CN109272190A - 一种基于动量bp神经网络的电力电缆状态评价方法 - Google Patents
一种基于动量bp神经网络的电力电缆状态评价方法 Download PDFInfo
- Publication number
- CN109272190A CN109272190A CN201810879144.7A CN201810879144A CN109272190A CN 109272190 A CN109272190 A CN 109272190A CN 201810879144 A CN201810879144 A CN 201810879144A CN 109272190 A CN109272190 A CN 109272190A
- Authority
- CN
- China
- Prior art keywords
- power cable
- momentum
- neural network
- layer
- weight
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000007547 defect Effects 0.000 claims description 16
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000010998 test method 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于动量BP神经网络的电力电缆状态评价方法,包括:建立引入动量因子的动量BP神经网络;采集多组电力电缆状态指标数据训练神经网络,通过神经网络的输出值、目标值、权重变化量和动量因子逐步调节神经网络的权重,使输出值和目标值间的误差达到全局最小;训练完成后,向动量BP神经网络输入待评估电力电缆状态指标数据,判定电力电缆运行状态。动量BP神经网络具有快速收敛性和全局误差最小性,可精准快速地建立电力电缆状态指标数据与评价结论间的映射关系,全面准确地评估电力电缆运行状态,为电缆运行和状态检修提供科学依据。
Description
技术领域
本发明涉及一种电力电缆状态评价方法,具体说是一种基于动量BP神经网络的电力电缆状态评价方法,属于电力设备诊断技术领域。
背景技术
随着城市建设对电网供电可靠性和美观性要求的提高,电缆获得越来越多的应用,线路的电缆化率成为衡量一座城市电网建设水平的重要标准。但电缆一般深埋地下,在长期运行过程中会由于外力、受潮、腐蚀、老化等原因造成不可逆转的损伤和缺陷,若不能及时准确地判定电缆运行状态,采取有效措施遏制状态恶化,则有可能引发潜在故障,对安全供电和优质电能造成威胁。
目前,国内电力电缆运行状态的评判主要依赖于绝缘电阻测试、离线局放测试以及带电检测等测试方法。这类方法都是通过获得某种特定数据来判定电缆是否存在缺陷、是否“健康”运行,作为评判依据的数据较为单一,往往只能评价电缆某一方面或局部是否存在缺陷,尚缺乏一种能将电缆各类试验数据和参数综合起来,全面分析电缆运行状态的方法。
近年来,计算机与人工智能的发展突飞猛进,神经网络以其优越的学习性能和自适应性能备受关注。这众多神经网络中,BP神经网络是目前应用最多的神经网络,它是一种基于误差逆传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。通过BP神经网络可以得到输入输出间的映射关系,而无需事前描述这种映射关系。在具备众多优点的同时,BP神经网络在学习过程中也存在易出现学习振荡,收敛速度缓慢,易陷入局部最小的缺点。为此,有学者提出了动量BP神经网络。相较传统BP神经网络,改进后的动量BP神经网络在权值计算上克服了传统BP神经网络只考虑误差梯度作用的不足,引入了误差曲面变化趋势和动量因子对权重的影响,即每个权重是由本次误差计算所得调整量、上一次权值调整值和动量因子共同决定的。这一改进相当于为权值调整附加了一个阻尼项,避免学习出现振荡现象,改善BP网络的收敛性,同时有效避免学习陷入局部最小值,造成错误。
动量BP神经网络具有优秀的收敛性能和全局误差最小性能,能够根据建模者需要,通过学习,精确建立多输入与多输出间的映射关系模型,被广泛应用于模式识别分类、智能控制、最优预测、信息处理、系统建模等众多领域,这也为电力电缆状态评价的实现提供了一种新的思路。
发明内容
本发明的目的在于解决目前电力电缆状态评判依据单一的不足,现有的评价方法只能对电缆某一方面或局部是否存在缺陷进行评价,缺少一种能将电缆各类试验数据和参数综合起来,全面分析电缆运行状态的方法,本发明提供一种电力电缆状态评价方法,该方法能够分析多种给定的电力电缆运行数据,准确评估电力电缆运行状态,为状态检修提供依据。
本发明的基于动量BP神经网络的电力电缆状态评价方法是通过以下技术方案实现的:
一种基于动量BP神经网络的电力电缆状态评价方法,其特殊之处在于:包括以下步骤:
第一步:建立引入动量因子的三层动量BP神经网络;
第二步:训练动量BP神经网络
采集多组电力电缆状态指标数据输入第一步建立的三层动量BP神经网络训练神经网络,通过神经网络的输出值、目标值、权重变化量和动量因子逐步调节神经网络的权重,使输出值和目标值间的误差达到全局最小,即训练完成;
第三步:电力电缆运行状态判定
利用第二步训练好的动量BP神经网络,输入待评估电力电缆状态指标数据,即可判定电力电缆运行状态;
所述第一步中:建立三层动量BP神经网络,具体操作如下:
选取n个评价电力电缆状态的指标作为输入层,用X={x1,x2,x3,...,xn}表示;输出层含2个输出节点,输出电力电缆状态评价结果Z=[z1,z2],Z有四种状态,Z=[0,0]代表正常状态,Z=[1,0]代表一般缺陷,Z=[0,1]代表严重缺陷,Z=[1,1]代表危急缺陷;建立m个隐含层节点;其中,输入层与隐含层、隐含层与输出层、输入层与输出层的关系分别如式A-C所示:
其中,aji为第i个输入层节点与第j个隐含层节点间的连接权值,bj0为第j个隐含层节点的阈值,f是隐含层节点的状态函数,μj为第j个隐含层节点的输出值,ckj为第j个隐含层节点与第k个输出层节点间的连接权值,dk0为第k个输出层节点的阈值,g是输出层的分类函数,zk是第k个输出层节点的输出值;
所述第二步中:训练动量BP神经网络,具体操作如下:
选取多组电力电缆状态指标数据与评价目标值,对神经网络进行训练,共训练p次:
1)在第q次训练中(q∈[1,p]),电力电缆状态数据输入动量BP神经网络后计算所得网络输出值Z(q)与评价目标值T(q)的误差Eq:
其中,tk(q)为第q次训练所用电力电缆状态数据对应的预期目标值T(q)=[t1(q),t2(q)]中第k个输出层节点的预期目标值,zk(q)为第q次训练中电力电缆状态数据输入网络后得到的输出值Z(q)=[z1(q),z2(q)]中第k个输出层节点的输出值(k∈[1,2]);
2)根据误差E(q)、第q步的权值aji(q)和ckj(q)、动量因子mc调整权值,可计算出第q+1步的权值aji(q+1)和ckj(q+1):
aji(q+1)=aji(q)+Δaji(q) G
ckj(q+1)=ckj(q)+Δckj(q) H
其中,Δaji(q)和Δckj(q)分别为第q+1步开始前aji(q)和ckj(q)应调整的变化量;Δaji(q-1)和Δckj(q-1)分别为第q步开始前,第q-1步权值aji(q-1)和ckj(q-1)应调整的变化量;mc为动量因子,一般取0~1之间的数值;η为权值的调节步长;
3)完成p次训练后,计算所得第p+1步的权值aji(p+1)和ckj(q+1)即为动量BP神经网络的最终权值,至此,电力电缆状态评价神经网络建立完成;
所述第三步中:电力电缆运行状态判定,具体操作如下:
向训练好的动量BP神经网络输入待评价电力电缆的状态指标数据X0={x10,x20,x30,...,xn0},根据式A~C和通过训练确定的最终权值,计算电力电缆运行状态Z0=[z10,z20]。
与现有技术相比本发明的有益效果是:
与传统利用绝缘电阻测试、离线局放测试、带电检测等通过获取某种数据来检查电力电缆某一方面或局部运行状态的方法相比,本发明充分利用电力电缆各方面指标数据,通过引入动量因子的动量BP神经网络自适应学习,快速收敛并寻找到多种电力电缆状态指标数据与评价结论间的最优映射关系,建立电力电缆状态评价模型,将各类独立的电力电缆试验数据和参数综合起来,全面准确地评估电力电缆运行状态,为电缆运行和状态检修提供科学依据。
附图说明
图1:本发明电力电缆状态评价方法流程图;
图2:本发明三层动量BP神经网络示意图;
图3:本发明电力电缆评价指标体系。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1。一种电力电缆状态评价方法,包括以下步骤:
第一步:建立引入动量因子的三层动量BP神经网络;
1)、建立一个引入动量因子的三层动量BP神经网络,如图2所示,分别包括输入层、隐含层和输出层。输入层输入评价电力电缆状态的指标数据,输出层输出评价结果。
2)、选取电力电缆状态评价指标
选取n个评价电力电缆状态的指标作为输入层,用X={x1,x2,x3,...,xn}表示。
在选取电力电缆状态评价指标时主要考虑两方面因素:一是用尽可能多的指标全面评价电力电缆运行状态;二是指标在日常工作中的可监测性和神经网络训练的可操作性。
电力电缆评价指标可根据其作用原理的不同分为内部因素和外部因素两种,如图3所示。内部因素包括例行试验(绝缘电阻、泄漏电流、局部放电量),带电检测(电缆接头温度、电缆终端温度、外护套接地电流、超声波局部放电量),历史数据(运行年限、故障情况);外部因素包括线路负荷、运行环境(温度、湿度、防火)。本评价指标体系仅为推荐参考,在实际使用时可根据所获数据的不同进行训练。
3)、定义电力电缆状态评价结果
输出层共含2个节点,输出电力电缆状态评价结果Z=[z1,z2]。根据每个节点输出状态的不同将评价结果分为四种,分别是Z=[0,0]代表正常状态,Z=[1,0]代表一般缺陷,Z=[0,1]代表严重缺陷,Z=[1,1]代表危急缺陷。
第二步:训练动量BP神经网络
采集多组电力电缆状态指标数据输入第一步建立的三层动量BP神经网络训练神经网络,通过神经网络的输出值、目标值、权重变化量和动量因子逐步调节神经网络的权重,使输出值和目标值间的误差达到全局最小,即训练完成;
1)选取训练样本
按照建立好的状态评价指标体系和状态评价结果含义,选取多组电力电缆状态指标数据和评价目标值作为训练样本,训练动量BP神经网络。
选取样本时应注意:a.所选取训练样本指标数据应能充分全面体现电力电缆的正常、一般缺陷、严重缺陷和危急缺陷四种状态,不可出现某一种电力电缆状态下的指标数据缺失情况,以免因数据缺失造成神经网络调整错误;b.训练样本组数的选取不应过少或过多,过少会因数据选取的随机性为神经网络带来较大误差,过多会增加不必要的计算量,一般推荐选择200组左右的指标数据训练神经网络;c.在训练时,也可根据误差进行多轮训练,即先选则100~200组左右的指标数据训练神经网络,待这一轮训练完成后,用10~20组新的指标数据和评价目标值作为测试样本,测试神经网络评价误差,若误差符合预期,则证明神经网络已训练完成,若误差不符合预期,则需在本轮神经网络训练的基础上,继续选取新的训练样本开始新一轮的训练,直至误差满足预期。
2)训练动量BP神经网络
将选取好的训练样本按下述步骤输入动量BP神经网络进行训练,假设样本含有p组指标数据和评价目标值,训练p次:
a.在训练开始前,分别为动量BP神经网络输入层到隐含层、隐含层到输出层的连接权值和阈值赋予初值,然后用第一组到第p组指标数据和评价目标值依次训练;
b.在第q次训练中(q∈[1,p]),电力电缆状态数据输入动量BP神经网络后,隐含层和输出层的输出分别如式A-C所示:
其中,aji为第i个输入层节点与第j个隐含层节点间的连接权值,bj0为第j个隐含层节点的阈值,f是隐含层节点的状态函数,μj为第j个隐含层节点的输出值,ckj为第j个隐含层节点与第k个输出层节点间的连接权值,dk0为第k个输出层节点的阈值,g是输出层的分类函数,zk是第k个输出层节点的输出值;
c.通过步骤b计算可得动量BP神经网络输出值Z(q)与评价目标值T(q)的误差Eq:
其中,tk(q)为第q次训练所用电力电缆状态数据对应的预期目标值T(q)=[t1(q),t2(q)]中第k个输出层节点的预期目标值,zk(q)为第q次训练中电力电缆状态数据输入网络后得到的输出值Z(q)=[z1(q),z2(q)]中第k个输出层节点的输出值(k∈[1,2]);
d.根据误差E(q)、第q步的权值aji(q)和ckj(q)、动量因子mc调整权值,可计算出第q+1步的权值aji(q+1)和ckj(q+1):
aji(q+1)=aji(q)+Δaji(q) G
ckj(q+1)=ckj(q)+Δckj(q) H
其中,Δaji(q)和Δckj(q)分别为第q+1步开始前aji(q)和ckj(q)应调整的变化量;Δaji(q-1)和Δckj(q-1)分别为第q步开始前,第q-1步权值aji(q-1)和ckj(q-1)应调整的变化量;mc为动量因子,一般取0~1之间的数值;η为权值的调节步长;
由式E~H可以看出,动量BP神经网络在调整权值时,同时考虑了误差梯度和误差曲面变化趋势对修正权值的作用,同时引入了一个动量因子,使每个权重的变化由本次误差计算所得调整量、上一次权值调整值和动量因子共同决定,这样的改进可有效避免学习出现振荡,改善BP网络收敛特性,同时可有效避免学习陷入局部最小值,提高准确度;
e.完成p次训练后,计算所得第p+1步的权值aji(p+1)和ckj(q+1)即为动量BP神经网络的最终权值,至此,电力电缆状态评价神经网络建立;
第三步:电力电缆运行状态判定
向训练好的动量BP神经网络输入待评价电力电缆的状态指标数据X0={x10,x20,x30,...,xn0},根据式A~C和通过训练确定的最终权值,计算电力电缆运行状态Z0=[z10,z20]。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于动量BP神经网络的电力电缆状态评价方法,其特征在于:包括以下步骤:
第一步:建立引入动量因子的三层动量BP神经网络;
第二步:训练动量BP神经网络
采集多组电力电缆状态指标数据输入第一步建立的三层动量BP神经网络训练神经网络,通过神经网络的输出值、目标值、权重变化量和动量因子逐步调节神经网络的权重,使输出值和目标值间的误差达到全局最小,即训练完成;
第三步:电力电缆运行状态判定
利用第二步训练好的动量BP神经网络,输入待评估电力电缆状态指标数据,即可判定电力电缆运行状态。
2.根据权利要求1所述一种基于动量BP神经网络的电力电缆状态评价方法,其特征在于:所述第一步中:建立三层动量BP神经网络,具体操作如下:
选取n个评价电力电缆状态的指标作为输入层,用X={x1,x2,x3,...,xn}表示;输出层含2个输出节点,输出电力电缆状态评价结果Z=[z1,z2],Z有四种状态,Z=[0,0]代表正常状态,Z=[1,0]代表一般缺陷,Z=[0,1]代表严重缺陷,Z=[1,1]代表危急缺陷;建立m个隐含层节点;其中,输入层与隐含层、隐含层与输出层、输入层与输出层的关系分别如式A-C所示:
其中,aji为第i个输入层节点与第j个隐含层节点间的连接权值,bj0为第j个隐含层节点的阈值,f是隐含层节点的状态函数,μj为第j个隐含层节点的输出值,ckj为第j个隐含层节点与第k个输出层节点间的连接权值,dk0为第k个输出层节点的阈值,g是输出层的分类函数,zk是第k个输出层节点的输出值。
3.根据权利要求1或2所述一种基于动量BP神经网络的电力电缆状态评价方法,其特征在于:所述第二步中:训练动量BP神经网络,具体操作如下:
选取多组电力电缆状态指标数据与评价目标值,对神经网络进行训练,共训练p次:
1)在第q次训练中(q∈[1,p]),电力电缆状态数据输入动量BP神经网络后计算所得网络输出值Z(q)与评价目标值T(q)的误差Eq:
其中,tk(q)为第q次训练所用电力电缆状态数据对应的预期目标值T(q)=[t1(q),t2(q)]中第k个输出层节点的预期目标值,zk(q)为第q次训练中电力电缆状态数据输入网络后得到的输出值Z(q)=[z1(q),z2(q)]中第k个输出层节点的输出值(k∈[1,2]);
2)根据误差E(q)、第q步的权值aji(q)和ckj(q)、动量因子mc调整权值,可计算出第q+1步的权值aji(q+1)和ckj(q+1):
aji(q+1)=aji(q)+Δaji(q) G
ckj(q+1)=ckj(q)+Δckj(q) H
其中,Δaji(q)和Δckj(q)分别为第q+1步开始前aji(q)和ckj(q)应调整的变化量;Δaji(q-1)和Δckj(q-1)分别为第q步开始前,第q-1步权值aji(q-1)和ckj(q-1)应调整的变化量;mc为动量因子,一般取0~1之间的数值;η为权值的调节步长;
3)完成p次训练后,计算所得第p+1步的权值aji(p+1)和ckj(q+1)即为动量BP神经网络的最终权值,至此,电力电缆状态评价神经网络建立完成。
4.根据权利要求1或2所述一种基于动量BP神经网络的电力电缆状态评价方法,其特征在于:所述第三步中:电力电缆运行状态判定,具体操作如下:
向训练好的动量BP神经网络输入待评价电力电缆的状态指标数据X0={x10,x20,x30,...,xn0},根据式A~C和通过训练确定的最终权值,计算电力电缆运行状态Z0=[z10,z20]。
5.根据权利要求3所述一种基于动量BP神经网络的电力电缆状态评价方法,其特征在于:所述第三步中:电力电缆运行状态判定,具体操作如下:
向训练好的动量BP神经网络输入待评价电力电缆的状态指标数据X0={x10,x20,x30,...,xn0},根据式A~C和通过训练确定的最终权值,计算电力电缆运行状态Z0=[z10,z20]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879144.7A CN109272190A (zh) | 2018-08-03 | 2018-08-03 | 一种基于动量bp神经网络的电力电缆状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879144.7A CN109272190A (zh) | 2018-08-03 | 2018-08-03 | 一种基于动量bp神经网络的电力电缆状态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272190A true CN109272190A (zh) | 2019-01-25 |
Family
ID=65153066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810879144.7A Pending CN109272190A (zh) | 2018-08-03 | 2018-08-03 | 一种基于动量bp神经网络的电力电缆状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272190A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856515A (zh) * | 2019-03-20 | 2019-06-07 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种直流电缆绝缘状态判断方法及系统 |
CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
CN112905436A (zh) * | 2021-04-25 | 2021-06-04 | 中航机载系统共性技术有限公司 | 一种面向复杂软件的质量评估预测方法 |
CN113341698A (zh) * | 2021-06-17 | 2021-09-03 | 仲恺农业工程学院 | 基于神经网络调节双腿关节角的仿人机器人步行控制方法 |
CN113449914A (zh) * | 2021-06-25 | 2021-09-28 | 国网山东省电力公司梁山县供电公司 | 一种电力系统监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN102983819A (zh) * | 2012-11-08 | 2013-03-20 | 南京航空航天大学 | 一种功率放大器的模拟方法及功率放大器模拟装置 |
-
2018
- 2018-08-03 CN CN201810879144.7A patent/CN109272190A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
CN102983819A (zh) * | 2012-11-08 | 2013-03-20 | 南京航空航天大学 | 一种功率放大器的模拟方法及功率放大器模拟装置 |
Non-Patent Citations (2)
Title |
---|
于亚丽 等: "水电设备运行状态的BP神经网络评估法", 《水电与新能源》 * |
周惠芳 等: "一种改进的BP神经网络", 《自动化技术与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856515A (zh) * | 2019-03-20 | 2019-06-07 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种直流电缆绝缘状态判断方法及系统 |
CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
CN111798095B (zh) * | 2020-05-29 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 一种基于神经网络电力电缆状态评价方法 |
CN112905436A (zh) * | 2021-04-25 | 2021-06-04 | 中航机载系统共性技术有限公司 | 一种面向复杂软件的质量评估预测方法 |
CN112905436B (zh) * | 2021-04-25 | 2023-10-27 | 中航机载系统共性技术有限公司 | 一种面向复杂软件的质量评估预测方法 |
CN113341698A (zh) * | 2021-06-17 | 2021-09-03 | 仲恺农业工程学院 | 基于神经网络调节双腿关节角的仿人机器人步行控制方法 |
CN113449914A (zh) * | 2021-06-25 | 2021-09-28 | 国网山东省电力公司梁山县供电公司 | 一种电力系统监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272190A (zh) | 一种基于动量bp神经网络的电力电缆状态评价方法 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN108680890A (zh) | 智能电能表寿命特征检测方法 | |
CN110516837A (zh) | 一种基于ai的智能化诊断方法、系统及装置 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN104777410A (zh) | 交联聚乙烯电缆局部放电模式识别方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN108304685A (zh) | 一种非线性退化设备剩余寿命预测方法及系统 | |
CN106780108A (zh) | 一种基于改进证据推理融合的配电变压器状态评估方法 | |
CN104599193A (zh) | 一种基于规则库的配电网单相接地故障定位方法 | |
CN108090615A (zh) | 基于交叉熵集成学习的电力系统故障后最低频率预测方法 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN110146813A (zh) | 一种分散式风电机组电能质量测试方法 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN110210690B (zh) | 一种配电系统微型同步相量测量单元优化配置方法 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
CN105514978B (zh) | 一种混合整数二次规划形式的抗差状态估计方法 | |
CN104332984B (zh) | 一种基于类噪声的节点电压相互影响因子的在线辨识方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN104866715A (zh) | 基于自适应核密度估计的电力系统抗差状态估计方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |