CN112215279B - 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 PDFInfo
- Publication number
- CN112215279B CN112215279B CN202011081769.2A CN202011081769A CN112215279B CN 112215279 B CN112215279 B CN 112215279B CN 202011081769 A CN202011081769 A CN 202011081769A CN 112215279 B CN112215279 B CN 112215279B
- Authority
- CN
- China
- Prior art keywords
- power grid
- neural network
- immune
- fault diagnosis
- rbf neural
- 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 70
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000010367 cloning Methods 0.000 claims abstract description 11
- 239000000427 antigen Substances 0.000 claims abstract description 9
- 102000036639 antigens Human genes 0.000 claims abstract description 9
- 108091007433 antigens Proteins 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 239000006185 dispersion Substances 0.000 claims 1
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000003064 k means clustering Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 101100172874 Caenorhabditis elegans sec-3 gene Proteins 0.000 description 1
- 101100172879 Caenorhabditis elegans sec-5 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
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
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：
式中，yk为网络输出层第k个节点的实际输出；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：
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：
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：
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：
则神经网络的实际输出与训练集的误差为：
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
表2.故障测试集样本
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：
式中，yk为网络输出层第k个节点的实际输出；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：
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：
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：
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：
则神经网络的实际输出与训练集的误差为：
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
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 (8)
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；
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，计算公式如下：
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；
(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)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(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：
上式中，yk为网络输出层第k个节点的实际输出；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。
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(43)所述的计算每个抗体的亲和力，具体计算公式如下：
式中，E(i)为种群中的第i个抗体的网络适应度。
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(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。
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(4)所述的扩展常数由数据中心的散布确定，计算公式如下：
式中，dmax为所选聚类中心的最大距离；M为聚类中心的个数。
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(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：
则神经网络的实际输出与训练集的误差为：
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。
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 CN112215279A (zh) | 2021-01-12 |
| CN112215279B true 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) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
Citations (7)
| 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 |
-
2020
- 2020-10-12 CN CN202011081769.2A patent/CN112215279B/zh active Active
Patent Citations (7)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215279A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110929763B (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
| CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
| CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
| CN107271925A (zh) | 基于深度卷积网络的模块化五电平换流器故障定位方法 | |
| CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
| CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
| CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
| CN112039687A (zh) | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 | |
| CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
| CN113591954A (zh) | 一种工业系统中缺失的时序数据的填充方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN107832789A (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN111060779A (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
| CN114785573A (zh) | 基于深度学习的智能变电站过程层网络异常流量检测方法 | |
| CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
| CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN114189047A (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| WO2014173271A1 (zh) | 数字化人机界面监视单元数量优化方法及系统 |
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 |