CN108491404A - 一种基于bp神经网络的状态估计不良数据辨识方法 - Google Patents
一种基于bp神经网络的状态估计不良数据辨识方法 Download PDFInfo
- Publication number
- CN108491404A CN108491404A CN201810059612.6A CN201810059612A CN108491404A CN 108491404 A CN108491404 A CN 108491404A CN 201810059612 A CN201810059612 A CN 201810059612A CN 108491404 A CN108491404 A CN 108491404A
- Authority
- CN
- China
- Prior art keywords
- neuron
- neural network
- layer
- output
- input
- 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.)
- Granted
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
本发明提出一种基于BP神经网络的状态估计不良数据辨识方法,针对BP神经网络不良数据辨识方法对训练样本要求较高的要求,建立了基于状态估计结果进行不良数据辨识的BP神经网络模型,以在线状态估计计算结果断面为样本进行训练,将量测值作为输入数据,状态估计值为期望输出,通过输入与输出之间误差的反向传播,基于样本的多次迭代对连接权值和阈值进行修正,训练一个基于量测的神经网络,对于新的量测断面通过已训练的神经网络进行检测,当获取量测与预测值偏差较大则可以判断为不良数据。该方法由于直接利用了状态估计计算结果作为样本进行训练,提供了准确性较高的样本,从而提高神经网络方法对不良数据辨识精度。
Description
技术领域
本发明属于电力系统运行和自动化领域,具体涉及一种基于BP神经网络的状态估计不良数据辨识方法。
背景技术
电网的运行数据主要包括电网拓扑结构、模型参数和量测采集数据,准确可靠的电网运行数据是调度环节智能化的基础。电力系统的量测数据系统由于经过多个环节的采集和转发而不可避免有误差和错误存在,其中量测误差受制于量测数据采集系统的自身条件而无法消除,通常情况下经过数字滤波、提高数据冗余度等技术可以进行处理,而错误量测数据主要指偏离实际量测数据变化轨迹较远的数据,也称不良数据,该类量测由于与实际量测假设分布模型之间存在一定的偏差,对于状态估计算法基于特定的量测噪声分布模型无法很好的处理,对状态估计计算结果影响非常大,因此,如何对不良数据进行检测、辨识是电力系统状态估计研究中不可回避的一个研究课题。
不良数据辨识与处理一直以来都有学者进行相关算法的研究,也提出了许多有意义的辨识和处理方法,传统方法主要有启发式逻辑法、残差法、新息图法、最小信息损失法等,这些方法都是基于现有当前断面的遥测和遥信信息进行判断,由于在实际电网量测的错误是随机的,无规则的,用单一方法无法解决所有可能的错误,因此现有方法还未达到真正解决实际问题的程度。近年来随着人工智能技术、数据挖掘技术和模型数学理论发展,在此基础上,不良数据的检测与辨识方法也有了新的进展,其中基于人工神经网络技术的不良数据辨识成为重要的研究方向,采用典型工况的正确量测作为训练样本,通过反向传播神经元网络进行网络修正提高不良数据辨识准确率。神经网络方法的不足之处在于高度依赖于网络的训练过程,训练样本的选定及其代表性将直接影响最后辨识的效果。
本发明提出一种基于BP神经网络的电网状态估计不良数据辨识方法,针对神经网络不良数据辨识方法对训练样本要求较高的要求,建立了基于神经网络的不良数据训练模型,以在线状态估计计算结果断面为样本进行训练,将量测值作为输入数据,状态估计值为期望输出,通过输入与输出之间误差的反向传播,基于样本的多次迭代对连接权值和阈值进行修正,训练一个基于量测的神经网络,对于新的量测断面通过已训练的神经网络进行检测,当获取量测与预测值偏差较大则可以判断为不良数据。该方法由于直接利用了状态估计计算结果作为样本进行训练,提供了准确性较高的样本,从而提高神经网络方法对不良数据辨识精度。
发明内容
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于,包括以下步骤:
步骤一、获取原始数据;
步骤二、建立基于BP神经网络的不良数据辨识模型:建立三层的神经网络,选取网络的内部传输函数,根据神经网络输入输出层的神经元数量,确定合适的隐含层神经元数量;
步骤三、读取原始数据中历史量测值及状态估计值,采用神经网络进行反复训练,修正内部的权值和阈值,设计一个最小误差值ε,当量测估计值Zo与期望输出值Zse之间的总误差精度小于最小误差值ε时,网络停止训练,得到输入和输出之间的非线性关系;
步骤四、依据训练的神经网络对实时量测断面不良数据辨识,将最新一组量测断面作为待检量测,采用已训练神经网络计算量测估计值,计算得到量测与估计值之间偏差,对于偏差超过设定门槛的量测则判断为量测坏数据;
步骤五、采用剔除不良数据后的量测断面进行状态估计计算,得到最新状态估计结果;
步骤六、将状态估计结果作为样本加入到神经网络训练,进一步优化不良数据辨识的神经网络。
前述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤二,具体步骤包括:
1)确定神经网络输入量为状态估计保存历史断面中的电网量测信息,即输入量测断面Z表示为:
Z={z1,z2,…,zk,…,zn} (1)
式中,n表示参与训练的断面数,zk表示第k个量测断面;
神经网络输出量,即神经网络输出的量测估计值Zo为:
Zo={zo1,zo2,…,zok,…,zon} (2)
式中,zok表示第k个量测断面量测估计值,zon表示第n个量测断面量测估计值。
2)建立三层BP神经网络,假设参与训练量测断面量测个数为Nmeas,则输入层和输出层的神经元个数即为量测个数Nmeas,通过输入、输出层神经元数量计算和试验确定隐含层神经元数量,计算公式为:
式中,HP表示隐含层神经元数量;IP表示输入层神经元数量;OP表示输出层神经元数量;α是修正系数;
3)选取BP神经网络内部的传输函数,采用对数型Sigmoid函数,将输出限制在[0,1]之间,对数型Sigmoid函数表达式为:
式中,x为神经网络各层的输入变量。
前述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤三,具体步骤包括:
1)对训练数据进行预处理,归一化后的样本值为:
式中,xkm表示第k个断面第m个量测归一化后的输入量测值,zkm表示输入历史量测值,zkmmin,zkmmax是训练样本中同一种电气量里的最小值和最大值;
2)计算隐含层各神经元的输入量和输出量,隐含层各神经元的输入量计算公式为:
式中,h表示隐含层神经元下标,Ukh表示隐含层第k个断面第h个神经元输入量,wmh表示输入层第m个量测值与隐含层第h个神经元之间的连接权值,ηh为隐层第h个神经元阈值;
隐含层各神经元的输出量为:
Hkh=f(Ukh),h=1,2,3,...,HP (7)
式中,Hkh是神经网络隐含层第k个断面下第h个神经元的输出量;
3)计算输出层各神经元的输入量和输出量,输出层各神经元的输入量为:
式中,Ykm是输出层第k个断面第m个神经元输入量,vhm表示隐含层第h个神经元与输出层第m个神经元之间的连接权值,ξm为输出层第m个量测的阈值;
输出层各神经元的输出量为:
xkmo=f(Ykm) (9)
式中,xkmo为第k个断面第m个量测对应神经网络训练出的量测估计值;
计算每一组样本断面的每个量测误差:
式中,xkmse是第k个断面第m个量测对应状态估计值,ekm为第k个断面第m个量测误差方差;
4)修正隐含层及输出层各神经元的权值与阈值,包括以下计算公式:
量测误差ekm对输出层各神经元的输出量求偏导:
输出层各神经元的输出量xkmo对输出层各神经元的输入量Ykm求偏导:
隐含层第h个神经元与输出层第m个神经元之间的权值修正量为:
式中,Δvhm是隐层与输出层之间的权值修正量;β是输出层至隐含层的学习效率;
隐含层第h个神经元与输出层第m个神经元之间的连接权值vh′m修正为:
v′hm=vhm+Δvhm (14)
令则输出层阈值修正量为:
Δξm=βδm=β(xkmse-xkmo)Ykm(1-Ykm) (15)
式中,Δξm为输出层第m个神经元的阈值修正量;
输出层阈值修正为:
ξ′m=ξm+Δξm (16)
式中,ξ′m为修正后的输出层第m个神经元阈值;
输入层第m个神经元与隐含层第h个神经元的权值修正量为:
Δwmh=χ(xkmse-xkmo)Ykm(1-Ykmvhm)Ukh(1-Ukh)xkm (17)
式中,χ是隐含层到输入层的学习效率;
输入层第m个神经元与隐含层第h个神经元之间的连接权值修正量w′kh为:
w′mh=wmh+Δwmh (18)
隐含层第h个神经元阈值修正量Δηh为:
Δηh=χ((xkmse-xkmo)Ykm(1-Ykm)vh)Ukh(1-Ukh) (19)
隐含层第h个神经元修正后的阈值η′h为:
η′h=ηh+Δηh (20)
5)计算总误差:
如果总误差E<ε,则结束BP神经网络训练。
前述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述BP神经网络内部的传输函数还包括正切型Sigmoid函数。
前述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤五状态估计计算方法为最小二乘估计方法。
前述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述原始数据包括历史量测数据及对应状态估计值以及实时量测数据断面。
本发明的有益效果:
本发明以状态估计结果为量测训练样本参考值对不良数据辨识神经网络进行训练,可以通过状态估计得到数据质量比较好的训练样本,同时能够将该方法与现有状态估计方法很好的结合起来,一方面作为状态估计计算前不良数据辨识环节将错误数据剔除,减少不良数据对状态估计计算的影响,另一方面将状态估计计算后的结果断面作为样本再加入到神经网络中进行训练,提高神经网络方法辨识不良数据准确度。
附图说明
图1为本发明方法的总体流程示意图;
图2为三层神经网络结构图。
具体实施方式
以下结合附图和具体实施例进一步说明。
如图1所示,一种基于BP神经网络的状态估计不良数据辨识方法,包括以下步骤:
步骤一、获取原始数据,包括状态估计保存历史断面及实时量测数据断面,其中状态估计保存历史断面包括电网的量测信息及对应的状态估计值;
步骤二、建立基于BP神经网络的不良数据辨识模型,参考图2,建立三层的神经网络,选取网络的内部传输函数,根据神经网络输入输出层的神经元数量,确定合适的隐含层神经元数量,具体步骤包括:
1)确定神经网络输入量为状态估计保存历史断面中的电网量测信息,即输入量测断面Z可表示为:
Z={z1,z2,…,zk,…,zn} (1)
式中,n表示参与训练的断面数,zk表示第k个量测断面;
神经网络输出量,即神经网络输出的量测估计值Zo为:
Zo={zo1,zo2,…,zok,…,zon} (2)
式中,zok表示第k个量测断面量测估计值,zon表示第n个量测断面量测估计值。
2)建立三层BP神经网络,假设参与训练量测断面量测个数为Nmeas,则本发明中输入层和输出层的神经元个数即为量测个数Nmeas,通过输入、输出层神经元数量计算和试验确定隐含层神经元数量,计算公式为:
式中,HP表示隐含层神经元数量;IP表示输入层神经元数量;OP表示输出层神经元数量;α是修正系数,一般选取1至10之间的整数;
3)选取BP神经网络内部的传输函数,常用的函数主要有四种,一般选取具有非线性映射关系的Sigmoid函数作为传输函数,而Sigmoid函数又可分为对数型S函数和正切型S函数,分别可将输出限制在[0,1]和[-1,1]之间。本发明采用对数型S函数,将输出限制在[0,1]之间,对数型S函数表达式为:
式中,x为神经网络各层的输入变量。
步骤三、读取原始数据中历史量测值及状态估计值,采用神经网络进行反复训练,修正内部的权值和阈值,设计一个最小误差值ε,当量测估计值Zo与期望输出值Zse之间的总误差精度小于ε时,网络停止训练,此时可以得到输入和输出之间的非线性关系;
1)对训练数据进行预处理,常用的方法是归一化处理,归一化后的样本值为:
式中,xkm表示第k个断面第m个量测归一化后的输入量测值,zkm表示输入历史量测值,zkmmin,zkmmax是训练样本中同一种电气量里的最小值和最大值。
2)计算隐含层各神经元的输入量和输出量,隐含层各神经元的输入量计算公式为:
式中,h表示隐含层神经元下标,Ukh表示隐含层第k个断面第h个神经元输入量,wmh表示输入层第k个断面第m个量测值与隐含层第h个神经元之间的连接权值,ηh为隐层第h个神经元阈值;
隐含层各神经元的输出量为:
Hkh=f(Ukh),h=1,2,3,...,HP (7)
式中,Hkh是神经网络隐含层第k个断面下第h个神经元的输出量;
3)计算输出层各神经元的输入量和输出量,根据模型可知输入输出都与输入层量测个数相等,输出层各神经元的输入量为:
式中,Ykm是输出层第k个断面第m个神经元输入量,vhm表示隐含层第h个神经元与输出层第m个神经元之间的连接权值,ξm为输出层第m个量测的阈值。
输出层各神经元的输出量为:
xkmo=f(Ykm) (9)
式中,xkmo为第k个断面第m个量测对应神经网络训练出的量测估计值。
计算每一组样本断面的每个量测误差(均方差):
式中,xkmse是第k个断面第m个量测对应状态估计值,ekm为第k个断面第m个量测误差方差。
4)修正隐含层及输出层各神经元的权值与阈值,包括以下计算公式:
量测误差ekm对输出层各神经元的输出量求偏导:
输出层各神经元的输出量xkmo对输出层各神经元的输入量Ykm求偏导:
隐含层与输出层之间的权值修正量为:
式中,Δvhm是隐层与输出层之间的权值修正量;β是输出层至隐含层的学习效率。
隐含层第h个神经元与输出层第m个神经元之间的连接权值v′hm修正为:
v′hm=vhm+Δvhm (14)
令则输出层阈值修正量为:
Δξm=βδm=β(xkmse-xkmo)Ykm(1-Ykm) (15)
式中,Δξm为输出层第m个量测的阈值修正量。
输出层阈值修正为:
ξ′m=ξm+Δξm (16)
式中,ξ′m为修正后的输出层第m个神经元阈值。
输入层第m个神经元与隐含层第h个神经元的权值修正量为:
Δwmh=χ(xkmse-xkmo)Ykm(1-Ykmvhm)Ukh(1-Ukh)xkm (17)
式中,χ是隐层到输入层的学习效率。
输入层第m个神经元与隐含层第h个神经元之间的连接权值修正量w′mh为:
w′mh=wmh+Δwmh (18)
隐含层第h个神经元阈值修正量Δηh为:
Δηh=χ((xkmse-xkmo)Ykm(1-Ykm)vhm)Ukh(1-Ukh) (19)
隐含层第h个神经元修正后的阈值η′h为:
η′h=ηh+Δηh (20)
5)计算总误差:
如果总误差E<ε,则结束BP神经网络训练。
步骤四、依据训练的神经网络对实时量测断面不良数据辨识,将最新一组量测断面作为待检量测,采用已训练神经网络计算量测估计值,计算得到量测与估计值之间偏差,对于偏差超过设定门槛的量测则判断为量测坏数据;
步骤五、利用剔除不良数据后的量测断面进行状态估计计算,得到最新状态估计结果,其中状态估计方法采用最小二乘估计;将不良数据辨识与状态估计紧密结合在一起,作为状态估计计算前不良数据辨识重要环节可以直接剔除不良数据,减少对状态估计计算的影响。
步骤六、将状态估计结果作为样本加入到神经网络训练,进一步优化不良数据辨识的神经网络。将状态估计计算结果作为新的样本直接加入到神经网络训练,形成一个不断迭代训练的闭环系统,提高神经网络对不良数据辨识精度。
本发明针对BP神经网络不良数据辨识方法对训练样本要求较高的要求,建立了基于状态估计结果进行不良数据辨识的BP神经网络模型,以在线状态估计计算结果断面为样本进行训练,将量测值作为输入数据,状态估计值为期望输出,通过输入与输出之间误差的反向传播,基于样本的多次迭代对连接权值和阈值进行修正,训练一个基于量测的神经网络,对于新的量测断面通过已训练的神经网络进行检测,当获取量测与预测值偏差较大则可以判断为不良数据。该方法由于直接利用了状态估计计算结果作为样本进行训练,提供了准确性较高的样本,从而提高神经网络方法对不良数据辨识精度。
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 (6)
1.一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于,包括以下步骤:
步骤一、获取原始数据;
步骤二、建立基于BP神经网络的不良数据辨识模型:建立三层的神经网络,选取网络的内部传输函数,根据神经网络输入输出层的神经元数量,确定合适的隐含层神经元数量;
步骤三、读取原始数据中历史量测值及状态估计值,采用神经网络进行反复训练,修正内部的权值和阈值,设计一个最小误差值ε,当量测估计值Zo与期望输出值Zse之间的总误差精度小于最小误差值ε时,网络停止训练,得到输入和输出之间的非线性关系;
步骤四、依据训练的神经网络对实时量测断面不良数据辨识,将最新一组量测断面作为待检量测,采用已训练神经网络计算量测估计值,计算得到量测与估计值之间偏差,对于偏差超过设定门槛的量测则判断为量测坏数据;
步骤五、采用剔除不良数据后的量测断面进行状态估计计算,得到最新状态估计结果;
步骤六、将状态估计结果作为样本加入到神经网络训练,进一步优化不良数据辨识的神经网络。
2.根据权利要求1所述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤二,具体步骤包括:
1)确定神经网络输入量为状态估计保存历史断面中的电网量测信息,即输入量测断面Z表示为:
Z={z1,z2,…,zk,…,zn} (1)
式中,n表示参与训练的断面数,zk表示第k个量测断面;
神经网络输出量,即神经网络输出的量测估计值Zo为:
Zo={zo1,zo2,…,zok,…,zon} (2)
式中,zok表示第k个量测断面量测估计值,zon表示第n个量测断面量测估计值;
2)建立三层BP神经网络,假设参与训练量测断面量测个数为Nmeas,则输入层和输出层的神经元个数即为量测个数Nmeas,通过输入、输出层神经元数量计算和试验确定隐含层神经元数量,计算公式为:
式中,HP表示隐含层神经元数量;IP表示输入层神经元数量;OP表示输出层神经元数量;α是修正系数;
3)选取BP神经网络内部的传输函数,采用对数型Sigmoid函数,将输出限制在[0,1]之间,对数型Sigmoid函数表达式为:
式中,x为神经网络各层的输入变量。
3.根据权利要求2所述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤三,具体步骤包括:
1)对训练数据进行预处理,归一化后的样本值为:
式中,xkm表示第k个断面第m个量测归一化后的输入量测值,zkm表示输入历史量测值,zkmmin,zkmmax是训练样本中同一种电气量里的最小值和最大值;
2)计算隐含层各神经元的输入量和输出量,隐含层各神经元的输入量计算公式为:
式中,h表示隐含层神经元下标,Ukh表示隐含层第k个断面第h个神经元输入量,wmh表示输入层第m个量测值与隐含层第h个神经元之间的连接权值,ηh为隐层第h个神经元阈值;
隐含层各神经元的输出量为:
Hkh=f(Ukh),h=1,2,3,...,HP (7)
式中,Hkh是神经网络隐含层第k个断面下第h个神经元的输出量;
3)计算输出层各神经元的输入量和输出量,输出层各神经元的输入量为:
式中,Ykm是输出层第k个断面第m个神经元输入量,vhm表示隐含层第h个神经元与输出层第m个神经元之间的连接权值,ξm为输出层第m个量测的阈值;
输出层各神经元的输出量为:
xkmo=f(Ykm) (9)
式中,xkmo为第k个断面第m个量测对应神经网络训练出的量测估计值;
计算每一组样本断面的每个量测误差:
式中,xkmse是第k个断面第m个量测对应状态估计值,ekm为第k个断面第m个量测误差方差;
4)修正隐含层及输出层各神经元的权值与阈值,包括以下计算公式:
量测误差ekm对输出层各神经元的输出量求偏导:
输出层各神经元的输出量xkmo对输出层各神经元的输入量Ykm求偏导:
隐含层第h个神经元与输出层第m个神经元之间的权值修正量为:
式中,Δvhm是隐层与输出层之间的权值修正量;β是输出层至隐含层的学习效率;
隐含层第h个神经元与输出层第m个神经元之间的连接权值vh′m修正为:
v′hm=vhm+Δvhm (14)
令则输出层阈值修正量为:
Δξm=βδm=β(xkmse-xkmo)Ykm(1-Ykm) (15)
式中,Δξm为输出层第m个神经元的阈值修正量;
输出层阈值修正为:
ξ′m=ξm+Δξm (16)
式中,ξ′m为修正后的输出层第m个神经元阈值;
输入层第m个神经元与隐含层第h个神经元的权值修正量为:
Δwmh=χ(xkmse-xkmo)Ykm(1-Ykmvhm)Ukh(1-Ukh)xkm (17)
式中,χ是隐含层到输入层的学习效率;
输入层第m个神经元与隐含层第h个神经元之间的连接权值修正量w′kh为:
w′mh=wmh+Δwmh (18)
隐含层第h个神经元阈值修正量Δηh为:
Δηh=χ((xkmse-xkmo)Ykm(1-Ykm)vh)Ukh(1-Ukh) (19)
隐含层第h个神经元修正后的阈值η′h为:
η′h=ηh+Δηh (20)
5)计算总误差:
如果总误差E<ε,则结束BP神经网络训练。
4.根据权利要求2所述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述BP神经网络内部的传输函数还包括正切型Sigmoid函数。
5.根据权利要求1所述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述步骤五状态估计计算方法为最小二乘估计方法。
6.根据权利要求1所述的一种基于BP神经网络的状态估计不良数据辨识方法,其特征在于:所述原始数据包括历史量测数据及对应状态估计值以及实时量测数据断面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810059612.6A CN108491404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810059612.6A CN108491404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491404A true CN108491404A (zh) | 2018-09-04 |
CN108491404B CN108491404B (zh) | 2022-07-01 |
Family
ID=63343737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810059612.6A Active CN108491404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491404B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193645A (zh) * | 2018-10-19 | 2019-01-11 | 国电南瑞科技股份有限公司 | 一种数据驱动的环形电网电抗参数评估方法及评估系统 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力系统状态估计方法 |
CN110826888A (zh) * | 2019-10-29 | 2020-02-21 | 西安交通大学 | 一种电力系统动态状态估计中数据完整性攻击检测方法 |
CN110889630A (zh) * | 2019-11-27 | 2020-03-17 | 佳源科技有限公司 | 一种主动配电网分布式状态估计方法 |
CN111415051A (zh) * | 2020-05-18 | 2020-07-14 | 江苏电力信息技术有限公司 | 一种基于bp神经网络的电力物资需求计划预测方法 |
CN111967799A (zh) * | 2020-09-08 | 2020-11-20 | 中国电子科技集团公司第九研究所 | 集总参数表贴环行器物料及工艺问题识别方法 |
CN112016249A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 基于优化bp神经网络的scr脱硝系统不良数据辨识方法 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝系统不良数据辨识方法 |
CN112034197A (zh) * | 2020-08-26 | 2020-12-04 | 上海德意达电子电器设备有限公司 | 一种基于自适应算法的测量方法 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN113219282A (zh) * | 2021-04-30 | 2021-08-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种新型微机保护定值核对方法 |
CN113269261A (zh) * | 2021-05-31 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
CN113556629A (zh) * | 2021-06-02 | 2021-10-26 | 天津大学 | 一种智能电表误差远程估计方法及装置 |
CN114019296A (zh) * | 2021-09-26 | 2022-02-08 | 广西电网有限责任公司电力科学研究院 | 一种基于bp神经网络的配电线路接地故障辨识方法 |
CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
US20160092766A1 (en) * | 2014-09-30 | 2016-03-31 | Google Inc. | Low-rank hidden input layer for speech recognition neural network |
-
2018
- 2018-01-22 CN CN201810059612.6A patent/CN108491404B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
US20160092766A1 (en) * | 2014-09-30 | 2016-03-31 | Google Inc. | Low-rank hidden input layer for speech recognition neural network |
Non-Patent Citations (2)
Title |
---|
ANDRICH B. VAN WYK等: "Lambda-gamma learning with feedforward neural networks using particle swarm optimization", 《2011 IEEE SYMPOSIUM ON SWARM INTELLIGENCE》 * |
陈波: "电力系统不良数据辨识的研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109193645A (zh) * | 2018-10-19 | 2019-01-11 | 国电南瑞科技股份有限公司 | 一种数据驱动的环形电网电抗参数评估方法及评估系统 |
CN109193645B (zh) * | 2018-10-19 | 2021-10-22 | 国电南瑞科技股份有限公司 | 一种数据驱动的环形电网电抗参数评估方法及评估系统 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力系统状态估计方法 |
CN109784480B (zh) * | 2019-01-17 | 2022-11-18 | 武汉大学 | 一种基于卷积神经网络的电力系统状态估计方法 |
CN110826888A (zh) * | 2019-10-29 | 2020-02-21 | 西安交通大学 | 一种电力系统动态状态估计中数据完整性攻击检测方法 |
CN110826888B (zh) * | 2019-10-29 | 2022-06-07 | 西安交通大学 | 一种电力系统动态状态估计中数据完整性攻击检测方法 |
CN110889630A (zh) * | 2019-11-27 | 2020-03-17 | 佳源科技有限公司 | 一种主动配电网分布式状态估计方法 |
CN111415051A (zh) * | 2020-05-18 | 2020-07-14 | 江苏电力信息技术有限公司 | 一种基于bp神经网络的电力物资需求计划预测方法 |
CN112034197A (zh) * | 2020-08-26 | 2020-12-04 | 上海德意达电子电器设备有限公司 | 一种基于自适应算法的测量方法 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝系统不良数据辨识方法 |
CN112016249A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 基于优化bp神经网络的scr脱硝系统不良数据辨识方法 |
CN111967799A (zh) * | 2020-09-08 | 2020-11-20 | 中国电子科技集团公司第九研究所 | 集总参数表贴环行器物料及工艺问题识别方法 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN113219282A (zh) * | 2021-04-30 | 2021-08-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种新型微机保护定值核对方法 |
CN113269261A (zh) * | 2021-05-31 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
CN113269261B (zh) * | 2021-05-31 | 2024-03-12 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
CN113556629A (zh) * | 2021-06-02 | 2021-10-26 | 天津大学 | 一种智能电表误差远程估计方法及装置 |
CN114019296A (zh) * | 2021-09-26 | 2022-02-08 | 广西电网有限责任公司电力科学研究院 | 一种基于bp神经网络的配电线路接地故障辨识方法 |
CN114330486A (zh) * | 2021-11-18 | 2022-04-12 | 河海大学 | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108491404B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491404A (zh) | 一种基于bp神经网络的状态估计不良数据辨识方法 | |
CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
CN107977710A (zh) | 用电异常数据检测方法和装置 | |
CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
CN109443419B (zh) | 一种基于机器学习的整流器在线监测方法 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN109213753A (zh) | 一种基于在线pca的工业系统监测数据恢复方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111582542B (zh) | 一种基于异常修复的电力负荷预测方法及系统 | |
CN111797365B (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN114189047B (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN111179576A (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
CN108335233A (zh) | 一种基于大数据技术的智能电网量测数据处理系统 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN112290887A (zh) | 一种基于l-m算法改进的bp神经网络电弧检测模型 | |
CN110399926B (zh) | 一种路灯故障诊断方法及装置 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN112803402B (zh) | 含不良数据预处理的辐射网前推回代抗差状态估计方法 |
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 |