权值ω和阈值b；

(2)确定隐含层节点个数，根据正确率进行折中考虑，这里定为500个；

(3)选择一个无限可微的函数作为隐含层神经元的激活函数g(x)，这里选取正弦函数sinx作为g(x)；

(4)计算隐含层输出矩阵H；

(5)计算隐含层和输出层连接权值

(6)算法设计完成，判断正确率是否达到模型训练的要求(>95％)，如果未达到，需要重新选取新的值来进行训练，不断地调整直到符合要求。

4、权限学习机测试验证

采用elmpredict()函数来完成测试。

5、误差分析和性能评价

通过绝对误差、决定系数和正确率来完成模型评估，同时兼顾运行时间。

6、输出结果

选用3种特征参数：A、B、C三相电流，故障录波判据启动状态为正常状态、A相电流越限、B相电流越限和C相电流越限，本方法设定启动状态仅为2种：正常状态和电流越限状态(包含A相电流越限、B相电流越限和C相电流越限)。

输出结果以曲线的方式直观地表示出来，当输出结果为1时，表示电流在(-1,1)之间，此时代表正常状态，不发生录波启动，当输出结果为2时，表示电流在(-2,-1)或(1,2)之间，此时判据启动进行录波，当输出结果为3时表示电流在(-∞,-3)或(3,+∞)，此时表示电流越限情况比较严重，进行判据启动进行录波。

附图说明

图1为故障录波判据启动方法的流程图。

图2为单隐层前馈神经网络结构。

图3为测试集实际输出与期望输出的对比图。

图4为测试集绝对误差图。

图5为权限学习机分类效果图。

具体实施方式

如图1所示，本发明的故障录波判据启动方法包括以下步骤：

1、数据处理

通过WireShark抓包软件对网络报文进行抓包，并且对报文信息进行解析形成数据，为了减少数据差异太大影响问题的研究，所以统一对数据进行归一化处理。

2、选取训练、测试数据

为了使得建立的模型具有更好的普适性，选取20000组具有代表性的训练样本，另取2000组作为测试数据。

3、权限学习机模型的建立

如图2所示，图2为单隐层前馈神经网络结构。权限学习机的原型是单隐层前馈神经网络，该神经网络由输入层、隐含层和输出层组成，三层之间按顺序实现全连接，输入层有n个节点，即n个输入向量；隐含层有l个节点；输出层有m个节点，对应m个输出向量。

(1)通过随机函数选取输入层、隐含层的连接权值ω和阈值b。

输入层和隐含层连接权值ω＝(ω_ij)_m×n，其中ω_ij表示输入层第i个节点到隐含层第j个节点的连接权值。

隐含层阈值b为

$b={\left[\begin{array}{c}{b}_1\\ b_2\\ .\\ .\\ .\\ b_l\end{array}\right]}_{l\×1}$

(2)确定隐含层节点个数，根据正确率进行折中考虑，这里定为500个。

(3)选择一个无限可微的函数作为隐含层神经元的激活函数g(x)，这里选取正弦函数sinx作为g(x)。

(4)计算隐含层输出矩阵H。

设具有Q个样本的训练集输入向量矩阵为X，输出向量矩阵为Y

$X={\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1Q}\\ x_{21}& x_{22}& ...& x_{2Q}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{nQ}}\end{array}\right]}_{n\×Q}$

$Y={\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1Q}\\ y_{21}& y_{22}& ...& y_{2Q}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ y_{m1}& y_{m2}& ...& y_{\mathrm{mQ}}\end{array}\right]}_{m\×Q}$

则整个网络的输出T为T＝(t_j)_m×Q

$t_j={\left[\begin{array}{c}{t}_{1j}\\ t_{2j}\\ .\\ .\\ .\\ t_{\mathrm{mj}}\end{array}\right]}_{m\×1}={\left[\begin{array}{c}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{i1}g({\mathrm{\ω}}_i{x}_j+b_i)\\ \underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{i2}g({\mathrm{\ω}}_i{x}_j+b_i)\\ .\\ .\\ .\\ \underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\β}}_{\mathrm{im}}g({\mathrm{\ω}}_i{x}_j+b_i)\end{array}\right]}_{m\×1}(j=\mathrm{1,2},...Q)$

其中ω_i是ω中第i行向量，x_j为X中第j列向量。

上式表示为：Hβ＝T'，式中T'是T的转置矩阵，H是神经网络的隐含层输出矩阵。

(5)计算隐含层和输出层连接权值

连接权值通过求解下式的最小二乘解得到：

$\underset{\mathrm{\β}}{\min }\left|\right|\mathrm{H\β}-T^{\′}\left|\right|$

解得其中H⁺为输出矩阵H的广义逆矩阵。

根据以上原理推论，完成训练函数、预测函数和仿真测试函数来建立最终模型，具体如下：

1)训练函数的创建

该函数的创建通过elmtrain()来完成，调用格式为

[IW,B,LW,TF,TYPE]＝elmtrain(P,T,N,TF,TYPE)

式中：

IW：输入层和隐含层的连接权值；

B：隐含层阈值；

LW：隐含层与输出层的连接权值；

TF：隐含层激活函数，取值默认为sig；

TYPE：ELM的类型，取值为0(表示回归和拟合)或者1(表示分类)，这里取1；

P：训练集输入矩阵；

T：训练集输出矩阵；

N：隐含层神经节点的个数。

2)预测函数的创建

该函数的创建通过elmpredict()来完成，调用格式为

Y＝elmpredict(P,IW,B,LW,TF,TYPE)

式中：

Y：测试集输出矩阵；

P：测试集输入矩阵；

IW：elmtrain()返回的输入层和隐含层连接权值；

B：elmtrain()返回的隐含层阈值；

LW：elmtrain()返回的隐含层与输出层连接权值；

TF：与训练函数中相同的隐含层激活函数；

TYPE：ELM的类型，取值为1。

3)仿真测试函数

T_sim＝elmpredict(Pn_test,IW,B,LW,TF,TYPE)

式中：

T_sim：测试输出矩阵；

Pn_test：测试输入矩阵；

IW：elmtrain()返回的输入层和隐含层连接权值；

B：elmtrain()返回的隐含层阈值；

LW：elmtrain()返回的隐含层与输出层连接权值；

TF：与训练函数中相同的隐含层激活函数；

TYPE：ELM的类型，取值为1。

在仿真测试函数结束后，计算出绝对误差、正确率和决定系数R²。

(6)判断正确率是否达到模型训练的要求(>95％)，如果未达到，需要重新选取新的值来进行训练，不断地调整直到符合要求。

4、权限学习机测试验证

采用elmpredict()函数来完成测试。

5、误差分析和性能评价

通过绝对误差、决定系数和正确率来完成模型评估，同时兼顾运行时间。

下面根据程序运行结果、实际输出结果图、绝对误差图和分类效果图来作出具体的判断。

如图3所示，图3为测试集实际输出与期望输出的对比图。

由图3可以分析得出：曲线图显示期望输出(星号表示)和实际输出(圆圈表示)几乎吻合，相对于该图的程序运行结果中有决定系数R²＝1.0000，它描述的是吻合度，“1”表示吻合度满足要求。

如图4所示，图4为测试集绝对误差图。

由图4可以分析得出：曲线图显示绝对误差(星号表示)的最大值为0.0325，整体绝对误差平均值为0.006，而传统方法误差的经验值为0.1，0.005远远小于0.1，说明该方法的绝对误差满足要求。

6、输出结果

选用3种特征参数：A、B、C三相电流，故障录波判据启动状态为正常状态、A相电流越限、B相电流越限和C相电流越限，本方法设定启动状态仅为2种：正常状态和电流越限状态(包含A相电流越限、B相电流越限和C相电流越限)。

输出结果会以曲线的方式直观地表示出来，当输出结果为1时，表示电流在(-1,1)之间，此时代表正常状态，不发生录波启动，当输出结果为2时，表示电流在(-2,-1)或(1,2)之间，此时判据启动进行录波，当输出结果为3时表示电流在(-∞,-3)或(3,+∞)，此时表示电流越限情况比较严重，进行判据启动进行录波。

如图5所示，图5为分类效果图。

由图5可以分析得出：正确率为100％，真实值(圆圈表示)和预测值(星号表示)吻合，所有的样本成功地被分类为1、2和3，即正常状态和电流越限，当被分类为1时，故障录波不启动，当被分类为2和3时，故障录波判据启动进行录波。

经过上述分析后，基于权限学习机模型的故障录波判据启动方法能够实现判据启动，相较于传统方法，在正确率和绝对误差上有很大优越性。

Claims (1)

1.一种基于权限学习机模型的智能变电站故障录波判据启动方法，其特征是：摒弃传统启动判据的设置方法，选用了权限学习机模型来完成故障录波判据的启动，当录波数据输入到已经建立并且训练结束的权限学习机模型时，输出结果能够显示是否需要进行判据启动，从而进行故障录波，具体步骤是：

S1数据处理

通过WireShark抓包软件对网络报文进行抓包，并且对报文信息进行解析形成数据，为了减少数据差异太大影响问题的研究，所以统一对数据进行归一化处理；

S2选取训练、测试数据

为了使得建立的模型具有更好的普适性，选取20000组具有代表性的训练样本，另取2000组作为测试数据；

S3权限学习机模型的建立

采用elmtrain()函数进行模型创建和训练：

(1)通过随机函数选取输入层、隐含层的连接权值ω和阈值b；

(2)确定隐含层节点个数，根据正确率进行折中考虑，这里定为500个；

(3)选择一个无限可微的函数作为隐含层神经元的激活函数g(x)，这里选取正弦函数sinx作为g(x)；

(4)计算隐含层输出矩阵H；

(5)计算隐含层和输出层连接权值

(6)算法设计完成，判断正确率是否达到模型训练的要求(>95％)，如果未达到，需要重新选取新的值来进行训练，不断地调整直到符合要求；

S4权限学习机测试验证

采用elmpredict()函数来完成测试；

S5误差分析和性能评价

通过绝对误差、决定系数和正确率来完成模型评估；

S6输出结果

选用3种特征参数：A、B、C三相电流，故障录波判据启动状态为正常状态、A相电流越限、B相电流越限和C相电流越限，本方法设定启动状态仅为2种：正常状态和电流越限状态(包含A相电流越限、B相电流越限和C相电流越限)，输出结果会以曲线的方式直观地表示出来，当输出结果为1时，表示电流在(-1,1)之间，此时代表正常状态，不发生录波启动，当输出结果为2时，表示电流在(-2,-1)或(1,2)之间，此时判据启动进行录波，当输出结果为3时表示电流在(-∞,-3)或(3,+∞)，此时表示电流越限情况比较严重，进行判据启动进行录波。2 -->