CN111145042A - 一种采用全连接神经网络的配电网电压异常诊断方法 - Google Patents
一种采用全连接神经网络的配电网电压异常诊断方法 Download PDFInfo
- Publication number
- CN111145042A CN111145042A CN201911411359.7A CN201911411359A CN111145042A CN 111145042 A CN111145042 A CN 111145042A CN 201911411359 A CN201911411359 A CN 201911411359A CN 111145042 A CN111145042 A CN 111145042A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- neural network
- training
- power distribution
- 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 54
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 15
- 239000010410 layer Substances 0.000 description 48
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- PXFBZOLANLWPMH-SMLHJDAJSA-N Affinine Chemical compound C1C(C2=CC=CC=C2N2)=C2C(=O)C[C@@H]2C(=C/C)\CN(C)[C@H]1C2CO PXFBZOLANLWPMH-SMLHJDAJSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种采用全连接神经网络的配电网电压异常诊断方法,包括:1)、采集待诊断区域一段时间内配电网电压采样数据,进行处理,获得电压数据观测集;2)采用K‑means聚类算法将观测集中n个电压数据划分到3个集合中;3)为3个集合中的数据设设置标签;4)将三个集合中的数据分为训练集、测试集和验证集;5)搭建全连接深度神经网络,并采用训练集训练深度神经网络,最终获得训练好的神经网络模型;6)验证集输入训练好的经网络模型,识别验证集中各组数据所述的类别标签,完成配电网电压异常诊断。本发明将深度学习技术应用于电压异常值自动识别方向,相比于其他算法具有高效省力的特点。
Description
技术领域
本发明属于电力电压异常检测领域,特别涉及一种采用全连接神经网络的配电网电压异常诊断方法。
背景技术
我国现在正处于全方位飞速发展的阶段,电能作为保证民生的重要基石其需求也日益增大,电网规模的扩大使其复杂程度成为了保证电网安全运行带来更加巨大的挑战。电压作为保障供电的基本条件,是评价电能质量的重要目标。在电网存储的数据中,存在许多某一时刻电压过高或过低的情况,电压异常的识别是制定异常治理方案的基础。随着深度学习技术的发展,越来越多的领域可以通过对数据进行分析学习来解决实际问题,在与配电网大数据的结合下,通过深度学习实现电网数据异常诊断也成为了一种新的方向。
目前深度学习在电力领域的研究有电压暂降源识别和电力系统静态稳定预测等。电压暂降源的识别是拟定暂降治,它能通过深度学习算法中的卷积神经网络捕捉电压暂降信号的时序特征和空间特征。基于在电网调度中心全国范围内采集细粒度量测数据,电力系统静态稳定预测中通过数据进行知识学习的深度神经网络方法得以实现。深度学习能够从电力系统的潮流轨迹信息中提取电压稳定运行的高维特征,这是基于神经网络的电力系统静态稳定预测方法的关键点,以此实现对于稳定态势的感知和预测。
现有的针对配电网问题典型算法存在诸多缺陷,如最早发展起来的专家系统在推理时需要在知识库内搜索匹配一定的规则集才能得出结论,耗时长且容错率较差。深度学习的出现取代了繁杂的计算过程,运行起来效率高、易实现,而且能够对数据进行特征抽取和学习,完成预测、识别等复杂行为,使最终结果更加精确。在智能电网的全面覆盖下,充足的电网数据可以被深度学习有效利用,神经网络能够提取数据特征,自动学习数据间的联系特性。基于这一特性,根据现有的实际配电网数据为基础,通过建立神经网络对聚类处理后的电压数据进行训练,构建能够自动提取电压异常信号特征参数的模型,按需求对数据进行处理及分类,实现对某地区日电压数据中异常值或多个地区同一时刻电压异常值的高精度自动识别。
发明内容
本发明的目的在于提供一种采用全连接神经网络的配电网电压异常诊断方法,将深度学习技术应用于电压异常值自动识别方向,相比于其他算法具有高效省力的特点。
为了实现上述目的,本发明采用如下技术方案:
一种采用全连接神经网络的配电网电压异常诊断方法,包括以下步骤:
1)、采集待诊断区域一段时间内配电网电压采样数据,作为原始数据;对原始数据进行处理,获得电压数据观测集;
2)采用K-means聚类算法将观测集中n个电压数据划分到3个集合中;
3)为3个集合中的数据设设置标签,分别为0、1、2;其中标签0代表日电压存在电压过高的情况,1代表存在电压过低的情况,2代表全天无异常情况,电压处于平稳趋势;
4)将三个集合中的数据分为训练集、测试集和验证集;
5)搭建全连接深度神经网络,并采用训练集训练深度神经网络,训练后用测试集检测准确率,反复调整神经网络训练,使准确率达到预设目标,最终获得训练好的神经网络模型;
6)验证集输入训练好的经网络模型,识别验证集中各组数据所述的类别标签,完成配电网电压异常诊断。
进一步的,电压数据观测集为(x1,x2,……,xn),n为满足每日有96个数据的天数,其中每个电压数据观测都是一个(a1,a2,……,a96)的一维向量。
进一步的,步骤3)具体包括:
首先,随机选则3组电压数据作为初始的聚类中心,然后计算剩余每组电压数据与初始的聚类中心之间的距离;根据每组数据得出的结果把他们分配给距离最近的聚类中心;所有距离某一聚类中心很近的数据组成一个聚类,当第一轮全部对象都分给各个聚类中心后,聚类中心根据这些数据重新计算;这个过程反复发生直到聚类中心不再改变,或者数据已经全部分配给距离最近的聚类中心;
然后,创建一个含有3个随机质心向量的集合,将数据集分为3个簇,随机质心在整个数据集的边界之内;
在创建3个质心向量后,数据集内其余向量分配到最近的质心,再重新计算;重复这个过程,直到数据的簇分配结果不再改变位置为止。
进一步的,全连接深度神经网络通过Affine层、激活函数ReLU、Softmax-with-Loss层交替实现,首先是正向传播过程,将电压数据通过Affine层和激活函数ReLU层进行转换,预测结果通过Softmax进行正则化,转换为概率输出,计算损失函数后反向传播,进行参数更新,经过多次参数更新,直到误差在允许范围内,获得训练好的神经网络模型。
进一步的,首先数据处理(shujuji.py)程序来处理初始采集的电压数据,将电压数据按天分割,每一天的电压数据将对应一个标签:0或1或2;用train_deepnet.py训练神经网络,程序中先用load_dataset()函数加载处理好的电压数据,再调用network.TwoLayNet()函数搭建双层全连接神经网络,进入训练程序(trainer.py)进行训练;训练中采用了dropout策略抑制过拟合,利用batch_mask=np.network.choice()函数进行拟归一化,结合下一步计算的权重参数梯度函数抑制梯度弥散问题;利用loss=self.network.loss()函数计算交叉熵误差,在反复训练过程中误差越来越小,将检测集训练后得出的标签与监督标签对比,计算精确度;该精确度与最初设定的目标准确度相对比,若未达到要求则采用Adam算法进行参数的更新,最终直到达到满意的准确度。
本发明中:
1)采用K-means聚类算法,经过处理后的电压数据观测集为(x1,x2,……,xn),n为满足每日有96个数据的天数,其中每个观测都是一个(a1,a2,……,a96)的一维向量。在判断电压数据异常时,将数据分为存在过高电压点、存在过低电压点以及全天平稳这三类。
2)在聚类过程中,算法会先随机选则3组电压数据作为初始的聚类中心,然后计算剩余每组电压数据与初始的聚类中心之间的距离。根据每组数据得出的结果把他们分配给距离最近的聚类中心。所有距离某一聚类中心很近的数据组成一个聚类,当第一轮全部对象都分给各个聚类中心后,聚类中心会根据这些数据重新计算。这个过程反复发生直到聚类中心不再改变,或者数据已经全部分配给距离最近的聚类中心。
3)创建一个含有3个随机质心向量的集合,将数据集分为3个簇,随机质心在整个数据集的边界之,这可以通过找到数据集每一维的最小和最大值来完成,然后生成0到0.1之间的随机数并通过取值范围和最小值,以便确保随机点在数据的边界之内。在创建3个质心向量后,数据集内其余向量会分配到最近的质心,再重新计算。这个过程将重复很多次,直到数据的簇分配结果不再改变位置为止。
4)为所有分类后的数据设计标签,分别为0,1,2。其中标签0代表日电压存在电压过高的情况,1代表存在电压过低的情况,2代表全天无异常情况,电压处于平稳趋势。
5)根据输入的电压数据特点,搭建全连接深度神经网络,通过Affine层、激活函数ReLU、Softmax-with-Loss层交替实现
6)构建正向传播过程,将电压数据通过Affine层和激活函数ReLU层进行转换;
7)预测结果通过Softmax进行正则化,转换为概率输出;
8)计算损失函数后反向传播,进行参数更新。
相对于现有技术,本发明具有以下有益效果:
本发明的核心是构建和训练一个深度神经网络模型,该模型能够省去复杂的人工特征提取过程,通过Kmeans聚类法将日电压数据分类后,利用双层全连接神经网络自主学习不同类别电压数据的抽象特征,挖掘其中蕴含的关键信息。训练模型的过程可以在离线情况下进行,将各层神经网络的偏重值、权重值以及反复训练的损失函数结果保存,得到成熟的深度学习神经网络,在此基础上可以直接用于在线多组数据检测。基于深度学习进行的电压异常检测相比于普通数值大小检测,能够更加智能的贴合当地电压稳定性特性,通过自主学习准确检测有异于该地区普遍电压数据的异常值,并定位到具体时刻;本发明将深度学习技术应用于电压异常值自动识别方向,相比于其他算法具有高效省力的特点。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明方法流程图;
图2为K-means算法的工作流程图;
图3为全连接神经网络整体结构图;
图4为全连接神经网络的实现图;
图5为全连接Affine层模块功能图;
图6为ReLU层模块功能图;
图7为SoftmaxWithLoss层模块功能图;
图8为聚类后的各类别电压波形图;
图9为神经网络训练流程图;
图10为在经过多次参数调整后,最终获得的运行结果图;
图11为三组数据的识别结果示意图;其中,图11(a)为第一组数据的识别结果示意图;图11(b)为第二组数据的识别结果示意图;图11(c)为第三组数据的识别结果示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
请参阅图1所示,本发明提供一种采用全连接神经网络的配电网电压异常诊断方法,主要分为两部分,第一部分是创建用于训练神经网络的数据集,数据集分为训练集、测试集与验证集,每部分数据都是由电压样本数据与标签组成,深度神经网络可以通过学习数据与标签之间的特征关系来识别数据,所以首席按要给电压样本数据确定标签,标识异常电压;第二部分是搭建基于电压数据特点的神经网络模型各部分以及训练,实现深度学习的电压识别。训练集测试集和验证集是针对所有电压数据即三个集合数据分别划分,其中训练集数量最大,测试集用来测试准确率,验证集就是实际要识别的电压数据。
1.1电压异常的标识方法
本发明采用K-means聚类算法,经过处理后的电压数据观测集为(x1,x2,……,xn),n为满足每日有96个数据的天数,其中每个电压数据观测都是一个(a1,a2,……,a96)的一维向量。在判断电压数据异常时,将数据分为存在过高电压点、存在过低电压点以及全天平稳这三类。Kmeans聚类算法可以实现将这n个观测划分到3个集合中。
在聚类过程中,算法会先随机选则3组电压数据作为初始的聚类中心,然后计算剩余每组电压数据与初始的聚类中心之间的距离。根据每组数据得出的结果把他们分配给距离最近的聚类中心。所有距离某一聚类中心很近的数据组成一个聚类,当第一轮全部对象都分给各个聚类中心后,聚类中心会根据这些数据重新计算。这个过程反复发生直到聚类中心不再改变,或者数据已经全部分配给距离最近的聚类中心。
然后创建一个含有3个随机质心向量的集合,将数据集分为3个簇,随机质心在整个数据集的边界之内,这可以通过找到数据集每一维的最小和最大值来完成,然后生成0到0.1之间的随机数并通过取值范围和最小值,以便确保随机点在数据的边界之内。
在创建3个质心向量后,数据集内其余向量会分配到最近的质心,再重新计算。这个过程将重复很多次,直到数据的簇分配结果不再改变位置为止。
K-means算法的工作流程如图2所示。
聚类后的电压数据被分为三类,每个类别中的数据均高度相似,为区分数据究竟属于哪一类别,为所有分类后的数据设计标签,分别为0,1,2。其中标签0代表日电压存在电压过高的情况,1代表存在电压过低的情况,2代表全天无异常情况,电压处于平稳趋势。
1.2、深度学习的电压识别方法
考虑到待测电压数据的特点,本发明提出的深度神经网络模型主要由全连接层构成,网络的输入层是多组一维向量的输入模式,全连接层则根据数据特征进行学习和计算,最终得到输出的预测值。
全连接神经网络整体结构如图3所示。
全连接深度神经网络模型是基于单层感知机网络模型的基础上,加入多个隐藏层的人工神经网络,它同样包含输入层、隐藏层、输出层,全连接神经网络的特点是相邻层的神经元在权重的联系下两两相连。
全连接深度神经网络的训练主要通过误差反向传播算法实现,其训练过程主要分为前向传播、误差计算和反向传播。首先在前向传播阶段,训练数据由输入层输入,在第一层得到线性结果,再经过各个隐含层激活函数的非线性处理,在输出层得到前向传播的结果。当第一次输出的值与监督标签的差距过大便开始计算误差,将误差结果从顶层传递到底层,在传递过程中不断改变神经元的权重与偏置参数,这个过程反复发生直到误差在允许范围内,将此时的参数加以保存,这样一个深度神经网络模型便训练好了。
根据输入的电压数据特点,本发明搭建全连接深度神经网络主要通过Affine层、激活函数ReLU、Softmax-with-Loss层交替实现,首先是正向传播过程,将电压数据通过Affine层和激活函数ReLU层进行转换,预测结果通过Softmax进行正则化,转换为概率输出,计算损失函数后反向传播,进行参数更新。其实现过程如图4所示。
1.2.1、全连接Affine层
神经网络的正向传播中,为了计算加权信号的总和,使用了矩阵的乘积运算,这一步骤在几何学领域被称为“仿射变换”,仿射变换通过“Affine层”实现。
Affine层功能在程序中用class Affine()实现,其模块功能如图5所示。
1.2.2、激活函数
激活函数使神经网络可以学习非线性函数,大大开拓了神经网络的应用场合,本发明中输入层和隐藏层的激活函数选择了ReLU函数,通过引入这一函数改善了其他激活函数梯度消失的问题,在程序中通过class ReLU()实现,其模块功能如图5所示。
1.2.3、SoftmaxWithLoss层
Softmax在神经网络中多用在分类过程,不论经过全连接神经网络后神经元的输出值是多少,Softmax层都能将它们映射到(0,1)区间内,这些值累加后和为1,这便和概率问题结合起来,在最后选取输出节点的时候选择值对应的数,也就是概率最大的作为预测结果。在实现Softmax层时,也包含作为损失函数的交叉熵误差(cross entropy error),所以称为SoftmaxWithLoss层。
在本发明中Softmax函数记为Softmax层,交叉熵误差记为CrossEntropyError层,根据电压数据分为了3类,将从前面的层接收3个输入。softmax层将输入(a1,a2,a3)正规化,输出(y1,y2,y3)。CrossEntropyError层接收(y1,y2,y3)和监督标签(t1,t2,t3),从这些数据中输出损失L。Softmax层的反向传播得到了((y1-t1,y2-t2,y3-t3)结果,这是Softmax层的输出和监督标签的差分,神经网络的反向传播会把这个差分表示的误差传递给前面的层。
在程序中通过class SoftmaxWithLoss()实现,其模块功能如图7所示。
1.3、误差反向传播的神经网络搭建
本发明通过构建TwoLayerNet类实现2层神经网络,这个类的实例变量和方法整理如下。
表1变量说明
表2方法说明
本发明的实验验证首先就是要获取数量足够且具有代表性的配电网电压数据:采集A省B市共十三个区域2016、2017两年记录的全部配电网各项数据作为原始数据。数据包括全年每日每隔十五分钟的记录,则理想情况为每日有96条。
对原始数据进行处理,使数据与全连接层输入对应。研究目的为实现对某地区日电压数据中异常值的检测,那么首先应该将数据以天为单位分割,训练的数据集中一个样本为一天内的96个数据组成的一维向量,存储在列表中,作为全连接神经网络的输入值。
表3数据处理后样本
将所有地区的电压数据分别处理为日电压向量后,采用K-means的聚类算法,对各地区电压数据进行聚类,并为每个类别设置标签,标签设置如表4所示。
表4标签样本
聚类后的各类别电压波形图列举如图8所示。
训练集中的数据已经经过聚类,设定好标签集后,就可以对神经网络进行训练了。训练过程的程序实现如图9所示。
在经过多次参数调整后,最终得到了较为满意的结果。在程序中运行结果显示为如图10。
2、实验验证
通过训练好的神经网络模型,给入验证集数据让其进行自动识别。该模型可以同时识别多组数据,本发明为了直观体现检测结果,选取了三组较为具有代表性的数据进行分析。三组日电压数据如表5。
表5日电压样本数据
将三组日电压数据作为验证集输入训练好的深度神经网络模型中,模型将自动识别三组数据所属的类别。0代表存在电压偏高的数值,1代表存在电压偏低的情况,2则表示电压无较大波动。为了更加直观的展示日电压情况是否存在与标签代表的含义相同的异常情况,可用图像直观展示识别结果,如图11所示。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (5)
1.一种采用全连接神经网络的配电网电压异常诊断方法,其特征在于,包括以下步骤:
1)、采集待诊断区域一段时间内配电网电压采样数据,作为原始数据;对原始数据进行处理,获得电压数据观测集;
2)采用K-means聚类算法将观测集中n个电压数据划分到3个集合中;
3)为3个集合中的数据设设置标签,分别为0、1、2;其中标签0代表日电压存在电压过高的情况,1代表存在电压过低的情况,2代表全天无异常情况,电压处于平稳趋势;
4)将三个集合中的数据分为训练集、测试集和验证集;
5)搭建全连接深度神经网络,并采用训练集训练深度神经网络,训练后用测试集检测准确率,反复调整神经网络训练,使准确率达到预设目标,最终获得训练好的神经网络模型;
6)验证集输入训练好的经网络模型,识别验证集中各组数据所述的类别标签,完成配电网电压异常诊断。
2.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法,其特征在于,电压数据观测集为(x1,x2,……,xn),n为满足每日有96个数据的天数,其中每个电压数据观测都是一个(a1,a2,……,a96)的一维向量。
3.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法,其特征在于,步骤3)具体包括:
首先,随机选则3组电压数据作为初始的聚类中心,然后计算剩余每组电压数据与初始的聚类中心之间的距离;根据每组数据得出的结果把他们分配给距离最近的聚类中心;所有距离某一聚类中心很近的数据组成一个聚类,当第一轮全部对象都分给各个聚类中心后,聚类中心根据这些数据重新计算;这个过程反复发生直到聚类中心不再改变,或者数据已经全部分配给距离最近的聚类中心;
然后,创建一个含有3个随机质心向量的集合,将数据集分为3个簇,随机质心在整个数据集的边界之内;
在创建3个质心向量后,数据集内其余向量分配到最近的质心,再重新计算;重复这个过程,直到数据的簇分配结果不再改变位置为止。
4.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法,其特征在于,全连接深度神经网络通过Affine层、激活函数ReLU、Softmax-with-Loss层交替实现,首先是正向传播过程,将电压数据通过Affine层和激活函数ReLU层进行转换,预测结果通过Softmax进行正则化,转换为概率输出,计算损失函数后反向传播,进行参数更新,经过多次参数更新,直到误差在允许范围内,获得训练好的神经网络模型。
5.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法,其特征在于,首先数据处理程序来处理初始采集的电压数据,将电压数据按天分割,每一天的电压数据将对应一个标签:0或1或2;用train_deepnet.py训练神经网络,程序中先用load_dataset()函数加载处理好的电压数据,再调用network.TwoLayNet()函数搭建双层全连接神经网络,进入训练程序进行训练;训练中采用了dropout策略抑制过拟合,利用batch_mask=np.network.choice()函数进行拟归一化,结合下一步计算的权重参数梯度函数抑制梯度弥散问题;利用loss=self.network.loss()函数计算交叉熵误差,在反复训练过程中误差越来越小,将检测集训练后得出的标签与监督标签对比,计算精确度;该精确度与最初设定的目标准确度相对比,若未达到要求则采用Adam算法进行参数的更新,最终直到达到满意的准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911411359.7A CN111145042A (zh) | 2019-12-31 | 2019-12-31 | 一种采用全连接神经网络的配电网电压异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911411359.7A CN111145042A (zh) | 2019-12-31 | 2019-12-31 | 一种采用全连接神经网络的配电网电压异常诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145042A true CN111145042A (zh) | 2020-05-12 |
Family
ID=70522515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911411359.7A Pending CN111145042A (zh) | 2019-12-31 | 2019-12-31 | 一种采用全连接神经网络的配电网电压异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145042A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736148A (zh) * | 2020-06-28 | 2020-10-02 | 国家海洋环境预报中心 | 卫星雷达高度计海浪有效波高的订正方法及相关装置 |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
CN112599250A (zh) * | 2020-12-24 | 2021-04-02 | 中国人民解放军总医院第三医学中心 | 一种基于深度神经网络的术后数据分析方法及设备 |
CN112699924A (zh) * | 2020-12-22 | 2021-04-23 | 安徽卡思普智能科技有限公司 | 一种车辆横向稳定性的识别方法 |
CN112735550A (zh) * | 2021-01-12 | 2021-04-30 | 山东大学 | 神经网络鲁棒性快速验证方法、系统、设备及存储介质 |
CN113111096A (zh) * | 2021-04-08 | 2021-07-13 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备高维时序工况数据的异常检测方法 |
CN113191409A (zh) * | 2021-04-20 | 2021-07-30 | 国网江苏省电力有限公司营销服务中心 | 标签数据扩充与深度学习的居民异常用电行为检测方法 |
CN113378990A (zh) * | 2021-07-07 | 2021-09-10 | 西安电子科技大学 | 基于深度学习的流量数据异常检测方法 |
CN113688910A (zh) * | 2021-08-26 | 2021-11-23 | 国网江苏省电力有限公司常州供电分公司 | 一种基于k-BP算法的电网运行多源信息融合方法 |
CN115017735A (zh) * | 2022-07-05 | 2022-09-06 | 重庆大学 | 一种用于高维系统的多代理概率电压稳定计算方法 |
CN115098824A (zh) * | 2022-06-28 | 2022-09-23 | 东莞灵虎智能科技有限公司 | 一种基于bp神经网络的超声传感器灵敏度补偿曲线构建方法 |
CN115713158A (zh) * | 2022-11-23 | 2023-02-24 | 贵州电网有限责任公司信息中心 | 配电网稳定性预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071010A1 (en) * | 2014-05-31 | 2016-03-10 | Huawei Technologies Co., Ltd. | Data Category Identification Method and Apparatus Based on Deep Neural Network |
CN106156792A (zh) * | 2016-06-24 | 2016-11-23 | 中国电力科学研究院 | 一种基于台区电气特征参数的低压台区聚类方法 |
CN109635928A (zh) * | 2018-12-06 | 2019-04-16 | 华北电力大学 | 一种基于深度学习模型融合的电压暂降原因识别方法 |
CN109657712A (zh) * | 2018-12-11 | 2019-04-19 | 浙江工业大学 | 一种基于Spark改进的K-Means算法的电商餐饮数据分析方法 |
CN109800660A (zh) * | 2018-12-27 | 2019-05-24 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据聚类的电压暂降源识别方法和系统 |
CN110068302A (zh) * | 2019-03-07 | 2019-07-30 | 中科院微电子研究所昆山分所 | 一种基于深度神经网络的车辆测距方法 |
-
2019
- 2019-12-31 CN CN201911411359.7A patent/CN111145042A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071010A1 (en) * | 2014-05-31 | 2016-03-10 | Huawei Technologies Co., Ltd. | Data Category Identification Method and Apparatus Based on Deep Neural Network |
CN106156792A (zh) * | 2016-06-24 | 2016-11-23 | 中国电力科学研究院 | 一种基于台区电气特征参数的低压台区聚类方法 |
CN109635928A (zh) * | 2018-12-06 | 2019-04-16 | 华北电力大学 | 一种基于深度学习模型融合的电压暂降原因识别方法 |
CN109657712A (zh) * | 2018-12-11 | 2019-04-19 | 浙江工业大学 | 一种基于Spark改进的K-Means算法的电商餐饮数据分析方法 |
CN109800660A (zh) * | 2018-12-27 | 2019-05-24 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据聚类的电压暂降源识别方法和系统 |
CN110068302A (zh) * | 2019-03-07 | 2019-07-30 | 中科院微电子研究所昆山分所 | 一种基于深度神经网络的车辆测距方法 |
Non-Patent Citations (2)
Title |
---|
曹渝昆 等: "基于RA-DNN 的电力变压器故障分类方法", 《电气自动化》 * |
李大中 等: "基于深度全连接神经网络的风机叶片结冰预测方法", 《电力科学与工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736148B (zh) * | 2020-06-28 | 2021-06-08 | 国家海洋环境预报中心 | 卫星雷达高度计海浪有效波高的订正方法及相关装置 |
CN111736148A (zh) * | 2020-06-28 | 2020-10-02 | 国家海洋环境预报中心 | 卫星雷达高度计海浪有效波高的订正方法及相关装置 |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
CN112699924A (zh) * | 2020-12-22 | 2021-04-23 | 安徽卡思普智能科技有限公司 | 一种车辆横向稳定性的识别方法 |
CN112599250A (zh) * | 2020-12-24 | 2021-04-02 | 中国人民解放军总医院第三医学中心 | 一种基于深度神经网络的术后数据分析方法及设备 |
CN112735550B (zh) * | 2021-01-12 | 2023-04-07 | 山东大学 | 神经网络鲁棒性快速验证方法、系统、设备及存储介质 |
CN112735550A (zh) * | 2021-01-12 | 2021-04-30 | 山东大学 | 神经网络鲁棒性快速验证方法、系统、设备及存储介质 |
CN113111096A (zh) * | 2021-04-08 | 2021-07-13 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备高维时序工况数据的异常检测方法 |
CN113111096B (zh) * | 2021-04-08 | 2023-09-05 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备高维时序工况数据的异常检测方法 |
CN113191409A (zh) * | 2021-04-20 | 2021-07-30 | 国网江苏省电力有限公司营销服务中心 | 标签数据扩充与深度学习的居民异常用电行为检测方法 |
CN113378990A (zh) * | 2021-07-07 | 2021-09-10 | 西安电子科技大学 | 基于深度学习的流量数据异常检测方法 |
CN113378990B (zh) * | 2021-07-07 | 2023-05-05 | 西安电子科技大学 | 基于深度学习的流量数据异常检测方法 |
CN113688910A (zh) * | 2021-08-26 | 2021-11-23 | 国网江苏省电力有限公司常州供电分公司 | 一种基于k-BP算法的电网运行多源信息融合方法 |
CN115098824A (zh) * | 2022-06-28 | 2022-09-23 | 东莞灵虎智能科技有限公司 | 一种基于bp神经网络的超声传感器灵敏度补偿曲线构建方法 |
CN115098824B (zh) * | 2022-06-28 | 2024-04-19 | 东莞灵虎智能科技有限公司 | 一种基于bp神经网络的超声传感器灵敏度补偿曲线构建方法 |
CN115017735A (zh) * | 2022-07-05 | 2022-09-06 | 重庆大学 | 一种用于高维系统的多代理概率电压稳定计算方法 |
CN115017735B (zh) * | 2022-07-05 | 2023-08-15 | 重庆大学 | 一种用于高维系统的多代理概率电压稳定计算方法 |
CN115713158A (zh) * | 2022-11-23 | 2023-02-24 | 贵州电网有限责任公司信息中心 | 配电网稳定性预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145042A (zh) | 一种采用全连接神经网络的配电网电压异常诊断方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
CN108614548B (zh) | 一种基于多模态融合深度学习的智能故障诊断方法 | |
CN115270956B (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN114295377B (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
CN115276006A (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
CN110738349A (zh) | 基于多模型融合的电网故障抢修时长预测方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN102339347A (zh) | 用于技术系统的计算机辅助分析的方法 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN110210569A (zh) | 基于fcm-lstm的化工储罐异常检测算法研究 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
Lughofer et al. | Human–machine interaction issues in quality control based on online image classification | |
Li et al. | An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions | |
Liao et al. | Remaining useful life with self-attention assisted physics-informed neural network | |
CN111586728A (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
Fan et al. | Data-driven optimization of accessory combinations for final testing processes in semiconductor manufacturing | |
CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 | |
CN112200251A (zh) | 一种基于多尺度卷积神经网络的监测系统数据评估方法 | |
CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
CN114143210B (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
Mehta et al. | A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery |
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 |
Application publication date: 20200512 |
|
RJ01 | Rejection of invention patent application after publication |