CN110533549B - 一种基于ga优化rs-bp神经网络电网故障定位方法 - Google Patents

一种基于ga优化rs-bp神经网络电网故障定位方法 Download PDF

Info

Publication number
CN110533549B
CN110533549B CN201910629044.3A CN201910629044A CN110533549B CN 110533549 B CN110533549 B CN 110533549B CN 201910629044 A CN201910629044 A CN 201910629044A CN 110533549 B CN110533549 B CN 110533549B
Authority
CN
China
Prior art keywords
attribute
neural network
output
power grid
fault
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.)
Active
Application number
CN201910629044.3A
Other languages
English (en)
Other versions
CN110533549A (zh
Inventor
曾平良
柴尔烜
马士聪
赵兵
曾思成
王铁柱
汪梦军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Hangzhou Dianzi University
State Grid Hubei Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Hangzhou Dianzi University
State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Hangzhou Dianzi University, State Grid Hubei Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201910629044.3A priority Critical patent/CN110533549B/zh
Publication of CN110533549A publication Critical patent/CN110533549A/zh
Application granted granted Critical
Publication of CN110533549B publication Critical patent/CN110533549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于GA优化RS‑BP神经网络电网故障定位方法。针对电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，提高电网故障定位的快速性和准确性，本发明采用的技术方案：利用遗传算法（Genetic Algorithm,GA）优化粗糙集(Rough Set,RS)，对故障决策表进行约简，得到最小约简属性，简化BP神经网络结构，并且用改进的GA优化BP神经网络的初始权值阈值，再使用BP算法局部搜索细化，避免陷入局部极小值，形成基于GA优化RS‑BP神经网络模型。本发明能够准确有效地进行故障定位，提高故障诊断速度和准确率。

Description

一种基于GA优化RS-BP神经网络电网故障定位方法
技术领域
本发明属于电力系统故障领域，具体为一种基于GA优化RS-BP神经网络电网故障定位方法。
背景技术
电网的故障给人民和国家带来巨大的损失，所以故障诊断是电网安全运行必不可少的一部分。实际上，在电网发生故障的时候，SCADA系统信息丢失、出错以及保护器与断路器动作的误动、拒动等都是经常出现的。在这种信息畸变、不完整情况下对电网故障进行准确诊断，至今还没有得到很好的解决。这也是近些年来电力系统故障诊断领域专家们极力要解决的难题之一。
传统的诊断方法进行电网故障位置定位基本上依靠专家经验，精确率和诊断速度都不足。随着故障诊断技术的不断发展，专家系统、神经网络、Petri网以及模糊集等诊断方法都已经应用于实际工程中。但是，这些方法存在着局限性，比如专家系统容错性差，学习能力不强；神经网络易陷入局部极小值等等；这些方法在处理不确定信息时，能力较弱。因此对于故障诊断特征信息量大、信息不完备情况时，寻求一种更为优越的故障定位方法势在必行。
发明内容
为解决上述现有技术存在的问题，本发明提供一种基于GA优化RS-BP神经网络电网故障定位方法。
本发明根据遗传算法全局寻优的特点，将遗传算法(Genetic Algorithm,GA)和粗糙集理论(Rough Set,RS)结合对数据进行预处理，利用粗糙集理论对特征信息量大、信息不完备情况时，对数据决策表进行约简，得到最小约简属性，并且再次用改进的遗传算法优化BP神经网络的初始权值和阈值，有效避免BP神经网络陷入局部极小值，提高电网故障诊断的容错性，实现故障位置的有效定位。
本发明包括步骤：
步骤一：根据电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，设计基于GA的粗糙集样本数据约简方法。
根据开关及继电保护装置的信息，定义故障决策表S＝(U,A,V,F)，其中A＝C∪D，
Figure BDA0002128132950000021
U表示论域，A表示属性集，C表示条件属性集(l表示保护动作，0表示保护未动作)，保护D表示决策属性集(故障区域)；
Figure BDA0002128132950000022
Va表示属性a的值域；F是一个函数，是属性赋予的信息值，映射可表示为F:U×A→V。
输入：故障决策表S＝(U,A,V,F)
输出：最小约简属性。
(1)计算出决策属性d(某一故障区域)对于条件属性C(某个开关和继电保护是否动作)的依赖度rc(d)；
(2)计算属性核Core(C)，令
Figure BDA0002128132950000023
依次去掉条件属性ci∈C，若
Figure BDA0002128132950000024
则Core(C)＝Core(C)∪{Ci}；若
Figure BDA0002128132950000025
则Core(C)表示最小约简属性；
(3)初始化随机产生m个长度为|C|(条件属性个数)的种群，个体均采用二进制编码；1表示保留该属性，0表示删除该属性；选取适应度函数
Figure BDA0002128132950000026
计算个体适应度，L表示染色体长度，即属性的个数，Lx为染色体中为1的个数；
(4)个体的选择采用轮盘赌法，交叉概率和变异概率分别取Pc、Pm，产生新一代种群；
(5)计算新一代中个体的适应度值，将最优个体直接遗传到下一代；
(6)判断个体的适应度值是否趋于稳定，如果是，则终止计算并输出最优个体，得到最小约简属性，否则转(4)。
步骤二：采用保护精英个体的方法对经典遗传算法进行改进，优化BP神经网络
算法，通过神经网络训练得到电网故障定位模型
(1)根据步骤一的最小约简属性，定义神经网络的输入向量x＝[x1,x2,…,xn]，输入向量即条件属性，xi取l表示保护动作，取0表示保护未动作，n表示输入层的层数；定义神经网络的输出向量y＝[y1,y2,…,ym]，输出即决策属性(故障区域)，yi取l表示故障发生在此区域，取0表示未发生在此区域，m表示输出层的层数。
(2)Sigmoid函数作为神经网络的激活函数，隐含层激活函数采用tansig函数：
f(x)＝2./(1+e-2x)-1
其中x表示输入
计算得到隐含层节点输出：
Figure BDA0002128132950000031
其中wij为输入层神经元节点与隐含层神经元节点之间的连接权值，θj为隐含层节点阈值；xi表示输入，p表示隐含层的层数；
隐含层节点数根据以下3个经典经验公式：
Figure BDA0002128132950000032
m＝log2n
Figure BDA0002128132950000033
根据上述经验公式确定一个范围，通过试凑法取误差平方和最小的节点为隐含层节点数；
输出层的激活函数选择logsig函数：f(x)＝1/(1+e-x)
输出节点输出：
Figure BDA0002128132950000034
其中vjl为隐含层神经元节点与输出层神经元节点之间的连接权值，
Figure BDA0002128132950000035
为输出层节点阈值，q表示输出层的层数；
BP学习算法梯度下降法对误差进行修正，输出层权值修正量为Δvjl(t)，那么
Figure BDA0002128132950000036
其中
Figure BDA0002128132950000037
为误差函数，O′l(t)为期望输出。
因此修正后的输出层权值：
vjl(t+1)＝vjl(t)-ηΔvjl(t)
其中η为步长或学习修正率。
同理，隐含层的权值修正量Δwij(t)
Figure BDA0002128132950000041
修正后的隐含层权值：
wij(t+1)＝wij(t)-ηΔwij(t)
(3)GA种群初始化，参数的选择、染色体长度以及适应度函数的确定；
(4)染色体个体的选择采用保护精英策略和轮盘赌法，产生新一代种群作为父本；
(5)将每代最优个体替代父本经过交叉与变异产生下一代种群中适应度最差的个体；
(6)重复(5)和(6)，直到满足适应度值的收敛条件，找出了最佳的染色体；
(7)将染色体解码成BP神经网络需要的权值和阈值，训练网络，得到电网故障定位模型。
个体编码采用实数编码。在BP神经网络中待训练样本根据监督学习进行训练，个体适应度值取实际输出与期望输出的误差绝对值和
Figure BDA0002128132950000042
式中：xi是种群中第i个染色体；q为种群中染色体个数；n为训练样本数；m为输出神经元节点数；
Figure BDA0002128132950000043
和
Figure BDA0002128132950000044
分别是第p个训练样本第j个输出神经元节点的期望和实际输出值。
步骤三：根据配电系统获取的电网故障数据，输入步骤二所得到的电网故障定位模型中，得到电网故障的定位结果。
本发明的有益效果：本发明由于采用了改进的约简算法，针对电网数据特征信息量大、信息不完备情况，只保留对诊断决策起重要作用的数据，大大缩短了数据处理的时间和计算的复杂度，同时能保证故障诊断的准确性；本发明用改进的遗传算法优化BP神经网络的初始权值和阈值，有效避免BP神经网络陷入局部极小值，提高电网故障诊断的容错性，实现故障位置的有效定位。
附图说明
图1为本发明电网故障定位流程图。
图2为本发明配电系统图。
图3为本发明三层BP神经网络结构图。
图4为本发明适应度曲线仿真图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案进行清楚、完整地描述。
如图1和图2所示，本实施例中，所示的配电网共分为5个区域(Sec1-Sec5)，保护装置有断路器保护开关(CB1-CB5)、电流保护(OR1-OR5)，Sec1和Sec3分别配有后备距离保护(DR1、DR3)。根据主保护以及后备保护动作原理，以(CB1-CB5)、(OR1-OR5)以及(DR1、DR3)作为决策表的条件属性，以故障区域(Sec1-Sec5)作为决策属性，建立故障决策表，如表1所示，共有14组训练样本。
表1故障决策表
Tab.1 Fault Decision Table
Figure BDA0002128132950000051
注：l表示保护动作；0表示保护未动作。
步骤一：根据电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，提出基于GA的粗糙集样本数据约简方法。
根据开关及继电保护装置的信息，定义故障决策表S＝(U,A,V,F)，其中A＝C∪D，
Figure BDA0002128132950000052
U表示论域,A表示属性集，C表示条件属性集(l表示保护动作，0表示保护未动作)，保护D表示决策属性集(故障区域)；
Figure BDA0002128132950000053
Va表示属性a的值域；F是一个函数，是属性赋予的信息值，映射可表示为F:U×A→V。
输入：故障决策表S＝(U,A,V,F)；
输出：最小约简属性。
(1)计算出决策属性d(某一故障区域)对于条件属性C(某个开关和继电保护是否动作)的依赖度rc(d)；
(2)计算属性核Core(C)，令
Figure BDA0002128132950000061
依次去掉条件属性ci∈C，若
Figure BDA0002128132950000062
则Core(C)＝Core(C)∪{Ci}；若
Figure BDA0002128132950000063
则Core(C)表示最小约简属性；
(3)初始化随机产生m个长度为|C|(条件属性个数)的种群，个体均采用二进制编码；1表示保留该属性，0表示删除该属性；选取适应度函数
Figure BDA0002128132950000064
计算个体适应度，L表示染色体长度，即属性的个数，Lx为染色体体中为1的个数；
(4)个体的选择采用轮盘赌法，交叉概率和变异概率分别取Pc(本例为0.7)、Pm(本例为0.01)，产生新一代种群；
(5)计算新一代中个体的适应度值，将最优个体直接遗传到下一代；
(6)判断个体的适应度值是否趋于稳定，如果是，则终止计算并输出最优个体，得到最小约简属性，否则转(4)。
对表1数据进行属性约简，遗传后得到最小约简属性，即Core(C)＝[CB1,OR2,OR3,DR3,OR4,OR5]，最优约简故障决策表如表2所示。
表2属性约简后决策表
Tab.2 Decision table after attribute reduction
Figure BDA0002128132950000065
步骤二：采用保护精英个体的方法对经典遗传算法进行改进，优化BP神经网络算法，通过神经网络训练得到电网故障定位模型，神经网络见图3。
(1)根据步骤一的最小约简属性，定义神经网络的输入向量x＝[x1,x2,…,xn]，输入向量即条件属性，xi取l表示保护动作，取0表示保护未动作，n表示输入层的层数；定义神经网络的输出向量y＝[y1,y2,…,ym]，输出即决策属性(故障区域)，yi取l表示故障发生在此区域，取0表示未发生在此区域，m表示输出层的层数。
(2)Sigmoid函数作为神经网络的激活函数，隐含层激活函数采用tansig函数：
f(x)＝2./(1+e-2x)-1
其中x表示输入
计算得到隐含层节点输出：
Figure BDA0002128132950000071
其中wij为输入层神经元节点与隐含层神经元节点之间的连接权值，θj为隐含层节点阈值；xi表示输入，p表示隐含层的层数；
隐含层节点数根据以下3个经典经验公式计算：
Figure BDA0002128132950000072
m＝log2n
Figure BDA0002128132950000073
根据上述经验公式确定一个范围，通过试凑法取误差平方和最小的节点为隐含层节点数；
输出层的激活函数选择logsig函数：f(x)＝1/(1+e-x)
输出节点输出：
Figure BDA0002128132950000074
其中vjl为隐含层神经元节点与输出层神经元节点之间的连接权值，
Figure BDA0002128132950000075
为输出层节点阈值，q表示输出层的层数；
BP学习算法梯度下降法对误差进行修正，输出层权值修正量为Δvjl(t)，那么
Figure BDA0002128132950000076
其中
Figure BDA0002128132950000077
为误差函数，O′l(t)为期望输出。
因此修正后的输出层权值：
vjl(t+1)＝vjl(t)-ηΔvjl(t)
其中η为步长或学习修正率。
同理，隐含层的权值修正量Δwij(t)
Figure BDA0002128132950000081
修正后的隐含层权值：
wij(t+1)＝wij(t)-ηΔwij(t)
(3)GA种群初始化，参数的选择、染色体长度以及适应度函数的确定；
(4)染色体个体的选择采用保护精英策略和轮盘赌法，产生新一代种群作为父本；
(5)将每代最优个体替代父本经过交叉与变异产生下一代种群中适应度最差的个体；
(6)重复(5)和(6)，直到满足适应度值的收敛条件，找出了最佳的染色体；
(7)将染色体解码成BP神经网络需要的权值和阈值，训练网络，得到电网故障定位模型。
个体编码采用实数编码。在BP神经网络中待训练样本根据监督学习进行训练，个体适应度值取实际输出与期望输出的误差绝对值和
Figure BDA0002128132950000082
式中：xi是种群中第i个染色体；q为种群中染色体个数；n为训练样本数；m为输出神经元节点数；
Figure BDA0002128132950000083
和
Figure BDA0002128132950000084
分别是第p个训练样本第j个输出神经元节点的期望和实际输出值。
遗传算法中取种群数目为50，交叉概率为0.4，变异概率为0.1。图4是GA优化BP神经网络的适应度曲线，大约通过100次迭代以后适应度逐渐趋于稳定，其中左侧一条为最佳适应度曲线，右侧一条为平均适应度曲线。
步骤三：根据图2中的配电系统获取的电网故障数据，输入所述的电网故障定位模型中，得到电网故障的定位结果。
表3是含有错误信息的故障测试样本，跟表1对照可知，样本1和6是CB2误动，样本2是OR1误动，样本3～5分别是CB3、CB4和CB3拒动。表4是经过约简后的故障测试样本。本发明分别使用BP神经网络、GA优化BP神经网络以及GA优化RS-BP神经网络3种方法对故障样本进行训练，再用测试样本进行对比验证，诊断结果如表5和表6所示。本发明故障定位诊断原则：达到80％以上，诊断结果是可信的；80％以下，诊断结果是不定的。
表3故障集测试样本
Tab.3 fault set test samples
Figure BDA0002128132950000091
注：括号外数据为真实状态，括号内数据为无故障状态。
表4约简后的故障测试样本
Tab.4 Test samples after reduction
Figure BDA0002128132950000092
表5故障样本诊断结果
Tab.5 Fault sample diagnosis result
Figure BDA0002128132950000093
表6诊断结果汇总表
Tab.6 Summary of diagnosis results
Figure BDA0002128132950000094
Figure BDA0002128132950000101
分析表4和表5的结果可知，直接采用传统BP神经网络对故障样本数据进行训练，维数过多易出现过拟合现象，并且训练后的神经网络通过测试样本，诊断正确率只有50％，而采用GA优化BP神经网络初始权值和阈值的算法，尽管训练误差略微增大，但诊断效果大大提高；经过粗糙集约简后，除去冗余属性，样本数也减少，BP网络结构也被简化，训练时间大大减少，虽然训练误差略微变大，但是测试精度大大增大，诊断正确率也达到了100％。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于GA优化RS-BP神经网络电网故障定位方法，其特征在于包括以下步骤：
步骤一：根据电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，设计基于GA优化RS的样本数据约简方式，具体是：
根据开关及继电保护装置的信息，定义故障决策表S＝(U,A,V,F)，其中A＝C∪D，
Figure FDA0003508036700000011
U表示论域，A表示属性集，C表示条件属性集，D表示决策属性集；
Figure FDA0003508036700000012
Va表示属性a的值域；F是一个函数，是属性赋予的信息值，映射表示为F:U×A→V；
输入：故障决策表S＝(U,A,V,F)
输出：最小约简属性；
(1)计算出决策属性d对于条件属性集C的依赖度rc(d)；
(2)计算属性核Core(C)，令
Figure FDA0003508036700000013
依次去掉条件属性ci∈C，若rc-{Ci}(d)≠rc(d)，则Core(C)＝Core(C)∪{Ci}；若rc-{Ci}(d)＝rc(d)，则Core(C)表示最小约简属性；
(3)初始化随机产生m个长度为|C|的种群，个体均采用二进制编码；1表示保留该属性，0表示删除该属性；选取适应度函数
Figure FDA0003508036700000014
计算个体适应度，L表示染色体长度，即属性的个数，Lx为染色体中1的个数；
(4)个体的选择采用轮盘赌法，交叉概率和变异概率分别取Pc、Pm，产生新一代种群；
(5)计算新一代中个体的适应度值，将最优个体直接遗传到下一代；
(6)判断个体的适应度值是否趋于稳定，如果是，则终止计算并输出最优个体，得到最小约简属性，否则转(4)；
步骤二：采用保护精英个体的方法对经典遗传算法进行改进，优化BP神经网络算法，通过神经网络训练得到电网故障定位模型，具体是：
(1)根据步骤一的最小约简属性，定义神经网络的输入向量x＝[x1,x2,…,xn]，输入向量即条件属性，xi取l表示保护动作，取0表示保护未动作，n表示输入层的层数；定义神经网络的输出向量y＝[y1,y2,…,ym]，输出即决策属性，yi取l表示故障发生在此区域，取0表示未发生在此区域，m表示输出层的层数；
(2)Sigmoid函数作为神经网络的激活函数，隐含层激活函数采用tansig函数：
f(x)＝2./(1+e-2x)-1
其中x表示输入
计算得到隐含层节点输出：
Figure FDA0003508036700000021
其中wij为输入层神经元节点与隐含层神经元节点之间的连接权值，θj为隐含层节点阈值；xi表示输入，p表示隐含层的层数；
隐含层节点数根据以下3个经典经验公式确定：
Figure FDA0003508036700000022
m＝log2 n
Figure FDA0003508036700000023
根据上述经验公式确定一个范围，通过试凑法取误差平方和最小的节点为隐含层节点数；
输出层的激活函数选择logsig函数：f(x)＝1/(1+e-x)
输出节点输出：
Figure FDA0003508036700000024
其中vjl为隐含层神经元节点与输出层神经元节点之间的连接权值，
Figure FDA0003508036700000027
为输出层节点阈值，q表示输出层的层数；
BP学习算法梯度下降法对误差进行修正，输出层权值修正量为Δvjl(t)，那么
Figure FDA0003508036700000025
其中
Figure FDA0003508036700000026
为误差函数，O′l(t)为期望输出；
因此修正后的输出层权值：
vjl(t+1)＝vjl(t)-ηΔvjl(t)
其中η为步长或学习修正率；
同理，隐含层的权值修正量Δwij(t)
Figure FDA0003508036700000031
修正后的隐含层权值：
wij(t+1)＝wij(t)-ηΔwij(t)
(3)GA种群初始化，参数的选择、染色体长度以及适应度函数的确定；
(4)染色体个体的选择采用保护精英策略和轮盘赌法，产生新一代种群作为父本；
(5)将每代最优个体替代父本经过交叉与变异产生下一代种群中适应度最差的个体；
(6)重复(5)和(6)，直到满足适应度值的收敛条件，找出了最佳的染色体；
(7)将染色体解码成BP神经网络需要的权值和阈值，训练网络，得到电网故障定位模型；
个体编码采用实数编码；在BP神经网络中待训练样本根据监督学习进行训练，个体适应度值取实际输出与期望输出的误差绝对值和
Figure FDA0003508036700000032
式中：xi是种群中第i个染色体；q为种群中染色体个数；n为训练样本数；m为输出神经元节点数；
Figure FDA0003508036700000033
和
Figure FDA0003508036700000034
分别是第p个训练样本第j个输出神经元节点的期望和实际输出值；
步骤三：根据配电系统获取的电网故障数据，输入步骤二所得到的电网故障定位模型中，输出得到电网故障的定位结果。
CN201910629044.3A 2019-07-12 2019-07-12 一种基于ga优化rs-bp神经网络电网故障定位方法 Active CN110533549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910629044.3A CN110533549B (zh) 2019-07-12 2019-07-12 一种基于ga优化rs-bp神经网络电网故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910629044.3A CN110533549B (zh) 2019-07-12 2019-07-12 一种基于ga优化rs-bp神经网络电网故障定位方法

Publications (2)

Publication Number Publication Date
CN110533549A CN110533549A (zh) 2019-12-03
CN110533549B true CN110533549B (zh) 2022-04-29

Family

ID=68659731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910629044.3A Active CN110533549B (zh) 2019-07-12 2019-07-12 一种基于ga优化rs-bp神经网络电网故障定位方法

Country Status (1)

Country Link
CN (1) CN110533549B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110927509A (zh) * 2019-10-14 2020-03-27 山东科技大学 一种配电网的故障诊断方法
CN111310722B (zh) * 2020-03-12 2024-02-27 广东电网有限责任公司广州供电局 一种基于改进神经网络的电力设备图像的故障识别方法
CN111830934A (zh) * 2020-07-17 2020-10-27 中车大连电力牵引研发中心有限公司 一种电力机车故障源定位方法及装置
CN112308207B (zh) * 2020-09-14 2022-09-06 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 网络模型训练方法、避雷器过电压电性预测方法和装置
CN112327098A (zh) * 2020-10-28 2021-02-05 江苏方天电力技术有限公司 基于低压配网综合监测单元的配电网故障区段定位方法
CN113030633B (zh) * 2020-12-01 2023-05-02 国家电网有限公司 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN113222140B (zh) * 2021-05-10 2022-09-20 重庆邮电大学 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法
CN113285431A (zh) * 2021-06-10 2021-08-20 云南电网有限责任公司迪庆供电局 一种智能配电网信息物理融合保护系统及方法
CN114636900B (zh) * 2022-05-11 2022-09-30 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699873A (zh) * 2013-09-22 2014-04-02 杭州电子科技大学 基于ga-bp神经网络下肢平地行走步态识别方法
CN109298330A (zh) * 2018-11-26 2019-02-01 西安工程大学 基于ghpso-bp的高压断路器故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020059154A1 (en) * 2000-04-24 2002-05-16 Rodvold David M. Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699873A (zh) * 2013-09-22 2014-04-02 杭州电子科技大学 基于ga-bp神经网络下肢平地行走步态识别方法
CN109298330A (zh) * 2018-11-26 2019-02-01 西安工程大学 基于ghpso-bp的高压断路器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于粗糙集和改进遗传算法优化BP神经网络的算法研究;李 伟;《西 北 工 业 大 学 学 报》;20120830;第 30 卷(第 4 期);全文 *

Also Published As

Publication number Publication date
CN110533549A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533549B (zh) 一种基于ga优化rs-bp神经网络电网故障定位方法
EP3688676A1 (en) Mixture of generators model
CN111062464B (zh) 一种基于深度学习的电力通信网可靠性预测和保障方法和系统
Altiparmak et al. A general neural network model for estimating telecommunications network reliability
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN112926023B (zh) 一种基于考虑气象因素p系统的输电网故障诊断方法
CN112822052B (zh) 一种基于网络拓扑和告警的网络故障根因定位方法
Gao et al. Genetic algorithm based back-propagation neural network approach for fault diagnosis in lithium-ion battery system
CN112906957A (zh) 基于遗传算法优化的bp神经网络输煤故障预测方法
CN108270216B (zh) 一种考虑多目标的复杂配电网故障恢复系统及方法
CN104156774B (zh) 一种考虑了相邻系统的电力支援方法
CN112215279A (zh) 一种基于免疫rbf神经网络的电网故障诊断方法
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
Wang et al. A genetic-algorithm-based two-stage learning scheme for neural networks
CN114336632A (zh) 一种基于模型信息辅助深度学习校正交流潮流的方法
Xiong et al. Differential evolution-based optimized hierarchical extreme learning machines for fault section diagnosis of large-scale power systems
CN111144572B (zh) 一种基于树形贝叶斯网络的配电网灾情推断方法及系统
CN115660882A (zh) 社交网络中用户间关系预测方法及多头混合聚合图卷积网络
CN113934862B (zh) 社区安全风险预测方法、装置、电子设备及介质
CN116401572A (zh) 一种基于cnn-lstm的输电线路故障诊断方法及系统
CN115793450A (zh) 基于强化学习的机器人回报函数的自适应方法
CN115201632A (zh) 一种多端直流输电线路故障识别方法
CN111950765B (zh) 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法
CN110971471B (zh) 基于状态感知的电力通信主干网故障恢复方法和装置
CN113889282A (zh) 一种个体移动干预传染病防控方法及系统

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
GR01 Patent grant
GR01 Patent grant