CN111798095B - 一种基于神经网络电力电缆状态评价方法 - Google Patents
一种基于神经网络电力电缆状态评价方法 Download PDFInfo
- Publication number
- CN111798095B CN111798095B CN202010472784.3A CN202010472784A CN111798095B CN 111798095 B CN111798095 B CN 111798095B CN 202010472784 A CN202010472784 A CN 202010472784A CN 111798095 B CN111798095 B CN 111798095B
- Authority
- CN
- China
- Prior art keywords
- neural network
- state
- cable
- error
- training
- 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
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于神经网络电力电缆状态评价方法,包括以下步骤;步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量和运行工况信息量建立电缆状态多源信息数据库;步骤二、建立以BP算法为基础的三层神经网络;步骤三、在神经网络工具的基础上设置好各项的参数,并对神经网络进行训练和验证;步骤四、分别将预试信息量、在线监测信息量、家族缺陷信息量和运行工况信息量的数据引入训练好的神经网络得到R1、R2、R3和R4的数值;步骤五、再输入本次状态评估的各状态量的具体值,输出本次综合评估结果R。本发明将各类电力电缆数据和参数综合起来,全面准确地评估电力电缆运行状态,为电缆运行和状态检修提供科学依据。
Description
技术领域
本发明涉及电力系统技术领域,具体为一种基于神经网络电力电缆状态评价方法。
背景技术
电力电缆是电力系统中常用的的设备,也是至关重要的设备。电力电缆一旦发生故障不仅造成用户长时间停电,甚至会导致配电系统的瘫痪,严重时还会出现喷溅现象,引发大火。因此监测电力电缆的运行状态,发现电缆故障并对其检修对保障电力电缆的正常运行非常重要。目前电力电缆运行状态判断主要是监测电力电缆的电阻和温度等特定参数,这些参数只能局部判断电力电缆的运行状态,不能全面综合的判断电力电缆的运行状态,目前缺乏综合各类监测参数全面判断电力电缆运行状态的方法。
近年来,人工智能突飞猛进,神经网络以优异的深度学习性能备受关注。神经网络是一种由若干平行作用的若干简单要素组成的模型,经训练后可以解决复杂的技术问题。其中,BP神经网络是目前应用最多的神经网络,它是一种基于误差逆传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。通过BP神经网络可以得到输入输出间的映射关系,而无需事前描述这种映射关系。BP神经网络具有优秀的收敛性能和误差最小性能。BP神经网络被广泛用于智能控制、信息处理等领域,这为电力电缆的运行状态的评判提供了新思路。
发明内容
本发明的目的在于提供一种基于神经网络电力电缆状态评价方法,以解决现有技术中提出的如何将电力电缆各类可利用的信息综合起来并进行评估的问题。
为实现上述目的,本发明提供如下技术方案:一种基于神经网络电力电缆状态评价方法,包括以下步骤:
步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库;所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻,所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度;
所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息;所述运行工况信息量包括运行电流、运行电压、运行年限;所述电缆运行状态包括0-1分值范围内的五种状态;
步骤二、从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素,将其作为BP神经网络模型的输入层神经元并构建学习样本;
步骤三、建立以BP算法为基础的三层神经网络,包括输入层、隐含层和输出层;其中输出层含有一个输出节点,输入层与隐含层之间存在连接权值ωi,n,隐含层与输出层之间存在连接权值ωm,k,输入层的数据经由各个连接权值得到输出层的输出数据,隐含层神经元节点数为算法如下:
式中p为隐含层神经元节点数,m为输出层神经元数,n为输入层神经元数,a为1-10之间的常数;
步骤四、设置学习率、训练次数和训练目标误差,并对神经网络进行训练和验证,训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差,当误差在可接受的范围时,神经网络学习结束,否则以如下方式修改连接权值:
△ωi,j(k+1)=(1-a)×η×▽f(ωi,j(k))+a×△ωi,j(k)
式中,η为学习速率,k为训练次数,a为动量因子,▽f(ωi,j(k))为误差函数的梯度;
当第k步误差大于第k-1步的误差时,a为0;当第k步误差小于第k-1步的误差时,a为0.9,
学习速率η以下方式修改:
式中,为η(k)学习速率,E(k)为第k步的误差;
重复训练直到误差达到可接受的范围,神经网络训练结束;
步骤五、将待评价电力电缆的上述影响电缆运行状态主要因素的数据输入训练好的神经网络,得到网络评价结果。
优选的,步骤一中,所述五种状态分别是0-0.2分为情况紧急、0.21-0.4分为情况危急、0.41-0.6分为达到注意值、0.61-0.8分为状态良好、0.81-1分为状态好。
优选的,步骤二中采用多源线性回归分析,基于显著性值确定主要因素;步骤四中训练时采用traingdm函数训练。
优选的,学习率设置为0.05,最大训练次数为10000,训练目标误差为0.0001。
本发明提出的一种基于神经网络电力电缆状态评价方法,有益效果在于:
本发明基于BP神经网络对电力电缆综合状态进行评价,充分运用了预试信息、在线监测信息、家族缺陷信息和运行工况信息进电力电缆状态进行评价,并利用多源线性回归分析确定主要影响因素作为BP神经网络的输入层神经元,建立的BP神经网络准确率高、响应快。同时本发明优化了BP神经网络的权重系数调整规则,提高了网络的学习效率和收敛速度,对电力电缆的中和评价起到积极的作用。
附图说明
图1为BP神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于神经网络电力电缆状态评价方法,包括以下步骤:
步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库;所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻,所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度;
所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息;所述运行工况信息量包括运行电流、运行电压、运行年限;所述电缆运行状态包括0-1分值范围内的五种状态,
所述五种状态分别是0-0.2分为情况紧急、0.21-0.4分为情况危急、0.41-0.6分为达到注意值、0.61-0.8分为状态良好、0.81-1分为状态好;
步骤二、采用多源线性回归分析利用SPSS软件基于显著性值从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素,将其作为BP神经网络模型的输入层神经元并构建学习样本,分别为主电源电阻、线芯温度、介质损耗、泄漏电流、局部放电量、运行年限和故障信息;
步骤三、建立以BP算法为基础的三层神经网络,如图1所示包括输入层、隐含层和输出层;其中输出层含有一个输出节点,输入层与隐含层之间存在连接权值ωi,n,隐含层与输出层之间存在连接权值ωm,k,输入层的数据经由各个连接权值得到输出层的输出数据,隐含层神经元节点数为算法如下:
式中p为隐含层神经元节点数,m为输出层神经元数,n为输入层神经元数,a为1-10之间的常数;
步骤四、设置学习率为0.05、训练次数为10000、训练目标误差为0.0001,并对神经网络进行训练和验证,训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差,当误差在可接受的范围时,神经网络学习结束,否则以如下方式修改连接权值:
△ωi,j(k+1)=(1-a)×η×▽f(ωi,j(k))+a×△ωi,j(k)
式中,η为学习速率,k为训练次数,a为动量因子,▽f(ωi,j(k))为误差函数的梯度。
当第k步误差大于第k-1步的误差时,a为0;当第k步误差小于第k-1步的误差时,a为0.9,
学习速率η以下方式修改:
式中,为η(k)学习速率,E(k)为第k步的误差;
重复训练直到误差达到可接受的范围,神经网络训练结束;
步骤五、将待评价电力电缆的上述影响电缆运行状态主要因素的数据输入训练好的神经网络,得到网络评价结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于神经网络电力电缆状态评价方法,其特征在于:包括以下步骤;
步骤一、根据电缆的预试信息量、在线监测信息量、家族缺陷信息量、运行工况信息量和电缆运行状态建立电缆状态多源信息数据库;所述预试信息量包括主绝缘电阻、额定电压、额定电流、介质损耗、电缆线芯温度和外护套绝缘电阻,所述在线监测信息量包括泄漏电流、接头温度、局部放电量、环境温度、环境湿度;
所述家族缺陷信息量为同一厂家生产的各种型号、各种规格的电缆的故障统计信息和厂家的质量统计信息;所述运行工况信息量包括运行电流、运行电压、运行年限;所述电缆运行状态包括0-1分值范围内的五种状态;
步骤二、从上述电缆状态多源信息数据库中确定影响电缆运行状态的主要因素,将其作为BP神经网络模型的输入层神经元并构建学习样本;
步骤三、建立以BP算法为基础的三层神经网络,包括输入层、隐含层和输出层;其中输出层含有一个输出节点,输入层与隐含层之间存在连接权值ωi,n,隐含层与输出层之间存在连接权值ωm,k,输入层的数据经由各个连接权值得到输出层的输出数据,隐含层神经元节点数为算法如下:
式中p为隐含层神经元节点数,m为输出层神经元数,n为输入层神经元数,a为1-10之间的常数;
步骤四、设置学习率、训练次数和训练目标误差,并对神经网络进行训练和验证,训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差,当误差在可接受的范围时,神经网络学习结束,否则以如下方式修改连接权值:
当第k步误差大于第k-1步的误差时,a为0;当第k步误差小于第k-1步的误差时,a为0.9,
学习速率η以下方式修改:
式中,为η(k)学习速率,E(k)为第k步的误差;
重复训练直到误差达到可接受的范围,神经网络训练结束;
步骤五、将待评价电力电缆的上述影响电缆运行状态主要因素的数据输入训练好的神经网络,得到网络评价结果。
2.根据权利要求1所述的一种基于神经网络电力电缆状态评价方法,其特征在于:步骤一中,所述五种状态分别是0-0.2分为情况紧急、0.21-0.4分为情况危急、0.41-0.6分为达到注意值、0.61-0.8分为状态良好、0.81-1分为状态好。
3.根据权利要求1所述的一种基于神经网络电力电缆状态评价方法,其特征在于:步骤二中采用多源线性回归分析,基于显著性值确定主要因素;步骤四中神经训练时采用traingdm函数训练。
4.根据权利要求1所述的一种基于神经网络电力电缆状态评价方法,其特征在于:学习率设置为0.05,最大训练次数为10000,训练目标误差为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472784.3A CN111798095B (zh) | 2020-05-29 | 2020-05-29 | 一种基于神经网络电力电缆状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472784.3A CN111798095B (zh) | 2020-05-29 | 2020-05-29 | 一种基于神经网络电力电缆状态评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798095A CN111798095A (zh) | 2020-10-20 |
CN111798095B true CN111798095B (zh) | 2023-01-20 |
Family
ID=72806005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010472784.3A Active CN111798095B (zh) | 2020-05-29 | 2020-05-29 | 一种基于神经网络电力电缆状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798095B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801152A (zh) * | 2021-01-18 | 2021-05-14 | 曹颖 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
CN112905436B (zh) * | 2021-04-25 | 2023-10-27 | 中航机载系统共性技术有限公司 | 一种面向复杂软件的质量评估预测方法 |
CN113505523A (zh) * | 2021-06-15 | 2021-10-15 | 山东电力高等专科学校 | 基于神经网络的电缆报警温度阈值预测方法及系统 |
CN113393143B (zh) * | 2021-06-24 | 2022-06-17 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
CN115249075B (zh) * | 2022-09-22 | 2022-12-06 | 国网山西省电力公司太原供电公司 | 一种电缆隧道的安全运维管理方法及系统 |
CN117420006A (zh) * | 2023-10-18 | 2024-01-19 | 句容市家天下网络科技有限公司 | 使用神经网络的电缆破损评估系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
CN109272190A (zh) * | 2018-08-03 | 2019-01-25 | 国网山东省电力公司烟台供电公司 | 一种基于动量bp神经网络的电力电缆状态评价方法 |
-
2020
- 2020-05-29 CN CN202010472784.3A patent/CN111798095B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
CN109272190A (zh) * | 2018-08-03 | 2019-01-25 | 国网山东省电力公司烟台供电公司 | 一种基于动量bp神经网络的电力电缆状态评价方法 |
Non-Patent Citations (1)
Title |
---|
水电设备运行状态的BP神经网络评估法;于亚丽等;《水电与新能源》;20151230(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798095A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798095B (zh) | 一种基于神经网络电力电缆状态评价方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
CN110390461B (zh) | 基于复杂网络的非线性模糊语言配电网节点脆弱性评价方法 | |
CN108090615B (zh) | 基于交叉熵集成学习的电力系统故障后最低频率预测方法 | |
CN109492866A (zh) | 一种配电网运行状态智能评估方法 | |
CN110880062A (zh) | 一种配电设备状态检修时间的确定方法 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
CN113887729A (zh) | 一种低压电力线载波通信系统故障诊断方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN115392697A (zh) | 一种数据-模型混合驱动的电力系统安全评估方法及系统 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN117236030A (zh) | 台风灾害下考虑级联过载故障发生的电力系统韧性评估建模方法 | |
CN112649642A (zh) | 一种窃电位置判断方法、装置、设备和存储介质 | |
CN112364446A (zh) | 基于ec-rbelm算法的发动机整机性能衰减预测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN113325317A (zh) | 基于改进rbf神经网络的动力电池故障诊断方法及系统 | |
CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210113 Address after: 510000 Tianhe No. two road, Guangzhou, Guangdong Province, No. 2 Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510700 No.2, Huangpu East Road, Huangpu District, Guangzhou City, Guangdong Province Applicant before: HUANGPU POWER SUPPLY BUREAU OF GUANGZHOU POWER SUPPLY BUREAU |
|
GR01 | Patent grant | ||
GR01 | Patent grant |