CN107689015A - 一种改进的电力系统不良数据辨识方法 - Google Patents
一种改进的电力系统不良数据辨识方法 Download PDFInfo
- Publication number
- CN107689015A CN107689015A CN201710686221.2A CN201710686221A CN107689015A CN 107689015 A CN107689015 A CN 107689015A CN 201710686221 A CN201710686221 A CN 201710686221A CN 107689015 A CN107689015 A CN 107689015A
- Authority
- CN
- China
- Prior art keywords
- mrow
- formula
- layer
- msub
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000000306 recurrent effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007596 consolidation process Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 100
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007418 data mining Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的电力系统不良数据辨识方法,实施步骤包括:预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;在应用时,将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。本发明弱化采集的电力数据的物理意义,最大程度上的保留了特征信息,提高了数据辨识能力,具有辨识准确度高、可扩展性强、性能好、效率高的优点。
Description
技术领域
本发明涉及电力系统不良数据的检测与辨识技术,具体涉及一种改进的电力系统不良数据辨识方法。
背景技术
电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一,其目的在于排除量测采样数据中偶然出现的少量不良数据,提高状态估计的可靠性。电力系统中不良数据的存在会降低状态估计的收敛性能,甚至可能造成状态估计失败,如何可靠检测和不良数据成为状态估计应用的难题。因此,建立一套算法评估模型,进行不良数据检测与辨识算法的最优选择,对电力系统状态估计的效果及电力系统的稳定运行具有十分重要的意义。
在提高保护装置自身的可靠性方面,电力工作者采用了抗干扰设计、软硬件冗余配置以及装置自检等多种容错方法,取得了很好的效果,但对错误采样和电磁干扰等都可能导致的采样值数据失真问题却一直未能找到很好的解决办法。目前,国内外进行电力系统不良数据检测辨识的研究方法大致可以归纳为基于状态估计和基于数据挖掘的两大类方法。1)状态估计法一般以加权最小二乘状态估计方法为基础,假设测量误差服从正态分布,然后基于假设检验的方法依据残差来辨识不良量测数据。但是,这些方法可能会出现残差污染和残差淹没现象,从而造成漏检或误检,影响辨识的效果。由于算法采用非线性残差方程,辨识过程中需进行多次状态估计,因此计算量极大;2)数据挖掘指的是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取出隐含其中、事先不为人知但又是潜在有用的信息和知识的过程。基于数据挖掘的不良数据的检测辨识方法又可以分为基于神经网络和基于模糊理论的两种方法。但是,传统的单层感知器只能求解线性问题,对求解复杂的非线性问题时,则需要用到多层感知器,即深度神经网络。目前,基于深度神经网络的算法仍处于研究阶段,很多细节还需要进一步研究。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种弱化采集的电力数据的物理意义,最大程度上的保留了特征信息,提高了数据辨识能力,辨识准确度高、可扩展性强、性能好、效率高的改进的电力系统不良数据辨识方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种改进的电力系统不良数据辨识方法,实施步骤包括:
1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;
2)将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。
优选地,步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示;
式(1)中,为第i个采集数据xi的规整化结果,xavg为N个采集数据的均值,σ为均方差,N为采集数据的数量,均值xavg的函数表达式如式(2)所示,均方差σ的函数表达式如式(3)所示;
式(2)和式(3)中,xavg为采集数据xi的均值,σ为均方差,xi为第i个参数数据,N为采集数据的数量。
优选地,所述循环神经网络为三层循环神经网络,所述三层循环神经网络包括输入层、隐藏层和输出层。
优选地,所述三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示;
s(t)=f(Uw(t)+Ws(t-1)) (4)
式(4)中,s(t)为隐藏层在任意t时刻的激活值,f为激活函数,U为输入层和隐藏层的连接矩阵,W为隐藏层之间的连接矩阵,w(t)为t时刻的输入层输入值,s(t-1)为t-1时刻的隐藏层激活值。
优选地,输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示;
式(5)中,W(t+1)为t+1时刻的隐藏层之间的连接矩阵W,W(t)为t时刻的隐藏层之间的连接矩阵W,α为学习速率,s(t)为t时刻的隐藏层激活值,eh(t)为t时刻输出层误差回传到隐藏层的误差,误差eh(t)的函数表达式如式(6)所示;
eh(t)=eo(t)TVs(t)(1-s(t)) (6)
式(6)中,eh(t)为t时刻输出层误差回传到隐藏层的误差,eo(t)为t时刻输出层误差,V为隐藏层和输出层之间的连接矩阵,s(t)为隐藏层在任意t时刻的激活值;t时刻输出层误差eo(t)的函数表达式如式(7)所示;
eo(t)=d(t)-y(t) (7)
式(7)中,eo(t)为t时刻输出层误差,d(t)为t时刻输出层的实际输出,y(t)为t时刻输出层的激活值。
优选地,隐藏层和输出层之间的连接矩阵的更新方式采用如式(8)所示的随机梯度上升方法;
V(t+1)=V(t)+αs(t)eo(t)T (8)
式(8)中,V(t+1)为t+1时刻的隐藏层和输出层之间的连接矩阵V,V(t)为t时刻的隐藏层和输出层之间的连接矩阵V,α为学习速率,s(t)为t时刻的隐藏层激活值,eo(t)为t时刻输出层误差。
优选地,所述三层循环神经网络的输出层采用softmax分类器,所述输出层的激活值的函数表达式如式(9)所示;
y(t)=softmax(Vs(t)) (9)
式(9)中,y(t)为t时刻输出层的激活值,softmax为softmax分类器,V为隐藏层和输出层之间的连接矩阵,s(t)为t时刻的隐藏层激活值。
优选地,所述softmax分类器的优化目标选用如式(10)所示交叉熵,且采用式(11)所示的交叉熵损失函数进行网络训练;
式(10)中,H(r,S)为交叉熵,ri为样本期望的数据分布,Si为样本实际得到的分布,d为样本的数量;
式(11)中,C为交叉熵损失函数,n为样本个数,y为神经元的期望输出,x为输入样本集,a为神经元的实际输出。
优选地,所述隐藏层的激活函数为sigmoid函数。
本发明改进的电力系统不良数据辨识方法具有下述优点:本发明改进的电力系统不良数据辨识方法通过将倒谱均值减法、数据归整方法结合进行规整化,从而能够弱化采集的电力数据的物理意义,另一方面本发明通过构建多层循环神经网络来进行辨识不良数据,最大程度上的保留了特征信息,提高了数据辨识能力,具有辨识准确度高、可扩展性强、性能好、效率高的优点,能够解决现有技术中不良数据辨识方法效率低下和可靠性低的技术问题。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中循环神经网络的结构示意图。
图3为本发明实施例的辨识性能对比曲线示意图。
具体实施方式
如图1所示,本实施例改进的电力系统不良数据辨识方法的实施步骤包括:
1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;
2)将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。
参见图1可知,本实施例中不良数据辨识系统分为训练和识别两个部分。但是,对于这两个过程来说,规整化部分是相同的。训练的目的在于根据标定的历史数据使建立的模型能进行学习,从而在数据与标定类型间建立数学关系,即在数据和标定类型间建立一定智能联系;而识别阶段则是将待处理的数据进行处理、变换后送入训练后的模型中,通过与训练所得的模型参数按照设定的相似性准则进行比对后,将比对距离最小的参考模型作为待测试数据的模型,从而进行不良数据的辨识。
由于采集的数据可能来自不同的设备,具有不同的物理含义和量纲,从而影响算法的识别效果。为此,本实施例将倒谱均值减法、数据归整方法结合进行规整化,来消除量纲,弱化数据的物理意义,还可以削弱数据的个体差异、避免计算溢出,以及平衡数据维数、使数据处在相似的尺度。本实施例中,步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示;
式(1)中,为第i个采集数据xi的规整化结果,xavg为N个采集数据的均值,σ为均方差,N为采集数据的数量,均值xavg的函数表达式如式(2)所示,均方差σ的函数表达式如式(3)所示;
式(2)和式(3)中,xavg为采集数据xi的均值,σ为均方差,xi为第i个参数数据,N为采集数据的数量。
如图2所示,本实施例的循环神经网络为三层循环神经网络,三层循环神经网络包括输入层、隐藏层和输出层。
本实施例中,三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示;
s(t)=f(Uw(t)+Ws(t-1)) (4)
式(4)中,s(t)为隐藏层在任意t时刻的激活值,f为激活函数,U为输入层和隐藏层的连接矩阵(参见图2),W为隐藏层之间的连接矩阵(参见图2),w(t)为t时刻的输入层输入值,s(t-1)为t-1时刻的隐藏层激活值。
本实施例中,输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示;
式(5)中,W(t+1)为t+1时刻的隐藏层之间的连接矩阵W,W(t)为t时刻的隐藏层之间的连接矩阵W,α为学习速率,s(t)为t时刻的隐藏层激活值,eh(t)为t时刻输出层误差回传到隐藏层的误差,误差eh(t)的函数表达式如式(6)所示;
eh(t)=eo(t)TVs(t)(1-s(t)) (6)
式(6)中,eh(t)为t时刻输出层误差回传到隐藏层的误差,eo(t)为t时刻输出层误差,V为隐藏层和输出层之间的连接矩阵,s(t)为隐藏层在任意t时刻的激活值;t时刻输出层误差eo(t)的函数表达式如式(7)所示;
eo(t)=d(t)-y(t) (7)
式(7)中,eo(t)为t时刻输出层误差,d(t)为t时刻输出层的实际输出,y(t)为t时刻输出层的激活值。
本实施例中,隐藏层和输出层之间的连接矩阵的更新方式采用如式(8)所示的随机梯度上升方法;
V(t+1)=V(t)+αs(t)eo(t)T (8)
式(8)中,V(t+1)为t+1时刻的隐藏层和输出层之间的连接矩阵V,V(t)为t时刻的隐藏层和输出层之间的连接矩阵V,α为学习速率,s(t)为t时刻的隐藏层激活值,eo(t)为t时刻输出层误差。
本实施例中,三层循环神经网络的输出层采用softmax分类器,输出层的激活值的函数表达式如式(9)所示;
y(t)=softmax(Vs(t)) (9)
式(9)中,y(t)为t时刻输出层的激活值,softmax为softmax分类器,V为隐藏层和输出层之间的连接矩阵,s(t)为t时刻的隐藏层激活值。对于循环神经网络(RecurrentNeural Networks,RNN)的模型来说,其主要有输入层,前馈层和判决层组成。由于数据辨识也是一个分类问题,因此本时候死里在的输出层选用softmax分类器;输入层用于接收处理变换后的样本数据;而前馈层用于模拟人类的神经特性,进行数据的深层加工与处理。
本实施例中,softmax分类器的优化目标选用如式(10)所示交叉熵,且采用式(11)所示的交叉熵损失函数进行网络训练;
式(10)中,H(r,S)为交叉熵,ri为样本期望的数据分布,Si为样本实际得到的分布,d为样本的数量;
式(11)中,C为交叉熵损失函数,n为样本个数,y为神经元的期望输出,x为输入样本集,a为神经元的实际输出。
本实施例中,隐藏层的激活函数为sigmoid函数。
如图3所示,为了横向对比包括本实施例方法的辨识性能,实验对比了包括本实施例方法在内的三种方法。如图3可知,三种算法中本实施例方法的检测指标最好,标准残差法的效果最差。其中,本实施例方法的检测效果可以达到99.2%,分别比标准残差法和量测量突变法提高13.6%和4.1%。由此可知,本实施例方法相比于传统的不良数据辨识算法(标准残差法和量测量突变法而言),性能更好、效率更高。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种改进的电力系统不良数据辨识方法,其特征在于实施步骤包括:
1)预先将多个电力设备的量测数据进行规整化后作为输入、量测数据中的不良数据作为输出构建训练数据集,所述规整化具体是指将倒谱均值减法、数据归整方法结合进行规整化,通过训练数据集训练循环神经网络;
2)将被测电力设备的量测数据构建测试数据集,将测试数据集进行相同的规整化后输入训练好的循环神经网络,得到被测电力设备对应的不良数据辨识结果。
2.根据权利要求1所述的改进的电力系统不良数据辨识方法,其特征在于,步骤1)中将倒谱均值减法、数据归整方法结合进行规整化的函数表达式如式(1)所示;
<mrow>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,为第i个采集数据xi的规整化结果,xavg为N个采集数据的均值,σ为均方差,N为采集数据的数量,均值xavg的函数表达式如式(2)所示,均方差σ的函数表达式如式(3)所示;
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>N</mi>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)和式(3)中,xavg为采集数据xi的均值,σ为均方差,xi为第i个参数数据,N为采集数据的数量。
3.根据权利要求1所述的改进的电力系统不良数据辨识方法,其特征在于,所述循环神经网络为三层循环神经网络,所述三层循环神经网络包括输入层、隐藏层和输出层。
4.根据权利要求3所述的改进的电力系统不良数据辨识方法,其特征在于,所述三层循环神经网络的隐藏层在任意t时刻的激活值如式(4)所示;
s(t)=f(Uw(t)+Ws(t-1)) (4)
式(4)中,s(t)为隐藏层在任意t时刻的激活值,f为激活函数,U为输入层和隐藏层的连接矩阵,W为隐藏层之间的连接矩阵,w(t)为t时刻的输入层输入值,s(t-1)为t-1时刻的隐藏层激活值。
5.根据权利要求4所述的改进的电力系统不良数据辨识方法,其特征在于,输入层和隐藏层的连接矩阵、隐藏层之间的连接矩阵的更新方式如式(5)所示;
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mi>h</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mi>h</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中,W(t+1)为t+1时刻的隐藏层之间的连接矩阵W,W(t)为t时刻的隐藏层之间的连接矩阵W,α为学习速率,s(t)为t时刻的隐藏层激活值,eh(t)为t时刻输出层误差回传到隐藏层的误差,误差eh(t)的函数表达式如式(6)所示;
eh(t)=eo(t)TVs(t)(1-s(t)) (6)
式(6)中,eh(t)为t时刻输出层误差回传到隐藏层的误差,eo(t)为t时刻输出层误差,V为隐藏层和输出层之间的连接矩阵,s(t)为隐藏层在任意t时刻的激活值;t时刻输出层误差eo(t)的函数表达式如式(7)所示;
eo(t)=d(t)-y(t) (7)
式(7)中,eo(t)为t时刻输出层误差,d(t)为t时刻输出层的实际输出,y(t)为t时刻输出层的激活值。
6.根据权利要求5所述的改进的电力系统不良数据辨识方法,其特征在于,隐藏层和输出层之间的连接矩阵的更新方式采用如式(8)所示的随机梯度上升方法;
V(t+1)=V(t)+αs(t)eo(t)T (8)
式(8)中,V(t+1)为t+1时刻的隐藏层和输出层之间的连接矩阵V,V(t)为t时刻的隐藏层和输出层之间的连接矩阵V,α为学习速率,s(t)为t时刻的隐藏层激活值,eo(t)为t时刻输出层误差。
7.根据权利要求6所述的改进的电力系统不良数据辨识方法,其特征在于,所述三层循环神经网络的输出层采用softmax分类器,所述输出层的激活值的函数表达式如式(9)所示;
y(t)=softmax(Vs(t)) (9)
式(9)中,y(t)为t时刻输出层的激活值,softmax为softmax分类器,V为隐藏层和输出层之间的连接矩阵,s(t)为t时刻的隐藏层激活值。
8.根据权利要求7所述的改进的电力系统不良数据辨识方法,其特征在于,所述softmax分类器的优化目标选用如式(10)所示交叉熵,且采用式(11)所示的交叉熵损失函数进行网络训练;
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(10)中,H(r,S)为交叉熵,ri为样本期望的数据分布,Si为样本实际得到的分布,d为样本的数量;
<mrow>
<mi>C</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<mo>&lsqb;</mo>
<mi>y</mi>
<mi> </mi>
<mi>ln</mi>
<mi> </mi>
<mi>a</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式(11)中,C为交叉熵损失函数,n为样本个数,y为神经元的期望输出,x为输入样本集,a为神经元的实际输出。
9.根据权利要求4所述的改进的电力系统不良数据辨识方法,其特征在于,所述隐藏层的激活函数为sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686221.2A CN107689015A (zh) | 2017-08-11 | 2017-08-11 | 一种改进的电力系统不良数据辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686221.2A CN107689015A (zh) | 2017-08-11 | 2017-08-11 | 一种改进的电力系统不良数据辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107689015A true CN107689015A (zh) | 2018-02-13 |
Family
ID=61152633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710686221.2A Pending CN107689015A (zh) | 2017-08-11 | 2017-08-11 | 一种改进的电力系统不良数据辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107689015A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
CN109376760A (zh) * | 2018-09-11 | 2019-02-22 | 温州大学苍南研究院 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN112016248A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536996A (zh) * | 2014-12-12 | 2015-04-22 | 南京理工大学 | 一种同构环境下计算节点异常检测方法 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
-
2017
- 2017-08-11 CN CN201710686221.2A patent/CN107689015A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536996A (zh) * | 2014-12-12 | 2015-04-22 | 南京理工大学 | 一种同构环境下计算节点异常检测方法 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
Non-Patent Citations (3)
Title |
---|
DBAPLUS社群MP_HB1: "零基础入门深度学习(四):循环神经网络", 《HTTPS://WWW.SOHU.COM/A/118587343_487514》 * |
张迩瀚: "过程控制系统中检测异常数据方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
许国根 等: "《模式识别与智能计算的MATLAB实现第2版》", 31 July 2017 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
CN108540338B (zh) * | 2018-03-08 | 2021-08-31 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
CN109376760A (zh) * | 2018-09-11 | 2019-02-22 | 温州大学苍南研究院 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
CN109376760B (zh) * | 2018-09-11 | 2022-03-22 | 温州大学苍南研究院 | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN112016248A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN107689015A (zh) | 一种改进的电力系统不良数据辨识方法 | |
CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
CN110472671B (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN109345408A (zh) | 基于长短期记忆网络的异常数据甄别方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN110470729A (zh) | 一种基于电涡流的油田套管缺陷无损检测方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
CN111881627A (zh) | 一种核动力装置故障诊断方法和系统 | |
CN105160359A (zh) | 一种基于超声导波的复杂结构损伤协同识别方法 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
Shen et al. | SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples | |
CN105629109A (zh) | 基于art1神经网络的油浸式变压器故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN113139601B (zh) | 一种基于lstm和注意力机制的道岔故障检测方法 | |
Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
Li et al. | Intelligent diagnosis and recognition method of GIS partial discharge data map based on deep learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180213 |
|
RJ01 | Rejection of invention patent application after publication |