CN104598969B - 一种基于神经网络的高压电器运行质量评估方法及系统 - Google Patents
一种基于神经网络的高压电器运行质量评估方法及系统 Download PDFInfo
- Publication number
- CN104598969B CN104598969B CN201410642849.9A CN201410642849A CN104598969B CN 104598969 B CN104598969 B CN 104598969B CN 201410642849 A CN201410642849 A CN 201410642849A CN 104598969 B CN104598969 B CN 104598969B
- Authority
- CN
- China
- Prior art keywords
- voltage electrical
- neural network
- defect
- data
- network model
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 99
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 10
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 20
- 238000009472 formulation Methods 0.000 abstract description 9
- 239000000203 mixture Substances 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005584 early death Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；步骤4、根据已构建并训练完成的神经网络模型各权重值的分布对现有数据进行分析预测，获取高压电器运行质量的评估结果。本发明还公开了一种基于神经网络的高压电器运行质量评估系统。本发明在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能结果，为巡检计划的制定和安排提供科学且实用的依据。
Description
技术领域
本发明涉及专利涉及高压电器质量评估技术领域，具体涉及变电站如断路器、隔离开关及接地开关等压电器设备的运行质量评估及巡检计划制定方法。
背景技术
断路器、隔离开关等高压电器是变电站中使用最多的电力设备，主要实现关合、开断、保护、控制、调节等功能。由于使用量大，操作频繁，工作可靠性要求高，对变电所、电厂的设计、建立和安全运行的影响均较大。目前，变电站中使用的高压电器种类繁多，性能标准参差不齐，以致运行生产维护中无法合理且具针对性的进行巡检计划安排。
随着智能电网的建设，高压电器的运行维护数据逐步在统一的信息平台上的集成共享。这部分数据的积累和沉淀，为高压电器综合状态评估提供了重要的数据基础。
因此以高压电器的运行维护数据为基础，采用现代数学方法和模型，推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理和故障分析方向发展，有效地通过数据分析算法及模型，根据不同厂商生产的高压电器在变电站的性能表现及缺陷分布情况进行智能分类，将是推进巡检计划科学合理安排的重要支撑。
发明内容
针对上述不足，本发明的目的之一在于提供一种基于神经网络的高压电器运行质量评估方法，其在全面反映高压电器运行状态的基础上，通过神经网络模型(ArtificialNeural Networks)的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。
为实现以上目的，本发明采取的技术方案是：
一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：
步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；
步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；
步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；
所述步骤3包括：
步骤31、将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：
A0＝P1＝{p1,p2,pj,pn}
其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；
步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：
V＝C1＝{c1,c2,c3}
其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；
步骤33、对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：
其中，为初始神经元节点集合A0的第j个元素，
步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。
所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。
所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。
所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。
所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。
本发明的另一目的在于提供一种基于神经网络的高压电器运行质量评估状态，其在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。
为实现以上目的，本发明采取的技术方案是：
一种基于神经网络的高压电器运行质量评估系统，其包括：
数据收集单元，用于收集各厂家生产的高压电器设备的原始缺陷数据；
数据整理单元，用于对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；
构建及训练单元，用于根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；
所述构建及训练单元包括：
初始神经元节点集合赋值单元，用于将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：
A0＝P1＝{p1,p2,pj,pn}
其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；
目标集合赋值单元，用于将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：
V＝C1＝{c1,c2,c3}
其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；
训练模型单元，用于对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：
其中，为初始神经元节点集合A0的第j个元素，
质量评估单元，用于根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。
所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。
对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。
所述构建及训练单元还包括参数调整单元，用于对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。
所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。
与现有技术相比，本发明的有益效果在于：本发明在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能评估结果，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。
附图说明
图1为本发明一种基于神经网络的高压电器运行质量评估方法的流程示意图；
图2为构建的神经网络模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例
本发明以隔离开关为例，对基于神经网络的高压电器运行质量评估和巡检计划制定方法进行说明，请参照图1所示，基于神经网络的隔离开关巡检判定方法主要包括以下五个步骤。
1)数据收集。
为实现全面反映隔离开关运行状态，为巡检计划的制定和安排提供科学且实用的依据，本发明首先通过各类信息系统，如：生产管理信息系统，对表1中所需数据进行统一收集。收集到的各厂家生产的隔离开关的原始缺陷数据主要包括：缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别、生产厂家等数据项。
其中，缺陷类别(或缺陷等级)分为：紧急缺陷、重大缺陷和一般缺陷。严重程度依次为：紧急缺陷>重大缺陷>一般缺陷。
紧急缺陷主要指：生产设备运行维护阶段中发生的，不满足运行维护标准，随时可能导致设备故障，对人身安全、电网安全、设备安全、经济运行造成严重影响，需立即进行处理的设备缺陷。
重大缺陷主要指：生产设备运行维护阶段中发生的，不满足运行维护标准，对人身安全、电网安全、设备安全、经济运行造成重大影响，设备在短时内还能坚持运行，但需尽快进行处理的设备缺陷。
一般缺陷主要指：生产设备运行维护阶段中发生的，基本不对设备安全、经济运行造成影响的设备缺陷。
表1、原始缺陷数据表
2)数据整理。
日常生产运行过程中的缺陷数据内容比较庞杂，为在其中找到值得分析的数据，构建模型前，通过ETL工具(例如SAS软件)对需要得到的原始数据进行赋值转换和清理，得到数据集合、缺陷等级、投运时间等相关数据。转换后的数据即二次数据如表2所示，其中第一列为隔离开关生产厂家数据集合P1，第二列为隔离开关投运时间T1，第三列为隔离开关缺陷等级C1。
表2、二次数据表
3)构建并训练模型
赋值转换和清理后的二次数据与初始采集数据相比更具针对性和合理性，故直接用于神经网络建模。
将神经网络模型的初始神经元节点集合A0初始赋值为隔离开关生产厂家数据集合P1：
A0＝P1＝{HNCGGYDQ,SYGYKG,AESTGYDQ,XDGYKGC,HNPGJT,MG,BJABBGYKG,PDSGYKGC}
神经网络模型的目标集合V赋值为隔离开关缺陷等级C1，即：
V＝C1＝{yiban，zhongda，jinji}
隐蔽层Ai表示在模型训练时自行生成的第i个中间层，其中包含的第j个隐蔽神经元节点，定义为
每个初始神经元节点与各隐藏层神经元节点的状态均包含默认状态0和触发状态1，当每个初始神经元节点或各隐藏层神经元节点触发其对应的阀值bk达到一定数值，形成触发条件时，神经元节点状态激励函数(Sigmoid函数)生效。
其中，不同神经元节点所对应的阀值bk值表，如表3所示，表中node7、node8均为阀值bk部分节点数据，每个厂家产品会有不同的阀值达到不同节点node，不同节点node也有不同的阀值达到下一个节点node，直到最后一层，由不同的阀值bk目标，从而形成一条从不同厂家产品到目标的路径。
表3神经元节点阀值表(只列举部分数据)
| Sigmoid Node 7 | Sigmoid Node 8 | |
| HNCGGYDQ | 0.34642233907001985 | -0.2962925889466719 |
| SYGYKG | -0.10537532173669849 | -0.7711092852219283 |
| AESTGYDQ | -1.1342829248392454 | 0.6876257863078332 |
| XDGYKGC | 0.2803894440435134 | -0.33572467236158804 |
| HNPGJT | 0.43475528498604565 | -2.1151178895297362 |
| MG | 0.09334537952752783 | -0.5552744328625884 |
| BJABBGYKG | 0.34617388835825746 | -0.3593024031971349 |
| PDSGYKGC | -1.5877105860140766 | -1.6427190296213605 |
激励函数(Sigmoid函数)公式，如公式(1)所示。
由案例中不同厂家神经元节点触发阀值后，构建的神经网络模型示意图如图2所示。
构建初次模型后，为使模型获得更高的准确率，需对Epoch、Momentum和learningrate等参数进行调整和修改。通过提升迭代次数，增加波动阻尼，控制学习速率等方法进行修改及比对，可知，此模型在Epoch＝500，Momentum＝0.1，learning rate＝0.6时，根据正方根误差计算可得，此时模型的准确率最高，为97.5％。
4)数据估计。
根据已构建并训练完成的模型，可对现有数据进行分析预测。再次使用ETL工具对数据库中待估计的数据进行清理，而后即可将数据代入已训练好的模型进行计算。
将训练好的模型的初始神经元节点集合A0初始赋值为生产厂家集合P2：
A0＝P2＝{AEST,XAXD,HNPGJT,BJABBGYKG,MG,PDSGYKG，HNCGGYKG，SYGYKG}
根据神经元节点阀值表3中的阀值bk值表和Sigmoid函数公式运算可得各厂家设备缺陷估计结果，具体详见表4。
表4隔离开关缺陷估计表
| 序号 | 生产厂家 | 使用时间 | 缺陷估计结果 |
| 1 | AEST | 0.69年 | 重大 |
| 2 | AEST | 0.3年 | 重大 |
| 3 | XAXD | 4.2年 | 一般 |
| 4 | XAXD | 5.7年 | 一般 |
| 5 | HNPGJT | 5.2年 | 一般 |
| 6 | HNPGJT | 0.33年 | 紧急 |
| 7 | BJABBGYKG | 3年 | 一般 |
| 8 | MG | 20.4年 | 一般 |
| 9 | PDSGYKG | 14.5年 | 一般 |
| 10 | PDSGYKG | 0.08年 | 重大 |
| 11 | HNCGGYKG | 2.8年 | 一般 |
| 12 | SYGYKG | 20.5年 | 一般 |
5)运行质量评估及巡检计划制定调整
根据模型中各权重值的分布，可得：HNPGJT开关在使用0.33年后可能发生紧急缺陷，PDSGYKGC设备开关在使用0.08年的时候可能出现重大缺陷。
通过对隔离开关缺陷分析，结果存在以下三种可能：
1)高压电器生产厂家的产品正处在其浴盆曲线的早夭期范围内，缺陷发生的可能性较高，这种情况下：神经网络预测结果可对设备浴盆曲线进行符合各厂家型号产品性能状态的修正，并对检修、运维人员巡检、预试、小修、大修计划和项目的制定提供相应的参考；
2)导致该生产厂家的设备发生紧急重或大缺陷的因素中，如果投运时间在评估设备运行性能时，数据分布无规律，对评估不起主导作用，这种情况下，需对该厂设备的其他属性进行深入研究；
3)如果缺陷系统统计数据有误，导致模型训练时有偏差，这种情况下，需提升现有系统的数据质量。
如果可排除第2、3种可能性，神经网络对与隔离开关运行预测结果存在一定的指导意义，各运维单位在制定隔离开关巡检、预试、小修、大修计划和项目时，站内一到两年内投产的的AEST、PFSGYKG和HNPGJT三个生产厂家生产的隔离开关需缩短巡检时间，重点采用红外测温检测隔离开关运行时连接板、螺栓紧固部位的温度，投运一年后，需对隔离开关按照预试检修规程进行相应的检查与维护。
其他高压电器如断路器、接地刀闸等的运行质量评估及巡检计划制定方法可以参照以上隔离开关的案例进行。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络的高压电器运行质量评估方法，其特征在于，其包括以下步骤：
步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；
步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；
步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；
所述步骤3包括：
步骤31、将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：
A0＝P1＝{p1,p2,…pj,…pn}
其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；
步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：
V＝C1＝{c1,c2,c3}
其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；
步骤33、对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，为初始神经元节点集合A0的第j个元素，
步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。
2.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。
3.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。
4.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learningrate三个参数进行调整和修改，以提高该神经网络模型的准确率。
5.根据权利要求4所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。
6.一种基于神经网络的高压电器运行质量评估系统，其特征在于，其包括：
数据收集单元，用于收集各厂家生产的高压电器设备的原始缺陷数据；
数据整理单元，用于对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；
构建及训练单元，用于根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；
所述构建及训练单元包括：
初始神经元节点集合赋值单元，用于将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：
A0＝P1＝{p1,p2,…pj,…pn}
其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；
目标集合赋值单元，用于将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：
V＝C1＝{c1,c2,c3}
其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；
训练模型单元，用于对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，为初始神经元节点集合A0的第j个元素，
质量评估单元，用于根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。
7.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。
8.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。
9.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述构建及训练单元还包括参数调整单元，用于对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。
10.根据权利要求9所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410642849.9A CN104598969B (zh) | 2014-11-13 | 2014-11-13 | 一种基于神经网络的高压电器运行质量评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410642849.9A CN104598969B (zh) | 2014-11-13 | 2014-11-13 | 一种基于神经网络的高压电器运行质量评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104598969A CN104598969A (zh) | 2015-05-06 |
| CN104598969B true CN104598969B (zh) | 2018-02-23 |
Family
ID=53124740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410642849.9A Active CN104598969B (zh) | 2014-11-13 | 2014-11-13 | 一种基于神经网络的高压电器运行质量评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104598969B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109596913B (zh) * | 2018-11-26 | 2021-06-15 | 国网冀北电力有限公司 | 充电桩故障原因诊断方法及装置 |
| CN110532314A (zh) * | 2019-08-30 | 2019-12-03 | 国家电网有限公司 | 高压电器质量检测的方法及终端设备 |
| CN114692480A (zh) * | 2020-12-30 | 2022-07-01 | 上海宏力达信息技术股份有限公司 | 基于径向基神经网络的智能开关可靠性分析方法及系统 |
| CN113837403A (zh) * | 2021-08-27 | 2021-12-24 | 深圳市飞思捷跃科技有限公司 | 一种自学习物联网维保计划生成系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2659867B2 (ja) * | 1990-02-20 | 1997-09-30 | インターナショナル・ビジネス・マシーンズ・コーポレイション | 神経網を構築する方法及び神経網モデルを定義する方法 |
| CN101975910A (zh) * | 2010-09-07 | 2011-02-16 | 昆明理工大学 | 一种特高压直流输电线路故障智能分类与测距方法 |
| CN103049661A (zh) * | 2012-12-21 | 2013-04-17 | 广州供电局有限公司 | Gis剩余使用寿命评估方法和系统 |
| CN102539527B (zh) * | 2010-12-27 | 2013-06-19 | 湖北省电力公司电力科学研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
| KR20140023814A (ko) * | 2012-08-17 | 2014-02-27 | 현대중공업 주식회사 | 가스절연개폐장치의 부분방전 진단방법 |
| CN103927583A (zh) * | 2014-04-28 | 2014-07-16 | 莫小钧 | 人工神经网络 |
-
2014
- 2014-11-13 CN CN201410642849.9A patent/CN104598969B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2659867B2 (ja) * | 1990-02-20 | 1997-09-30 | インターナショナル・ビジネス・マシーンズ・コーポレイション | 神経網を構築する方法及び神経網モデルを定義する方法 |
| CN101975910A (zh) * | 2010-09-07 | 2011-02-16 | 昆明理工大学 | 一种特高压直流输电线路故障智能分类与测距方法 |
| CN102539527B (zh) * | 2010-12-27 | 2013-06-19 | 湖北省电力公司电力科学研究院 | 一种基于超声波检测的gis局部放电模式识别方法 |
| KR20140023814A (ko) * | 2012-08-17 | 2014-02-27 | 현대중공업 주식회사 | 가스절연개폐장치의 부분방전 진단방법 |
| CN103049661A (zh) * | 2012-12-21 | 2013-04-17 | 广州供电局有限公司 | Gis剩余使用寿命评估方法和系统 |
| CN103927583A (zh) * | 2014-04-28 | 2014-07-16 | 莫小钧 | 人工神经网络 |
Non-Patent Citations (3)
| Title |
|---|
| "GIS特高频局部放电在线监测与诊断系统研究与应用";林立锋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130615(第06期);第22-26页 * |
| "基于超声波法的GIS绝缘缺陷类型识别";律方成，张波;《电测与仪表》;20140725;第51卷(第14期);C042-287 * |
| "高压断路器智能故障诊断方法研究";谢文靖;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140215(第02期);正文第6页、12页、15页、17页、28页、37-51页，图4-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104598969A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375476B (zh) | 一种水电机组健康评估方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN102509178B (zh) | 配网设备状态评估系统 | |
| CN107069721B (zh) | 一种基于随机集理论的电力系统运行风险评估方法 | |
| CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
| CN108375715A (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN104598969B (zh) | 一种基于神经网络的高压电器运行质量评估方法及系统 | |
| CN103400310A (zh) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 | |
| CN103971024A (zh) | 小样本失效数据下继电保护系统可靠性评估方法 | |
| CN104573845A (zh) | 信息系统设备状态检修辅助决策方法 | |
| CN104899690A (zh) | 基于历史故障信息和运行状态的电力电缆运行维护方法 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN105225020A (zh) | 一种基于bp神经网络算法的运行状态预测方法和系统 | |
| CN106407589A (zh) | 一种风机状态评估与预测方法及系统 | |
| CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
| CN105224782A (zh) | 一种基于故障模式的变电设备故障概率计算方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN104933477A (zh) | 一种利用输变电设备风险评估优化检修策略的方法 | |
| CN111797365B (zh) | 一种换流变压器温度异常判断方法及系统 | |
| CN104484828B (zh) | 一种基于逻辑回归的高压电器运行质量评估方法及系统 | |
| CN107944571A (zh) | 一种电力变压器剩余使用寿命预测方法 | |
| CN104361529A (zh) | 一种基于云模型的配电系统可靠性评测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220518 Address after: No. 223, Kexue Avenue, Huangpu District, Guangzhou, Guangdong 510700 Patentee after: MAINTENANCE & TEST CENTRE, CSG EHV POWER TRANSMISSION Co. Patentee after: DALI BUREAU OF ULTRA HIGH VOLTAGE TRANSMISSION COMPANY, CHINA SOUTHERN POWER GRID Co.,Ltd. Address before: 510663 maintenance and test center, building 2, 223, science Avenue, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee before: MAINTENANCE & TEST CENTRE, CSG EHV POWER TRANSMISSION Co. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 223, Kexue Avenue, Huangpu District, Guangzhou, Guangdong 510700 Patentee after: China Southern Power Grid Corporation Ultra High Voltage Transmission Company Electric Power Research Institute Country or region after: China Patentee after: DALI BUREAU OF ULTRA HIGH VOLTAGE TRANSMISSION COMPANY, CHINA SOUTHERN POWER GRID Co.,Ltd. Address before: No. 223, Kexue Avenue, Huangpu District, Guangzhou, Guangdong 510700 Patentee before: MAINTENANCE & TEST CENTRE, CSG EHV POWER TRANSMISSION Co. Country or region before: China Patentee before: DALI BUREAU OF ULTRA HIGH VOLTAGE TRANSMISSION COMPANY, CHINA SOUTHERN POWER GRID Co.,Ltd. |