CN109376850A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109376850A CN109376850A CN201811440318.6A CN201811440318A CN109376850A CN 109376850 A CN109376850 A CN 109376850A CN 201811440318 A CN201811440318 A CN 201811440318A CN 109376850 A CN109376850 A CN 109376850A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- improved
- state estimation
- learning rate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000001105 regulatory effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013144 data compression Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000012937 correction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于改进BP神经网络状态估计中不良数据的检测方法，涉及电力系统状态估计技术领域。该方法首先对传统的BP神经网络进行改进，然后将电力系统状态估计中的良好数据输入到改进的BP神经网络中，对改进的BP神经网络进行训练；再通过训练好的改进BP神经网络模型，筛选出电力系统中的可疑数据集；最后利用传统的四分位数法检测和辨识电力系统中的不良数据。本发明提供的基于改进BP神经网络状态估计中不良数据的检测方法，采用改进的BP神经网络能够更好的对电力系统状态估计中所得数据进行检测和辨识，同时能够缩短检测数据的时间，有效的剔除不良数据，提高状态估计中数据的精度。
Description
技术领域
本发明涉及电力系统状态估计技术领域，尤其涉及一种基于改进BP神经网络状态估计中不良数据的检测方法。
背景技术
对电力系统状态估计中的数据进行检测和辨识是状态估计中数据处理最基本的环节，如何准确实时的对数据进行检测和辨识，是电力系统状态估计的关键所在。目前，BP神经网络已经广泛应用于数据处理领域，成为智能处理数据的基础平台。BP神经网络是一种按误差反向传播的前馈神经网络。神经网络由输入层、隐含层、输出层构成。神经网络的每一层由各层神经元的节点组成，每一个神经元节点都与上一层所有节点相连。上一层的输出数据为下一层的输入数据，原始输入数据通过隐含层计算得到输出层的输入数据，然后通过输出层计算得出输出数据。
神经网络的训练核心在于误差的反向传播过程，其目的是为了调整权值，使误差不断减小，最速下降法为传统BP神经网络的调整原则，其具体的修正公式为：
输出层权值修正公式：wjk(n+1)＝wjk(n)+Δwjk(n)
输出层阈值修正公式：
隐含层权值修正公式：wij(n+1)＝wij(n)+Δwij(n)
隐含层阈值修正公式：
然而BP神经网络训练时间过长，训练结果不易收敛，对状态估计中的数据进行处理仍然存在着不小的难题。
目前传统BP神经网络主要存在三个缺点，首先，传统的激活函数为Sigmoid函数，当输入量过小时，调整容易进入一个饱和区，使得更新缓慢，甚至没有更新；其次，参数调整量的计算精度比较低，收敛速度也比较慢，容易受到其他不稳定因素的影响，不易求得最优解；最后，学习速率一般设置定值，此定值过大或过小时，都不利于得出最终结果。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进BP神经网络状态估计中不良数据的检测方法，克服电力系统状态估计中对不良数据进行检测与辨识时BP神经网络训练时间过长，且精度较低的问题，实现对电力系统状态估计中不良数据的检测。
为解决上述技术问题，本发明所采取的技术方案是：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，包括以下步骤：
步骤1、对传统的BP神经网络进行改进，选择新的激活函数并增加调节因子、增加动量项和偏置调整、对学习速率的迭代参数进行动态调整，具体方法为：
步骤1.1、选择新的激活函数并为其增加调节因子；
采用如下公式所示的函数作为BP神经网络的激活函数：
f(x)＝2sigmoid(2x)-1
该函数把数据压缩在区间(-1，1)内，当输入数据过大或过小的时候，不会导致神经网络的互联神经元之间的权值没有更新；
为BP神经网络的激活函数增加调节因子，增加调节因子后的激活函数如下公式所示：
其中，λ为激活函数的调节因子；
步骤1.2、利用迭代法对BP神经网络的参数调整量进行计算，增加动量项和偏置调整；
所述采用迭代算法计算BP神经网络的参数调整量的调整公式如下所示：
Δw(t)＝ηg(t)+αΔw(t-1)+β
其中，Δw(t)为第t次计算的参数调整量，η为学习率，Δw(t-1)为第t-1次计算的参数调整量，g(t)为第t次迭代所计算出的梯度，α为动量调整系数，α∈(0，1)，β为参数调整的偏置调整量；
步骤1.3、对BP神经网络的学习速率的迭代参数进行动态调整；
所述BP神经网络的学习速率的调整公式如下所示：
η(t)＝β(t)η(t-1)
其中，β(t)为第t次迭代时的学习速率动态调整参数，η(t)为第t次迭代时的学习速率，η(t-1)为第t-1次迭代时的学习速率；
采用梯度下降法对BP神经网络进行训练时，当梯度沿同一方向变化时，梯度变化量小，学习速率小，需适当提升学习速率；当梯度沿不同方向变化时，梯度变化量大，学习速率大，需适当降低学习速率；学习速率的迭代参数动态调整的表达式如下公式所示：
步骤2、将电力系统状态估计中的良好数据输入到改进的BP神经网络中，对改进的BP神经网络进行训练，在每次训练后返回一个误差值，具体方法为：
所述BP神经网络的训练包括向传播和反向传播，通过前向传播得到系统总误差，利用反向传播将误差分配给互联的神经元之间，以此来调节互联神经元之间的权值和偏置，具体为：
(1)计算电力系统的总误差：
其中，Etotal为电力系统的总误差，Ytarget为电力系统的目标输出值，Youtput为电力系统的实际输出值；
(2)计算电力系统的总误差在改进的BP神经网络中每层神经元的分配误差，如下公式所示：
其中，Δwij为改进的BP神经网络的输入层和隐含层之间的权值，ΔYm为电力系统的目标输出值与实际输出值的差值，ξ为电力系统总误差分配在Δwij上的误差，Qj为隐含层神经元的输出值，如下公式所示：
其中，Δαj为输入层到隐含层的偏置，其由上一次训练的偏置和隐含层的输出值决定；
(3)将相邻两次训练返回的电力系统总误差分配在Δwij上的误差做差，当差的绝对值小于人为界定的一个阈值ε0时，即|ξ(t+1)-ξ(t)|＜ε0时，改进的BP神经网络训练完成；
步骤3、通过训练好的改进BP神经网络模型，筛选出电力系统中的可疑数据集；
将电力系统中的PMU和SCADA采集的数据输入到训练好的改进BP神经网络模型中，每次输入数据时都会在输入层神经元返回一个相应的误差ξ′，当|ξ′|＞ψ时，ψ为界定可疑数据的阈值，该数据被定义为可疑数据，并将其存入可疑数据集合中；
步骤4、利用传统的四分位数法检测和辨识电力系统中的不良数据；
利用传统的四分位数法对可疑数据集合中的数据进行逐一判定，检测出不良数据并剔除，将剩余的数据归到良好的数据集合中，完成电力系统状态估计中不良数据的检测，从而提高电力系统状态估计中数据的准确度，从而提高状态估计的精度。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于改进BP神经网络状态估计中不良数据的检测方法，通过对BP神经网络学习速率的迭代参数进行动态调整，可以加快网络的收敛速度，缩短训练时间，提高网络的精度。采用改进的BP神经网络能够更好的对电力系统状态估计中所得数据进行检测和辨识，同时能够缩短检测数据的时间，有效的剔除不良数据，提高状态估计中数据的精度。
附图说明
图1为本发明实施例提供的一种基于改进BP神经网络状态估计中不良数据的检测方法的流程图；
图2为本发明实施例提供的传统的BP神经网络的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以某电力系统状态估计的数据为例，使用本发明的基于改进BP神经网络状态估计中不良数据的检测方法对这些数据中的不良数据进行检测。
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，如图1所示，包括以下步骤：
步骤1、对如图2所示的传统的BP神经网络进行改进，选择新的激活函数并增加调节因子、增加动量项和偏置调整、对学习速率的迭代参数进行动态调整，具体方法为：
步骤1.1、选择新的激活函数并为其增加调节因子；
BP神经网络一般采用Sigmoid函数作为激励函数，本发明采用如下公式所示的函数作为BP神经网络的激活函数：
f(x)＝2sigmoid(2x)-1
该函数把数据压缩在区间(-1，1)内，当输入数据过大或过小的时候，不会导致神经网络的互联神经元之间的权值没有更新；
对BP神经网络各层神经元的权值和输出层的阈值进行调整时，调整容易进入一个饱和区间，使得权值更新速度缓慢，甚至没有更新。给激活函数加入调节因子，使神经元的输入得到一定程度的压缩，使其可以退出激活函数的饱和区间；误差函数和权重得到有效的改变，使其脱离饱和区。
为BP神经网络的激活函数增加调节因子，增加调节因子后的激活函数如下公式所示：
其中，λ为激活函数的调节因子；
步骤1.2、利用迭代法对BP神经网络的参数调整量进行计算，增加动量项和偏置调整；
采用迭代算法计算BP神经网络的参数调整量的调整公式如下所示：
Δw(t)＝ηg(t)+αΔw(t-1)+β
其中，Δw(t)为第t次计算的参数调整量，η为学习率，Δw(t-1)为第t-1次计算的参数调整量，g(t)为第t次迭代所计算出的梯度，α为动量调整系数，α∈(0，1)，β为参数调整的偏置调整量；
用迭代法对BP神经网络的参数调整量进行计算的原理主要是，通过上一时刻的权值来提高此时刻权值的更新速度，同时增加BP神经网络学习的稳定性和可靠性，还可以使BP神经网络模型排除一些不稳定因素的影响，提高正确率和准确率。增加的动量调整项代表了原来梯度改变的大小和方向对当前梯度变化造成的影响，偏置调整量可以有效提高计算的精度。
步骤1.3、对BP神经网络的学习速率的迭代参数进行动态调整；
当神经网络的权值变化量较大时，学习率会变大，会使得最终的结果产生振荡；当权值变化量较小时，学习率会相应的变小，会使得收敛速度变慢，不利于最终结果的收敛。下一时刻的学习速率由上一时刻的学习速率决定，人为设定一个固定的学习速率会对最终的结果产生影响，因此对学习速率的调整参数进行动态自适应性变化。迭代参数动态变化可以有效的提高学习速率精确度和收敛速度，加快神经网络模型的训练速度。
所述BP神经网络的学习速率的调整公式如下所示：
η(t)＝β(t)η(t-1)
其中，β(t)为第t次迭代时的学习速率动态调整参数，η(t)为第t次迭代时的学习速率，η(t-1)为第t-1次迭代时的学习速率；
采用梯度下降法对BP神经网络进行训练时，当梯度沿同一方向变化时，梯度变化量小，学习速率小，需适当提升学习速率；当梯度沿不同方向变化时，梯度变化量大，学习速率大，需适当降低学习速率；学习速率的迭代参数动态调整的表达式如下公式所示：
步骤2、将电力系统状态估计中的良好数据输入到改进的BP神经网络中，对改进的BP神经网络进行训练，在每次训练后返回一个误差值，具体方法为：
BP神经网络的训练包括向传播和反向传播，通过前向传播得到系统总误差，利用反向传播将误差分配给互联的神经元之间，以此来调节互联神经元之间的权值和偏置，具体为：
(1)计算电力系统的总误差：
其中，Etotal为电力系统的总误差，Ytarget为电力系统的目标输出值，Youtput为电力系统的实际输出值；
(2)计算电力系统的总误差在改进的BP神经网络中每层神经元的分配误差，如下公式所示：
其中，Δwij为改进的BP神经网络的输入层和隐含层之间的权值，ΔYm为电力系统的目标输出值与实际输出值的差值，ξ为电力系统总误差分配在Δwij上的误差，Qj为隐含层神经元的输出值，如下公式所示：
其中，Δαj为输入层到隐含层的偏置，其由上一次训练的偏置和隐含层的输出值决定；
将相邻两次训练返回的电力系统总误差分配在Δwij上的误差做差，当差的绝对值小于人为界定的一个阈值ε0时，即|ξ(t+1)-ξ(t)|＜ε0时，改进的BP神经网络训练完成。
步骤3、通过训练好的改进BP神经网络模型，筛选出电力系统中的可疑数据集；
将电力系统中的PMU和SCADA采集的数据输入到训练好的改进BP神经网络模型中，每次输入数据时都会在输入层神经元返回一个相应的误差ξ’，当|ξ′|＞ψ时，ψ为界定可疑数据的阈值，该数据被定义为可疑数据，并将其存入可疑数据集合中；
步骤4、利用传统的四分位数法检测和辨识电力系统中的不良数据；
利用传统的四分位数法对可疑数据集合中的数据进行逐一判定，检测出不良数据并剔除，将剩余的数据归到良好的数据集合中，完成电力系统状态估计中不良数据的检测，从而提高电力系统状态估计中数据的准确度，从而提高状态估计的精度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种基于改进BP神经网络状态估计中不良数据的检测方法，其特征在于：包括以下步骤：
步骤1、对传统的BP神经网络进行改进，选择新的激活函数并增加调节因子、增加动量项和偏置调整、对学习速率的迭代参数进行动态调整；
步骤2、将电力系统状态估计中的良好数据输入到改进的BP神经网络中，对改进的BP神经网络进行训练，在每次训练后返回一个误差值；
步骤3、通过训练好的改进BP神经网络模型，筛选出电力系统中的可疑数据集；
步骤4、利用传统的四分位数法检测和辨识电力系统中的不良数据。
2.根据权利要求1所述的一种基于改进BP神经网络状态估计中不良数据的检测方法，其特征在于：所述步骤1的具体方法为：
步骤1.1、选择新的激活函数并为其增加调节因子；
采用如下公式所示的函数作为BP神经网络的激活函数：
f(x)＝2sigmoid(2x)-1
该函数把数据压缩在区间(-1，1)内，当输入数据过大或过小的时候，不会导致神经网络的互联神经元之间的权值没有更新；
为BP神经网络的激活函数增加调节因子，增加调节因子后的激活函数如下公式所示：
其中，λ为激活函数的调节因子；
步骤1.2、利用迭代法对BP神经网络的参数调整量进行计算，增加动量项和偏置调整；
所述采用迭代算法计算BP神经网络的参数调整量的调整公式如下所示：
Δw(t)＝ηg(t)+αΔw(t-1)+β
其中，Δw(t)为第t次计算的参数调整量，η为学习率，Δw(t-1)为第t-1次计算的参数调整量，g(t)为第t次迭代所计算出的梯度，α为动量调整系数，α∈(0，1)，β为参数调整的偏置调整量；
步骤1.3、对BP神经网络的学习速率的迭代参数进行动态调整；
所述BP神经网络的学习速率的调整公式如下所示：
η(t)＝β(t)η(t-1)
其中，β(t)为第t次迭代时的学习速率动态调整参数，η(t)为第t次迭代时的学习速率，η(t-1)为第t-1次迭代时的学习速率；
采用梯度下降法对BP神经网络进行训练时，当梯度沿同一方向变化时，梯度变化量小，学习速率小，需适当提升学习速率；当梯度沿不同方向变化时，梯度变化量大，学习速率大，需适当降低学习速率；学习速率的迭代参数动态调整的表达式如下公式所示：
3.根据权利要求2所述的一种基于改进BP神经网络状态估计中不良数据的检测方法，其特征在于：所述步骤2的具体方法为：
所述BP神经网络的训练包括向传播和反向传播，通过前向传播得到系统总误差，利用反向传播将误差分配给互联的神经元之间，以此来调节互联神经元之间的权值和偏置，具体为：
(1)计算电力系统的总误差：
其中，Etotal为电力系统的总误差，Ytarget为电力系统的目标输出值，Youtput为电力系统的实际输出值；
(2)计算电力系统的总误差在改进的BP神经网络中每层神经元的分配误差，如下公式所示：
其中，Δwij为改进的BP神经网络的输入层和隐含层之间的权值，ΔYm为电力系统的目标输出值与实际输出值的差值，ξ为电力系统总误差分配在Δwij上的误差，Qj为隐含层神经元的输出值，如下公式所示：
其中，Δαj为输入层到隐含层的偏置，其由上一次训练的偏置和隐含层的输出值决定；
(3)将相邻两次训练返回的电力系统总误差分配在Δwij上的误差做差，当差的绝对值小于人为界定的一个阈值ε0时，即|ξ(t+1)-ξ(t)|＜ε0时，改进的BP神经网络训练完成。
4.根据权利要求1所述的一种基于改进BP神经网络状态估计中不良数据的检测方法，其特征在于：所述步骤3的具体方法为：
将电力系统中的PMU和SCADA采集的数据输入到训练好的改进BP神经网络模型中，每次输入数据时都会在输入层神经元返回一个相应的误差ξ，当|ξ|＞ψ时，ψ为界定可疑数据的阈值，该数据被定义为可疑数据，并将其存入可疑数据集合中。
5.根据权利要求1所述的一种基于改进BP神经网络状态估计中不良数据的检测方法，其特征在于：所述步骤4的具体方法为：
利用传统的四分位数法对可疑数据集合中的数据进行逐一判定，检测出不良数据并剔除，将剩余的数据归到良好的数据集合中，完成电力系统状态估计中不良数据的检测，从而提高电力系统状态估计中数据的准确度，从而提高状态估计的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811440318.6A CN109376850A (zh) | 2018-11-29 | 2018-11-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811440318.6A CN109376850A (zh) | 2018-11-29 | 2018-11-29 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109376850A true CN109376850A (zh) | 2019-02-22 |
Family
ID=65374625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811440318.6A Pending CN109376850A (zh) | 2018-11-29 | 2018-11-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376850A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
| 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 |
| CN110889330A (zh) * | 2019-10-30 | 2020-03-17 | 西北工业大学 | 一种基于bp神经网络的老年人摔倒检测方法及系统 |
| CN111553562A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种基于改进的bp神经网络船舶碰撞危险度估算方法 |
| CN112016248A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种基于Elman神经网络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 |
| 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 |
| WO2020261285A1 (en) * | 2019-06-24 | 2020-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | First node, and method performed thereby, for handling a problem in a communications network |
| CN113536674A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956628A (zh) * | 2016-05-13 | 2016-09-21 | 北京京东尚科信息技术有限公司 | 数据分类方法和用于数据分类的装置 |
| US20170109841A1 (en) * | 2015-10-16 | 2017-04-20 | Andrija Sadikovic | Method and system for aggregation and control of energy grids with distributed energy resources |
| CN107977710A (zh) * | 2017-12-21 | 2018-05-01 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
| CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
| CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
-
2018
- 2018-11-29 CN CN201811440318.6A patent/CN109376850A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109841A1 (en) * | 2015-10-16 | 2017-04-20 | Andrija Sadikovic | Method and system for aggregation and control of energy grids with distributed energy resources |
| CN105956628A (zh) * | 2016-05-13 | 2016-09-21 | 北京京东尚科信息技术有限公司 | 数据分类方法和用于数据分类的装置 |
| CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
| CN107977710A (zh) * | 2017-12-21 | 2018-05-01 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
| CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
Non-Patent Citations (3)
| Title |
|---|
| 贾欣乐 等: "《船舶运动智能控制与H∞鲁棒控制》", 31 July 2002, 大连海事大学出版社 * |
| 高宇航: "一种改善BP神经网络性能的方法研究", 《微型机与应用》 * |
| 魏保立: "《桥梁结构损伤诊断的动力参数法》", 30 September 2015, 黄河水利出版社 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020261285A1 (en) * | 2019-06-24 | 2020-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | First node, and method performed thereby, for handling a problem in a communications network |
| CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
| 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 |
| CN110889330A (zh) * | 2019-10-30 | 2020-03-17 | 西北工业大学 | 一种基于bp神经网络的老年人摔倒检测方法及系统 |
| CN111553562A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种基于改进的bp神经网络船舶碰撞危险度估算方法 |
| CN112016248A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种基于Elman神经网络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 |
| 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 |
| CN113536674A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
| CN113536674B (zh) * | 2021-07-13 | 2023-09-29 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376850A (zh) | 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 | |
| CN106529166B (zh) | 一种基于maepso算法的区域水资源优化配置方法 | |
| CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
| CN108776683A (zh) | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 | |
| CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
| CN110728401A (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
| CN106815782A (zh) | 一种基于神经网络统计学模型的房地产估值方法及系统 | |
| CN110262233A (zh) | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 | |
| CN108564592A (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
| Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
| CN109636003A (zh) | 一种高预测精度的电力系统短期负荷预测方法 | |
| CN109615169A (zh) | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 | |
| CN110555548A (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN107609774A (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
| CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
| CN109214546A (zh) | 一种基于改进的hs-narx神经网络的电力短期负荷预测方法 | |
| CN110414748A (zh) | 光伏功率预测方法 | |
| Adnan et al. | Artificial neural network for software reliability assessment | |
| CN110297269A (zh) | 一种基于改进型bp神经网络的地震数据双向预测插值方法 | |
| CN107688702B (zh) | 一种基于狼群算法的河道洪水流量演进规律模拟方法 | |
| Huang et al. | Short-term load forecasting based on the improved bas optimized elman neural network | |
| Zhang et al. | Study of prediction model on grey relational BP neural network based on rough set | |
| Srikamdee et al. | Sugarcane yield and quality forecasting models: adaptive ES vs. deep learning | |
| CN109711109A (zh) | 一种电阻率测井仪器电极系结构参数智能优化的方法及装置 | |
| Al_Duais et al. | Improved the Speed Up Time and Accuracy Training in the Batch Back Propagation Algorithm via Significant Parameter |
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: 20190222 |