CN109784478A - 一种基于bp神经网络的配电系统传感器故障诊断方法 - Google Patents
一种基于bp神经网络的配电系统传感器故障诊断方法 Download PDFInfo
- Publication number
- CN109784478A CN109784478A CN201910039594.XA CN201910039594A CN109784478A CN 109784478 A CN109784478 A CN 109784478A CN 201910039594 A CN201910039594 A CN 201910039594A CN 109784478 A CN109784478 A CN 109784478A
- Authority
- CN
- China
- Prior art keywords
- neural network
- distribution system
- sensor
- fault diagnosis
- value
- 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 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及配电系统的传感器故障诊断，具体地说，是一种基于BP神经网络的配电系统传感器故障诊断方法。包括以下步骤：采集各传感器的连续n次输出，作为神经网络训练集；构建多层前馈神经网络结构，建立传感器故障诊断模型；用训练后的神经网络根据各传感器前n‑1次采样值来输出第n次采样的估计值，并与实际测量值作比较，根据误差的大小和出现次数来判断是否发出警报。采用了BP神经网络与配电系统相结合的方式，通过构建前馈神经网络将采样值输入再经过Sigmoid函数将所得的均方差值，再利用BP算法最小化误差函数，所得的结果与实际测量结果进行对比，对配电系统是否产生故障发出警报，对同一故障性质的准确率有显著的提高。
Description
技术领域
本发明涉及配电系统的传感器故障诊断，具体地说，是一种基于BP神经网络的配电系统传感器故障诊断方法。
背景技术
配电系统作为电力系统的最后一个环节直接面向终端用户，它的完善与否直接关系着广大用户的用电可靠性和用电质量，因而在电力系统中具有重要的地位，通常在运行过程中系统内的传感器会出现各种故障，而故障的发现与检测是目前亟待解决的重要问题，作为神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动，所以通过神经网络诊断配电系统传感器是目前可行性方法。
发明内容
为了解决上述技术问题，本发明采用了BP神经网络进行局部诊断，判定最终故障与故障类型，所得的结果与实际测量结果进行对比，对配电系统是否产生故障发出警报，对同一故障性质的准确率有显著的提高。
为了实现上述目的，本发明使用的技术方案如下：
一种基于BP神经网络的配电系统传感器故障诊断方法，包括以下步骤：
（1）采集配电系统各传感器在连续n次采样的输出，作为神经网络训练集；
（2）构建多层前馈神经网络结构，采用反向传播(BP)算法进行有监督训练，建立传感器故障诊断模型；
（3）用训练后的神经网络根据各传感器前n-1次采样值来输出第n次采样的估计值，并与实际测量值作比较，根据误差的大小和出现次数来判断是否发出警报。
本发明进一步改进：步骤（1）中一个配电系统配置的传感器包括变压器桩头温度传感器、熔断器紧固件压力传感器、无源RFID温湿度传感标签和高频局放无线传感器。
本发明进一步改进：在系统正常运作时，采用4个传感器前n-1次的采样值，共4(n-1)个值，作为神经网络的输入值，在第n次采样得到的4个值作为神经网络的期望输出值。
本发明进一步改进：步骤（2）中设计一个3层的前馈神经网络结构，输入层有4(n-1)个神经元，输出层有4个神经元，神经元激活函数选用Sigmoid函数，神经网络的输出即4个传感器第n次采样的估计值，将估计值和实际测量值的均方误差（MSE）函数作为误差函数，并利用反向传播算法最小化误差函数。
本发明进一步改进：步骤（3）中当神经网络输出估计值与测量值的误差较大时，加大对误差较大的传感器的数据采样频率，并在每次得到误差较大的测量结果时，计数参数α增加1，当α大于一定的阈值时，系统发出警报。
本发明进一步改进：当估计值与测量值的误差恢复正常，解除警报，α置零。
本发明的有益效果：采用了BP神经网络与配电系统相结合的方式，通过构建前馈神经网络将采样值输入再经过Sigmoid函数将所得的均方差值，再利用反向传播算法最小化误差函数，所得的结果与实际测量结果进行对比，对配电系统是否产生故障发出警报，对同一故障性质的准确率有显著的提高。
附图说明
图1为本发明的BP神经网络模型；
图2为本发明的故障诊断步骤示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例，如图1-2所示，一种基于BP神经网络的配电系统传感器故障诊断方法，包括以下步骤：
（1）采集配电系统各传感器在连续n次采样的输出，作为神经网络训练集；
（2）构建多层前馈神经网络结构，采用反向传播(BP)算法进行有监督训练，建立传感器故障诊断模型；
（3）用训练后的神经网络根据各传感器前n-1次采样值来输出第n次采样的估计值，并与实际测量值作比较，根据误差的大小和出现次数来判断是否发出警报。
本实施例中，将配电系统的传感器设为变压器桩头温度传感器、熔断器紧固件压力传感器、无源RFID温湿度传感标签和高频局放无线传感器，多层前馈神经网络结构是将每一层节点输入来自前一层节点的输出，对于输入信号，先前向传播到隐层节点，经过激活函数后，再把隐层节点的输出信息传播到输出节点，最后得到输出结果。
本实施例中，首先在系统正常运作的时候，将4个传感器前n-1次作为采样值，一共4(n-1)个值，在第n次采样得到的4个值作为神经网络的期望输出值；前馈神经网络为3层结构，输入层有4(n-1)个神经元，输出层有4个神经元，神经元激活函数选用Sigmoid函数，神经网络的输出即4个传感器第n次采样的估计值，将估计值和实际测量值的均方误差（MSE）函数作为误差函数，并利用反向传播算法最小化误差函数；将得到的输出估计值与测量值相比较，当两者之间误差较大时，加大对误差较大的传感器的数据采样频率，并在每次得到误差较大的测量结果时，计数参数α增加1，当α大于一定的阈值时，系统发出警报，当估计值与测量值的误差恢复正常，解除警报，α置零。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于，包括以下步骤：
（1）采集配电系统各传感器在连续n次采样的输出，作为神经网络训练集；
（2）构建多层前馈神经网络结构，采用反向传播(BP)算法进行有监督训练，建立传感器故障诊断模型；
（3）用训练后的神经网络根据各传感器前n-1次采样值来输出第n次采样的估计值，并与实际测量值作比较，根据误差的大小和出现次数来判断是否发出警报。
2.根据权利要求1所述的一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于：步骤（1）中一个配电系统配置的传感器包括变压器桩头温度传感器、熔断器紧固件压力传感器、无源RFID温湿度传感标签和高频局放无线传感器。
3.根据权利要求2所述的一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于：在系统正常运作时，采用4个传感器前n-1次的采样值，共4(n-1)个值，作为神经网络的输入值，在第n次采样得到的4个值作为神经网络的期望输出值。
4.根据权利要求1所述的一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于：步骤（2）中设计一个3层的前馈神经网络结构，输入层有4(n-1)个神经元，输出层有4个神经元，神经元激活函数选用Sigmoid函数，神经网络的输出即4个传感器第n次采样的估计值，将估计值和实际测量值的均方误差（MSE）函数作为误差函数，并利用反向传播算法最小化误差函数。
5.根据权利要求1所述的一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于：步骤（3）中当神经网络输出估计值与测量值的误差较大时，加大对误差较大的传感器的数据采样频率，并在每次得到误差较大的测量结果时，计数参数α增加1，当α大于一定的阈值时，系统发出警报。
6.根据权利要求5所述的一种基于BP神经网络的配电系统传感器故障诊断方法，其特征在于：当估计值与测量值的误差恢复正常，解除警报，α置零。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039594.XA CN109784478A (zh) | 2019-01-16 | 2019-01-16 | 一种基于bp神经网络的配电系统传感器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039594.XA CN109784478A (zh) | 2019-01-16 | 2019-01-16 | 一种基于bp神经网络的配电系统传感器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784478A true CN109784478A (zh) | 2019-05-21 |
Family
ID=66500714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910039594.XA Pending CN109784478A (zh) | 2019-01-16 | 2019-01-16 | 一种基于bp神经网络的配电系统传感器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784478A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991519A (zh) * | 2019-11-28 | 2020-04-10 | 上海宏力达信息技术股份有限公司 | 一种智能开关状态分析调整方法及系统 |
| CN111027642A (zh) * | 2019-12-25 | 2020-04-17 | 苏州工业职业技术学院 | 电能表质量监测方法 |
| CN111060766A (zh) * | 2019-12-27 | 2020-04-24 | 天津博迈科海洋工程有限公司 | 一种海洋石油模块中的仪表故障检测方法 |
| CN112285413A (zh) * | 2020-10-15 | 2021-01-29 | 中国第一汽车股份有限公司 | 电流值确定方法、装置、控制器、介质及电池管理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1022632A1 (en) * | 1999-01-21 | 2000-07-26 | ABB Research Ltd. | Monitoring diagnostic apparatus with neural network modelling the normal or abnormal functionality of an electrical device |
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
-
2019
- 2019-01-16 CN CN201910039594.XA patent/CN109784478A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1022632A1 (en) * | 1999-01-21 | 2000-07-26 | ABB Research Ltd. | Monitoring diagnostic apparatus with neural network modelling the normal or abnormal functionality of an electrical device |
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李冬辉等: "基于小波神经网络的空调系统传感器故障诊断", 《传感器与微系统》 * |
| 王豪等: "概率神经网络在电机故障诊断中的应用", 《化工自动化及仪表》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991519A (zh) * | 2019-11-28 | 2020-04-10 | 上海宏力达信息技术股份有限公司 | 一种智能开关状态分析调整方法及系统 |
| CN111027642A (zh) * | 2019-12-25 | 2020-04-17 | 苏州工业职业技术学院 | 电能表质量监测方法 |
| CN111060766A (zh) * | 2019-12-27 | 2020-04-24 | 天津博迈科海洋工程有限公司 | 一种海洋石油模块中的仪表故障检测方法 |
| CN112285413A (zh) * | 2020-10-15 | 2021-01-29 | 中国第一汽车股份有限公司 | 电流值确定方法、装置、控制器、介质及电池管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784478A (zh) | 一种基于bp神经网络的配电系统传感器故障诊断方法 | |
| CN111902781B (zh) | 用于控制系统的设备和方法 | |
| Shalyga et al. | Anomaly detection for water treatment system based on neural network with automatic architecture optimization | |
| Tavanaei et al. | A spiking network that learns to extract spike signatures from speech signals | |
| Kumar et al. | A sequential self teaching approach for improving generalization in sound event recognition | |
| CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
| US20100179935A1 (en) | Spiking dynamical neural network for parallel prediction of multiple temporal events | |
| CN110247910A (zh) | 一种异常流量的检测方法、系统及相关组件 | |
| Loganathan et al. | Sequence to sequence pattern learning algorithm for real-time anomaly detection in network traffic | |
| CN112087442A (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
| CN110040594A (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
| Malik | Artificial neural networks and their applications | |
| CN114785573A (zh) | 基于深度学习的智能变电站过程层网络异常流量检测方法 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| Fahim et al. | An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation | |
| Sun et al. | A novel parameter-optimized recurrent attention network for pipeline leakage detection | |
| Alarcon-Aquino et al. | Network intrusion detection using self-recurrent wavelet neural network with multidimensional radial wavelons | |
| Mishra et al. | Comprehensive and comparative analysis of neural network | |
| CN111488711A (zh) | 一种网络鲁棒性评估方法及系统 | |
| Jiang et al. | The application of genetic neural network in network intrusion detection. | |
| Singh et al. | Development of ANN-based virtual fault detector for Wheatstone bridge-oriented transducers | |
| Wang | Fault diagnosis for power systems based on neural networks | |
| TWI780411B (zh) | 基於長短期記憶模型之異常網路流量偵測系統及方法 | |
| Zhao et al. | SeqAD: An unsupervised and sequential autoencoder ensembles based anomaly detection framework for KPI | |
| Xiaoqian | A sensor fault diagnosis algorithm for uav based on neural network |
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: 20190521 |