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 PDF

Info

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
Application number
CN201610749061.7A
Other languages
English (en)
Other versions
CN106355249A (zh
Inventor
嵇建飞
黄嘉宇
乔楠
袁宇波
王立辉
庞福滨
陈晰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Southeast University
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Zhejiang Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Southeast University, State Grid Zhejiang Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610749061.7A priority Critical patent/CN106355249B/zh
Publication of CN106355249A publication Critical patent/CN106355249A/zh
Application granted granted Critical
Publication of CN106355249B publication Critical patent/CN106355249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于BP神经网络的继电保护设备状态识别方法
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。
CN201610749061.7A 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 Active CN106355249B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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