CN106569030B - 一种电能计量异常诊断中的告警阈值寻优方法及装置 - Google Patents
一种电能计量异常诊断中的告警阈值寻优方法及装置 Download PDFInfo
- Publication number
- CN106569030B CN106569030B CN201610997851.7A CN201610997851A CN106569030B CN 106569030 B CN106569030 B CN 106569030B CN 201610997851 A CN201610997851 A CN 201610997851A CN 106569030 B CN106569030 B CN 106569030B
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- value
- preset
- alarm
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/068—Arrangements for indicating or signaling faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明实施例公开了一种电能计量异常诊断中的告警阈值寻优方法及装置及装置,用于解决全过程监控分析系统的建立的前提是制定一套全面、完整、准确的告警体系,该体系下的每一条告警规则都包含至少一个判定的阈值,该阈值过大,通常会导致计量故障漏报,对电网的安全性与稳定性造成威胁;该阈值若过小,则通常会增加误报的可能性,增加技术维修人员的负担的技术问题。
Description
技术领域
本发明涉及配电网告警自动化系统管理技术领域领域,尤其涉及一种电能计量异常诊断中的告警阈值寻优方法及装置。
背景技术
随着计量自动化应用的深入发展,包括工业大客户、公变台区、低压居民户等配用电现场安装了越来越多的配变终端、电表、电压电流互感器等计量设备。随着系统应用的深入,对电能计量采集的数据质量也越来越高,电能量数据的利用目前还存在挑战:各种计量采集器具(包括集抄、大客户、厂站)等采用了新型的计量采集装置(主站采集通讯模型如下图)故障发生后,供电局无法判断是采集器的问题、网络通讯的问题、485接口问题还是计量表计的问题,依靠人工排查,工作量比较大,而且对供电局的技术能力要求也比较高,更难以实现电能计量采集的全面深化应用。因此需要研发一套这样的全过程监控分析系统,能够自动监控和判断是哪个流程环节出了问题,是什么样的问题。如果是计量设备的问题,能定位到是哪个厂家的问题,从而方便客户联系相应的厂家。同时也可以把故障的报文发给相应的厂家,从而实现厂家快速解决故障,同时提升电网的智能计量领域的科技水平。
全过程监控分析系统的建立的前提是制定一套全面、完整、准确的告警体系。该体系下的每一条告警规则都包含至少一个判定的阈值。该阈值过大,通常会导致计量故障漏报,对电网的安全性与稳定性造成威胁;该阈值若过小,则通常会增加误报的可能性,增加技术维修人员的负担。因此,确定准确的告警阈值,对于减少误报率与漏报率,增强故障维修人员的效率,优化管理告警监控分析系统,甚至保证整个配电网的安全性与稳定性都至关重要。
对于告警阈值的确定,传统的方法是基于业务人员的经验,因此,也出现了许多漏报与误报的告警。
发明内容
本发明实施例提供了一种电能计量异常诊断中的告警阈值寻优方法及装置,解决了全过程监控分析系统的建立的前提是制定一套全面、完整、准确的告警体系,该体系下的每一条告警规则都包含至少一个判定的阈值,该阈值过大,通常会导致计量故障漏报,对电网的安全性与稳定性造成威胁;该阈值若过小,则通常会增加误报的可能性,增加技术维修人员的负担的技术问题。
本发明实施例的一种电能计量异常诊断中的告警阈值寻优方法,包括:
S1:从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
S2:根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
S3:获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
优选地,所述步骤S1之前还包括:
S0:接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r的有效数字为2,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率。
优选地,所述步骤S1具体包括:
通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
其中初始种群的粒子对应的适应度FN最小的粒子为初始化全局最优gb0。
优选地,所述步骤S2具体包括:
对初始种群进行迭代,并判断当前的迭代次数t是否大于预置的最大迭代次数T:
若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε,若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示‐1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变,若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,进行更新;
若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
优选地,所述步骤S3具体包括:
根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度通过所述适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优装置,其特征在于,包括:
选择单元,用于从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
进入单元,用于根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
更新单元,用于获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
优选地,还包括:
初始化单元,用于接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为,根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r的有效数字为2,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率。
优选地,
所述选择单元具体包括:
计算子单元,用于通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
局部最优子单元,用于对初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量其中初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
全局最优子单元,用于对其中初始种群的粒子对应的适应度FN最小的粒子设置为初始化全局最优gb0。
优选地,
所述进入单元具体包括:
迭代子单元,用于对初始种群进行迭代;
第一判断子单元,用于判断当前的迭代次数t是否大于预置的最大迭代次数T;
第二判断子单元,用于若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε;
自我调节子单元,用于若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示-1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变;
正常寻优子单元,用于若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,进行更新;
结束子单元,用于若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
优选地,所述更新单元具体包括:
获取子单元,用于根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度
更新子单元,用于通过获取子单元获取的更新后的粒子的适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
计算子单元,用于根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法及装置,其中一种电能计量异常诊断中的告警阈值寻优方法,包括:S1:从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;S2:根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;S3:获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。本实施例中,通过对粒子群算法的聚集程度的评估使算法自动进入调节状态,能提高阈值修正过程的效率及准确率,能有效地进行告警阈值的动态优化,自动实现数据的组织和管理,解决了全过程监控分析系统的建立的前提是制定一套全面、完整、准确的告警体系,该体系下的每一条告警规则都包含至少一个判定的阈值,该阈值过大,通常会导致计量故障漏报,对电网的安全性与稳定性造成威胁;该阈值若过小,则通常会增加误报的可能性,增加技术维修人员的负担的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法的一个实施例的流程示意图;
图2本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法的另一个实施例的流程示意图;
图3本发明实施例提供的一种改进的自适应粒子群算法流程图;
图4本发明实施例提供的一种改进粒子群算法寻优过程中的适应度比较图;
图5本发明实施例提供的一种电能计量异常诊断中的告警阈值寻优装置的一个实施例的结构示意图;
图6本发明实施例提供的一种电能计量异常诊断中的告警阈值寻优装置的另一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种电能计量异常诊断中的告警阈值寻优方法及装置,用于解决全过程监控分析系统的建立的前提是制定一套全面、完整、准确的告警体系,该体系下的每一条告警规则都包含至少一个判定的阈值,该阈值过大,通常会导致计量故障漏报,对电网的安全性与稳定性造成威胁;该阈值若过小,则通常会增加误报的可能性,增加技术维修人员的负担的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法的一个实施例包括:
101、从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
102、根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
103、获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
上面是对本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法进行详细的描述,下面将对一种电能计量异常诊断中的告警阈值寻优方法的详细过程进行详细的描述,如图2和图3所示,本发明实施例中提供的一种电能计量异常诊断中的告警阈值寻优方法的另一个实施例包括:
201、接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r的有效数字为2,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率;
确定告警经验阈值。本实施例中,“终端内部故障”这一告警的设定规则为“本相电压<80%Un,本相电流<10%In,持续时间大于1小时”,即经验阈值向量x=[0.8,0.1,1],其中Un,In分别表示额定电压和额定电流。
构建专家样本数据。基于“终端内部故障”的告警规则部署系统,并组织用检人员在某高发时间段对系统显示的该故障的高发区域内全部用户的电能表进行排查,形成专家样本数据,如下专家样本数据示例所示:
表1
数据集划分。将样本数据按照2:8的比例划分测试集与训练集。训练集用于阈值的寻优,而测试集用于优化阈值的效果检验。
初始化算法各参数,包括:种群规模K、惯性权重的取值范围[wmin,wmax],学习因子c1、c2,变异概率p,粒子进入调解状态阈值ε、最大迭代次数T以及粒子的取值范围;
本实施中,上述参数的取值如下:
表2
初始化种群X0。K-1个粒子在约束范围内通过随机产生,剩余的一个粒子为经验粒子,即由经验阈值组成的向量,有设置每一个粒子为则εUn,εIn,Tn的初始化计算公式为:
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
其中r为0到1之间的某一随机数,r的有效数字为2。由于在告警检测系统中,采集表码数据的频率为电能表抄表频率的f倍数,故持续时间Tn的取值也应该为该频率f的倍数,因此对Tn按照f的倍数进行取整运算。
基于训练集计算FN。每一个初始化的粒子,针对训练集对应的用户的表码数据,重新计算每一个初始化的粒子对应修改的规则下,用户是否出现告警。针对每一个粒子,形成表1所示的专家样本,并汇总结果得到混淆矩阵表。
表3
则误报率Rfalse的计算公式为:
漏报率Rmiss的计算公式为:
进而计算每一个粒子的适应度FN:
202、通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
其中初始种群的粒子对应的适应度FN最小的粒子为初始化全局最优gb0;
初始化每一个粒子的历史最优位置,即局部最优构成K维局部最优向量对于每一个粒子,其首次的局部最优位置为其当前位置,即:
其中,表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量。
初始化全局最优(即所有粒子中最优的阈值向量)gb0。比较初始粒子的适应度,则适应度最小的粒子为当前的全局最优,gbt表示第t次迭代后的最佳阈值。
设置每一个粒子的初始速度组成K维初始速度向量本实施例中,设置每一个粒子的初始速度的每一维均为0,则有: 表示经过第t次迭代后的第i个粒子的速度,其维度与相同。
203、对初始种群进行迭代,并判断当前的迭代次数t是否大于预置的最大迭代次数T:
若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε,若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示‐1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变,若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,进行更新;
204、根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度通过所述适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
如图3,判断当前迭代次数t是否大于最大迭代次数T,若不满足,执行步骤1,否则,结束寻优;
步骤1:计算当前粒子群的聚集程度avg_d及最小聚集程度ε,判断当前粒子群是否进入自我调节状态。若avg_d≤ε,,则执行步骤2,进入自我调节状态;否则,执行步骤3,进入正常寻优状态,其中avg_d的计算公式为:
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,同理则表示第t次迭代后粒子群的全局最优的第j维的数值。
步骤2:进入自我调节状态,包括以下几个步骤:
a.根据变异概率p及种群规模K,计算智能粒子群需调整的粒子个数N;
b.按照步骤c、步骤4、步骤5重复执行N次迭代过程。
c.随机产生待调整的粒子序号i,的更新规则为:
其中r3表示-1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,确保调整时粒子变化维度的随机性及多样性。表示对的每一维取绝对值后的均值。的其它参数保持不变;
d.基于更新后的粒子重新对训练集判断告警是否会发生,生成混淆矩阵,评估更新后粒子的适应度
步骤3:进入正常寻优状态,执行以下几个步骤:
a.对于粒子群中的任意粒子,更新速度及位置:
其中,r1、r2为0到1之间的任意随机数,且Xt需落入约束范围,否则,采用其最大或最小边界值替换;
b.基于更新后的粒子重新对训练集判断告警是否会发生,生成混淆矩阵,评估更新后粒子的适应度
c.执行步骤4到步骤5过程。
步骤4:基于更新后的粒子重新对训练集判断告警是否会发生,生成混淆矩阵,评估更新后粒子的适应度
步骤5:更新每一个粒子的局部最优和粒子群的全局最优gbt:
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值。
204、根据更新后种群的局部最优和全局最优,计算所述测试集的误判率和漏判率。
对于测试集,利用最佳阈值向量形成新的告警规则,判断用户是否出现告警;
统计并绘制混淆矩阵,计算误判率与漏判率。
本实施例中,最佳阈值为:[0.80,0.14,2],验证后的混淆矩阵如下:
表4
计算可知误判率为1.59%,漏判率为0%,阈值的寻优效果较为明显,如表5所示。
表5
综上所述,本发明所述的一种电量计量异常诊断中的告警阈值优化方法,从最小化误报率与错报率的角度出发,基于专家样本进行有监督的阈值修正,结果真实可靠。本发明涉及的改进的粒子群算法与传统粒子群算法相比,设置了“自我调节状态”,保证了粒子群的多样性,避免粒子群因过早聚拢而使结果陷入局部最优,如图4所示,进一步增强了优化效果。
请参阅图5,本发明实施例提供的一种电能计量异常诊断中的告警阈值寻优装置的一个实施例包括:
选择单元301,用于从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
进入单元302,用于根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
更新单元303,用于获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
上面是对本发明实施例提供的一种电能计量异常诊断中的告警阈值寻优装置各单元进行详细的描述,下面将对一种电能计量异常诊断中的告警阈值寻优装置各附加单元进行详细的描述,请参阅图6,本本发明实施例提供的一种电能计量异常诊断中的告警阈值寻优装置的另一个实施例包括:
初始化单元401,用于接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r的有效数字为2,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率;
选择单元402,用于从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
选择单元402具体包括:
计算子单元4021,用于通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
局部最优子单元4022,用于对初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量其中初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
全局最优子单元4023,用于对其中初始种群的粒子对应的适应度FN最小的粒子设置为初始化全局最优gb0。
进入单元403,用于根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
所述进入单元403具体包括:
迭代子单元4031,用于对初始种群进行迭代;
第一判断子单元4032,用于判断当前的迭代次数t是否大于预置的最大迭代次数T;
第二判断子单元4033,用于若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε;
自我调节子单元4034,用于若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示-1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变;
正常寻优子单元4035,用于若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,进行更新;
结束子单元4036,用于若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
更新单元404,用于获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
更新单元404具体包括:
获取子单元4041,用于根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度
更新子单元4042,用于通过获取子单元获取的更新后的粒子的适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
计算子单元4043,用于根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
本发明涉及一种电能计量异常诊断中的告警阈值寻优方法,从最小化误报率和漏报率的角度出发,采用改进的自适应粒子群算法对告警规则中的阈值进行寻优及修正,主要包括以下主要步骤:
步骤一:根据告警经验阈值收集专家样本数据,按照8:2的比例划分为训练集及测试集;
步骤二:初始化粒子群算法参数:种群规模K、惯性权重的取值范围[wmin,wmax],学习因子c1、c2,变异概率p,粒子进入调解状态阈值ε、最大迭代次数T以及粒子的取值范围;
步骤三:将经验阈值作为算法寻优的某一粒子初始值,随机产生种群并基于训练集计算适应度初始化速度局部最优与全局最优gb0;
步骤四:最后在满足最大迭代次数的条件下进行改进的自适应粒子群算法寻优,则最终的全局最优为最佳告警阈值。
步骤五:利用最佳告警阈值,验证测试集的误报率及漏报率。
告警经验阈值是由该告警规则包含的全部条件所涉及的阈值组成的向量,阈值有多少个,则向量有多少维,且每一个阈值的约束范围需结合经验决定。
适应度FN是关于误报率Rfalse和漏报率Rmiss的统计量,计算公式为:
由于误报率与漏报率需要尽可能小,故FN越小,表示效果越好。
如图2和图3所示,电能计量异常诊断中的告警阈值寻优方法及改进的自适应粒子群算法寻优过程,是指在线性惯性粒子算法的基础上,引入一个粒子群的自我调节状态以避免粒子群过早聚拢而陷入“早熟”,包括如下几个具体步骤:
1)判断当前迭代次数t是否大于最大迭代次数T,若不满足,执行2),否则,结束寻优;
2)根据粒子的聚集程度avg_d及最小聚集程度ε,判断是否进入自我调节状态。若avg_d≤ε,,则执行3),进入自我调节状态;否则,执行4),进入正常寻优状态,其中avg_d的计算公式为:
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值;
3)进入自我调节状态,包括以下几个步骤:
a.根据变异概率p及种群规模K,计算智能粒子群需调整的粒子个数N;
b.按照c→5)→6)顺序重复执行N次迭代过程;
c.随机产生待调整的粒子序号i,仅对的按如下规则更新:
其中r3表示-1到1之间的任意随机数组成的m维向量,r'表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,确保调整时粒子变化维度的随机性及多样性。表示对的每一维取绝对值后的均值。的其它参数保持不变;
4)进入正常寻优状态,执行以下几个步骤:
a.对于粒子群中的任意粒子,更新速度及位置:
其中,r1、r2为0到1之间的任意随机数,且Xt需落入约束范围,否则,采用其最大或最小边界值替换;
b.对于粒子群中的任意粒子,执行5)→6)两个步骤。
5)统计评估更新后粒子群的适应度
6)更新每一个粒子的局部最优和粒子群的全局最优gbt。
本发明提出了改进的自适应粒子群算法对电量计量异常诊断中的告警阈值进行修正,经验证,效果明显优于传统的经验数据。该方法通过对粒子群算法的聚集程度的评估使算法自动进入调节状态,能提高阈值修正过程的效率及准确率。因而本发明的算法能有效地进行告警阈值的动态优化,自动实现数据的组织和管理。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电能计量异常诊断中的告警阈值寻优方法,其特征在于,包括:
S1:从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
S2:根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
S3:获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
2.根据权利要求1所述的电能计量异常诊断中的告警阈值寻优方法,其特征在于,所述步骤S1之前还包括:
S0:接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、学习因子c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r保留2位有效数字,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率。
3.根据权利要求2所述的电能计量异常诊断中的告警阈值寻优方法,其特征在于,所述步骤S1具体包括:
通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
其中初始种群的粒子对应的适应度FN最小的粒子为初始化全局最优gb0。
4.根据权利要求3所述的电能计量异常诊断中的告警阈值寻优方法,其特征在于,所述步骤S2具体包括:
对初始种群进行迭代,并判断当前的迭代次数t是否大于预置的最大迭代次数T:
若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε,若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示-1到1之间的任意随机数组成的m维向量,r′表示一个随机产生的仅由0和1 构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变,若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,Vt i为经过第t次迭代后的第i个粒子的速度,为经过第t-1次迭代后的第i个粒子的速度,pbest为粒子的局部最优值,gbest为粒子的全局最优值,进行更新;
若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
5.根据权利要求4所述的电能计量异常诊断中的告警阈值寻优方法,其特征在于,所述步骤S3具体包括:
根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度通过所述适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,gbt为第t次迭代后粒子群的全局最优位置,gbt-1第t-1次迭代后粒子群的全局最优位置,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
6.一种电能计量异常诊断中的告警阈值寻优装置,其特征在于,包括:
选择单元,用于从种群中选择局部最优和全局最优,所述种群包括多个种群粒子,所述种群中有一个种群粒子为告警经验阈值;
进入单元,用于根据种群任意粒子的聚集程度及最小聚集程度,进入对应的自我调节模式或正常寻优模式;
更新单元,用于获取到所述自我调节模式或所述正常寻优模式后评估的更新后粒子的适应度,根据所述适应度进行每一个粒子的局部最优和粒子群的全局最优的更新。
7.根据权利要求6所述的电能计量异常诊断中的告警阈值寻优装置,其特征在于,还包括:
初始化单元,用于接收预先设定的告警经验阈值、K个种群、所述告警经验阈值对应的训练集和测试集、惯性权重的取值范围[wmin,wmax]、学习因子c1、学习因子c2、变异概率p、粒子进入调解状态阈值ε、最大迭代次数T、额定电压Un的取值范围[min_εUn,max_εUn]、额定电流In的取值范围[min_εIn,max_εIn]、持续时间Tn的取值范围[min_εTn,max_εTn]、每一个粒子为根据所述告警经验阈值为一个粒子的初始值,并结合初始化公式
εUn=min_εUn+r(max_εUn-min_εUn)
εIn=min_εIn+r(max_εIn-min_εIn)
Tn=min_εTn+f[r(max_εTn-min_εTn)/f]
进行种群初始化处理,其中r为0到1之间的随机数,r保留2位有效数字,[r(max_εTn-min_εTn)/f]为对r(max_εTn-min_εTn)/f进行取整运算,f为电能表抄表频率。
8.根据权利要求7所述的电能计量异常诊断中的告警阈值寻优装置,其特征在于,
所述选择单元具体包括:
计算子单元,用于通过初始种群的每一个粒子和所述训练集,计算初始种群的每一个粒子对应的误报率Rfalse和漏报率Rmiss,并通过公式
计算初始种群的每一个粒子对应的适应度FN;
局部最优子单元,用于对初始种群的每一个粒子的历史最优位置即局部最优构成K维局部最优向量其中初始种群的每个粒子的首次局部最优为其当前位置,即 表示第i个粒子在第t次迭代后的历史最优位置,pbt表示在第t次迭代后每个粒子的的历史最优位置组成的向量;
全局最优子单元,用于对其中初始种群的粒子对应的适应度FN最小的粒子设置为初始化全局最优gb0。
9.根据权利要求8所述的电能计量异常诊断中的告警阈值寻优装置,其特征在于,
所述进入单元具体包括:
迭代子单元,用于对初始种群进行迭代;
第一判断子单元,用于判断当前的迭代次数t是否大于预置的最大迭代次数T;
第二判断子单元,用于若当前的迭代次数t不大于预置的最大迭代次数T,则通过预置的粒子进入调解状态阈值ε和当前粒子群的聚集程度avg_d的计算公式
其中j表示维度,表示第t次迭代后第i个粒子的局部最优位置的第j维的数值,则表示第t次迭代后粒子群的全局最优的第j维的数值,继续判断当前粒子群的聚集程度avg_d是否大于预置的粒子进入调解状态阈值ε;
自我调节子单元,用于若当前粒子群的聚集程度avg_d不大于预置的粒子进入调解状态阈值ε,则进入对应的自我调节模式,通过预置的变异概率p及种群规模K,计算需调整的粒子个数N,随机产生需调整的粒子序号i,并对所述粒子序号对应的粒子通过预置的进行更新,其中r3表示-1到1之间的任意随机数组成的m维向量,r′表示一个随机产生的仅由0和1构成的与同维度的向量r的转置,表示对的每一维取绝对值后的均值,的其它参数保持不变;
正常寻优子单元,用于若当前粒子群的聚集程度avg_d大于预置的粒子进入调解状态阈值ε,则进入对应的正常寻优模式,通过预置的其中r1、r2为0到1之间的任意随机数,Vt i为经过第t次迭代后的第i个粒子的速度,为经过第t-1次迭代后的第i个粒子的速度,pbest为粒子的局部最优值,gbest为粒子的全局最优值,进行更新;
结束子单元,用于若当前的迭代次数t大于预置的最大迭代次数T,则寻优结束。
10.根据权利要求9所述的电能计量异常诊断中的告警阈值寻优装置,其特征在于,所述更新单元具体包括:
获取子单元,用于根据所述自我调节模式或所述正常寻优模式后评估的更新后粒子和所述训练集,获取更新后的粒子的适应度
更新子单元,用于通过获取子单元获取的更新后的粒子的适应度和公式
其中,i=1,2,…,K,min(FN_pbt)表示每一个粒子的局部最优粒子对应适应度的最小值,gbt为第t次迭代后粒子群的全局最优位置,gbt-1第t-1次迭代后粒子群的全局最优位置,FN_gbt-1表示第t-1次迭代时全局最优位置的适应度值,对初始种群的K维局部最优向量和所述初始化全局最优gb0进行每一个粒子的局部最优和粒子群的全局最优的更新;
计算子单元,用于根据每一个粒子的局部最优和粒子群的全局最优的更新,计算所述测试集的误判率和漏判率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997851.7A CN106569030B (zh) | 2016-11-11 | 2016-11-11 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997851.7A CN106569030B (zh) | 2016-11-11 | 2016-11-11 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106569030A CN106569030A (zh) | 2017-04-19 |
CN106569030B true CN106569030B (zh) | 2019-04-09 |
Family
ID=58542659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610997851.7A Active CN106569030B (zh) | 2016-11-11 | 2016-11-11 | 一种电能计量异常诊断中的告警阈值寻优方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106569030B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633519A (zh) * | 2017-09-27 | 2018-01-26 | 合肥美亚光电技术股份有限公司 | 单调性图像特征辨别系统的参数异常诊断方法及系统 |
CN109325061A (zh) * | 2018-08-24 | 2019-02-12 | 北京天元创新科技有限公司 | 一种基于概率分布的异常数据处理方法及装置 |
CN109634767A (zh) * | 2018-12-06 | 2019-04-16 | 北京字节跳动网络技术有限公司 | 用于检测信息的方法和装置 |
CN110472335B (zh) * | 2019-08-15 | 2022-10-21 | 中国科学院工程热物理研究所 | 基于粒子群优化算法的传感器故障诊断阈值确定方法 |
CN111445143A (zh) * | 2020-03-27 | 2020-07-24 | 上海今速物联网科技有限公司 | 智能插座使用方法、智能插座、智能终端、存储介质 |
CN111693279B (zh) * | 2020-05-22 | 2021-06-01 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
CN112001256B (zh) * | 2020-07-24 | 2023-05-26 | 东风汽车集团有限公司 | 混合信号去工频干扰方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201672A (zh) * | 2010-03-26 | 2011-09-28 | 长沙理工大学 | 改进的模拟退火-粒子群优化算法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN104360910A (zh) * | 2014-12-01 | 2015-02-18 | 中国科学院国家天文台 | 基于粒子群算法的探测设备网的设备分配方法 |
CN104820142A (zh) * | 2015-03-20 | 2015-08-05 | 国家电网公司 | 一种基于改进粒子群优化算法的电力系统故障诊断方法 |
CN105095595A (zh) * | 2015-08-25 | 2015-11-25 | 国家电网公司 | 基于种群聚集程度的粒子群算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346712B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying hammerstein models |
-
2016
- 2016-11-11 CN CN201610997851.7A patent/CN106569030B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201672A (zh) * | 2010-03-26 | 2011-09-28 | 长沙理工大学 | 改进的模拟退火-粒子群优化算法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN104360910A (zh) * | 2014-12-01 | 2015-02-18 | 中国科学院国家天文台 | 基于粒子群算法的探测设备网的设备分配方法 |
CN104820142A (zh) * | 2015-03-20 | 2015-08-05 | 国家电网公司 | 一种基于改进粒子群优化算法的电力系统故障诊断方法 |
CN105095595A (zh) * | 2015-08-25 | 2015-11-25 | 国家电网公司 | 基于种群聚集程度的粒子群算法 |
Also Published As
Publication number | Publication date |
---|---|
CN106569030A (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106569030B (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
CN109921415A (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN106537356A (zh) | 用于使公用网格中信号注入测试模式的预期效用最大化的系统和方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN107247450A (zh) | 基于贝叶斯网络的断路器故障诊断方法 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
Du et al. | Impact of wind power scenario reduction techniques on stochastic unit commitment | |
CN114198644A (zh) | 一种基于dma监测相关流量数据的供水管网探漏管控方法 | |
Sun et al. | Small sample reliability assessment with online time-series data based on a worm Wasserstein generative adversarial network learning method | |
CN116973694B (zh) | 配电网故障诊断优化方法及系统 | |
CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
Beyza et al. | Characterising the security of power system topologies through a combined assessment of reliability, robustness, and resilience | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN109146335B (zh) | 判断10kV线路电能表系统变比与实际变比一致性的方法 | |
CN114493245A (zh) | 一种基于gis与集成学习的山洪灾害易发性评价方法 | |
CN106713016A (zh) | 室内分布系统的故障推理方法及装置 | |
CN112241812A (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
Bader et al. | Automated threshold selection for extreme value analysis via Goodness-of-Fit tests with application to batched return level mapping | |
CN112258338A (zh) | 一种基于最近邻算法的基站费用自动化稽核方法 | |
CN107316056B (zh) | 一种网络安防等级自动化评定系统、自动评定方法 | |
CN110346748A (zh) | 一种电力计量系统故障测试优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201110 Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Patentee after: Electric Power Research Institute of Guangdong Power Grid Co.,Ltd. Patentee after: Measurement Center of Guangdong Power Grid Co.,Ltd. Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Patentee before: Electric Power Research Institute of Guangdong Power Grid Co.,Ltd. |
|
TR01 | Transfer of patent right |