CN111242463B - 一种基于bp神经网络的at单线供电系统的故障测距方法 - Google Patents
一种基于bp神经网络的at单线供电系统的故障测距方法 Download PDFInfo
- Publication number
- CN111242463B CN111242463B CN202010017660.6A CN202010017660A CN111242463B CN 111242463 B CN111242463 B CN 111242463B CN 202010017660 A CN202010017660 A CN 202010017660A CN 111242463 B CN111242463 B CN 111242463B
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- neural network
- input
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 47
- 210000002569 neuron Anatomy 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Locating Faults (AREA)
Abstract
本发明创造提供了一种基于BP神经网络的AT单线供电系统的故障测距方法,包括:S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络;S2、定义BP神经网络的参数;S3、选取SS、AT、SP所内的数据输入BP神经网络,建立输入与输出的映射关系Y为故障距离测距结果;S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练。本发明创造提供了一种基于BP神经网络来对AT单线供电系统故障进行定位的方法,此方法适用于系统不同位置,不同类型的故障定位,解决了AT变电所附近容易判错区间的问题,同时避免了因为模型简化与等效而导致测距偏差或测距错误的问题。
Description
技术领域
本发明创造属于电气化牵引铁路技术领域,尤其是涉及一种基于BP神经网络的AT单线供电系统的故障测距方法。
背景技术
单线AT供电系统,可以不用提高牵引网的绝缘等级,而使供电电压提高一倍,在同一牵引负荷的情况下,接触网与正馈线的电流减小一倍,鉴于这种独特的优势,已经被广泛的推广与应用。但是牵引系统构造比较复杂,由于自耦变压器,维护线PW、放电器等设备的接入,当故障发生时,每次都能高效准确的定位具有一定难度,不免偶然存在偏差甚至是错误;系统发生TR或FR短路故障时,行业内普遍采用吸上电流比法进行测距;
现有技术的缺点包括:1、在理论分析时,为了简化模型,进行了一些等效。实际中,在靠近AT所发生故障时,会有大部分电流流到非故障区间,这样根据各所的吸上电流来判断区间可能会判错,导致计算错误;2、由于模型的简化与等效,所以由模型得出的公式在定性研究中有一定参考价值,但在定量计算故障位置时,可能存在偏差,需要进行修正,且修正的规律也尚未有完善理论依据,只能进行尝试。
发明内容
有鉴于此,本发明创造旨在克服上述现有技术中存在的缺陷,提出一种基于BP神经网络的AT单线供电系统的故障测距方法。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种基于BP神经网络的AT单线供电系统的故障测距方法,包括:
S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络;
S2、定义BP神经网络的参数;
S3、选取SS、AT、SP所内的数据输入BP神经网络,建立输入与输出的映射关系Y为故障距离测距结果;
S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练;
S5、BP神经网络训练过程中,以输出层的期望输出与实际输出构造误差函数,通过对权重与阈值进行调整,使误差函数逐渐减小,直到输出的测距结果无限的趋近于正确值时,得到稳定的权重值和阈值并输出;
S6、借助Matlab的函数得到BP神经网络的权重值矩阵和阈值矩阵;
S7、将未训练过的数据组成输入矩阵,结合权重值矩阵和阈值矩阵,完成故障测距计算。
进一步的,所述步骤S1中,输入层包含15个AT单线系统的故障电量输入位;定义隐含层共有k层,每层神经个数为15个;输出层还有一个输出,该输出为输入故障电量对应的故障位置。
进一步的,所述步骤S2中,定义BP神经网络函数的具体步骤如下:定义BP神经网络的传递函数为logsig;学习速率为0.06;最大训练次数为10000次;训练函数为trainlm;学习函数为learngdm,训练所达到的误差目标为:1e-30;性能函数采用mse函数。
进一步的,所述步骤S3中,建立输入与输出的映射关系的具体方法如下:
S31、构建输入层的输入向量:
其中,为牵引变电所T线电流、F线电流、吸上电流、T线电压、F线电压;同理/>为AT所T线电流、F线电流、吸上电流、T线电压、F线电压;/>为分区所T线电流、F线电流、吸上电流、T线电压、F线电压;
S32、隐含层的每一个神经元包括四个参数,分别为输入x、输出y、阈值θ及影响权重w;第k-1层第i个神经元的输出为第k层的第j个神经元输入为/>阈值为/>若第i层有n个神经元,则四个参数之间的关系满足:
S33、输出层为测距结果,模拟量的数据输入经由各层神经元完成传递,通过激励函数f(x)作用后,求得输出矩阵:
进一步的,所述步骤S5中,得到权重值和阈值的具体方法如下:
S51、构件误差函数:
其中,为对应神经元的期望输出;
S52、为减小误差函数,改变神经元之间的权重值:假设第k-1层第i神经元对第k层第j神经的相应权重值的改变量应正比于误差函数最大的减小量,即误差函数对权重值的负导数,二者关系如下:
将上述公式与步骤S32中的参数关系公式联立,解出每次权重值与阈值的变化量如下所示:
其中,为第K层的算子;
S53、当K=m时,则
当K<m时,则
其中Z为第K层神经元个数,l为第K+1层的第l个神经元,m为输出层所在层数;
S54、得到算子后,对每一层神经元的权重值与阈值进行调整,各层神经元之间的连接权重值与未调整前关系如下所示:
其中t为修正的次数,μ为惯性系数。
进一步的,所述步骤S6中得到权重值矩阵和阈值矩阵的具体方法如下:借助Matlab中net.iW,net.lW,net.b三个函数得到权重值矩阵与阈值矩阵,并输出权重值矩阵:[W1]15×15,[W2]15×15,[W3]2×15;
阈值矩阵:[B1]15×1,[B2]15×1,[B3]2×1。
进一步的,所述步骤S7中,故障测距计算方法如下:
S71、设置隐含层为两层,训练样本的个数为P,计算第一个隐含层的输出:
hiddenoutput1=logsig(w1·input)+repmat(B1,1,P);
S72、计算第二个隐含层的输出:
hiddenoutput2=logsig(w2·hiddenoutput1)+repmat(B2,1,P);
S73、计算神经网络的输出:
output=logsig(w3·hiddenoutput2)+repmat(B3,1,P);
S74、将神经网络输出output借助Matlab的postmnmx函数完成反归一化,得到预测的故障距离。
相对于现有技术,本发明创造具有以下优势:
本发明创造提供了一种基于BP神经网络来对AT单线供电系统故障进行定位的方法,此方法适用于系统不同位置,不同类型的故障定位,解决了AT变电所附近容易判错区间的问题,同时避免了因为模型简化与等效而导致测距偏差或测距错误的问题。
本发明创造能够为AT单线的测距提供新的思路;BP神经网络在搭建成功后,能进行自主的进行训练与学习,短路数据积累的越多,故障定位的时间越短,准确度也会越高;此方法为大数据的处理也提供了一种思路,能让大量的短路数据得到更加科学的应用。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造实施例所述基于BP神经网络的AT单线供电系统的故障测距方法流程图;
图2为本发明创造实施例所述AT单线供电系统模型的结构示意图;
图3为本发明创造实施例所述的误差的平方和随着代数变化的曲线图;
图4为本发明创造实施例所述的输入与输出的映射关系示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明创造的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
一种基于BP神经网络的AT单线供电系统的故障测距方法,如图1至图4所示,包括:
S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络;
S2、定义BP神经网络的参数;
S3、选取SS、AT、SP所内的数据输入BP神经网络,建立输入与输出的映射关系Y为故障距离测距结果;
S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练;
S5、BP神经网络训练过程中,以输出层的期望输出与实际输出构造误差函数,通过对权重与阈值进行调整,使误差函数逐渐减小,直到输出的测距结果无限的趋近于正确值时,得到稳定的权重值和阈值并输出;
S6、借助Matlab的函数得到BP神经网络的权重值矩阵和阈值矩阵;
S7、将未训练过的数据组成输入矩阵,结合权重值矩阵和阈值矩阵,完成故障测距计算。
所述步骤S1中,输入层包含15个AT单线系统的故障电量输入位;定义隐含层共有k层,每层神经个数为15个;输出层还有一个输出,该输出为输入故障电量对应的故障位置。
所述步骤S2中,定义BP神经网络函数的具体步骤如下:定义BP神经网络的传递函数为logsig;学习速率为0.06;最大训练次数为10000次;训练函数为trainlm;学习函数为learngdm,训练所达到的误差目标为:1e-30;性能函数采用mse函数。
所述步骤S3中,建立输入与输出的映射关系的具体方法如下:
S31、构建输入层的输入向量:
其中,为牵引变电所T线电流、F线电流、吸上电流、T线电压、F线电压;同理/>为AT所T线电流、F线电流、吸上电流、T线电压、F线电压;/>为分区所T线电流、F线电流、吸上电流、T线电压、F线电压;
S32、隐含层的每一个神经元包括四个参数,分别为输入x、输出y、阈值θ及影响权重w;第k-1层第i个神经元的输出为第k层的第j个神经元输入为/>阈值为/>若第i层有n个神经元,则四个参数之间的关系满足:
S33、输出层为测距结果,模拟量的数据输入经由各层神经元完成传递,设输出层为第m层,令步骤S32中通过激励函数f(x)作用后,求得输出矩阵:
所述步骤S5中,得到权重值和阈值的具体方法如下:
S51、构件误差函数:
其中,为对应神经元的期望输出;
S52、为减小误差函数,改变神经元之间的权重值;具体的,误差函数是人为定义的,指的是实际输出与期望输出的误差值,整体思想就是通过改变权重与阈值降低这个误差值:假设第k-1层第i神经元对第k层第j神经的相应权重值的改变量应正比于误差函数最大的减小量,即误差函数对权重值的负导数,二者关系如下:
将上述公式与步骤S32中的参数关系公式联立,解出每次权重值与阈值的变化量如下所示:
其中,为第K层的算子;
S53、当K=m时,则
当K<m时,则
其中Z为第K层神经元个数,l为第K+1层的第l个神经元,m为输出层所在层数;具体的,可以理解为数值输入层为第一层,两层隐含层(分别为二层三层),一层输出层,理论上本文的输出层所在层数为4。
S54、得到算子后,对每一层神经元的权重值与阈值进行调整,各层神经元之间的连接权重值与未调整前关系如下所示:
其中t为修正的次数,μ为惯性系数;具体的,减小误差值用的是梯度降解法;权重值与阈值的改变量均正比于误差函数对权重值的负导数,训练一次,权重值与之改变一次,误差值减小;以当前的误差值再次训练一次,权重值与阈值再改变一次,误差值减小;重复这个过程
所述步骤S6中得到权重值矩阵和阈值矩阵的具体方法如下:借助Matlab中net.iW,net.lW,net.b三个函数得到权重值矩阵与阈值矩阵,并输出权重值矩阵:[W1]15×15,[W2]15×15,[W3]2×15;
阈值矩阵:[B1]15×1,[B2]15×1,[B3]2×1。
所述步骤S7中,故障测距计算方法如下:
S71、设置隐含层为两层,训练样本的个数为P,计算第一个隐含层的输出:
hiddenoutput1=logsig(w1·input)+repmat(B1,1,P);
S72、计算第二个隐含层的输出:
hiddenoutput2=logsig(w2·hiddenoutput1)+repmat(B2,1,P);
S73、计算神经网络的输出:
output=logsig(w3·hiddenoutput2)+repmat(B3,1,P);
S74、将神经网络输出output借助Matlab的postmnmx函数完成反归一化,得到预测的故障距离。
具体的,如图2所示,结合AT单线供电供电系统的模型对本发明进行描述,上述模型为现有系统的模型,此模型能能够设置不同的故障位置与故障类型,得到充足的短路数据,供BP神经网络训练使用,上述数据能够验证:BP神经网络不仅对训练过的数据能够准确测距,并且拥有对未知数据准确测距的泛化能力;
模型的部分参数:第一区间长度12KM;第二区间长度13KM;第一段上网线长度:3KM;第二段上网线长度:0.5KM;第三段上网线长度:0.5KM;每次故障时间为0.8S;仿真采用离散求解器,步长为:1e-5;
T单线供电系统故标系统主要包括:外部电网、供电臂、电铁馈线、GPS时钟,通道、故标装置等;当随机位置上处发生随机故障时,SS、AT、SP所内的故障数据会被故标装置记录下来,通过故标通道传送到牵引变电所。不同故障下,牵引变电所数据的矢量图如图3所示;由于位置与故障类型的不同,故障数据一定会存在差异;基于这种差异性,我们选取SS、AT、SP所内的数据作为输入,故障距离作为输出建立映射关系Y为测距结果。
根据不同的故障数据,BP神经网络测距算法将强化学习样本输入值与故障距离之间的联系,对权值进行调整;直到输出的测距结果无限的趋近于正确值,权值趋于稳定时完成故障测距,输出相应的测距结果。
其中训练神经网络的具体方法如下:首先将已知的故障数据与对应的故障距离输入网络,对创建好的神经网络进行训练;此过程数据越多,训练的网络测距结果就会越准确,泛化能力也越强;为获取充足的数据,可以基于Simulink模型进行仿真;每隔2KM进行一次短路实验,每次短路实验做三种类型的故障,每次实验后,故障数据通过Toworkplace模块输入神经网络;算完成后,对每层的期望与阈值进行修正;当E小于误差允许或训练次数满足时,完成神经网络的训练,输出故障距离与故障类型;在此过程中可得到误差E与训练次数的关系图,如图3所示,由图3可以看出,每个神经元误差的平方和随着代数的增加逐渐降低,且在前几次迭代尤为明显,所以隐含层设置2层,可以降低误差E。
在发生未曾训练过的故障时,神经网络可完成故障距离的预测,预测结束后,即使误差在满足范围内,神经网络也会将本次故障数据及对应的实际故障距离作为新的输入进行学习,调整原有的网络的权值与阈值;所以故障数据越多,测距的精度也会越准确,网络的泛化能力也会越强;综上所述:本方法可以准确的定位故障点的位置,为AT单线牵引供电系统稳定运行提供了可靠保证,同时为线路运行过程中故障数据的处理提供了一种思路。
本发明创造提供了一种基于BP神经网络来对AT单线供电系统故障进行定位的方法,此方法适用于系统不同位置,不同类型的故障定位,解决了AT变电所附近容易判错区间的问题,同时避免了因为模型简化与等效而导致测距偏差或测距错误的问题。
本发明创造能够为AT单线的测距提供新的思路;BP神经网络在搭建成功后,能进行自主的进行训练与学习,短路数据积累的越多,故障定位的时间越短,准确度也会越高;此方法为大数据的处理也提供了一种思路,能让大量的短路数据得到更加科学的应用。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (1)
1.一种基于BP神经网络的AT单线供电系统的故障测距方法,其特征在于,包括:
S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络;
S2、定义BP神经网络的参数;
S3、选取SS、AT、SP所内的数据输入BP神经网络,建立输入与输出的映射关系Y为故障距离测距结果;
S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练;
S5、BP神经网络训练过程中,以输出层的期望输出与实际输出构造误差函数,通过对权重与阈值进行调整,使误差函数逐渐减小,直到输出的测距结果无限的趋近于正确值时,得到稳定的权重值和阈值并输出;
S6、借助Matlab的函数得到BP神经网络的权重值矩阵和阈值矩阵;
S7、将未训练过的数据组成输入矩阵,结合权重值矩阵和阈值矩阵,完成故障测距计算;
所述步骤S3中,建立输入与输出的映射关系的具体方法如下:
S31、构建输入层的输入向量:
其中,为牵引变电所T线电流、F线电流、吸上电流、T线电压、F线电压;同理/>为AT所T线电流、F线电流、吸上电流、T线电压、F线电压;/>为分区所T线电流、F线电流、吸上电流、T线电压、F线电压;
S32、隐含层的每一个神经元包括四个参数,分别为输入x、输出y、阈值θ及影响权重w;第k-1层第i个神经元的输出为第k层的第j个神经元输入为/>阈值为/>若第i层有n个神经元,则四个参数之间的关系满足:
S33、输出层为测距结果,模拟量的数据输入经由各层神经元完成传递,通过激励函数f(x)作用后,求得输出矩阵:
所述步骤S5中,得到权重值和阈值的具体方法如下:
S51、构建误差函数:
其中,为对应神经元的期望输出;
S52、为减小误差函数,改变神经元之间的权重值:假设第k-1层第i神经元对第k层第j神经的相应权重值的改变量应正比于误差函数最大的减小量,即误差函数对权重值的负导数,二者关系如下:
将上述公式与步骤S32中的参数关系公式联立,解出每次权重值与阈值的变化量如下所示:
其中,为第K层的算子;
S53、当K=m时,则
当K<m时,则
其中Z为第K层神经元个数,l为第K+1层的第l个神经元,m为输出层所在层数;
S54、得到算子后,对每一层神经元的权重值与阈值进行调整,各层神经元之间的连接权重值与未调整前关系如下所示:
其中t为修正的次数,μ为惯性系数;
所述步骤S1中,输入层包含15个AT单线系统的故障电量输入位;定义隐含层共有k层,每层神经个数为15个;输出层还有一个输出,该输出为输入故障电量对应的故障位置;
所述步骤S2中,定义BP神经网络函数的具体步骤如下:定义BP神经网络的传递函数为logsig;学习速率为0.06;最大训练次数为10000次;训练函数为trainlm;学习函数为learngdm,训练所达到的误差目标为:1e-30;性能函数采用mse函数;
所述步骤S6中得到权重值矩阵和阈值矩阵的具体方法如下:借助Matlab中net.iW,net.lW,net.b三个函数得到权重值矩阵与阈值矩阵,并输出权重值矩阵:[W1]15×15,[W2]15×15,[W3]2×15;
阈值矩阵:[B1]15×1,[B2]15×1,[B3]2×1;
所述步骤S7中,故障测距计算方法如下:
S71、设置隐含层为两层,训练样本的个数为P,计算第一个隐含层的输出:
hiddenoutput1=logsig(w1·input)+repmat(B1,1,P);
S72、计算第二个隐含层的输出:
hiddenoutput2=logsig(w2·hiddenoutput1)+repmat(B2,1,P);
S73、计算神经网络的输出:
output=logsig(w3·hiddenoutput2)+repmat(B3,1,P);
S74、将神经网络输出output借助Matlab的postmnmx函数完成反归一化,得到预测的故障距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017660.6A CN111242463B (zh) | 2020-01-08 | 2020-01-08 | 一种基于bp神经网络的at单线供电系统的故障测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017660.6A CN111242463B (zh) | 2020-01-08 | 2020-01-08 | 一种基于bp神经网络的at单线供电系统的故障测距方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242463A CN111242463A (zh) | 2020-06-05 |
CN111242463B true CN111242463B (zh) | 2024-02-02 |
Family
ID=70872479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017660.6A Active CN111242463B (zh) | 2020-01-08 | 2020-01-08 | 一种基于bp神经网络的at单线供电系统的故障测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242463B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633550B (zh) * | 2020-11-23 | 2023-07-18 | 成都唐源电气股份有限公司 | 一种基于rnn的接触网故障趋势预测方法、设备及存储介质 |
CN112904149B (zh) * | 2021-01-29 | 2021-11-23 | 西南交通大学 | 一种单线at双边供电牵引网故障测距计算方法 |
CN113092941A (zh) * | 2021-04-09 | 2021-07-09 | 中铁第一勘察设计院集团有限公司 | 单线at双边供电接触网的故障定位系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508113A (zh) * | 2011-10-21 | 2012-06-20 | 南京南瑞继保电气有限公司 | 电气化铁路测距装置数据采集同步的方法 |
CN104459373A (zh) * | 2014-11-11 | 2015-03-25 | 广东电网有限责任公司东莞供电局 | 一种基于bp神经网络的节点电压暂降幅值计算方法 |
CN106650022A (zh) * | 2016-11-25 | 2017-05-10 | 天津津航计算技术研究所 | 复杂电子设备故障预测的方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
-
2020
- 2020-01-08 CN CN202010017660.6A patent/CN111242463B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508113A (zh) * | 2011-10-21 | 2012-06-20 | 南京南瑞继保电气有限公司 | 电气化铁路测距装置数据采集同步的方法 |
CN104459373A (zh) * | 2014-11-11 | 2015-03-25 | 广东电网有限责任公司东莞供电局 | 一种基于bp神经网络的节点电压暂降幅值计算方法 |
CN106650022A (zh) * | 2016-11-25 | 2017-05-10 | 天津津航计算技术研究所 | 复杂电子设备故障预测的方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
《中国电力百科全书 电力系统卷》.中国电力出版社,第230页. * |
基于BP的全并联AT牵引网故障测距方法研究;张茜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第第4期期);正文第4章 * |
基于改进神经网络的电子器件故障智能诊断;张艳;《科技通报》;正文第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111242463A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242463B (zh) | 一种基于bp神经网络的at单线供电系统的故障测距方法 | |
CN105633956B (zh) | 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 | |
CN101969198B (zh) | 考虑负荷静态特性的电力系统状态估计方法 | |
CN107016489A (zh) | 一种电力系统抗差状态估计方法和装置 | |
CN103972884B (zh) | 一种电力系统状态估计方法 | |
EP1841036A2 (en) | System, method and article of manufacture for controlling operation of an electrical power generation system | |
CN104636823B (zh) | 一种风电功率预测方法 | |
CN104600699B (zh) | 一种基于混合整数二次规划模型的配电网结构估计方法 | |
CN103886193B (zh) | 一种电力系统模糊自适应抗差估计方法 | |
CN106383315A (zh) | 一种新能源汽车电池荷电状态soc预测方法 | |
CN109407007A (zh) | 一种电池荷电状态检测方法及装置 | |
CN102569922A (zh) | 一种基于单体电池一致性的蓄电池组soc估计改进方法 | |
CN104836223A (zh) | 电网参数错误与不良数据协同辨识与估计方法 | |
CN104778367A (zh) | 基于单一状态断面的广域戴维南等值参数在线计算方法 | |
CN105203963A (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN105183938A (zh) | 电网不良数据辨识与估计方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN115392141A (zh) | 一种自适应的电流互感器误差评估方法 | |
CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
CN106372440A (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN105958487A (zh) | 一种计及多种网络结构的配电网量测配置方法 | |
CN103544362B (zh) | 一种基于二维曲线预测的谐波中长期预测方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 |
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 |