CN108898249A - 一种电网故障预测方法 - Google Patents
一种电网故障预测方法 Download PDFInfo
- Publication number
- CN108898249A CN108898249A CN201810690571.0A CN201810690571A CN108898249A CN 108898249 A CN108898249 A CN 108898249A CN 201810690571 A CN201810690571 A CN 201810690571A CN 108898249 A CN108898249 A CN 108898249A
- Authority
- CN
- China
- Prior art keywords
- ant
- ant colony
- chaos
- function
- output
- 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 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000000739 chaotic effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 4
- 102000002262 Thromboplastin Human genes 0.000 claims description 3
- 108010000499 Thromboplastin Proteins 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 239000000843 powder Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 25
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000003016 pheromone Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001994 activation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种电网故障预测方法，属于电网故障预测技术领域，根据BP神经网络系统的输入输出的电网故障样本确定BP神经网络系统的网络结构，把故障样本作为BP神经网络的训练样本，并且开始用混沌蚁群算法训练BP神经网络。本发明利用BP神经网络和混沌蚁群算法相结合对电网故障进行预测，利用混沌的遍历性，进行混沌初始化，还利用蚁群算法的正反馈原理和混沌扰动，解决了电网故障预测中，网络收敛慢，捕捉局部最优的问题。
Description
技术领域
本发明涉及电网故障预测领域，尤其设计一种电网故障预测方法。
背景技术
电网故障问题是近几年来比较引人关注的问题，由于大停电事故的发生通常伴随着连锁故障现象，因此，围绕如何对电网故障预测问题的分析研究也日益增多。而BP神经系统具有自学习、自适应和非线性识别的优点被广泛应用于故障预测。但是由于BP神经系统自身存在的一些缺陷：网络收敛慢、往往陷入局部最优。蚁群算法在组合优化领域是一个新的搜索算法，并且发现，整个蚁群行为是一种周期性的行为但是单一的蚂蚁是混沌行为，所以把混沌蚁群优化算法运用于BP神经网络电网故障预测是势在必行。
发明内容
针对现有技术中存在的缺陷和不足，本发明所要解决的技术问题是：提供一种电网故障预测方法，解决现有BP神经网络故障预测技术中的收敛速度慢、陷入局部最优的问题。
为实现上述目的，本发明采取的技术方案是提供一种电网故障预测方法，包括以下步骤：
步骤1，根据BP神经网络系统的输入输出的故障样本明确它的网络结构，包括各层的层数、输出层节点激励函数。
步骤2，初始设定混沌蚁群的初始参数，主要包括蚁群数量n、迭代次数N和搜索空间S，然后随机形成一个蚁群。
步骤3，拿故障样本作为BP神经网络的训练样本，并且开始用步骤2中的混沌蚁群算法训练BP神经网络。
步骤4，计算混沌蚁群算法的适应度函数E的值，判断它是否是蚁群的最佳位置或者有没有根据适应度函数值得最小原则，在最优反复迭代的过程，如果计算得到的适应度函数值E小于任何蚂蚁当前最佳位置的最小值，就更新自己最佳的适应度函数值E，并且把这个最佳值赋给最佳位置值pid(t)中。
步骤5，开始迭代。然后更新yi(t)和zid(t)。
步骤6，判断迭代是否达到最大的迭代值或者规定值。如果达到，继续步骤7，如果没有达到就返回步骤4，继续循环。
步骤7，输出最优蚂蚁位置并把它们作为BP网络的权值和阀值，因此最有可能的故障信息就会被获知。
BP神经网络故障预测原理：
本发明采用的是3层BP神经网络模型，由输入层、隐层和输出层构成。输入层各神经元负责接收来自外界的输入信息，并传递给隐层各神经元；隐层是内部信息处理层，负责信息变换，根据信息变化能力的需求，隐层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经单元的信息，经过进一步处理后，完成一次学习的正向传播处理过程，并由输出层向外界输出信息处理结果。当实际输出与期望输出不符合时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行网络输出的误差减少到可以接受的程度，或者预先设定的学习次数结束为止。
假设输入层有m个节点，即输入矢量是X＝(x1,x2,…,xm)，隐层有p个节点，即对应矢量是Y＝(y1,y2,…,yp)，输出层有q个节点，即输出矢量是O＝(o1,o2,…,oq)。假设任何输入层的节点xi和任何隐层的节点yk之间权值是ωik，隐层对应神经元k的阀值为θk；任何隐层的节点yk和任何输出层的节点oj之间权值是ωkj，输出层对应神经元j的阀值为θj，所以得到计算的公式为：
在(1)式子当中f(·)代表的是关于神经元的激励函数。该函数是
公式(4-1)表示一个适应度函数E，它是神经网络期望输出与计算输出之间的误差大小的函数：
其中，M表示的是训练样本集的样本数量，q表示的是BP神经网络输出神经元的数量，表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值。
从公式(2-1)和公式(4-1)可以看出，BP算法的适应度函数E在所有层中是一个与权值和阀值有关的函数。因此可以通过调整权值和阀值改变E值。
混沌蚁群算法的数学模型：
混沌是一种非线性现象，它具有随机性、遍历性及规律性等特点，对初始条件极度敏感，能在一定范围内按其自身规律不重复地遍历所有状态，利用混沌运动性质可以进行优化搜索。
蚁群算法：采用正反馈机制或称是一种增强性学习系统，通过不断更新信息素达到最终收敛于最优路径的目的。
混沌蚁群算法基于混沌理论来描述单个蚂蚁的混沌行为和整个蚁群的智能组织行为，从而自适应地求解最优化问题。利用混沌运动特性可以进行优化搜索，其基本思想是首先产生一组与优化变量相同的混沌变量，用类似载波的方式将混沌引入优化变量使其呈现混沌状态，同时，把混沌运动的遍历范围放大到优化变量的取值范围。
因此根据混沌特性，将混沌融入蚁群算法，利用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值。
假设在l维度的连续实数空间Rl，蚁群中的蚂蚁数量为n，把所有的蚂蚁均放入搜索空间S中，并且他们的最小化函数为f:S→R。在空间S中的每一个点s是所给问题的适宜解。设第i个蚂蚁的位置为si＝(zi1,zi2,…,zil),i＝1,2,…,n。
在蚁群运动过程中，每一个蚂蚁都会被整个蚁群组织影响，在数学运算表达式中，一个蚂蚁的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：
zid(t)＝g(zid(t-1),pid(t-1),yi(t)) (3-1)
其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1,2,…,l。pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态。通过改变yi(t)来实现蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
ri＝0.1+0.2rand(n) (3-3)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数，和ri是在最优算法中重要的参数。
本发明的有益效果是：
本发明利用BP神经网络和混沌蚁群算法相结合对电网故障进行预测，利用混沌的遍历性，进行混沌初始化，还利用蚁群算法的正反馈原理和混沌扰动，解决了电网故障预测中，网络收敛慢，捕捉局部最优的问题。
附图说明
图1是本发明提供一种电网故障预测方法的流程图
图2是本发明提供的3层BP网络结构图
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
如图1所示，是本发明提供的一种电网故障预测方法的流程图：
步骤1，根据BP神经网络系统的输入输出的故障样本明确它的网络结构。
本发明采用3层数BP网络结构，如图2所示。由输入层X、隐层Y和输出层O构成。节点分别是xi、yk、oj。xi与yk之间的权值是ωik，隐层对应神经元k的阀值为θk；yk和oj之间权值是ωkj，输出层对应神经元j的阀值为θj，。BP网络结构的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。
关于神经元的激励函数是：
步骤2，初始设定混沌蚁群的初始参数，蚁群数量n取10000万只、迭代次数N取40000，和搜索空间S，然后随机形成一个蚁群。
步骤3，拿故障样本作为BP神经网络的训练样本，样本数选200，并且开始用步骤2中的混沌蚁群算法训练BP神经网络。
步骤4，计算混沌蚁群算法的适应度函数E的值，判断它是否是蚁群的最佳位置或者有没有根据适应度函数值得最小原则，在最优反复迭代的过程，如果计算得到的适应度函数值E小于任何蚂蚁当前最佳位置的最小值，就更新自己最佳的适应度函数值E，并且把这个最佳值赋给最佳位置值pid(t)中。pid(t)表示的是第i个蚂蚁与它相邻蚂蚁在t步内所找到的最佳位置。
公式(4-1)表示一个适应度函数E，它是神经网络期望输出与计算输出之间的误差大小的函数：
其中，M表示的是训练样本集的样本数量，q表示的是BP神经网络输出神经元的数量，表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值。
从公式(2-1)和公式(4-1)可以看出，BP算法的适应度函数E在所有层中是一个与权值和阀值有关的函数。因此可以通过调整权值和阀值改变E值。
步骤5，开始迭代，。然后更新yi(t)和zid(t)。
在蚁群运动过程中，每一个蚂蚁都会被整个蚁群组织影响，在数学运算表达式中，一个蚂蚁的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：
zid(t)＝g(zid(t-1),pid(t-1),yi(t)) (3-1)
其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1,2,…,l。pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态。通过改变yi(t)来实现蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
ri＝0.1+0.2rand(n) (3-3)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数，和ri是在最优算法中重要的参数。
步骤6，判断迭代是否达到最大的迭代值或者规定值。如果达到，继续步骤7，如果没有达到就返回步骤4，继续循环。
步骤7，输出最优蚂蚁位置并把它们作为BP网络的权值和阀值，因此最有可能的故障信息就会被获知。
BP神经网络模型虽然得到了广泛的应用，但是自身也存在一些缺陷：(1)由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间(2)BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。
而当加入混沌蚁群算法用于故障测试时，就可以解决这些问题。
混沌是一种非线性现象，它具有随机性、遍历性及规律性等特点，对初始条件极度敏感，能在一定范围内按其自身规律不重复地遍历所有状态，利用混沌运动性质可以进行优化搜索。因此根据混沌特性，将混沌融入蚁群算法，利用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值。
利用混沌的遍历性，进行混沌初始化，每个混沌量对应于一条路径，产生大量的路径(如100条)，从中选择比较优的(如30条)，使这些路径留下信息素，各路径的信息素就不同，以此引导蚁群进行选择路径。
混沌扰动特性：蚁群利用了正反馈原理在一定程度上加快了进化进程，但也存在一些缺陷，如出现停滞现象，陷入局部最优解，但是加入混沌扰动，调整信息量，再加入混沌扰量，以使解跳出局部极值区间。
本发明利用混沌的随机性、遍历性及规律性，还有混沌扰动特性，在电网故障预测时，加快网络的收敛速度，避免搜索过程陷入局部极值。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (5)
1.一种电网故障预测方法，其特征在于，包括如下步骤：
步骤1，根据BP神经网络系统的输入输出的电网故障样本确定BP神经网络系统的网络结构，其中，BP神经网络系统包括各层的层数和输出层节点激活函数；
步骤2，初始设定混沌蚁群的初始参数，初始参数包括蚁群数量n、迭代次数和搜索空间S，然后随机形成一个蚁群，形成混沌蚁群算法；
步骤3，把故障样本作为BP神经网络的训练样本，并且开始用混沌蚁群算法训练BP神经网络；
步骤4，计算混沌蚁群算法的适应度函数E的值，确定蚁群的最佳位置或者适应度函数E的初始最小值，在混沌蚁群算法的最优反复迭代的过程，如果计算得到的适应度函数E的值小于任何蚂蚁当前最佳位置值或者适应度函数E的初始最小值，更新适应度函数E的最小值，并且把这个最佳值赋给最佳位置值pid(t)中；
步骤5，开始对混沌蚁群算法计算迭代，然后更新yi(t)和zid(t)，其中zid(t)为变量函数，yi(t)为组织变量所处的状态；
步骤6，判断迭代是否达到最大的迭代值或者规定值；如果达到，继续下一步，如果没有达到就返回步骤4，继续循环；
步骤7，输出最优蚂蚁位置并作为BP网络的权值和阀值，然后根据权值和阀值确定电网故障信息。
2.根据权利要求1所述的一种电网故障预测方法，其特征在于，所述步骤1中选定的BP神经网络结构为：3层BP神经网络模型，由输入层、隐层和输出层构成；
设置输入层有m个节点，即输入矢量是X＝(x1,x2,…,xm)，隐层设置有p个节点，即对应矢量是Y＝(y1,y2,…,yp)，输出层有n个节点，即输出矢量是O＝(o1,o2,…,on)；假设任何输入层的节点xi和任何隐层的节点yk之间权值是ωik，隐层对应神经元k的阀值为θk；任何隐层的节点yk和任何输出层的节点oj之间权值是ωkj，输出层对应神经元j的阀值为θj，所以得到计算的公式为：
在(2-1)式子当中f(·)代表的是关于神经元的激励函数；激励函数的具体函数式为
3.根据权利要求1所述的一种电网故障预测方法，其特征是，步骤3中的混沌蚁群算法是：
设置在l维度的连续实数空间Rl，蚁群中的蚂蚁数量为n，把所有的蚂蚁均放入搜索空间S中，并且他们的最小化函数为f:S→R。在空间S中的每一个点s是所给问题的适宜解，设第i个蚂蚁的位置为si＝(zi1,zi2,…,zil),i＝1,2,…,n，
在蚁群运动过程中，每一个蚂蚁都会被整个蚁群组织影响，在数学运算表达式中，一个蚂蚁的运动规律是一个关于自己目前位置、自己和同伴的最佳位置和组织变量的函数，该函数是：
zid(t)＝g(zid(t-1),pid(t-1),yi(t)) (3-1)
其中，g(·)函数表示的是一个非线性函数，t表示的是蚂蚁当前这一步的时刻，t-1表示蚂蚁在上一步的时刻，zid(t)表示的是第i个蚂蚁的d维度状态，这里d＝1,2,…,l，pid(t-1)表示的是第i个蚂蚁与它相邻蚂蚁在t-1步内所找到的最佳位置，yi(t)表示的是组织变量现在的状态，通过改变yi(t)来实现蚁群的混沌行为，混沌蚁群优化算法的动力模型是：
ri＝0.1+0.2rand(n)
其中a是一个足够大的常数，b是0≤b≤2/3的常数，决定搜索距离，ri表示的是一个小于1组织因数，一般取0≤ri≤0.5，该因数影响收敛速度，rand(n)是一个数字随机信号发生函数，和ri是在最优算法中重要的参数。
4.根据权利要求1所述的一种电网故障预测方法，其特征是，步骤4中的适应度函数E的算法是：
其中，(4-1)式表示一个适应度函数E，它是神经网络期望输出与计算输出之间的误差大小的函数，M表示的是训练样本集的样本数量，n表示的是BP神经网络输出神经元的数量，表示的是第i个样本和第j个节点的期望输出值，oji是实际输出值。
5.根据权利要求1所述的一种电网故障预测方法，其特征是,步骤5中迭代次数N的取值范围是0～80000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810690571.0A CN108898249A (zh) | 2018-06-28 | 2018-06-28 | 一种电网故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810690571.0A CN108898249A (zh) | 2018-06-28 | 2018-06-28 | 一种电网故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898249A true CN108898249A (zh) | 2018-11-27 |
Family
ID=64347049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810690571.0A Pending CN108898249A (zh) | 2018-06-28 | 2018-06-28 | 一种电网故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898249A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
| CN111126846A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种架空输电线路差异化状态评价方法 |
| WO2020125166A1 (zh) * | 2018-12-20 | 2020-06-25 | 北京科东电力控制系统有限责任公司 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
| CN112072634A (zh) * | 2019-06-10 | 2020-12-11 | 浙江大学城市学院 | 一种基于潮流嵌入技术的潮流计算方法 |
| CN114548601A (zh) * | 2022-03-16 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 |
| CN115494346A (zh) * | 2022-09-30 | 2022-12-20 | 西安交通大学 | 一种针对线路不确定参数的多项式混沌展开故障定位方法及系统 |
| CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163300A (zh) * | 2011-04-20 | 2011-08-24 | 南京航空航天大学 | 基于蚁群优化算法的故障诊断规则优化方法 |
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN103544542A (zh) * | 2013-10-16 | 2014-01-29 | 天津大学 | 一种电力系统暂态稳定裕度预测方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN104318336A (zh) * | 2014-11-17 | 2015-01-28 | 国家电网公司 | 一种微电网与大电网信息交互方法及装置 |
| CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
| CN107992959A (zh) * | 2017-04-26 | 2018-05-04 | 国网浙江省电力公司 | 一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法 |
-
2018
- 2018-06-28 CN CN201810690571.0A patent/CN108898249A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163300A (zh) * | 2011-04-20 | 2011-08-24 | 南京航空航天大学 | 基于蚁群优化算法的故障诊断规则优化方法 |
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN103544542A (zh) * | 2013-10-16 | 2014-01-29 | 天津大学 | 一种电力系统暂态稳定裕度预测方法 |
| CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
| CN104318336A (zh) * | 2014-11-17 | 2015-01-28 | 国家电网公司 | 一种微电网与大电网信息交互方法及装置 |
| CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
| CN107992959A (zh) * | 2017-04-26 | 2018-05-04 | 国网浙江省电力公司 | 一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 侯晓凯: "基于神经网络的多状态网络设备故障预测的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 李丽香: "一种新的基于蚂蚁混沌行为的群智能优化算法及其应用研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020125166A1 (zh) * | 2018-12-20 | 2020-06-25 | 北京科东电力控制系统有限责任公司 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
| CN112072634A (zh) * | 2019-06-10 | 2020-12-11 | 浙江大学城市学院 | 一种基于潮流嵌入技术的潮流计算方法 |
| CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
| CN111126846A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种架空输电线路差异化状态评价方法 |
| CN114548601A (zh) * | 2022-03-16 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 |
| CN115494346A (zh) * | 2022-09-30 | 2022-12-20 | 西安交通大学 | 一种针对线路不确定参数的多项式混沌展开故障定位方法及系统 |
| CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
| CN117233540B (zh) * | 2023-11-15 | 2024-02-20 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898249A (zh) | 一种电网故障预测方法 | |
| Mellit | Artificial Intelligence technique for modelling and forecasting of solar radiation data: a review | |
| Zhang et al. | A short-term traffic forecasting model based on echo state network optimized by improved fruit fly optimization algorithm | |
| CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| Zhu et al. | The prediction of PM2. 5 value based on ARMA and improved BP neural network model | |
| CN103942461B (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| Dong et al. | A learner based on neural network for cognitive radio | |
| CN107563122A (zh) | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 | |
| CN112086958B (zh) | 一种基于多步回溯强化学习算法的输电网扩展规划方法 | |
| CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
| CN108446808A (zh) | 一种萤火虫算法优化神经网络的短期负荷预测方法 | |
| CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
| CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN110334286A (zh) | 一种基于信任关系的个性化推荐方法 | |
| CN106779346A (zh) | 一种月度用电量的预测方法 | |
| Kaveh et al. | Feasibility of PSO-ANFIS-PSO and GA-ANFIS-GA models in prediction of peak ground acceleration | |
| CN107194460A (zh) | 金融时间序列预测的量子粒子群优化递归神经网络方法 | |
| Han et al. | Multi-step prediction for the network traffic based on echo state network optimized by quantum-behaved fruit fly optimization algorithm | |
| CN110570046B (zh) | 环境监测站点的选址方法及系统 | |
| TW200939055A (en) | Method for forecasting the future status of facility and equipment | |
| Chen et al. | A comparative study on multi-regression analysis and BP neural network of PM2. 5 index | |
| Hu | Research on application of BP neural network based on genetic algorithm in multi-objective optimization | |
| Pauzi et al. | Prediction on carbon dioxide emissions based on fuzzy rules |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181127 |
|
| WD01 | Invention patent application deemed withdrawn after publication |