CN112215279A - 一种基于免疫rbf神经网络的电网故障诊断方法 - Google Patents

一种基于免疫rbf神经网络的电网故障诊断方法 Download PDF

Info

Publication number
CN112215279A
CN112215279A CN202011081769.2A CN202011081769A CN112215279A CN 112215279 A CN112215279 A CN 112215279A CN 202011081769 A CN202011081769 A CN 202011081769A CN 112215279 A CN112215279 A CN 112215279A
Authority
CN
China
Prior art keywords
power grid
neural network
immune
antibody
grid 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
Application number
CN202011081769.2A
Other languages
English (en)
Other versions
CN112215279B (zh
Inventor
李永光
马晓磊
庄红山
刘冉
张彦军
李修军
马丽亚
汪凯威
葛远裕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011081769.2A priority Critical patent/CN112215279B/zh
Publication of CN112215279A publication Critical patent/CN112215279A/zh
Application granted granted Critical
Publication of CN112215279B publication Critical patent/CN112215279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于免疫RBF神经网络的电网故障诊断方法，该方法首先根据免疫算法原理，把输入样本数据作为抗原，RBF中心点作为抗体，在进行克隆、变异等免疫操作后，将得到的样本数据中心作为RBF神经网络隐含层径向基函数的中心。然后基于训练集样本，确定扩展常数，利用最小二乘算法确定连接权值，完成RBF神经网络的训练。最后根据基于免疫算法确定RBF中心的神经网络训练结果建立电网故障诊断模型，将测试集样本输入所述电网故障诊断模型，并由此得到故障诊断结果。本发明能够有效的判断电网发故障的位置，具有较好的容错性。

Description

一种基于免疫RBF神经网络的电网故障诊断方法
技术领域
本发明属于电网故障诊断技术领域，具体涉及一种基于免疫RBF神经网络的电网故障诊断方法。
背景技术
随着电网规模的不断扩大，在电网发生故障时，若不能及时准确地定位故障区域，处理故障设备，恢复供电，很可能造成更加严重的大面积停电事故并造成巨大的经济损失。当电网发生故障时，调度监测人员会在短时间内收到大量的故障报警信息，若仅靠人工处理这些故障信息并快速准确地判断故障区域是十分困难的。因此，及时准确诊断出故障元件对于电网恢复供电和稳定运行具有十分重要的意义。
电网故障诊断一般是指通过SCADA采集的保护和断路器动作的开关量变化信息来识别出故障的元件位置、类型等。目前，许多学者已对电网故障诊断领域进行了广泛的研究，并提出了许多智能诊断算法，如专家系统、优化技术、贝叶斯理论、Petri网、神经网络等。RBF神经网络是一种以函数逼近为基础的前馈型神经网络，由于RBF神经网络具有结构简单、学习速度快、泛化能力强等特点，并且具有任意函数逼近能力，使之在电网故障领域获得了广泛的运用。然而RBF中心点的选择一直是RBF神经网络算法的关键之一，目前传统的RBF神经网络通常采用K-means聚类确定RBF中心点，但K-means算法对聚类的初始中心敏感，会造成局部极小值的出现，网络的收敛速度也会变慢，从而直接降低RBF神经网络的性能。因此有必要研究一种方法更好的确定RBF中心点，以此增强RBF神经网络的性能，提高在故障诊断时的容错性，从而更好的辅助调度人员进行事故的分析和处理。
发明内容
发明目的：针对传统的RBF神经网络采用K-means聚类确定RBF中心点时，会造成局部极小值的出现，网络的收敛速度也会变慢，从而直接降低RBF神经网络的性能，降低在故障诊断时的容错性问题，本发明提供一种基于免疫RBF神经网络的电网故障诊断方法。
技术方案：一种基于免疫RBF神经网络的电网故障诊断方法，包括以下步骤：
(1)采集样本数据，并将样本数据划分为训练集和测试集；
(2)构建基于免疫RBF神经网络的电网故障网络结构，包括确定RBF神经网络输入向量、输出向量的维数，确定隐含层节点数；
(3)构建三层前向网络拓扑结构，第一层为输入层，由采集的保护、断路器报警数据构成；第二层为隐含层，采用高斯函数进行非线性变换；第三层为输出层，对隐含层进行加权线性组合完成线性映射，以其输出结果确定电网故障区域；
(4)网络训练，输入训练集，先根据免疫算法原理，对电网故障诊断问题进行可行性分析，提取故障先验知识，构造适应度函数，并制定各种约束条件，把训练样本中的电网报警数据作为抗原，RBF中心点作为抗体，在进行克隆、变异等免疫操作后，将得到的样本数据中心作为RBF神经网络的中心点，再确定扩展常数，并利用最小二乘法确定隐含层到输出层的权值，得到电网故障诊断模型；
(5)电网故障诊断模型，将测试集输入到训练好的电网故障诊断模型中进行故障诊断的效果验证；
(6)通过电网故障诊断模型进行电网故障区域定位。
进一步的，步骤(2)所述的RBF神经网络中输入向量的特征维数由判断故障区域的继电保护和断路器的数量决定；隐含层节点数量设置成与输入向量的特征维数相同，可根据电网规模和诊断模型测试效果进行适当调整。更进一步的，确定RBF神经网络输入向量、输出向量的维数，确定隐含层节点数。其中：输入层含有m个神经元(x1,x2,…,xm)，对应着输入向量的特征维数，由判断故障区域的继电保护和断路器的数量决定；隐含层含有n个神经元(h1,h2,…,hn)；输出层含有p个神经元(y1,y2,…yp)，对应于电网故障的p个区域。
步骤(3)所述的隐含层的激活函数为高斯函数，其表达式如下：
hi(x)＝exp(-||X-Ci||2/qi 2)
上式中：X＝[x1,x2,…,xm]T为m维输入向量；Ci＝[ci1,ci2,…,cim]T为第i个隐含层神经元径向基函数的中心；||X-Ci||表示向量X与向量Ci之间的欧几里得距离；qi为为扩展常数，又称神经元的“宽度”，表示高斯函数的影响范围；i＝1,2,…,n。
步骤(4)基于免疫算法确定RBF神经网络的中心点具体步骤如下：
(41)首先进行抗原识别，将训练样本中的电网报警数据作为抗原，然后产生初始抗体群，把中心点的可行取值表示成样本空间中的抗体，从样本空间内随机产生一个初始种群；同时初始化免疫算法的其他参数，如种群刷新比例、免疫选择比例、最大进化迭代次数等。
(42)对抗体进行解码确定RBF神经网络中心点，采用最小二乘法确定RBF神经网络的输出权值，计算网络适应度，具体网络适应度计算公式如下：
Figure BDA0002718781430000031
式中，yk为网络输出层第k个节点的实际输出；
Figure BDA0002718781430000032
为网络输出层第k个节点的期望输出；p为网络输出层的总节点个数。
(43)根据网络的适应度计算每个抗体的亲和力，具体计算公式如下：
Figure BDA0002718781430000033
式中，E(i)为种群中的第i个抗体的网络适应度。
(44)判断是否满足终止条件，若满足终止条件则终止算法寻优过程，输出结果；若不满足终止条件，则继续执行(5)。
(45)计算抗体的浓度和激励度，具体计算公式如下：
Figure BDA0002718781430000034
Figure BDA0002718781430000035
Figure BDA0002718781430000036
sim(i)＝a·aff(i)-b·den(i)
式中，den(i)为抗体的浓度；N为种群规模；δS为相似度阈值；bff(i,j)为抗体间的亲和力；H(i,j)为抗体i和抗体j间的距离；sim(i)为抗体的激励度；a和b为激励度系数。
(46)进行免疫选择、克隆、变异、克隆抑制。
免疫选择：根据亲和力和抗体浓度选择优质抗体，并使其活化。
克隆：对活化后的抗体进行复制，得到多个副本。
变异：对克隆后的副本进行变异，使其亲和度发生突变。
克隆抑制：对变异后的抗体进行选择，抑制亲和度低的抗体，保留亲和度高的抗体。
(47)种群刷新，按激励度大小对抗体进行排序，用随机新生成的抗体替代激励度较小的抗体，形成新的抗体种群，并跳转(42)。
更进一步的，步骤(4)所述的扩展常数由数据中心的散布确定，为避免径向基函数图像太尖或太平，按如下公式计算：
Figure BDA0002718781430000041
式中，dmax为所选聚类中心的最大距离；M为聚类中心的个数。
更进一步的，步骤(4)所述的隐含层到输出层的权值确定，采用最小二乘法计算隐含层到输出层的权值矩阵W，具体为：
隐含层的输出为矩阵B，对所有的训练集样本，神经网络的输出为：
Figure BDA0002718781430000042
则神经网络的实际输出与训练集的误差为：
Figure BDA0002718781430000043
利用最小二乘法使得ε最小化，由此可以求得隐含层到输出层的权值矩阵：
W＝B+y
B+＝(BTB)-1BT
式中，B+为B的伪逆。
有益效果：与现有技术相比，本发明所述方法可以更加精确的确定RBF神经网络中基函数的中心点，有效提高了网络的收敛速度，改善了RBF神经网络的性能，使得所构建的电网故障诊断模型具有较强的容错性，能够有效地实现已知故障的诊断。
附图说明
图1为实施例中配电系统结构示意图；
图2为本发明所述的电网故障诊断方法的流程示意图；
图3为本发明利用免疫算法寻找RBF中心点的流程示意图。
具体实施方式
为详细的说明本发明所公开的技术方案，下面结合说明书附图和具体实施例做进一步的阐述。
图1所示的是某个配电系统，以此配电系统为例，该系统共分为5个区域(Sec1～Sec5),每个区域均配有断路器保护开关(QF1～QF5)和过电流保护(CO1～CO5),其中，Sec1和Sec3配有距离保护(RR1、RR3)。
本发明所述方法的流程如图2所示。具体实施步骤如下：
步骤1：样本选取
选取断路器保护、过电流保护和距离保护的状态作为判断电网故障区域的决策属性，将其作为神经网络输入，并将故障区域作为神经网络的输出，以此进行神经网络的训练。
将已知的电网故障样本数据分成训练集和测试集，训练集样本见表1，一共有13组样本。表2为含有错误信息的测试集样本，一共有6组样本，和表1的训练集样本对比可知，样本1和样本6是QF2断路器误动，样本2是CO1过电流保护误动，样本3和样本5是QF3断路器拒动，样本4是QF4断路器拒动。
表1.故障训练集样本
Figure BDA0002718781430000051
Figure BDA0002718781430000061
表2.故障测试集样本
Figure BDA0002718781430000062
步骤2：网络结构设计
从故障样本可以看出每一组故障数据有12个判断条件，对应于神经网络的12个输入层节点，即可确定神经网络的输入向量的维数为12；故障样本中有5个故障区域和1个无故障区域，对应于神经网络的6个输出层节点，即可确定神经网络的输入向量的维数为6。神经网络的隐含层节点数取11。
步骤3：网络拓扑设计
选用高斯函数作为隐含层的激活函数，函数如下：
hi(x)＝exp(-||X-Ci||2/qi 2)
式中：X＝[x1,x2,…,xm]T为m维输入向量；Ci＝[ci1,ci2,…,cim]T为第i个隐含层神经元径向基函数的中心；||X-Ci||表示向量X与向量Ci之间的欧几里得距离；qi为对应神经元的“宽度”，又称为扩展常数，表示高斯函数的影响范围；i＝1,2,…,n。
步骤4：网络训练
RBF神经网络的训练主要由训练样本来调整中心点、扩展常数、输出权值这三个参数，通过对这三个参数的调整，完成RBF神经网络的训练。
首先，采用免疫算法确定RBF神经网络的中心点，流程如图3所示，具体过程如下：
(41)首先进行抗原识别，将输入数据作为抗原，然后产生初始抗体群，把中心点的可行取值表示成样本空间中的抗体，从样本空间内随机产生一个初始种群。同时初始化免疫算法的其他参数，如种群刷新比例、免疫选择比例、最大进化迭代次数等；
(42)对抗体进行解码确定RBF神经网络中心点，采用最小二乘法确定RBF神经网络的输出权值，计算网络适应度，具体网络适应度计算公式如下：
Figure BDA0002718781430000071
式中，yk为网络输出层第k个节点的实际输出；
Figure BDA0002718781430000072
为网络输出层第k个节点的期望输出；p为网络输出层的总节点个数。
(43)根据网络的适应度计算每个抗体的亲和力，具体计算公式如下：
Figure BDA0002718781430000073
式中，E(i)为种群中的第i个抗体的网络适应度。
(44)判断是否满足终止条件，若满足终止条件则终止算法寻优过程，输出结果；若不满足终止条件，则继续执行(5)。
(45)计算抗体的浓度和激励度，具体计算公式如下：
Figure BDA0002718781430000074
Figure BDA0002718781430000075
Figure BDA0002718781430000076
sim(i)＝a·aff(i)-b·den(i)
式中，den(i)为抗体的浓度；N为种群规模；δS为相似度阈值；bff(i,j)为抗体间的亲和力；H(i,j)为抗体i和抗体j间的距离；sim(i)为抗体的激励度；a和b为激励度系数。
(46)进行免疫选择、克隆、变异、克隆抑制。
免疫选择：根据亲和力和抗体浓度选择优质抗体，并使其活化。
克隆：对活化后的抗体进行复制，得到多个副本。
变异：对克隆后的副本进行变异，使其亲和度发生突变。
克隆抑制：对变异后的抗体进行选择，抑制亲和度低的抗体，保留亲和度高的抗体。
(47)种群刷新，按激励度大小对抗体进行排序，用随机新生成的抗体替代激励度较小的抗体，形成新的抗体种群，并跳转步骤(42)。
然后，由数据中心的散布确定扩展常数，为避免径向基函数太尖或太平，按如下公式计算：
Figure BDA0002718781430000081
式中，dmax为所选聚类中心的最大距离；M为聚类中心的个数。
最后，采用最小二乘法确定隐含层到输出层的权值矩阵W，具体为：
隐含层的输出为矩阵B，对所有的训练集样本，神经网络的输出为：
Figure BDA0002718781430000082
则神经网络的实际输出与训练集的误差为：
Figure BDA0002718781430000083
利用最小二乘法使得ε最小化，由此可以求得隐含层到输出层的权值矩阵：
W＝B+y
B+＝(BTB)-1BT
式中，B+为B的伪逆。
步骤5：网络测试
将测试集输入到训练好的电网故障诊断模型中进行故障诊断的效果验证，为了验证本发明的有效性，在将测试集输入到本发明采用免疫算法确定中心点的故障诊断模型的同时，也将测试集输入到采用K-means算法确定中心点的故障诊断模型进行对比分析，诊断结果如表3所示。
表3.故障诊断结果
Figure BDA0002718781430000084
Figure BDA0002718781430000091
从表3故障诊断的结果来看，本发明采用免疫算法确定中心点的RBF神经网络要比传统的采用K-means算法确定中心点的RBF神经网络有更好的分类效果，传统的RBF神经网络在诊断样本2和样本4时出现诊断错误，而采用免疫算法确定中心点的RBF神经网络对6个样本的诊断均正确。
综上，本发明所公开的一种基于免疫RBF神经网络的电网故障诊断方法，采用免疫算法进行RBF中心点的确定，弥补了传统采用K-means聚类确定RBF中心点会出现局部极小值的问题，提高了RBF神经网络的性能。使用免疫RBF神经网络所构建的电网故障诊断模型具有较强的容错性，能够有效地实现已知故障的诊断，进而可以很好的辅助调度人员进行事故的分析和处理。

Claims (10)

1.一种基于免疫RBF神经网络的电网故障诊断方法，其特征在于：包括以下步骤：
(1)采集样本数据，并将样本数据划分为训练集和测试集；
(2)构建基于免疫RBF神经网络的电网故障网络结构，包括确定RBF神经网络输入向量、输出向量的维数，确定隐含层节点数；
(3)构建三层前向网络拓扑结构，第一层为输入层，由采集的保护、断路器报警数据构成；第二层为隐含层，采用高斯函数进行非线性变换；第三层为输出层，对隐含层进行加权线性组合完成线性映射，以其输出结果确定电网故障区域；
(4)网络训练，输入训练集，基于免疫算法对电网故障诊断问题进行可行性分析，提取故障先验知识，构造适应度函数，并制定各种约束条件，把训练样本中的电网报警数据作为抗原，RBF中心点作为抗体，再进行克隆、变异和免疫操作后，将得到的样本数据中心作为RBF神经网络的中心点，再确定扩展常数，并利用最小二乘法确定隐含层到输出层的权值，得到电网故障诊断模型；
(5)电网故障诊断模型，将测试集输入到训练好的电网故障诊断模型中进行故障诊断的效果验证；
(6)通过电网故障诊断模型进行电网故障区域定位。
2.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(2)所述的RBF神经网络中输入向量的特征维数由判断故障区域的继电保护和断路器的数量决定；隐含层节点数量与输入向量的特征维数相同，输出层所包含的神经元个数对应电网故障区域数量。
3.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(3)所述的隐含层的激活函数为高斯函数，其表达式如下：
hi(x)＝exp(-||X-Ci||2/qi 2)
式中：X＝[x1,x2,…,xm]T为m维输入向量；Ci＝[ci1,ci2,…,cim]T为第i个隐含层神经元径向基函数的中心；||X-Ci||表示向量X与向量Ci之间的欧几里得距离；qi为为扩展常数，表示高斯函数的影响范围，i＝1,2,…,n。
4.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(4)基于免疫算法确定RBF神经网络的中心点具体步骤如下：
(41)抗原识别，将训练样本中的电网报警数据作为抗原，然后产生初始抗体群，以RBF中心点的取值作为抗体，从样本空间内随机产生一个初始种群；同时初始化免疫算法的其他参数，包括种群刷新比例、免疫选择比例、最大进化迭代次数；
(42)对抗体进行解码确定RBF神经网络中心点，采用最小二乘法确定RBF神经网络的输出权值，计算网络适应度；
(43)根据网络的适应度计算每个抗体的亲和力；
(44)判断是否满足终止条件，若满足终止条件则终止算法寻优过程，输出结果；若不满足终止条件，则继续执行步骤(45)；
(45)计算抗体的浓度和激励度；
(46)进行免疫选择、克隆、变异、克隆抑制；
(47)种群刷新，按激励度大小对抗体进行排序，用随机新生成的抗体替代激励度较小的抗体，形成新的抗体种群，并跳转步骤(42)。
5.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(42)所述的计算网络适应度，利用实际值和测试值的均方差进行计算，具体计算公式如下：
Figure FDA0002718781420000021
上式中，yk为网络输出层第k个节点的实际输出；
Figure FDA0002718781420000022
为网络输出层第k个节点的期望输出；p为网络输出层的总节点个数。
6.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(43)所述的计算每个抗体的亲和力，具体计算公式如下：
Figure FDA0002718781420000023
式中，E(i)为种群中的第i个抗体的网络适应度。
7.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(45)所述的计算抗体的浓度和激励度，具体计算公式如下：
Figure FDA0002718781420000031
Figure FDA0002718781420000032
Figure FDA0002718781420000033
sim(i)＝a·aff(i)-b·den(i)
式中，den(i)为抗体的浓度；N为种群规模；δS为相似度阈值；bff(i,j)为抗体间的亲和力；H(i,j)为抗体i和抗体j间的距离；sim(i)为抗体的激励度；a和b为激励度系数。
8.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(46)所述的免疫选择、克隆、变异和克隆抑制具体如下：
所述免疫选择是指根据亲和力和抗体浓度选择优质抗体，并使其活化；
所述克隆是指对活化后的抗体进行复制，得到若干副本；
所述变异是指对克隆后的副本进行变异，使其亲和度发生突变；
所述克隆抑制是指对变异后的抗体进行选择，抑制亲和度低的抗体，保留亲和度高的抗体。
9.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(4)所述的扩展常数由数据中心的散布确定，计算公式如下：
Figure FDA0002718781420000034
式中，dmax为所选聚类中心的最大距离；M为聚类中心的个数。
10.根据权利要求1所述的基于免疫RBF神经网络的电网故障诊断方法，其特征在于：步骤(4)所述的隐含层到输出层的权值确定，根据最小二乘法计算隐含层到输出层的权值矩阵W，具体过程如下：
隐含层的输出为矩阵B，对所有的训练集样本，神经网络的输出为：
Figure FDA0002718781420000035
则神经网络的实际输出与训练集的误差为：
Figure FDA0002718781420000041
利用最小二乘法使得ε最小化，由此可以求得隐含层到输出层的权值矩阵：
W＝B+y
B+＝(BTB)-1BT
式中，B+为B的伪逆矩阵。
CN202011081769.2A 2020-10-12 2020-10-12 一种基于免疫rbf神经网络的电网故障诊断方法 Active CN112215279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011081769.2A CN112215279B (zh) 2020-10-12 2020-10-12 一种基于免疫rbf神经网络的电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011081769.2A CN112215279B (zh) 2020-10-12 2020-10-12 一种基于免疫rbf神经网络的电网故障诊断方法

Publications (2)

Publication Number Publication Date
CN112215279A true CN112215279A (zh) 2021-01-12
CN112215279B CN112215279B (zh) 2024-02-02

Family

ID=74053206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011081769.2A Active CN112215279B (zh) 2020-10-12 2020-10-12 一种基于免疫rbf神经网络的电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN112215279B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254468A (zh) * 2021-04-20 2021-08-13 西安交通大学 一种某型装备的故障查询及推理方法
CN113295969A (zh) * 2021-06-30 2021-08-24 广东电网有限责任公司 一种配电网故障快速定位方法、系统、终端和存储介质
CN115964661A (zh) * 2023-01-04 2023-04-14 东北林业大学 基于域对抗网络的旋转机械故障诊断方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007056870A1 (en) * 2005-11-21 2007-05-24 The Governors Of The University Of Alberta Methods and compositions for pharmacologically controlled targeted immunotherapy
CN101231673A (zh) * 2008-02-02 2008-07-30 湖南大学 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法
CN102142091A (zh) * 2011-03-30 2011-08-03 东华大学 一种核集成优化分类方法
CN103926526A (zh) * 2014-05-05 2014-07-16 重庆大学 一种基于改进的rbf神经网络的模拟电路故障诊断方法
CN109901064A (zh) * 2019-03-15 2019-06-18 西安工程大学 基于ica-lvq的高压断路器故障诊断方法
CN110688809A (zh) * 2019-09-05 2020-01-14 西安理工大学 一种基于vprs-rbf神经网络的箱变故障诊断方法
CN110927490A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007056870A1 (en) * 2005-11-21 2007-05-24 The Governors Of The University Of Alberta Methods and compositions for pharmacologically controlled targeted immunotherapy
CN101231673A (zh) * 2008-02-02 2008-07-30 湖南大学 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法
CN102142091A (zh) * 2011-03-30 2011-08-03 东华大学 一种核集成优化分类方法
CN103926526A (zh) * 2014-05-05 2014-07-16 重庆大学 一种基于改进的rbf神经网络的模拟电路故障诊断方法
CN109901064A (zh) * 2019-03-15 2019-06-18 西安工程大学 基于ica-lvq的高压断路器故障诊断方法
CN110688809A (zh) * 2019-09-05 2020-01-14 西安理工大学 一种基于vprs-rbf神经网络的箱变故障诊断方法
CN110927490A (zh) * 2019-12-02 2020-03-27 吉林松江河水力发电有限责任公司 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254468A (zh) * 2021-04-20 2021-08-13 西安交通大学 一种某型装备的故障查询及推理方法
CN113254468B (zh) * 2021-04-20 2023-03-31 西安交通大学 一种装备的故障查询及推理方法
CN113295969A (zh) * 2021-06-30 2021-08-24 广东电网有限责任公司 一种配电网故障快速定位方法、系统、终端和存储介质
CN113295969B (zh) * 2021-06-30 2022-05-27 广东电网有限责任公司 一种配电网故障快速定位方法、系统、终端和存储介质
CN115964661A (zh) * 2023-01-04 2023-04-14 东北林业大学 基于域对抗网络的旋转机械故障诊断方法和系统
CN115964661B (zh) * 2023-01-04 2023-09-08 东北林业大学 基于域对抗网络的旋转机械故障诊断方法和系统

Also Published As

Publication number Publication date
CN112215279B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN112215279B (zh) 一种基于免疫rbf神经网络的电网故障诊断方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN111612125B (zh) 一种面向在线学习的新型htm时间池方法及其系统
CN105740619A (zh) 基于核函数的加权极限学习机污水处理在线故障诊断方法
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
Wang et al. A fault diagnosis method of power systems based on an improved adaptive fuzzy spiking neural P systems and PSO algorithms
CN113591954A (zh) 一种工业系统中缺失的时序数据的填充方法
CN109815995A (zh) 一种缺失观测值条件下锂电池剩余寿命预测方法
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
CN109711435A (zh) 一种基于遗传算法的支持向量机在线电压稳定性监测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN112564107A (zh) 一种电力系统暂态稳定评估方法
CN115329669A (zh) 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法
CN113884807B (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
Liu et al. Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm
CN109901064A (zh) 基于ica-lvq的高压断路器故障诊断方法
CN112333147B (zh) 一种核电厂dcs平台网络运行态势感知方法及系统
WO2014173271A1 (zh) 数字化人机界面监视单元数量优化方法及系统
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
Soltani et al. A pso-based fuzzy c-regression model applied to nonlinear data modeling
Yang et al. An improved probabilistic neural network with ga optimization

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