CN112052939A - 一种基于神经网络算法的主动预警系统 - Google Patents
一种基于神经网络算法的主动预警系统 Download PDFInfo
- Publication number
- CN112052939A CN112052939A CN202010836969.8A CN202010836969A CN112052939A CN 112052939 A CN112052939 A CN 112052939A CN 202010836969 A CN202010836969 A CN 202010836969A CN 112052939 A CN112052939 A CN 112052939A
- Authority
- CN
- China
- Prior art keywords
- ith layer
- gradients
- unit
- data
- fixed point
- 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
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
- G06N3/04—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
本发明属于电力设备管理技术领域,具体涉及一种基于神经网络算法的主动预警系统;本发明提供了一种基于神经网络算法的主动预警系统,其能够独立运行,主动预警并调控运行环境,来保证电力设施的稳定运行;一种基于神经网络算法的主动预警系统,包括控制器单元、运算单元、预警单元和转换单元,其中,控制器单元与运算单元以及转换单元连接;所述第i层训练运算中包括第i层正向运算和第i层反向运算;控制器单元电控控制预警单元及反馈调节单元。
Description
技术领域
本发明属于电力设备管理技术领域,具体涉及一种基于神经网络算法的主动预警系统。
背景技术
神经网络又称人工神经网络,随着人工神经网络的研究工作不断深入,已经取得了很大的进展,其在图像处理、模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多传统计算机方法难以解决的实际问题,表现出了良好的智能特性,推动着信息处理技术和人工智能不断地发展。
在电力系统内的主动预警中采用神经网络算法,用于调控电力设施的优化运行条件,从而使得电力设施安全而稳定的运行,目前的应用还比较少。
发明内容
本发明克服了现有技术存在的不足,提供了一种基于神经网络算法的主动预警系统,其能够独立运行,主动预警并调控运行环境,来保证电力设施的稳定运行。
为了解决上述技术问题,本发明采用的技术方案为:一种基于神经网络算法的主动预警系统,包括控制器单元、运算单元、预警单元和转换单元,其中,控制器单元与运算单元以及转换单元连接;所述第i层训练运算中包括第i层正向运算和第i层反向运算;控制器单元电控控制预警单元及反馈调节单元;
所述转换单元,具体用于将第i层输入神经元数据的部分转换成部分定点输入神经元数据、将第i层权值数据的部分转换成部分定点权值数据以及将第i层输入神经元梯度转换成部分定点输入神经元梯度;将部分定点输入神经元数据、部分定点输入神经元梯度以及部分定点权值数据发送给运算单元,将部分输入神经元数据、部分输入神经元梯度和部分权值数据发送给运算单元;
所述运算单元,具体用于将部分定点输入神经元梯度以及部分定点输入数据执行定点数据运算得到部分第i层权值梯度,将部分定点输入神经元梯度与部分定点权值数据执行定点数据运算得到部分第i层输出结果梯度,将部分第i层权值梯度以及部分第i层输出结果梯度发送给转换单元,所述转换单元,具体用于将该部分第i层权值梯度以及部分第i层输出结果梯度执行定点与浮点转换得到第一部分第i层权值梯度以及第一部分第i层输出结果梯度,将第一部分第i层权值梯度以及第一部分第i层输出结果梯度发送给运算单元;
所述运算单元,具体用于将部分输入神经元梯度以及部分输入数据执行运算得到第二部分第i层权值梯度,将部分输入神经元梯度与部分权值数据执行运算得到第二部分第i层输出结果梯度,将第一部分第i层权值梯度和第二部分第i层权值梯度结合起来得到第i层权值梯度,将第一部分第i层输出结果梯度和第二部分第i层输出结果梯度结合起来得到第i层输出结果梯度。
所述运算单元所采用的神经网络算法为传统BP神经网络算法:
1)初始化并计算适应度再选择.复制和迁移;
2)为得到交叉和变异机率数值的交叉操作;
①隶属度u0在均匀分布中随机产生;
②Ex通过分母双方适应度大小加权确定;
③En=变量搜索范围/C1;
④He=En/C2;
⑤云模型中Y条件云算法生成下一代数据;
3)变异过程:
①提取Ex个体值;
②En=变量搜索范围/C3;
③He=En/C4;
④若当隶属度u0小于变异概率时,通过基本云算法发生器来确定变异后的个体(C1-C4均为控制系数);
产生初始数据度,计算适应度,检查是否满足优化标准,满足标准后计算选择、交叉、变异,保存最佳个体,循环次数小于所选参数个数,比较最佳个体后选择最优个体,最优个体作为BP网络的初始权值和阈值,循环次数大于参数选择次数,BP网络的向前传播,计算全局误差,判断是否满足要求,最终BP网络的反响传播。
本发明与现有技术相比具有的有益效果是:本发明所采用的基于传统BP神经网络算法的主动预警调控系统,可以用于调控电力设施的优化运行条件,从而使得电力设施安全而稳定的运行。
具体实施方式
结合一下实施例对本发明做进一步的说明。
一种基于神经网络算法的主动预警系统,包括控制器单元、运算单元、预警单元和转换单元,其中,控制器单元与运算单元以及转换单元连接;所述第i层训练运算中包括第i层正向运算和第i层反向运算;控制器单元电控控制预警单元及反馈调节单元;
所述转换单元,具体用于将第i层输入神经元数据的部分转换成部分定点输入神经元数据、将第i层权值数据的部分转换成部分定点权值数据以及将第i层输入神经元梯度转换成部分定点输入神经元梯度;将部分定点输入神经元数据、部分定点输入神经元梯度以及部分定点权值数据发送给运算单元,将部分输入神经元数据、部分输入神经元梯度和部分权值数据发送给运算单元;
所述运算单元,具体用于将部分定点输入神经元梯度以及部分定点输入数据执行定点数据运算得到部分第i层权值梯度,将部分定点输入神经元梯度与部分定点权值数据执行定点数据运算得到部分第i层输出结果梯度,将部分第i层权值梯度以及部分第i层输出结果梯度发送给转换单元,所述转换单元,具体用于将该部分第i层权值梯度以及部分第i层输出结果梯度执行定点与浮点转换得到第一部分第i层权值梯度以及第一部分第i层输出结果梯度,将第一部分第i层权值梯度以及第一部分第i层输出结果梯度发送给运算单元;
所述运算单元,具体用于将部分输入神经元梯度以及部分输入数据执行运算得到第二部分第i层权值梯度,将部分输入神经元梯度与部分权值数据执行运算得到第二部分第i层输出结果梯度,将第一部分第i层权值梯度和第二部分第i层权值梯度结合起来得到第i层权值梯度,将第一部分第i层输出结果梯度和第二部分第i层输出结果梯度结合起来得到第i层输出结果梯度。
所述运算单元所采用的神经网络算法为传统BP神经网络算法:
1)初始化并计算适应度再选择.复制和迁移;
2)为得到交叉和变异机率数值的交叉操作;
①隶属度u0在均匀分布中随机产生;
②Ex通过分母双方适应度大小加权确定;
③En=变量搜索范围/C1;
④He=En/C2;
⑤云模型中Y条件云算法生成下一代数据;
3)变异过程:
①提取Ex个体值;
②En=变量搜索范围/C3;
③He=En/C4;
④若当隶属度u0小于变异概率时,通过基本云算法发生器来确定变异后的个体(C1-C4均为控制系数);
产生初始数据度,计算适应度,检查是否满足优化标准,满足标准后计算选择、交叉、变异,保存最佳个体,循环次数小于所选参数个数,比较最佳个体后选择最优个体,最优个体作为BP网络的初始权值和阈值,循环次数大于参数选择次数,BP网络的向前传播,计算全局误差,判断是否满足要求,最终BP网络的反响传播。
上述实施方式仅示例性说明本发明的原理及其效果,而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改进。因此,凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (2)
1.一种基于神经网络算法的主动预警系统,其特征在于,包括控制器单元、运算单元、预警单元和转换单元,其中,控制器单元与运算单元以及转换单元连接;所述第i层训练运算中包括第i层正向运算和第i层反向运算;控制器单元电控控制预警单元及反馈调节单元;
所述转换单元,具体用于将第i层输入神经元数据的部分转换成部分定点输入神经元数据、将第i层权值数据的部分转换成部分定点权值数据以及将第i层输入神经元梯度转换成部分定点输入神经元梯度;将部分定点输入神经元数据、部分定点输入神经元梯度以及部分定点权值数据发送给运算单元,将部分输入神经元数据、部分输入神经元梯度和部分权值数据发送给运算单元;
所述运算单元,具体用于将部分定点输入神经元梯度以及部分定点输入数据执行定点数据运算得到部分第i层权值梯度,将部分定点输入神经元梯度与部分定点权值数据执行定点数据运算得到部分第i层输出结果梯度,将部分第i层权值梯度以及部分第i层输出结果梯度发送给转换单元,所述转换单元,具体用于将该部分第i层权值梯度以及部分第i层输出结果梯度执行定点与浮点转换得到第一部分第i层权值梯度以及第一部分第i层输出结果梯度,将第一部分第i层权值梯度以及第一部分第i层输出结果梯度发送给运算单元;
所述运算单元,具体用于将部分输入神经元梯度以及部分输入数据执行运算得到第二部分第i层权值梯度,将部分输入神经元梯度与部分权值数据执行运算得到第二部分第i层输出结果梯度,将第一部分第i层权值梯度和第二部分第i层权值梯度结合起来得到第i层权值梯度,将第一部分第i层输出结果梯度和第二部分第i层输出结果梯度结合起来得到第i层输出结果梯度。
2.根据权利要求1所述的一种基于神经网络算法的主动预警系统,其特征在于,所述运算单元所采用的神经网络算法为传统BP神经网络算法:
1)初始化并计算适应度再选择.复制和迁移;
2)为得到交叉和变异机率数值的交叉操作;
①隶属度u0在均匀分布中随机产生;
②Ex通过分母双方适应度大小加权确定;
③En=变量搜索范围/C1;
④He=En/C2;
⑤云模型中Y条件云算法生成下一代数据;
3)变异过程:
①提取Ex个体值;
②En=变量搜索范围/C3;
③He=En/C4;
④若当隶属度u0小于变异概率时,通过基本云算法发生器来确定变异后的个体(C1-C4均为控制系数);
产生初始数据度,计算适应度,检查是否满足优化标准,满足标准后计算选择、交叉、变异,保存最佳个体,循环次数小于所选参数个数,比较最佳个体后选择最优个体,最优个体作为BP网络的初始权值和阈值,循环次数大于参数选择次数,BP网络的向前传播,计算全局误差,判断是否满足要求,最终BP网络的反响传播。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836969.8A CN112052939A (zh) | 2020-08-19 | 2020-08-19 | 一种基于神经网络算法的主动预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836969.8A CN112052939A (zh) | 2020-08-19 | 2020-08-19 | 一种基于神经网络算法的主动预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052939A true CN112052939A (zh) | 2020-12-08 |
Family
ID=73600204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010836969.8A Pending CN112052939A (zh) | 2020-08-19 | 2020-08-19 | 一种基于神经网络算法的主动预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052939A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2551798A1 (en) * | 2011-07-28 | 2013-01-30 | Fundació CTM Centre Tecnològic | Genetic algorithm-based training of an ANFIS for electric energy consumption forecasting |
CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
CN106405352A (zh) * | 2016-11-16 | 2017-02-15 | 国网河南省电力公司电力科学研究院 | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 |
CN106649915A (zh) * | 2016-09-08 | 2017-05-10 | 国家电网公司 | 一种输配电网设备缺陷预警系统 |
CN107330251A (zh) * | 2017-06-10 | 2017-11-07 | 华南理工大学 | 一种基于云遗传算法的风功率预测方法 |
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 |
WO2018112699A1 (zh) * | 2016-12-19 | 2018-06-28 | 上海寒武纪信息科技有限公司 | 人工神经网络反向训练装置和方法 |
CN111310722A (zh) * | 2020-03-12 | 2020-06-19 | 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 |
CN111368986A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111368987A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111368990A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111488976A (zh) * | 2019-01-28 | 2020-08-04 | 中科寒武纪科技股份有限公司 | 神经网络计算装置、神经网络计算方法及相关产品 |
CN111488963A (zh) * | 2019-01-28 | 2020-08-04 | 中科寒武纪科技股份有限公司 | 神经网络计算装置和方法 |
-
2020
- 2020-08-19 CN CN202010836969.8A patent/CN112052939A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2551798A1 (en) * | 2011-07-28 | 2013-01-30 | Fundació CTM Centre Tecnològic | Genetic algorithm-based training of an ANFIS for electric energy consumption forecasting |
CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
CN106649915A (zh) * | 2016-09-08 | 2017-05-10 | 国家电网公司 | 一种输配电网设备缺陷预警系统 |
CN106405352A (zh) * | 2016-11-16 | 2017-02-15 | 国网河南省电力公司电力科学研究院 | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 |
WO2018112699A1 (zh) * | 2016-12-19 | 2018-06-28 | 上海寒武纪信息科技有限公司 | 人工神经网络反向训练装置和方法 |
CN107330251A (zh) * | 2017-06-10 | 2017-11-07 | 华南理工大学 | 一种基于云遗传算法的风功率预测方法 |
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 |
CN111368986A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111368987A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111368990A (zh) * | 2018-12-25 | 2020-07-03 | 上海寒武纪信息科技有限公司 | 一种神经网络计算装置和方法 |
CN111488976A (zh) * | 2019-01-28 | 2020-08-04 | 中科寒武纪科技股份有限公司 | 神经网络计算装置、神经网络计算方法及相关产品 |
CN111488963A (zh) * | 2019-01-28 | 2020-08-04 | 中科寒武纪科技股份有限公司 | 神经网络计算装置和方法 |
CN111310722A (zh) * | 2020-03-12 | 2020-06-19 | 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 |
Non-Patent Citations (1)
Title |
---|
张贤慧;: "基于改进遗传算法的BP神经网络控制器", 漳州职业技术学院学报, no. 01 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Juang et al. | Load-frequency control by hybrid evolutionary fuzzy PI controller | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN108306298B (zh) | 一种柔性多状态开关接入配电网的设计方法 | |
Deng et al. | A novel parallel hybrid intelligence optimization algorithm for a function approximation problem | |
Jadav et al. | Optimizing weights of artificial neural networks using genetic algorithms | |
CN111245313A (zh) | 一种基于遗传神经网络的无刷直流电机pid调速方法 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN110165714A (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
CN111767977A (zh) | 一种基于改进遗传算法的群粒子梯度下降算法 | |
CN108171322A (zh) | 一种基于粒子群优化的神经网络学习算法 | |
CN113901623A (zh) | 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法 | |
Pelusi | Improving settling and rise times of controllers via intelligent algorithms | |
CN108734349B (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
CN113141012A (zh) | 基于深度确定性策略梯度网络的电网潮流调控决策推理方法 | |
CN112052939A (zh) | 一种基于神经网络算法的主动预警系统 | |
CN104200073A (zh) | 一种基于局部Lipschitz估计的自适应群体全局优化方法 | |
CN116794968A (zh) | 一种用于内燃机冷却控制的bp-pid改进算法 | |
CN116050461A (zh) | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 | |
CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
Berrada et al. | Optimal neural network sliding mode control without reaching phase using genetic algorithm for a wind turbine | |
Cheng et al. | GA-based neural network for energy recovery system of the electric motorcycle | |
Liu et al. | Chaos adaptive improved particle swarm algorithm for solving multi-objective optimization | |
CN117492371B (zh) | 有源电力滤波器模型预测控制的优化方法、系统和设备 | |
CN113298317B (zh) | 一种风力发电机组偏航控制方法 |
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 |