CN110688809A - 一种基于vprs-rbf神经网络的箱变故障诊断方法 - Google Patents
一种基于vprs-rbf神经网络的箱变故障诊断方法 Download PDFInfo
- Publication number
- CN110688809A CN110688809A CN201910837064.XA CN201910837064A CN110688809A CN 110688809 A CN110688809 A CN 110688809A CN 201910837064 A CN201910837064 A CN 201910837064A CN 110688809 A CN110688809 A CN 110688809A
- Authority
- CN
- China
- Prior art keywords
- attribute
- sample
- box transformer
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000004804 winding 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
- G06N3/08—Learning methods
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于VPRS‑RBF神经网络的箱变故障诊断方法,具体包括如下步骤:步骤1,选取样本;步骤2,对步骤1选取的样本进行约简;步骤3,对步骤2约简后的样本进行训练;步骤4,对步骤3训练后的样本进行测试。本发明将变精度粗糙集算法作为径向基神经网络的前端处理系统,对大量的原始样本进行定量的简化运算,寻找关于箱变故障的主要信息;然后通过RBF神经网络对箱变故障样本进行训练学习,实现箱变故障的自动诊断、识别;该方法提高了箱变故障诊断模型的故障诊断效率及准确性。
Description
技术领域
本发明属于配电网设备故障诊断技术领域,涉及一种基于VPRS-RBF神经网络的箱变故障诊断方法。
背景技术
箱变(箱式变电站)作为配电网中重要的配电设备,集成了高压开关设备、配电变压器、低压配电装置和电容平衡等设备为一体,将电能从10kV以上高压系统转化为低压系统。箱变大多安装在室外,工作环境多变,条件复杂,自然灾害和外力破坏严重,在长期运行过程中,会产生各种各样的故障问题。发生故障时,依靠人工排查的方法,工作量大、准确度低、无法实时的对箱变故障状态进行诊断和处理,可能引发大面积停电、爆炸等重大安全事故。
目前,物联网环境下箱变故障诊断问题从原始的人工诊断模式转变成为在线故障诊断,即基于设备特征参量的数据作出故障诊断决策。箱变作为重要的配电设备,其故障特征参量众多,特征参量与特征参量之间、特征参量与故障机理之间关系复杂,呈现非线性对应关系,不能直接从数据中发现规律建立故障模型。
基于VPRS-RBF神经网络的箱变故障诊断是在物联网环境下是基于大量箱变的故障历史数据基础上,通过对历史故障数据进行故障样本进行训练、学习,从而对最新的、实时的故障做出及时、准确的诊断。该方法易于实施,能够快速、实时、准确地对箱变故障进行诊断,及时消除过程的异常行为,防止系统波动和灾难性事故的发生,并为计划检修提供必要的依据。
径向基(Radial Basis Function,RBF)神经网具有结构简单、非线性拟合能力强、逼近速度快、鲁棒性高等优点,相比于传统的神经网络,能够更好的克服局部最小值和收敛速度慢的缺点。变精度粗糙集(Variable Precision Rough Set,VPRS)算法也可作为解决非线性对应关系问题的方法,在不需要先验知识的情况下,从海量数据中挖掘出潜在知识和规律。综合考虑到径向基神经网建模的复杂性和变精度粗糙集的知识具有知识约简的优点,可将变精度粗糙集与径向基神经网进行结合,利用变精度粗糙集知识约简,减少特征数据量信息表达,即对径向基神经网原始样本进行约简,去除冗余信息,简化径向基神经网的规模,减少训练时间,使得箱变故障诊断模型更具实时性、快速性和准确性。
发明内容
本发明的目的是提供一种基于VPRS-RBF神经网络的箱变故障诊断方法,该方法将变精度粗糙集算法作为径向基神经网络的前端处理系统,对大量的原始样本进行定量的简化运算,寻找关于箱变故障的主要信息;然后通过RBF神经网络对箱变故障样本进行训练学习,实现箱变故障的自动诊断、识别;该方法提高了箱变故障诊断模型的故障诊断效率及准确性。
本发明所采用的技术方案是,一种基于VPRS-RBF神经网络的箱变故障诊断方法,具体包括如下步骤:
步骤1:选取样本;
步骤2:对步骤1选取的样本进行约简;
步骤3:对步骤2约简后的样本进行训练;
步骤4:对步骤3训练后的样本进行测试。
本发明的特点还在于:
步骤1的具体过程如下:
将箱变故障样本对象表示为Y={y1,y2,…,yn},n为样本数量;特征参量表示为X={x1,x2,…,xm},m为特征参量数量;故障类型表示为D={d1,d2,…,dh},h为故障类型数量;
利用变精度粗糙集对n个箱变故障样本进行约简,具体为:将样本构建为原始决策表,该决策表表示为一个四元组S=<U,A,V,f>,
其中,U={y1,y2,…,yn}是论域,即由对象yk组成的有限集合;
对于箱变故障样本Y,特征参量X为决策表的条件属性,故障类型D为决策表的决策属性。
步骤2的具体过程如下:
步骤2.1:对原始决策表中的条件属性进行标准化处理,标准化使用 Z-core正规化法,如公式(1)所示:
其中,E(xi)表示原始样本集中特征变量xi的均值,D(xi)为特征变量xi对应的标准差;
步骤2.2:对原始决策表的条件属性和决策属性的数据进行离散化处理,将连续属性的值域划分为若干个子区间得到离散表S’;
步骤2.3:令属性核集合Core为空,0.5<β≤1(β表示分类误差率允许范围),i=1;对m个条件属性循环执行步骤2.4至步骤2.6;
步骤2.4:对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P,根据相对正确分类率P判断相对正确率是否大于β,若是,利用公式(3)计算正域POSβC。
POSβC=RCβ=∪{C:P(C,D)≥β} (3);
步骤2.5:利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β):
若单个属性i的依赖度λ(Ci,Di,β)等于λ(C,D,β),则认为此条属性为冗余属性,予以删除;若λ(Ci,Di,β)不等于λ(C,D,β),则利用公式(5)计算重要度SIG(C,{i}),当SIG(C,{i})≠0时,将此条属性作为属性核之一,即Core={Ci,};否则,此条属性为非属性核,令i=i+1;
SIG(C,{i})=λ(C,{i},β)+λ({i},D,β) (5);
步骤2.6:判断条件属性循环;若i>m,约简结束,执行步骤2.7;如果否,返回步骤2.3。
步骤2.7:获得属性核集合,形成属性约简表。
步骤3的具体过程如下:
步骤3.1:设定参数:初始RBF神经网络的学习速率η、收敛精度ε:
步骤3.2:确定输入向量x、实际输出向量y和期望输出向量o, x=[x1,x2,……xm]T,y=[y1,y2,……yn]T,o=[o1,o2,……on]T;
步骤3.3:确定输入层;输入层为样本的条件属性向量,即步骤3.2中的输入向量x=[x1,x2,……xm]T;输入层节点数量为样本的维度m;
步骤3.4:确定隐藏层;径向基神经元(径向基函数)数量为p(p>m),采用高斯函数作为径向基函数Φj(x)如公式(6),
其中,x为m维的输入变量,cj是第j个径向基函数的中心,与x具有相同维数的向量;δj是第j个隐层神经元的径向基函数宽度;
步骤3.5:确定输出层;整个网络的输出是隐藏层隐神经单元输出的线性加权和,样本k的网络最终输出yk采用如下公式(7)表示:
步骤3.6:采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化,寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小:
其中,y(x)为网络的实际输出向量,o为期望输出向量:
步骤3.7:基于梯度下降法,利用公式(8)、(9)、(10)、(11)对中心点、中心宽度和权重参数进行更新迭代计算;
步骤3.8:判断收敛性,若ξ≤ε,则执行步骤4;否则,执行步骤3.6。
步骤4的具体过程如下:
选择约简后决策表中的剩余部分数据作为测试样本,将径向基神经训练结果与测试样本实际结果相对比,即得到故障诊断模型的故障诊断准确率。
本发明的有益效果是,本发明针对箱变故障特征参量众多,特征参量与特征参量之间、特征参量与故障机理之间呈现非线性对应关系,故障诊断效率低、准确度不高的现状,面向箱变物联网环境设计一种基于VPRS-RBF神经网络的箱变故障诊断方法。其核心思想是将变精度粗糙集算法作为径向基神经网络的前端处理系统,对大量的原始样本进行定量的简化运算,寻找关于箱变故障的主要信息,然后将变精度粗糙集方法预处理后的信息,输入神经网络进行训练,形成箱变的故障诊断判断模型,再将测试数据带入故障模型中,测试该箱变诊断模型的可行性。该方法具有较高的柔性,易于实施,使得箱变故障诊断模型更具实时性、快速性和准确性。
具体实施方式
下面结合具体实施方式对本发明进行详细说明
本发明一种基于VPRS-RBF神经网络的箱变故障诊断方法,该方法主要包含基于变精度粗糙集的箱变故障原始样本数据约简与基于RBF神经网络的箱变故障样本训练学习2个过程。具体包括如下步骤:
步骤1:样本选取。
样本的选取遵循代表性、紧凑性原则,从箱变故障的特征参量数据库中选择常见的故障和无故障代表数据,箱变故障样本对象表示为Y={y1,y2,…,yn}, n为样本数量;特征参量表示为X={x1,x2,…,xm},m为特征参量数量;故障类型表示为D={d1,d2,…,dh},h为故障类型数量。
利用变精度粗糙集对n个箱变故障样本进行约简,需要将样本构建为原始决策表,该决策表可以表示为一个四元组S=<U,A,V,f>,其中,U={y1,y2,…,yn} 是论域,即由对象yk(k=1,2,…,n)组成的有限集合;A={a1,a2,…}=C∪D是有限个属性集合且C是条件属性集合X,D是决策属性集合; Va是属性a的值域;f是信息函数,f:U×A→V为单一映射,即y∈U,f(y,a)∈Va,f(y,a)为U中每个对象的每一个属性的信息值。对于箱变故障样本Y,特征参量X为决策表的条件属性,故障类型D为决策表的决策属性。
步骤2:样本约简。步骤1所获得的箱变故障样本原始决策表中条件属性存在冗余。样本约简是删除样本决策表中不重要或不相关的特征参量。样本约简过程包括原始决策表数据的标准化、离散化及约简。标准化后的决策表根据等频离散法进行离散化,得到离散表;最后,根据变精度粗糙集算法流程进行属性约简,得到一个样本数量为Yn’、条件属性为Xm’的决策表。步骤2的具体过程为:
步骤2.1:原始决策表中条件属性的标准化;标准化使用Z-core正规化法,如公式(1)所示。
其中,E(xi)表示原始样本集中特征变量xi的均值,D(xi)为特征变量xi对应的标准差。
步骤2.2:原始决策表条件属性与决策属性数据的离散化;在步骤2.1 的基础上,利用等频离散法对连续属性进行离散化处理,将连续属性的值域划分为若干个子区间得到离散表S’。
步骤2.3:约简参数初始化;令属性核集合Core为空,0.5<β≤1(β表示分类误差率允许范围),i=1;对m个条件属性循环执行步骤2.4至步骤2.6。
步骤2.4:对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P,根据相对正确分类率P判断相对正确率是否大于β,若是,利用公式(3)计算正域POSβC。
POSβC=RCβ=∪{C:P(C,D)≥β} (3);
步骤2.5:进一步的利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β)。
若单个属性i的依赖度λ(Ci,Di,β)等于λ(C,D,β),则认为此条属性为冗余属性,予以删除;若λ(Ci,Di,β)不等于λ(C,D,β),则利用公式(5)计算重要度SIG(C,{i}),当SIG(C,{i})≠0时,将此条属性作为属性核之一,即Core={Ci,};否则,此条属性为非属性核,令i=i+1。
SIG(C,{i})=λ(C,{i},β)+λ({i},D,β) (5);
步骤2.6:判断条件属性循环;若i>m,约简结束,执行步骤2.7;如果否,返回步骤2.3。
步骤2.7:获得属性核集合,形成属性约简表。
步骤3:样本训练。首先构建适用箱变故障诊断的RBF神经网络,详细设计RBF网络结构中输入层、隐藏层和输出层及其参数。然后随机选择约简后决策表中的部分数据作为训练样本,通过训练样本对RBF神经网络参数进行学习训练。
步骤3.1:初始RBF神经网络的学习速率η、收敛精度ε。
步骤3.2:确定输入向量x、实际输出向量y和期望输出向量o, x=[x1,x2,……xm]T,y=[y1,y2,……yn]T,o=[o1,o2,……on]T。根据步骤3.3至步骤3.5,可以详细设计RBF神经网络结构。
步骤3.3:输入层;输入层为样本的条件属性向量,即步骤3.2中的输入向量x=[x1,x2,……xm]T;输入层节点数量为样本的维度m。
步骤3.4:隐藏层;径向基神经元(径向基函数)数量为p(p>m),采用高斯函数作为径向基函数Φj(x)如公式(6),
其中,x为m维的输入变量,cj是第j个径向基函数的中心,与x具有相同维数的向量;δj是第j个隐层神经元的径向基函数宽度。
步骤3.5:输出层;整个网络的输出是隐藏层隐神经单元输出的线性加权和,样本k的网络最终输出yk如公式(7)。
RBF网络结构的构造学习就是确定隐含层神经元的中心c、宽度σ以及输出权值w的过程,利用步骤3.6至步骤3.7对RBF神经网络中的调整参数训练学习。
步骤3.6:采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化,寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小。
其中,y(x)为网络的实际输出向量,o为期望输出向量。
步骤3.7:基于梯度下降法,利用公式(8)、(9)、(10)、(11)对中心点cj、中心宽度δj和权重参数wj进行更新迭代计算;
步骤3.8:判断收敛性,若ξ≤ε,则执行步骤4;否则,执行步骤3.6。
步骤4:样本测试。选择约简后决策表中的剩余部分数据作为测试样本,将径向基神经训练结果与测试样本实际结果相对比,可得到故障诊断模型的故障诊断准确率。
实施例
步骤1:样本选取。
选出与箱变故障紧密程度较高6种元器件,根据这6种元器件的故障类型及24种故障特征参量,箱变故障特征如表1所示。从箱变故障数据源中抽出30组历史数据建立箱变的故障原始决策表,构造的原始决策表如表2 所示。其中,集合X(m=24)表示条件属性,集合Y(n=30)表示选定样本对象,集合D(h=7)表示故障类型,含义分别为,d1:无故障;d2:干式变压器故障;d3:高压断路器故障;d4:电容避雷器故障;d5:低压出线断路器故障;d6:低压进线断路器故障;d7:高压避雷器故障。30组历史数据的故障情况已知,d1有2组,d2有5组,d3有5组,d4有5组,d5有5组,d6有4组,d7有4组。
步骤2:样本约简;
步骤2.1:样本原始数据的预处理;使用Z-score法对原始决策表数据进行标准化、归一化处理,使得24种特征参量在同一量纲下。
步骤2.2:样本数据的离散化;采用等频离散法,离散频数为4对标准化后的数据进行离散化。
步骤2.3:属性约简;令β=0.7时,对属性进行变精度粗糙集属性约简计算;通过属性约简,箱变的24种条件属性减少为10种条件属性,它们分别是x1温度、x7局部放电量、x8介损率、x9绕组吸收比、x10铁芯接地电流、x11铁芯温度、x12频率、x13高压电压、x14高压电流、x22跳闸信息。此10种特征参量作为必要条件属性,是箱变关键部件故障判断的依据;箱变故障属性约简结果如表3所示。
步骤3:样本训练;
步骤3.1:初始学习速率η、η∈(0,1);终止精度ε,令η=0.6,ε=10-20。
步骤3.2:根据步骤2约简后的决策表,提取输入条件属性向量;将10 种条件属性作为输入神经元,7种故障模式作为输出神经元,建立10-20-7 结构的RBF神经网络。
步骤3.3:选取20组训练数据代入RBF网络模型中进行迭代训练,迭代收敛可得到最佳模型,此时训练出来的故障诊断模型最接近实际情况。
步骤4:样本测试;将样本中剩余10组测试样本输入到步骤3.3训练出的最佳模型,得到箱变测试样本的故障诊断结果,测试样本如表4所示。
当10组数据对象输入VPRS-RBF神经网络算法故障诊断模型中,诊断出箱变分别发生了干式变压器故障、干式变压器故障、高压断路器故障、干式变压器故障、电容避雷器故障、电容避雷器故障、低压出线断路器故障、低压出线断路器故障、低压进线断路器故障、高压避雷器故障。和实际故障类型结果相同的有9组,不同的有1组,即箱变VPRS-RBF神经网络故障诊断模型的结果正确率为90%。表5箱变故障诊断结果与实际结果对比。
表1
表2
表3
表4
表5
Claims (5)
1.一种基于VPRS-RBF神经网络的箱变故障诊断方法,其特征在于:具体包括如下步骤:
步骤1:选取样本;
步骤2:对步骤1选取的样本进行约简;
步骤3:对步骤2约简后的样本进行训练;
步骤4:对步骤3训练后的样本进行测试。
2.根据权利要求1所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法,其特征在于:所述步骤1的具体过程如下:
将箱变故障样本对象表示为Y={y1,y2,…,yn},n为样本数量;特征参量表示为X={x1,x2,…,xm},m为特征参量数量;故障类型表示为D={d1,d2,…,dh},h为故障类型数量;
利用变精度粗糙集对n个箱变故障样本进行约简,具体为:将样本构建为原始决策表,该决策表表示为一个四元组S=<U,A,V,f>,
其中,U={y1,y2,…,yn}是论域,即由对象yi组成的有限集合;
对于箱变故障样本Y,特征参量X为决策表的条件属性,故障类型D为决策表的决策属性。
3.根据权利要求2所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法,其特征在于:所述步骤2的具体过程如下:
步骤2.1:对原始决策表中的条件属性进行标准化处理,标准化使用Z-core正规化法,如公式(1)所示:
其中,E(xi)表示原始样本集中特征变量xi的均值,D(xi)为特征变量xi对应的标准差;
步骤2.2:对原始决策表的条件属性和决策属性的数据进行离散化处理,将连续属性的值域划分为若干个子区间得到离散表S’;
步骤2.3:令属性核集合Core为空,0.5<β≤1,i=1;对m个条件属性循环执行步骤2.4至步骤2.6;
步骤2.4:对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P,根据相对正确分类率P判断相对正确率是否大于β,若是,利用公式(3)计算正域POSβC:
POSβC=RCβ=∪{C:P(C,D)≥β} (3);
步骤2.5:利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β):
若单个属性i的依赖度λ(Ci,Di,β)等于λ(C,D,β),则认为此条属性为冗余属性,予以删除;若λ(Ci,Di,β)不等于λ(C,D,β),则利用公式(5)计算重要度SIG(C,{i}),当SIG(C,{i})≠0时,将此条属性作为属性核之一,即Core={Ci,};否则,此条属性为非属性核,令i=i+1;
SIG(C,{i})=λ(C,{i},β)+λ({i},D,β) (5);
步骤2.6:判断条件属性循环;若i>m,约简结束,执行步骤2.7;如果否,返回步骤2.3;
步骤2.7:获得属性核集合,形成属性约简表。
4.根据权利要求3所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法,其特征在于:所述步骤3的具体过程如下:
步骤3.1:设定参数:初始RBF神经网络的学习速率η、收敛精度ε:
步骤3.2:确定输入向量x、实际输出向量y和期望输出向量o,x=[x1,x2,……xm]T,y=[y1,y2,……yn]T,o=[o1,o2,……on]T;
步骤3.3:确定输入层;输入层为样本的条件属性向量,即步骤3.2中的输入向量x=[x1,x2,……xm]T;输入层节点数量为样本的维度m;
步骤3.4:确定隐藏层;径向基神经元(径向基函数)数量为p(p>m),采用高斯函数作为径向基函数Φj(x)如公式(6):
其中,x为m维的输入变量,cj是第j个径向基函数的中心,与x具有相同维数的向量;δj是第j个隐层神经元的径向基函数宽度;
步骤3.5:确定输出层;整个网络的输出是隐藏层隐神经单元输出的线性加权和,采用如下公式(7)表示:
步骤3.6:采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化,寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小:
其中,y(x)为网络的实际输出向量,o为期望输出向量;
步骤3.7:基于梯度下降法,对利用公式(8)、(9)、(10)、(11)对中心点、中心宽度和权重参数进行更新迭代计算;
其中,为梯度向量;
步骤3.8:判断收敛性,若ξ≤ε,则执行步骤4;否则,执行步骤3.6。
5.根据权利要求4所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法,其特征在于:所述步骤4的具体过程如下:
选择约简后决策表中的剩余部分数据作为测试样本,将径向基神经训练结果与测试样本实际结果相对比,即得到故障诊断模型的故障诊断准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837064.XA CN110688809B (zh) | 2019-09-05 | 2019-09-05 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837064.XA CN110688809B (zh) | 2019-09-05 | 2019-09-05 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688809A true CN110688809A (zh) | 2020-01-14 |
CN110688809B CN110688809B (zh) | 2023-06-09 |
Family
ID=69107754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837064.XA Active CN110688809B (zh) | 2019-09-05 | 2019-09-05 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688809B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
CN112365992A (zh) * | 2020-11-27 | 2021-02-12 | 安徽理工大学 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
CN113419425A (zh) * | 2021-07-07 | 2021-09-21 | 哈尔滨理工大学 | 一种高速电主轴水冷系统智能调控方法 |
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030117652A1 (en) * | 1999-09-17 | 2003-06-26 | Paul Lapstun | Rotationally symmetric tags |
CN101430309A (zh) * | 2008-11-14 | 2009-05-13 | 西安建筑科技大学 | 基于粗糙集—rbf神经网络的环境质量评价方法 |
CN101609510A (zh) * | 2009-07-15 | 2009-12-23 | 北京交通大学 | 一种对图像、视频进行维数约简的方法 |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN104091209A (zh) * | 2014-06-26 | 2014-10-08 | 沈阳工业大学 | 基于bp神经网络的风电机组功率特性评估方法 |
CN105335698A (zh) * | 2015-09-15 | 2016-02-17 | 河南理工大学 | 一种基于自适应遗传算法和som网络的齿轮故障诊断方法 |
CN105403811A (zh) * | 2015-12-14 | 2016-03-16 | 北京天诚同创电气有限公司 | 风电场电网故障诊断方法和装置 |
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
CN106874963A (zh) * | 2017-03-17 | 2017-06-20 | 南京邮电大学 | 一种基于大数据技术的配电网故障诊断方法及系统 |
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 |
-
2019
- 2019-09-05 CN CN201910837064.XA patent/CN110688809B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030117652A1 (en) * | 1999-09-17 | 2003-06-26 | Paul Lapstun | Rotationally symmetric tags |
CN101430309A (zh) * | 2008-11-14 | 2009-05-13 | 西安建筑科技大学 | 基于粗糙集—rbf神经网络的环境质量评价方法 |
CN101609510A (zh) * | 2009-07-15 | 2009-12-23 | 北京交通大学 | 一种对图像、视频进行维数约简的方法 |
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
CN104091209A (zh) * | 2014-06-26 | 2014-10-08 | 沈阳工业大学 | 基于bp神经网络的风电机组功率特性评估方法 |
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
CN105335698A (zh) * | 2015-09-15 | 2016-02-17 | 河南理工大学 | 一种基于自适应遗传算法和som网络的齿轮故障诊断方法 |
CN105403811A (zh) * | 2015-12-14 | 2016-03-16 | 北京天诚同创电气有限公司 | 风电场电网故障诊断方法和装置 |
CN106874963A (zh) * | 2017-03-17 | 2017-06-20 | 南京邮电大学 | 一种基于大数据技术的配电网故障诊断方法及系统 |
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 (2)
Title |
---|
李宗礼: "油浸式电力变压器的故障诊断方法研究", no. 04, pages 042 - 213 * |
谢迎新 等: "基于VPRS和RBF神经网络的WSN节点故障诊断", vol. 30, no. 7, pages 807 - 811 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
CN112215279B (zh) * | 2020-10-12 | 2024-02-02 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
CN112365992A (zh) * | 2020-11-27 | 2021-02-12 | 安徽理工大学 | 一种基于nrs-lda的医疗体检数据识别分析方法 |
CN113419425A (zh) * | 2021-07-07 | 2021-09-21 | 哈尔滨理工大学 | 一种高速电主轴水冷系统智能调控方法 |
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110688809B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688809B (zh) | 一种基于vprs-rbf神经网络的箱变故障诊断方法 | |
CN112163371B (zh) | 一种变压器套管状态评估方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN111814390B (zh) | 基于传递熵和小波神经网络的电压互感器误差预测方法 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
An et al. | A data-driven method for transient stability margin prediction based on security region | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
US20050096772A1 (en) | Transformer performance prediction | |
CN109066819B (zh) | 一种基于案件推理的配电网的无功优化方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN110243834A (zh) | 基于知识图谱的变压器设备缺陷分析方法 | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
Wang et al. | Power system fault classification and prediction based on a three-layer data mining structure | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
Huang et al. | A data mining approach for transformer failure rate modeling based on daily oil chromatographic data | |
Liu et al. | Two-stage short-term load forecasting for power transformers under different substation operating conditions | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
Fan et al. | Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network | |
CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
Khalyasmaa et al. | Training sample formation for intelligent recognition of circuit breakers states patterns | |
CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 |
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 |