CN109165807A - 一种基于概率神经网络的电能质量综合评估方法 - Google Patents
一种基于概率神经网络的电能质量综合评估方法 Download PDFInfo
- Publication number
- CN109165807A CN109165807A CN201810716329.6A CN201810716329A CN109165807A CN 109165807 A CN109165807 A CN 109165807A CN 201810716329 A CN201810716329 A CN 201810716329A CN 109165807 A CN109165807 A CN 109165807A
- Authority
- CN
- China
- Prior art keywords
- neural network
- probabilistic neural
- quality
- power quality
- energy quality
- 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 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 17
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 7
- 241001269238 Data Species 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012854 evaluation process Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007813 chromatographic assay Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于概率神经网络(PNN)的电能质量综合评估方法。借助概率神经网络适用于分类问题的特性,建立电能质量综合评估的概率神经网络模型;以6项电能质量指标构成输入向量,以5类电能质量等级作为输出向量,生成样本集对模型进行训练,并以训练好的模型对电能质量进行综合评估。该方法在评估过程不需要确定指标权重,避免了人为主观因素的影响,同时模型简单,对小样本和大样本电网电能质量数据都具有很好的适应能力,在电网电能质量综合评估中具有很好的应用前景。
Description
技术领域
本发明涉及电能质量监测和状态评估技术领域,具体地说涉及一种基于概率神经网络(PNN)的电能质量综合评估方法。
背景技术
随着电力电子技术和微电子技术的快速发展,电网中的负荷也在发生着变化,冲击性、非线性和不对称性负荷日益增多,致使电网电能质量日趋恶化。而电能质量的好坏直接影响着电力系统的安全运行和电力设备的正常工作。电力市场的发展也要求必须对电能质量进行客观准确地衡量。因此,研究科学合理的电能质量综合评估方法,对推动电能质量的综合治理和建立公平公正的电力市场有着重要意义。
我国根据电网实际运行情况制定了电压偏差、电压波动和闪变、公用电网谐波、三相电压不平衡、频率偏差等八项衡量电能质量的国家标准。如何综合多项指标对电能质量进行客观合理的评价成为研究热点。
近年来,电能质量综合评估技术层出不穷,比如:①将模糊集对分析方法引入到电能质量综合评估中,并运用灰色关联分析法处理层析分析法在确定指标权重时,受人为主观因素影响较大的问题。②提出了电能质量综合评估的理想解法,并采用熵值法对各指标权重进行客观赋值,避免了主观因素对指标权重的影响。③为解决理想解法在贴近度相等时无法区分电能质量优劣的问题,运用灰色关联度构造了新的贴近度指标,使评估结果更加合理。④建立了电能质量综合评估的变权物元可拓模型,采用变权法确定各指标权重,并从经典域、待评物元、最大隶属度准则三个方面进行改进,提高了评估的准确性。⑤为降低电能质量评估过程中的不确定性,提出了物元和证据理论相结合的评估模型,提高了评估结果的可靠性。⑥搭建了电能质量综合评估的投影寻踪插值模型及Shepard模型,并采用加速遗传算法进行优化,使评估结果更客观合理,但模型复杂,不适宜对大电网中大量评估对象进行统一评估。⑦采用加权秩和比法评估电能质量,并采用熵值法确定指标权重,降低了评估模型的复杂性和主观因素的影响。⑧对雷达图法进行了改进,利用雷达图的周长和面积评估电能质量,提高了评估方法的合理性。
由于概率神经网络学习过程简单、训练速度快;因此具有分类更准确,容错性好等优点,能很好地解决电能质量综合评估这一多类分类问题。
发明内容
本发明提供一种基于概率神经网络的电能质量综合评估方法。通过建立电能质量综合评估的概率神经网络模型,以电能质量各项指标为特征,对电能质量进行等级划分,并以此生成样本集对模型进行训练,以训练好的模型对电能质量进行综合评估。评估过程不需要确定指标权重,避免了人为主观因素的影响,同时模型简单,对小样本和大样本电网电能质量数据都具有很好的适应能力,在电网电能质量综合评估中具有很好的应用前景。
一种基于概率神经网络的电能质量综合评估方法,包括如下步骤:
(1)选择电能质量评估指标:选择国家颁布的电压偏差、电压波动、电压闪变、谐波畸变率、电压三相不平衡及频率偏差六项指标进行电能质量综合评估;
(2)电能质量等级划分:将电能质量划分为5个等级,即优质、良好、一般、较差、很差,并分别用数字1,2,3,4,5进行表示;
(3)建立电能质量综合评估概率神经网络样本集:依据电能质量的等级划分,建立概率神经网络样本集X{x1,x2,x3,x4,x5,x6,yi},其中,x1~x6为电能质量六项指标数据,yi为相应的等级类别;
(4)建立电能质量综合评估概率神经网络模型:采用随机抽样的方法抽取样本集中的70%作为训练集,余下30%作为测试集,对概率神经网络进行训练并进行测试;
(5)对待评估点进行电能质量综合评估:将待评估点的六项指标数据输入训练好的概率神经网络模型中,完成评估点的电能质量综合评估。
本发明与现有技术相比有如下优点:1)评估过程相对较快速。因为概率神经网络一次完成,不需要学习过程。2)增加或减少电能质量训练数据时,不需要重新进行长时间训练。3)只要电能质量综合评估训练数据足够且有效,无论训练矢量与目标类之间具有多么复杂的关系,概率神经网络都能够在Bayes准则下获得最优解,从而得到合理的评估结果。
附图说明
图1是本发明电能质量综合评估概率神经网络模型构成图。
图2是本发明基于概率神经网络的电能质量综合评估方法的流程示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行详细、完整地描述。
如图1所示,构成电能质量综合评估概率神经网络模型,采用衡量电能质量的电压偏差、电压波动、电压闪变、谐波畸变率、电压三相不平衡及频率偏差六项指标组成模型的输入向量,故输入层由6个神经元构成;模式层神经元的个数为训练样本数;因为电能质量被划分为五个等级,因此求和层由5个神经元构成,输出层由一个神经元构成,对应分类的类别。
结合图2,本发明实施基于概率神经网络的电能质量综合评估方法包括如下步骤:
(1)以国家颁布的电压偏差、电压波动、电压闪变、谐波畸变率、电压三相不平衡及频率偏差六项指标将电能质量划分为5个等级,即优质、良好、一般、较差、很差,并分别用数字1,2,3,4,5进行表示;
(2)依据电能质量的等级划分,建立概率神经网络样本集X{x1,x2,x3,x4,x5,x6,yi},其中,x1~x6为电能质量六项指标数据,yi为相应的等级类别;
(3)采用随机抽样的方法抽取样本集中的70%作为训练集,余下30%作为测试集,对概率神经网络进行训练并进行测试;
(4)将待评估点的六项指标数据组成向量,输入到训练好的概率神经网络模型中,完成评估点的电能质量综合评估。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于概率神经网络(PNN)的电能质量综合评估方法,其特征在于包括一下步骤:
(1)以国家颁布的电压偏差、电压波动、电压闪变、谐波畸变率、电压三相不平衡及频率偏差六项指标将电能质量划分为5个等级,即优质、良好、一般、较差、很差,并分别用数字1,2,3,4,5进行表示;
(2)依据电能质量的等级划分,建立概率神经网络样本集X{x1,x2,x3,x4,x5,x6,yi},其中,x1~x6为电能质量六项指标数据,yi为相应的等级类别;
(3)采用随机抽样的方法抽取样本集中的70%作为训练集,余下30%作为测试集,对概率神经网络进行训练并进行测试;
(4)将待评估点的六项指标数据组成向量,输入到训练好的概率神经网络模型中,完成评估点的电能质量综合评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716329.6A CN109165807A (zh) | 2018-07-03 | 2018-07-03 | 一种基于概率神经网络的电能质量综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716329.6A CN109165807A (zh) | 2018-07-03 | 2018-07-03 | 一种基于概率神经网络的电能质量综合评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165807A true CN109165807A (zh) | 2019-01-08 |
Family
ID=64897248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716329.6A Pending CN109165807A (zh) | 2018-07-03 | 2018-07-03 | 一种基于概率神经网络的电能质量综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165807A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084502A (zh) * | 2019-04-19 | 2019-08-02 | 国网安徽省电力有限公司 | 一种电能质量治理设备运行状态评估方法及装置 |
CN110417111A (zh) * | 2019-07-05 | 2019-11-05 | 北京中大科慧科技发展有限公司 | 一种电能质量检测方法 |
CN110598973A (zh) * | 2019-07-30 | 2019-12-20 | 北京信息科技大学 | 一种基于iap的绿色家具产品认证过程风险评价方法 |
CN113743452A (zh) * | 2021-07-21 | 2021-12-03 | 深圳供电局有限公司 | 电能质量评估方法及装置 |
CN113780888A (zh) * | 2021-09-28 | 2021-12-10 | 深圳供电局有限公司 | 一种电能质量综合评估方法 |
CN115081543A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、电能质量评估方法、装置、设备及介质 |
-
2018
- 2018-07-03 CN CN201810716329.6A patent/CN109165807A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084502A (zh) * | 2019-04-19 | 2019-08-02 | 国网安徽省电力有限公司 | 一种电能质量治理设备运行状态评估方法及装置 |
CN110417111A (zh) * | 2019-07-05 | 2019-11-05 | 北京中大科慧科技发展有限公司 | 一种电能质量检测方法 |
CN110598973A (zh) * | 2019-07-30 | 2019-12-20 | 北京信息科技大学 | 一种基于iap的绿色家具产品认证过程风险评价方法 |
CN113743452A (zh) * | 2021-07-21 | 2021-12-03 | 深圳供电局有限公司 | 电能质量评估方法及装置 |
CN113743452B (zh) * | 2021-07-21 | 2024-03-01 | 深圳供电局有限公司 | 电能质量评估方法及装置 |
CN113780888A (zh) * | 2021-09-28 | 2021-12-10 | 深圳供电局有限公司 | 一种电能质量综合评估方法 |
CN115081543A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、电能质量评估方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165807A (zh) | 一种基于概率神经网络的电能质量综合评估方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN111563682A (zh) | 一种配电自动化设备测试评价方法 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN106845777A (zh) | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 | |
CN104536881A (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN110175763A (zh) | 基于模糊评价模型的客观多属性决策电压质量评价方法 | |
CN110348665A (zh) | 一种低压台区电力系统数据质量评价方法及装置 | |
CN108549907A (zh) | 一种基于多源迁移学习的数据校验方法 | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN109003010A (zh) | 电网项目投资效益的评价方法 | |
CN111861234A (zh) | 电能表供应商综合服务能力评价方法 | |
CN110135760A (zh) | 一种基于变权理论模型的煤矿安全状态评价方法 | |
CN114971227A (zh) | 一种基于marcos方法的配电网设备风险评估方法 | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN114757392A (zh) | 基于博弈权重法的电网系统综合评价指标体系优化方法 | |
CN112990695B (zh) | 基于博弈dea-多目标决策的dg电能质量评估方法 | |
CN109063950B (zh) | 一种面向智能配电网可控性的动态时间弯曲关联评估方法 | |
CN110866694A (zh) | 一种电网建设项目财务评价系统及其方法 | |
CN111160719A (zh) | 两网融合的多指标评估方法 | |
Chen et al. | Research on Network Security Risk Assessment Model Based on Grey Language Variables |
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 |