CN106355249B - 一种基于bp神经网络的继电保护设备状态识别方法 - Google Patents
一种基于bp神经网络的继电保护设备状态识别方法 Download PDFInfo
- Publication number
- CN106355249B CN106355249B CN201610749061.7A CN201610749061A CN106355249B CN 106355249 B CN106355249 B CN 106355249B CN 201610749061 A CN201610749061 A CN 201610749061A CN 106355249 B CN106355249 B CN 106355249B
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- protection device
- relay protection
- training
- 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 24
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 208000025274 Lightning injury Diseases 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000002633 protecting effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于BP神经网络的继电保护设备状态识别方法,可以对继电保护设备进行详细的状态识别,从而指导其针对不同故障采取相应的保护措施,解决了继电保护设备单一模式难以兼容各种工况的问题,极大程度减少故障对设备的影响,避免设备遭受破坏的情况发生。
Description
技术领域
本发明涉及一种基于BP神经网络的继电保护设备状态识别方法,属于变电站的继电保护设备状态识别领域。
背景技术
智能变电站以变电站一、二次设备为数字化对象,以高速网络通信平台为基础,通过对数字信息进行标准化,实现站内外信息共享和互动操作。在智能变电站发展过程中,智能设备的大规模使用也带来了一些问题。智能变电站相比于传统变电站,把原本应放在继保室的二次设备数据采集设备前移至一次设备区域,而数据采集设备属于弱电设备,极容易受到变电站一次区域电磁环境的影响。在雷击、开关操作或短路等故障时,继电保护设备容易遭受瞬态电磁骚扰,导致测量不准确的情况发生。相比于传统的二次设备,智能变电站的继电保护设备必须重新考虑电磁兼容性的要求。
目前,变电站的继电保护设备大多没有状态识别装置,面对不同的故障往往采用相同的措施,缺乏有效性和针对性。由于变电站复杂的电磁环境,继电保护设备的不同运行状态差异很大,如果采用相同的保护措施,则保护效果不理想,不能直接、有效、快速的使继电保护设备免受电磁干扰。需要对继电保护设备进行状态识别,指导其根据不同故障采取相应的保护措施,保持设备良好稳定运行。
发明内容
为了解决上述技术问题,本发明提供了一种基于BP神经网络的继电保护设备状态识别方法。
为了达到上述目的,本发明所采用的技术方案是:
一种基于BP神经网络的继电保护设备状态识别方法,包括以下步骤,
步骤1,分别采集不同工况下的若干组电压数据;
每种工况下的,若干组电压数据中的一部分数据作为训练样本,另一部分作为测试样本;
步骤2,对采集的电压数据进行预处理;
步骤3,对预处理后的电压数据进行时域计算,获取特征值;
步骤4,对特征值进行归一化处理;
步骤5,利用训练样本,建立继电保护设备的BP神经网络模型;
步骤6,利用测试样本对BP神经网络模型进行验证;
步骤7,将待识别继电保护设备的归一化处理后的电压数据特征值输入BP神经网络模型,即可识别该继电保护设备的状态。
工况包括正常状态、雷击状态、开关操作状态和短路状态。
特征值包括电压数据的均值、方差、均方根值、峰值、峰值因子和脉冲因子。
各特征值的公式为,
均值
其中,xn为一组预处理后的电压数据序列,n=1、2、…、N,N为电压数据序列的元素个数;
方差a2:
均方根值XRMS:
峰值Xpeak:
其中,max(xn)、min(xn)分别为xn的最大值和最小值;
峰值因子Cf:
Cf=Xpeak/XRMS;
脉冲因子If:
归一化处理的公式为,
α′=(α-MinValue)/(MaxValue-MinValue)
其中,α′为归一化处理后的特征值,α为归一化处理前的特征值,MaxValue、MinValue分别为归一化处理前特征值的最大值和最小值。
建立继电保护设备的BP神经网络模型的过程为,
S11、确定BP神经网络的输入层;
定义归一化后的特征值作为输入量;
S12、确定BP神经网络的输入层;
定义若干个输出量,用不同输出量组合表示不同的工况;
S13、确定BP神经网络的隐含层元素个数;
S14、初始化和选择训练参数;
定义BP神经网络模型的初始权值、目标误差值和最大训练次数;
确定BP神经网络模型训练的学习率;
确定隐含层和输出层之间的传递函数;
S15、网络训练;
将归一化后的训练样本特征值作为输入,进行网络训练,建立BP神经网络模型。
每个输出量是一个固定的值,每个输出量设有阈值范围,当实际输出值位于该阈值范围时,则对应的固定值即为BP神经网络模型的输出。
选择基于误差比值的指数形式学习率,学习率的公式为,
其中,η(k)、η(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的学习率,E(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的均方误差。
选择非对称的Sigmoid函数作为隐含层和输出层之间的传递函数。
本发明所达到的有益效果:本发明可以对继电保护设备进行详细的状态识别,从而指导其针对不同故障采取相应的保护措施,解决了继电保护设备单一模式难以兼容各种工况的问题,极大程度减少故障对设备的影响,避免设备遭受破坏的情况发生。
附图说明
图1为本发明的流程图。
图2为建立BP神经网络模型的流程图。
图3为BP神经网络模型的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种基于BP神经网络的继电保护设备状态识别方法,包括以下步骤:
步骤1,分别采集不同工况下的若干组电压数据。
继电保护设备工况包括正常状态、雷击状态、开关操作状态和短路状态,每种工况下的,一般采集10组电压数据,其中8组作为训练样本,2组作为测试样本。
步骤2,对采集的电压数据进行预处理。
进行预处理能剔除粗大误差,提高数据的可靠性和真实性,并检查数据的随机性。
步骤3,对预处理后的电压数据进行时域计算,获取特征值。
特征值包括电压数据的均值、方差、均方根值、峰值、峰值因子和脉冲因子。
具体计算公式如下:
均值:
其中,xn为一组预处理后的电压数据序列,n=1、2、…、N,N为电压数据序列的元素个数,为均值可以获悉电压值变化的中心趋势。
方差:
其中,a2为方差,可以表征随机过程中产生的数据在均值周围的散布程度,得到电压信号绕均值的波动程度。
均方根值:
其中,XRMS为均方根值,可以表征信号振动的程度,反应信号的平均能量。
峰值:
其中,max(xn)、min(xn)分别为xn的最大值和最小值;Xpeak为峰值,可以表征电压信号最大的瞬时幅值,反映电压信号的强度,正确指示电压信号的瞬时现象。
峰值因子:
Cf=Xpeak/XRMS
其中,Cf为峰值因子,可以表征电压信号在随机过程中的波动过程是否有冲击。
脉冲因子:
其中,If为脉冲因子,可以表征电压信号冲击脉冲的出现,在电压信号出现脉冲的早期,它有明显增加。
步骤4,对特征值进行归一化处理。
各个特征值的幅值大小不一,且有些特征值具有量纲,不便于不同数据之间的比较与计算,对所有特征值进行归一化处理,都转化为0~1区间内无量纲的数值。
归一化处理的公式为,
α′=(α-MinValue)/(MaxValue-MinValue)
其中,α′为归一化处理后的特征值,α为归一化处理前的特征值,MaxValue、MinValue分别为归一化处理前特征值的最大值和最小值。
上述的均值方差a2、均方根值XRMS、峰值Xpeak、峰值因子Cf和脉冲因子If经过归一化之后分别转化为a2′、XRMS′、Xpeak′、Cf′和If′。
步骤5,利用训练样本,建立继电保护设备的BP神经网络模型。
具体过程如图2所示,
S11、确定BP神经网络的输入层;
定义归一化后的特征值作为输入量;即这里的输入量有4个,即4个归一化后的特征值。
S12、确定BP神经网络的输入层;
定义若干个输出量,用不同输出量组合表示不同的工况。这里定义2个输出量,分别为0和1,(0,0)表示正常状态,(0,1)表示雷电状态,(1,0)表示开关操作状态,(1,1)表示短路状态。
S13、确定BP神经网络的隐含层元素个数;
计算隐含层元素个数的经验公式如下:
其中,i为输入量的个数,j为输出量的个数,b为[1,10]之间的常数。
根据经验公式,确定隐含层元素个数为4到13个,再根据实际数据进行误差比较,最后确定隐含层个数。
S14、初始化和选择训练参数;
定义BP神经网络模型的初始权值:初始权值设定为接近于零的非零值。
定义目标误差值:标误差值为0.001。
定义最大训练次数:最大训练次数为1000次。
确定BP神经网络模型训练的学习率:学习速率的初始值设置为0.1,采用基于误差比值的指数形式学习率,在训练的不同阶段,能够根据前后两次的误差变化趋势设置不同的学习速率,学习率的公式为,
其中,η(k)、η(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的学习率,E(k)、E(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的均方误差。
确定隐含层和输出层之间的传递函数:选择非对称的Sigmoid函数作为隐含层和输出层之间的传递函数。
S15、网络训练;
将归一化后的训练样本特征值作为输入,进行网络训练,建立BP神经网络模型,如图3所示。
BP神经网络模型中的每个输出量是一个固定的值,每个输出量设有阈值范围,当实际输出值位于该阈值范围时,则对应的固定值即为BP神经网络模型的输出。比如:定义1的阈值范围为>0.9,当实际输出值大于0.9,则判断为1(即BP神经网络模型输出为1),定义0的阈值范围为<0.1,当实际输出值小于0.1,则判断为0(即BP神经网络模型输出为0).
步骤6,利用测试样本对BP神经网络模型进行验证。
步骤7,将待识别继电保护设备的归一化处理后的电压数据特征值输入BP神经网络模型,即可识别该继电保护设备的状态。
上述方法可以对继电保护设备进行详细的状态识别,从而指导其针对不同故障采取相应的保护措施,解决了继电保护设备单一模式难以兼容各种工况的问题,极大程度减少故障对设备的影响,避免设备遭受破坏的情况发生。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:包括以下步骤,
步骤1,分别采集不同工况下的若干组电压数据;
每种工况下的,若干组电压数据中的一部分数据作为训练样本,另一部分作为测试样本;
步骤2,对采集的电压数据进行预处理;
步骤3,对预处理后的电压数据进行时域计算,获取特征值;
特征值包括电压数据的均值、方差、均方根值、峰值、峰值因子和脉冲因子;
步骤4,对特征值进行归一化处理;
步骤5,利用训练样本,建立继电保护设备的BP神经网络模型;
步骤6,利用测试样本对BP神经网络模型进行验证;
步骤7,将待识别继电保护设备的归一化处理后的电压数据特征值输入BP神经网络模型,即可识别该继电保护设备的状态。
2.根据权利要求1所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:工况包括正常状态、雷击状态、开关操作状态和短路状态。
3.根据权利要求1所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:各特征值的公式为,
均值
其中,xn为一组预处理后的电压数据序列,n=1、2、…、N,N为电压数据序列的元素个数;
方差a2:
均方根值XRMS:
峰值Xpeak:
其中,max(xn)、min(xn)分别为xn的最大值和最小值;
峰值因子Cf:
Cf=Xpeak/XRMS;
脉冲因子If:
4.根据权利要求1所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:归一化处理的公式为,
α′=(α-MinValue)/(MaxValue-MinValue)
其中,α′为归一化处理后的特征值,α为归一化处理前的特征值,MaxValue、MinValue分别为归一化处理前特征值的最大值和最小值。
5.根据权利要求1所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:建立继电保护设备的BP神经网络模型的过程为,
S11、确定BP神经网络的输入层;
定义归一化后的特征值作为输入量;
S12、确定BP神经网络的输入层;
定义若干个输出量,用不同输出量组合表示不同的工况;
S13、确定BP神经网络的隐含层元素个数;
S14、初始化和选择训练参数;
定义BP神经网络模型的初始权值、目标误差值和最大训练次数;
确定BP神经网络模型训练的学习率;
确定隐含层和输出层之间的传递函数;
S15、网络训练;
将归一化后的训练样本特征值作为输入,进行网络训练,建立BP神经网络模型。
6.根据权利要求5所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:每个输出量是一个固定的值,每个输出量设有阈值范围,当实际输出值位于该阈值范围时,则对应的固定值即为BP神经网络模型的输出。
7.根据权利要求5所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:选择基于误差比值的指数形式学习率,学习率的公式为,
其中,η(k)、η(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的学习率,E(k)、E(k-1)分别为BP神经网络模型第k次训练和第k-1次训练的均方误差。
8.根据权利要求5所述的一种基于BP神经网络的继电保护设备状态识别方法,其特征在于:选择非对称的Sigmoid函数作为隐含层和输出层之间的传递函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610749061.7A CN106355249B (zh) | 2016-08-29 | 2016-08-29 | 一种基于bp神经网络的继电保护设备状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610749061.7A CN106355249B (zh) | 2016-08-29 | 2016-08-29 | 一种基于bp神经网络的继电保护设备状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355249A CN106355249A (zh) | 2017-01-25 |
CN106355249B true CN106355249B (zh) | 2019-03-19 |
Family
ID=57855513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610749061.7A Active CN106355249B (zh) | 2016-08-29 | 2016-08-29 | 一种基于bp神经网络的继电保护设备状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355249B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633301B (zh) * | 2017-08-28 | 2018-10-19 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用系统 |
CN107918690A (zh) * | 2017-09-27 | 2018-04-17 | 国网安徽省电力有限公司 | 一种基于bp神经网络算法的继电保护设备状态评估方法 |
CN107729694B (zh) * | 2017-11-17 | 2020-09-25 | 电子科技大学 | 一种基于神经网络的多参数电磁场建模仿真方法 |
CN116187248B (zh) * | 2023-03-13 | 2023-08-25 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7142697B2 (en) * | 1999-09-13 | 2006-11-28 | Microsoft Corporation | Pose-invariant face recognition system and process |
JP4276319B2 (ja) * | 1998-12-08 | 2009-06-10 | 佳恭 武藤 | ニューラルネットワークの学習方法 |
CN102005743A (zh) * | 2010-11-25 | 2011-04-06 | 沈阳工业大学 | 基于径向基神经网络的自适应继电保护装置 |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
CN104199536A (zh) * | 2014-07-23 | 2014-12-10 | 西安空间无线电技术研究所 | 一种基于bp神经网络的fpga动态功耗估算方法 |
-
2016
- 2016-08-29 CN CN201610749061.7A patent/CN106355249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4276319B2 (ja) * | 1998-12-08 | 2009-06-10 | 佳恭 武藤 | ニューラルネットワークの学習方法 |
US7142697B2 (en) * | 1999-09-13 | 2006-11-28 | Microsoft Corporation | Pose-invariant face recognition system and process |
CN102005743A (zh) * | 2010-11-25 | 2011-04-06 | 沈阳工业大学 | 基于径向基神经网络的自适应继电保护装置 |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
CN104199536A (zh) * | 2014-07-23 | 2014-12-10 | 西安空间无线电技术研究所 | 一种基于bp神经网络的fpga动态功耗估算方法 |
Non-Patent Citations (1)
Title |
---|
"基于神经网络的船舶柴油发电机组的故障诊断";牛洪瑜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20070815;摘要、正文第5.1-5.3节 |
Also Published As
Publication number | Publication date |
---|---|
CN106355249A (zh) | 2017-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355249B (zh) | 一种基于bp神经网络的继电保护设备状态识别方法 | |
CN105425118B (zh) | 一种多信息融合故障电弧检测方法及装置 | |
CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
CN108769993A (zh) | 基于生成对抗网络的通信网络异常用户检测方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN106154163B (zh) | 一种电池寿命状态识别方法 | |
CN109598451A (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN104459398B (zh) | 一种采用二维形态学降噪的电能质量复合扰动识别方法 | |
Routray et al. | High impedance fault detection in radial distribution system using S-transform and neural network | |
CN106327357B (zh) | 一种基于改进概率神经网络的负载识别方法 | |
CN106932686A (zh) | 基于最大最小特征值法的电网异常快速检测方法 | |
CN107037327A (zh) | 局部放电故障判定特征提取方法及判定方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN105335759A (zh) | 一种基于生成概率模型的变压器故障检测方法 | |
CN103235993A (zh) | 用于企业用户侧的电能质量评估系统及其方法 | |
CN108846228A (zh) | 一种避雷器常规配置的配电线路火箭引雷试验方法 | |
CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
CN105893976B (zh) | 一种行波信号的参数化识别方法 | |
CN110045317A (zh) | 一种互感器计量误差在线检测方法及系统 | |
CN109389253A (zh) | 一种基于可信性集成学习的电力系统扰动后频率预测方法 | |
CN104778348A (zh) | 低压脱扣器的电压暂降动作特性建模方法 | |
CN110399796A (zh) | 一种基于改进深度学习算法的电能质量扰动识别方法 | |
CN106681133B (zh) | 一种水电机组模型改进型子空间闭环辨识方法 | |
CN109639659A (zh) | 一种基于机器学习的web应用防火墙的实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |