CN107886248A - 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备 - Google Patents

一种基于Golstein‑BP算法的设备状态大数据计算方法及设备 Download PDF

Info

Publication number
CN107886248A
CN107886248A CN201711139750.7A CN201711139750A CN107886248A CN 107886248 A CN107886248 A CN 107886248A CN 201711139750 A CN201711139750 A CN 201711139750A CN 107886248 A CN107886248 A CN 107886248A
Authority
CN
China
Prior art keywords
neural network
algorithm
equipment
golstein
big 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
Application number
CN201711139750.7A
Other languages
English (en)
Inventor
董召杰
张诗军
衡星辰
陈彬
李远宁
甘杉
张世良
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN201711139750.7A priority Critical patent/CN107886248A/zh
Publication of CN107886248A publication Critical patent/CN107886248A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Golstein‑BP算法的设备状态大数据计算方法，包括：S101：获取电网设备状态评价指标历史及当前数据，以及电网设备历史状态评价结果；S102：根据设备状态指标历史数据特征构建相应的BP神经网络模型；S103：根据电网设备状态评价指标历史数据，以及电网设备历史状态评价结果构建均方误差函数；S104：采用Goldstein方法，取均方误差最小化，求解BP算法中的学习率，并通过BP算法计算BP神经网络参数；S105：代入BP神经网络参数得出BP神经网络模型；S106：将当前的设备状态评价指标数据作为BP神经网络模型的输入，得出输出结果。本发明提供的技术方案，采用Goldstein方法求解BP算法中均方误差函数的最优学习率，提高了电网设备管理的精益化水平。

Description

一种基于Golstein-BP算法的设备状态大数据计算方法及 设备
技术领域
本发明涉及一种电网设备状态大数据计算，尤其涉及一种基于 Goldstein-BP算法的设备状态大数据计算方法及设备。
背景技术
电网设备状态评价是是指基于运行巡视、维护、检修、预防性试验和带电测试(在线监测)等结果，对反映设备健康状态的各状态量指标进行分析评价，从而确定设备状态等级与状态分值。电力设备状态评价是开展电力设备、电网运行风险评价的基础，而资产全生命周期许多决策，都涉及到对风险的计算，或者效益和风险的平衡。因此，电网设备状态评价对于设备的投资规划、物资采购、设备运维、退役报废等都具有基础性的作用。
电网设备状态数据包括设备的基本属性，如投运年限；设备的运维情况，如巡视情况、消缺情况、检修情况；设备的试验结果，如油色谱检验结果、绝缘电阻等；设备的在线监测结果，如油温、局部放电等，涉及指标数量较多。而传统的设备评价中，仅通过分段式扣分方法，分值的判定较为主观，缺乏由电网设备状态指标数据到设备状态评价结果的验证。
另一方案，为了提高电网设备状态评价的准确性，已有采用BP神经网络的模型方法来替代人为经验的分类评价。但传统的BP神经网络在求解均方误差函数时，一般使用固定学习率原则进行迭代，这会造成当取的学习率过大有可能会造成算法的不收敛性，过小又会造成算法学习效率过低的问题。目前电网设备涉及到的设备状态指标数据众多，模型较为复杂，其结果更加不易控制，难以适应大数据下电网设备状态评价方法的要求。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种能满足大数据下电网设备状态评价要求的BP神经网络计算方法。
本发明采用的技术方案为，基于Golstein-BP算法的设备状态大数据计算方法，包括如下步骤：S101：获取电网设备状态评价指标历史及当前数据，以及电网设备历史状态评价结果；S102：根据设备状态指标历史数据特征构建相应的BP神经网络模型；S103：根据电网设备状态评价指标历史数据，以及电网设备历史状态评价结果构建均方误差函数；S104：采用Goldstein方法，取均方误差最小化，求解BP算法中的学习率，并通过BP算法计算BP神经网络参数； S105：代入BP神经网络参数得出BP神经网络模型；S106：将当前的设备状态评价指标数据作为BP神经网络模型的输入，得出输出结果。
本发明利用Goldstein方法求解BP算法中均方误差函数的最优学习率，保证了在设备状态指标数量较多的情况下，模型能够稳定地实现收敛，提升了设备状态评价的效率。
进一步的技术方案为，所述步骤S102中，所述BP神经网络模型包括：输入层x、隐层b及输出层y；其中输入层x为x＝(x1,x2,…,xd)T，隐层b为 b＝(b1,b2,…,bq)T，输出层y为y＝(y1,y2,…,yl)T；输入层的第i个神经元向隐层第h个神经元的输出为vihxi；隐层第h个神经元的输入为隐层第h个神经元向输出层第j个神经元的输出为whjbh；输出层第j个神经元的输入为其中v、w、隐层神经元的阈值γ、输出层阈值θ为待确定系数向量。
再进一步的技术方案为，所述步骤S103中，均方误差函数为： 对该公式求解Ek最小值，获得模型参数；其中，yj为历史电网设备的状态分类；为预测状态分类；l为分类数目。
更进一步的技术方案为，所述步骤S104包括：步骤S104-1：令学习率为λ， Ek为f(xk)，φ(λk)＝f(xk+λkdk)，步骤 S104-2：选取初始数据，在搜索区间中[0∞)中取初始点λ0，计算和给出可接受系数正大试探带点系数α＞1，令a0＝0,b0＝∞,k＝0；步骤 S104-3：计算若转步骤S104-4；否则令ak+1＝ak,bk+1＝λk，转步骤S104-5；步骤S104-4：若停止迭代，输出λk；否则令ak+1＝λk,bk+1＝bk，若bk+1＜+∞，转步骤S104-5，否则令λk+1＝αλk,k＝k+1，转步骤S104-3；步骤S104-5：选取新的试探点，取令k＝k+1，转步骤S104-3；步骤S104-6：BP算法计算BP神经网络参数。
更进一步的技术方案为，所述步骤S104-6：BP算法计算BP神经网络参数，具体为：任意参数的更新式为v←v+Δv，且激活函数选用Sigmoid函数
另一方案，本发明还提供一种基于Golstein-BP算法的设备状态大数据计算设备，包括一个或多个处理器，用于执行上述方法。
相比现有技术，本的有益效果在于：
本发明提供的技术方案，采用BP神经网络的模型方法来替代人为经验的分类评价，对设备状态进行评价进行分类，并提出了利用Goldstein方法求解BP 算法中均方误差函数的最优学习率，保证了在设备状态指标数量较多的情况下，模型能够稳定地实现收敛，提升了设备状态评价的效率，保证了BP算法的收敛性，避免了计算过程中经常发生时间步的截断,即出现计算的不收敛，提高了BP 算法学习率的计算效率，从而实现利用设备运行过程中的多个状态指标数据，判断设备的运行状态，指导电网生产运行过程中的设备巡检、技改、退役报废等工作，提高了电网设备管理的精益化水平。
附图说明
图1为本发明基于Goldstein-BP算法的电网设备状态大数据计算方法的流程图；
图2为本发明提供的Goldstein算法几何解释的示意图；
图3为本发明Goldstein的流程示意图；
图4为BP神经网络的神经元模型示意图；
图5为BP神经网络模型示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：
目前的电网设备评价工作是依靠人为经验来进行分类，因此面对大量的评价指标时，评价效率低下。因此本专利采用BP神经网络的模型方法来替代人为经验的分类评价，从而减少工作人员的工作量。
BP神经网络分析的通常做法是先构造网络模型，然后通过是均方误差最小原则求解参数的BP算法进行求解，最终得到模型，对数据进行预测分类。但是在逆向求导迭代的过程中，涉及到模型的学习率，也就是参数求解的迭代效率， BP算法使用固定学习率原则进行迭代，可是如果取的学习率过大有可能会造成算法的不收敛性，过小又会造成算法学习效率过低的问题，目前人们提出了很多种改进学习率的方法，很多也都是自适应的经验型方法。本发明利用 Goldstein方法求解BP算法中的学习率，并通过严格的理论证明改进BP算法的收敛性以及最优学习率的存在性问题。
BP神经网络是模拟神经元的模型，如果某神经元的点位超过一个“阈值”，那么它就会被激活，即“兴奋”起来，对应的模型如图4。
神经元接收到来自n个其他神经元传递过来的输入信号，这些信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理以产生神经元的输出。
多层网络的学习能力比单层感知机强的多，一般采用的BP算法来训练BP 神经网络中的参数。
对于训练例(xk,yk)，假设BP神经网络的输出为即
则网络在(xk,yk)上的均方误差为
BP算法基于梯度下降的策略，以目标的负梯度方向对参数进行调整，对于均方误差函数Ek，给定学习率η，有
whj＝whj+Δwhj,通过这种方式求解各个参数。
但是，发现：
定理：设目标函数其中G为正定矩阵，设λ1≥L≥λn＞0为G的全部特征值，那么任取初始值x0,使用固定步长α＞0的负梯度方法 xk+1＝xk-αgk收敛当且仅当
证明：
gk＝Gxk+b
→xk+1＝xk-αgk＝xk-αGxk-αb
＝(I-αG)xk-αb
＝(I-αG)[(I-αG)xk-1-αb]-αb
＝(I-αG)2xk-1-[I-αG+I]αb
＝L
＝(I-αG)k+1x0-α[I+(I-αG)+L+(I-αG)k]b
因G为正定矩阵，故有正交矩阵U，使得G＝UTDU,D＝diag(λ1Lλn)
所以有(I-αG)k＝UT(I-αD)U
故
I+(I-αG)+L+(I-αG)k＝UT[I+(I-αD)+L+(I-αD)k]U
＝UTdiag(μ1Lμn)U
其中
故
xk+1＝UT(I-αD)k+1Ux0-αUTdiag(μ1L μn)Ub
当|1-αλi|＜1即
即xk有极限，不防设为x*
又
xk+1＝(I-αG)xk-αb
令k→∞
x*＝(I-αG)x*-αb
所以有
xk+1-x*＝(I-αG)(xk-x*)
于是当|1-αλi|＜1
||xk+1-x*||2≤||(I-αG)||2||xk-x*||2＝(max(1-αλi,1))||xk-x*||2
＝ρ||xk-x*||2
由上述定理可知，为了保证BP算法的收敛性，固定步长(对应BP神经网络中的学习率即学习速度)很可能会造成BP算法的不收敛。
采用Goldstein方法搜索最优学习率，并证明该方法可以使BP算法具有收敛性。
Goldstein非精确搜索方法：
设f在Rn上一阶可微且有下界，
dk为下降方向则存在α＞0满足
Goldstein搜索学习率的存在性：
证：记φ(α)＝f(xk+αdk)α≥0则φ是[0,+∞)上一阶可微函数，有下界，且φ′(0)＜0，往证使得
φ(0)+(1-ρ)αφ′(0)≤φ(α)≤φ(0)+ραφ′(0)
作
ψ(α)＝φ(0)+(1-ρ)αφ′(0)-φ(α)α≥0
则ψ(0)＝0，当α＞0充分小时
故存在α＞0使得ψ(α)＝0
即：
φ(0)+(1-ρ)αφ′(0)＝φ(α)≤φ(0)+ραφ′(0)
保证BP算法迭代过程收敛性相关定理及其证明：
Thm:设f∈c′(R)有下界，其梯度g(x)在凸集D∈Rn上一致连续，设x0∈D且那么当搜索方向dk与-gk成一致锐角，即使得dk与-gk的夹角θk满足k＝0,1L则Goldstein非精确搜索点列xk+1＝xk+αkdk满足或
证明：假设往证
若于是及无限集k∈N，
由于f(xk)≥f(xk+1)又{f(xk)}有下界，所以
f(xk)-f(xk+1)→0
又由Goldstein搜索方法知道
记Sk＝αkdk则
而由一致锐角条件有
所以
又g(x)一直连续，于是有
又
令k→∞k∈K∴1-ρ≥1矛盾；
即，使用固定学习率原则进行迭代，这会造成当取的学习率过大有可能会造成算法的不收敛性，过小又会造成算法学习效率过低的问题。
图1为本发明实施例中提供的基于Goldstein-BP算法的电网设备状态大数据计算方法的流程图。本实施例的方法可以由基于Goldstein-BP算法的电网设备状态大数据计算装置来执行，该装置可以通过软件的方式来实现，且可以加载于终端设备中。参考图1，本实施例提供的基于Goldstein-BP算法的电网设备状态大数据计算方法可以包括如下步骤：
S101、获取电网设备状态评价指标历史及当前数据，以及电网设备历史状态评价结果。
示例性的，S101可以包括从在线监测平台获取电网设备各部件的实时监测数据、安全生产管理系统获取电网设备各部件的缺陷数据、试验数据、历史状态评价结果。
以电网设备主变压器为例，示例性的，获取的数据可以包括：
S102、根据设备状态指标历史数据特征构建相应的BP神经网络模型。具体的，BP神经网络模型为图5所示。
其中输入层为各个单状态量的指标数据，隐层为设备各个部件的数据评分值，输出为对应的评价分类。
x＝(x1,x2,L,xd)T为d个特征因子数据，即d个电网设备状态评价指标数据，y为对应正常状态、注意状态、异常状态、严重状态的分类结果，v、w以及BP神经网络对应的隐层阈值γ和输出层阈值θ为待确定的系数向量。
S103、根据电网设备状态评价指标历史数据，以及电网设备历史状态评价结果构建均方误差函数。
具体的，对于训练例(xk,yk)，假设BP神经网络的输出为
即
则网络在(xk,yk)上的均方误差为
其中yi为历史电网设备正常状态、注意状态、异常状态、严重状态的分类标签，为预测分类标签，l为分类数目，求解目标是通过minEk求解模型参数。
S104、按照均方误差最小化准则，采用Goldstein方法求解BP算法中的学习率，从而求出模型的最优参数。
如图2所示，示例性地，步骤S104可以包括：
S104-1、计算学习率
令学习率为λ，Ek为f(xk)，
S104-2、选取初始数据，在搜索区间中[0 ∞)中取初始点λ0，计算和给出可接受系数正大试探带点系数α＞1，令a0＝0,b0＝∞,k＝0；
S104-3、检查下降量要求，计算若转步骤S104-4；否者令ak+1＝ak,bk+1＝λk，转步骤S104-5；
S104-4、检查避免探索点过小，要求若
停止迭代，输出λk，否者令ak+1＝λk,bk+1＝bk，若bk+1＜+∞，转步骤S104-5，否则令λk+1＝αλk,k＝k+1，转步骤S104-3；
S104-5、选取新的试探点，取令k＝k+1，转步骤S104-3；
S104-6、BP算法计算BP神经网络参数，任意参数的更新式为v←v+Δv，且激活函数选用Sigmoid函数
给定Ek以及步骤S104-1中计算出的学习率λ(这里记为η)，有
注意到whj先影响到第j个输出层BP神经网络输入值βj，再影响到其输出值然后影响到Ek
根据βj的定义，显然有
再根据Sigmoid函数有性质f′(x)＝f(x)(1-f(x))
于是有
于是得到whj的更新式Δwhj＝ηgjbh
类似可以得到
Δθj＝-ηgj,
Δvih＝ηeh xi,
Δγh＝-ηeh,
其中
S105、得到BP神经网络模型。
示例性的，将v、w以及BP神经网络对应的隐层阈值γ和输出层阈值θ为待确定的系数向量带入BP神经网络模型。
S106、将当前的设备状态评价指标数据作为BP神经网络模型的输入，对设备状态进行分类。
示例性的，将测试集的设备状态数据x＝(x(1),x(2),Λ,x(n))T代入BP神经网络模型中，即可预测该设备状态分类。
本发明实施例提供的技术方案，采用BP神经网络的模型方法来替代传统电网设备状态评价中的扣分制，并提出了利用Goldstein方法求解BP算法中均方误差函数的最优学习率，保证了在设备状态指标数量较多的情况下，模型能够稳定地实现收敛，提升了设备状态评价的效率，实现了利用设备运行过程中的多个状态指标数据，判断设备的运行状态，指导电网生产运行过程中的设备巡检、技改、退役报废等工作，提高了电网设备管理的精益化水平。
本发明还提供一种基于Golstein-BP算法的设备状态大数据计算设备，包括一个或多个处理器，用于执行上述任意一中基于Golstein-BP算法的设备状态大数据计算方法。
本发明提供的基于Goldstein-BP算法的电网设备状态大数据计算设备，与本发明任意实施例所提供的电网设备状态大数据计算方法属于同一发明构思，可执行本发明任意实施例所提供的电网设备状态大数据计算方法，具备执行实时电网设备状态大数据计算方法相应的有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的电网设备状态大数据计算方法。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (7)

1.基于Golstein-BP算法的设备状态大数据计算方法，其特征在于，包括如下步骤：
S101：获取电网设备状态评价指标历史及当前数据，以及电网设备历史状态评价结果；
S102：根据设备状态指标历史数据特征构建相应的BP神经网络模型；
S103：根据电网设备状态评价指标历史数据，以及电网设备历史状态评价结果构建均方误差函数；
S104：采用Goldstein方法，取均方误差最小化，求解BP算法中的学习率，并通过BP算法计算BP神经网络参数；
S105：代入BP神经网络参数得出BP神经网络模型；
S106：将当前的设备状态评价指标数据作为BP神经网络模型的输入，得出输出结果。
2.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S102中，所述BP神经网络模型包括：输入层x、隐层b及输出层y；其中输入层x为x＝(x1，x2，...，xd)T，隐层b为b＝(b1，b2，...，bq)T，输出层y为y＝(y1，y2，...，y1)T；
输入层的第i个神经元向隐层第h个神经元的输出为vihxi；隐层第h个神经元的输入为隐层第h个神经元向输出层第j个神经元的输出为whjbh；输出层第j个神经元的输入为其中v、w、隐层神经元的阈值γ、输出层阈值θ为待确定系数向量。
3.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S103中，均方误差函数为：对该公式求解Ek最小值，获得模型参数；其中，yj为历史电网设备的状态分类；为预测状态分类；1为分类数目。
4.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S104包括：
步骤S104-1：令学习率为λ，Ek为f(xk)，φ(λk)＝f(xk+λkdk)，
步骤S104-2：选取初始数据，在搜索区间中[0∞)中取初始点λ0，计算和给出可接受系数正大试探带点系数α>1，令a0＝0，b0＝∞，k＝0；
步骤S104-3：计算若转步骤S104-4；否则令ak+1＝ak，bk+1＝λk，转步骤S104-5；
步骤S104-4：若
停止迭代，输出λk；否则令ak+1＝λk，bk+1＝bk，若bk+1＜+∞，转步骤S104-5，否则令λk+1＝αγk，k＝k+1，转步骤S104-3；
步骤S104-5：选取新的试探点，取令k＝k+1，转步骤S104-3；
步骤S104-6：BP算法计算BP神经网络参数。
5.根据权利要求4所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：
所述步骤S104-6：BP算法计算BP神经网络参数，具体为：
任意参数的更新式为v←v+△v，且激活函数选用Sigmoid函数
6.根据权利要求5所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S104中，v、w、隐层神经元的阈值γ、输出层阈值θ为：
Δwhj＝ηgjbh，
Δθj＝-ηgj，
Δvih＝ηehxi，
Δγh＝-ηeh，
其中，
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>e</mi> <mi>h</mi> </msub> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>b</mi> <mi>h</mi> </msub> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>b</mi> <mi>h</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;alpha;</mi> <mi>h</mi> </msub> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mo>-</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;beta;</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;beta;</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>b</mi> <mi>h</mi> </msub> </mrow> </mfrac> <msup> <mi>f</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>h</mi> </msub> <mo>-</mo> <msub> <mi>&amp;gamma;</mi> <mi>h</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>h</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>g</mi> <mi>j</mi> </msub> <msup> <mi>f</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>h</mi> </msub> <mo>-</mo> <msub> <mi>&amp;gamma;</mi> <mi>h</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <msub> <mi>b</mi> <mi>h</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>b</mi> <mi>h</mi> </msub> <mo>)</mo> </mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>w</mi> <mrow> <mi>h</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>g</mi> <mi>j</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>
η为学习率λ。
7.一种基于Golstein-BP算法的设备状态大数据计算设备，其特征在于：包括一个或多个处理器，用于执行权利要求1-6任意一项所述的方法。
CN201711139750.7A 2017-11-16 2017-11-16 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备 Pending CN107886248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711139750.7A CN107886248A (zh) 2017-11-16 2017-11-16 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711139750.7A CN107886248A (zh) 2017-11-16 2017-11-16 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备

Publications (1)

Publication Number Publication Date
CN107886248A true CN107886248A (zh) 2018-04-06

Family

ID=61777519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711139750.7A Pending CN107886248A (zh) 2017-11-16 2017-11-16 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备

Country Status (1)

Country Link
CN (1) CN107886248A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326380A (zh) * 2021-08-03 2021-08-31 国能大渡河大数据服务有限公司 基于深度神经网络的设备量测数据处理方法、系统及终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543453A (zh) * 2013-10-28 2014-01-29 北京理工大学 一种地球同步轨道合成孔径雷达干涉的高程反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543453A (zh) * 2013-10-28 2014-01-29 北京理工大学 一种地球同步轨道合成孔径雷达干涉的高程反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阮羚 等: "人工神经网络和信息融合", 《高电压技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326380A (zh) * 2021-08-03 2021-08-31 国能大渡河大数据服务有限公司 基于深度神经网络的设备量测数据处理方法、系统及终端

Similar Documents

Publication Publication Date Title
Qu et al. A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery
Moonchai et al. Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter
CN105117602B (zh) 一种计量装置运行状态预警方法
KR102275126B1 (ko) 인공지능기법을 이용한 전기설비 안전도 평가 시스템
CN107492043A (zh) 窃电分析方法及装置
CN109325263A (zh) 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法
CN106022954A (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
Protalinsky et al. Identification of the actual state and entity availability forecasting in power engineering using neural-network technologies
CN103489034A (zh) 预测与诊断在线海流监测数据的方法和装置
KR20170127430A (ko) 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템
CN111310990A (zh) 一种基于改进灰色组合模型的轨道质量预测方法及系统
CN108320112A (zh) 一种确定设备健康状态的方法及装置
CN111415008A (zh) 一种基于vmd-foa-grnn的船舶流量预测方法
CN107886248A (zh) 一种基于Golstein‑BP算法的设备状态大数据计算方法及设备
CN113268929A (zh) 短期负荷区间预测方法及装置
CN117330963A (zh) 储能电站故障检测方法、系统及设备
Hu et al. Online updating with a probability-based prediction model using expectation maximization algorithm for reliability forecasting
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
Zhou et al. Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes
CN116307028A (zh) 一种基于改进决策树的短期电力负荷预测方法及系统
CN112668249B (zh) 电网一次设备大修技改方案在线构建方法及系统
CN111310964B (zh) 一种负荷预测方法及装置
CN114880067A (zh) 一种基于容器负载预测的容器调度策略
Owolabi et al. Development of priority index assessment model for road pavements in Nigeria

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220715

AD01 Patent right deemed abandoned