CN112529066A - 一种基于bas-bp分类器模型的电压暂降源识别方法 - Google Patents

一种基于bas-bp分类器模型的电压暂降源识别方法 Download PDF

Info

Publication number
CN112529066A
CN112529066A CN202011416089.1A CN202011416089A CN112529066A CN 112529066 A CN112529066 A CN 112529066A CN 202011416089 A CN202011416089 A CN 202011416089A CN 112529066 A CN112529066 A CN 112529066A
Authority
CN
China
Prior art keywords
bas
index
voltage sag
classifier
weight
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
CN202011416089.1A
Other languages
English (en)
Other versions
CN112529066B (zh
Inventor
叶筱怡
刘海涛
袁华骏
耿宗璞
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202011416089.1A priority Critical patent/CN112529066B/zh
Publication of CN112529066A publication Critical patent/CN112529066A/zh
Application granted granted Critical
Publication of CN112529066B publication Critical patent/CN112529066B/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
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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—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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明是一种基于BAS‑BP分类器模型的电压暂降源识别方法，应用改进S变换的结果模矩阵得到电压暂降信号的相关幅值曲线，提取并构建由16个电压暂降源识别特征指标组成的指标体系。为消除冗余信息对分类结果的影响，利用组合赋权法筛选出9个指标作为分类器的输入量，并应用改进S变换提取该9个指标数据。通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS‑BP分类模型，实现对配电网不同类型电压暂降源的识别。最后，仿真结果表明，该分类器模型具有一定的抗噪能力与适用性，并且与常规分类器模型相比，可以更加有效地提高不同电压暂降源的识别正确率，具有更好的分类效果。

Description

一种基于BAS-BP分类器模型的电压暂降源识别方法
技术领域
本发明涉及配电网电能质量识别技术领域，具体的说是一种基于BAS-BP分类器模型的电压暂降源识别方法。
背景技术
电气与电子工程师学会(IEEE)将电压暂降定义为在系统频率时供电电压有效值瞬时减小到额定值的10％～90％，其持续时间一般为0.5～30个工频周波。随着自动化和网络化在全球的不断普及与发展，电力系统中数字化的电力电子器件使用率不断增加。这些现代的新型负荷比起传统用电负荷，对电压暂降更加敏感。据统计，每年因发生电压暂降而造成的经济损失非常严重。因此，电压暂降成为最严重的电能质量问题之一，对不同电压暂降源进行准确的分类识别具有重大意义，是抑制和缓解电压暂降的前提。
改进S变换可以精确地提取电压暂降信号的特征指标。组合赋权法可以有效克服主客观赋权法各自的缺点，使得指标权重的分布更加科学合理。BP神经网络可以对不同类型的电压暂降进行有效识别，但其初始权值和阈值对分类效果有较大的影响。天牛须搜索算法(BAS)是一种模拟天牛觅食过程的智能算法，可有效解决多目标参数的寻优问题。因此需要一种应用BP神经网络和天牛须搜索算法(BAS)提高电压暂降源分类识别正确率的方法，从而达到实现对不同电压暂降源的准确识别。
发明内容
本发明要解决的技术问题是提供一种基于BAS-BP分类器模型的电压暂降源识别方法，该方法基于组合赋权法筛选不同电压暂降类型的重要特征指标，运用天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类器，从而实现对不同电压暂降源的准确识别。
为解决上述技术问题，本发明采用的技术方案为：
一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：通过应用改进S变换提取并构建由16个电压暂降源识别特征指标组成的指标体系。利用组合赋权法筛选出9个指标作为分类器的输入量，并应用改进S变换提取该9个指标数据用于消除冗余信息对分类结果的影响，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类模型，具体步骤如下：
步骤1，通过改进S变换得到由若干种不同故障引起的电压暂降信号的基频幅值曲线和频率幅值包络线；
步骤2，应用改进S变换提取并构建均值、标准差、RMS值、暂降深度、能量、峰度、突变点个数、香农熵、对数能量熵、基频幅值下降和上升斜率、二次谐波含有率、偏度、波形系数、波峰系数和暂降时间比16个特征指标体系；
步骤3，采用结合层次分析法与熵值法的组合赋权方法筛选出标准差、峰度、基频幅值上升和下降斜率、偏度、暂降深度、暂降时间比、突变点个数和二次谐波含有率共9个特征指标作为分类器的输入量，并确定各指标权重；
步骤4，构建BP神经网络和天牛须搜索算法的原理和模型；
步骤5，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类器；
步骤6，每种电压暂降类型提取2X组步骤3中上所述的9个指标数据并对其进行归一化处理；其中X组作为BAS-BP分类器的训练样本，另外X组作为BAS-BP分类器的测试样本进行测试，实现对配电网电压暂降源的精确识别。
所述的步骤3中组合赋权法需要对9个特征指标数据进行数据标准化，标准化公式如下：
Figure BDA0002820136040000021
式中：Aij *为第j个样本的第i个特征指标标准化后的数据；Aij为第j个样本的第i个特征指标原始数据；
Figure BDA0002820136040000022
为第j个样本的均值；std(Aj)表示标准差。
所述的步骤3中确定9个特征指标权重的步骤具体如下：
步骤3.1，根据标度表对各特征指标进行两两比较，得到判断矩阵A＝(aij)n×n；其中：aij表示的意义是，与指标j相比，i的重要程度，aii为1，aij>0且满足aij×aji＝1；
步骤3.2，对判断矩阵A进行一致性检验，一致性检验公式如下：
Figure BDA0002820136040000023
Figure BDA0002820136040000024
式中：CI为一致性指标，λmax为判断矩阵A的最大特征值；CR为一致性比例，RI为平均随机一致性指标，可通过查表得到；
若CR<0.1，则可认为所求权重有意义；否则需要对判断矩阵A＝(aij)n×n进行调整；
步骤3.3，利用算数平均法求权重向量，具体权重向量计算公式如下：
Figure BDA0002820136040000031
式中，ω1i为利用算数平均法所求权重向量；akj为与指标j相比，k的重要程度，k＝1，2,…,n，n为指标个数；
步骤3.4，采用熵值法确定各特征指标的客观权重，具体步骤如下：
步骤3.4.1，计算第i个特征指标的熵值：
Figure BDA0002820136040000032
式中：
Figure BDA0002820136040000033
为第i项指标下第j个样本的比重；
Figure BDA0002820136040000034
n为特征指标矩阵Aij的行数，即样本数；
步骤3.4.2，熵值法权重向量为：
Figure BDA0002820136040000035
式中：ω2i为利用熵值法所求权重向量；m为特征指标个数；
步骤3.5，得到组合赋权权重，所述的组合赋权权重的计算公式如下：
Figure BDA0002820136040000036
式中，ω1i为利用算数平均法所求权重向量；ω2i为利用熵值法所求权重向量。
所述的步骤4中，BP神经网络是一种多层的，不断向前反馈的神经网络，且当下每一层神经元的状态只影响下一层的神经元状态；BP神经网络的权值和阈值大小根据反馈的误差不断调整，最终使其输出值与期望值的差逐渐减小。
所述的步骤5中，BP神经网络选择的隐含层节点个数为12。
所述的步骤6中，每种电压暂降类型提取100组步骤3中上所述的9个指标数据并对其进行归一化处理；其中50组作为BAS-BP分类器的训练样本，另外50组作为BAS-BP分类器的测试样本进行测试。
所述的步骤1中，引起电压暂降的情况包括但不限区域短路故障、感应电动机起动和变压器投运。
该种基于BAS-BP分类器模型的电压暂降源识别方法能够达到的有益效果为：第一，组合赋权法前对各特征指标进行数据标准化，解决了不同特征指标具有不同的性质和量纲，数据大小相差较大的缺陷；第二，通过组合赋权方法对确定各指标权重进行确定，能够获得更优的指标权重结果；第三，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，并构建BAS-BP分类器，从而实现对不同电压暂降源的100％准确识别。
附图说明
图1为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中基频幅值曲线。
图2为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中基频幅值曲线。
图3为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中电压暂降识别特征指标体系。
图4为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中BP神经网络分类模型。
图5为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中BAS-BP分类器模型。
图6为本发明一种基于BAS-BP分类器模型的电压暂降源识别方法中AS-BP分类结果。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：通过应用改进S变换提取并构建由16个电压暂降源识别特征指标组成的指标体系。利用组合赋权法筛选出9个指标作为分类器的输入量，并应用改进S变换提取该9个指标数据用于消除冗余信息对分类结果的影响，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类模型，具体步骤如下：
步骤1，如图1、图2所示，通过改进S变换得到由若干种不同故障引起的电压暂降信号的基频幅值曲线和频率幅值包络线；
步骤2，应用改进S变换提取并构建均值、标准差、RMS值、暂降深度、能量、峰度、突变点个数、香农熵、对数能量熵、基频幅值下降和上升斜率、二次谐波含有率、偏度、波形系数、波峰系数和暂降时间比16个特征指标体系，如图3所示；
步骤3，采用结合层次分析法与熵值法的组合赋权方法筛选出标准差、峰度、基频幅值上升和下降斜率、偏度、暂降深度、暂降时间比、突变点个数和二次谐波含有率共9个特征指标作为分类器的输入量，并确定各指标权重；
步骤4，构建BP神经网络和天牛须搜索算法的原理和模型，BP神经网络分类模型如图4所示；
步骤5，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类器，其步骤如图5所示；
步骤6，每种电压暂降类型提取100组步骤3中上所述的9个指标数据并对其进行归一化处理；其中50组作为BAS-BP分类器的训练样本，另外50组作为BAS-BP分类器的测试样本进行测试，实现对配电网电压暂降源的精确识别，如图6所示。
本实施例中，步骤3中组合赋权法需要对9个特征指标数据进行数据标准化，标准化公式如下：
Figure BDA0002820136040000051
式中：Aij *为第j个样本的第i个特征指标标准化后的数据；Aij为第j个样本的第i个特征指标原始数据；
Figure BDA0002820136040000052
为第j个样本的均值；std(Aj)表示标准差。
本实施例中，步骤3中确定9个特征指标权重的步骤具体如下：
步骤3.1，根据标度表对各特征指标进行两两比较，得到判断矩阵A＝(aij)n×n；其中：aij表示的意义是，与指标j相比，i的重要程度，aii为1，aij>0且满足aij×aji＝1；
步骤3.2，对判断矩阵A进行一致性检验，一致性检验公式如下：
Figure BDA0002820136040000053
Figure BDA0002820136040000054
式中：CI为一致性指标，λmax为判断矩阵A的最大特征值；CR为一致性比例，RI为平均随机一致性指标，可通过查表得到；
若CR<0.1，则可认为所求权重有意义；否则需要对判断矩阵A＝(aij)n×n进行调整；
步骤3.3，利用算数平均法求权重向量，具体权重向量计算公式如下：
Figure BDA0002820136040000061
式中，ω1i为利用算数平均法所求权重向量；akj为与指标j相比，k的重要程度，k＝1，2,…,n，n为指标个数；
步骤3.4，采用熵值法确定各特征指标的客观权重，具体步骤如下：
步骤3.4.1，计算第i个特征指标的熵值：
Figure BDA0002820136040000062
式中：
Figure BDA0002820136040000063
为第i项指标下第j个样本的比重；
Figure BDA0002820136040000064
n为特征指标矩阵Aij的行数，即样本数；
步骤3.4.2，熵值法权重向量为：
Figure BDA0002820136040000065
式中：ω2i为利用熵值法所求权重向量；m为特征指标个数；
步骤3.5，得到组合赋权权重，所述的组合赋权权重的计算公式如下：
Figure BDA0002820136040000066
式中，ω1i为利用算数平均法所求权重向量；ω2i为利用熵值法所求权重向量。
本实施例中，步骤4中，BP神经网络是一种多层的，不断向前反馈的神经网络，且当下每一层神经元的状态只影响下一层的神经元状态；BP神经网络的权值和阈值大小根据反馈的误差不断调整，最终使其输出值与期望值的差逐渐减小。
本实施例中，步骤5中，BP神经网络选择的隐含层节点个数为12。
基于MATLAB/Simulink软件平台分别建立五种电压暂降的仿真模型并进行仿真实验。仿真模型中电源电压为11kv，容量为30MV·A，变压器的高压侧为11kv，低压侧为0.4kv，仿真时采样频率设定为1600Hz，采样点数设定为512点，基频频率取工频50Hz。对于短路故障，改变断路器的开断时间、故障点距离母线的距离以及线路负荷；对于感应电动机启动，改变电动机的容量和电动机的启动时间；对于变压器投运，改变其变压器的容量、联接方式、投切时间以及线路负荷，共得到五种电压暂降类型各100组样本数据。
采用结合层次分析法与熵值法的组合赋权方法筛选出标准差、峰度、基频幅值上升和下降斜率、偏度、暂降深度、暂降时间比、突变点个数和二次谐波含有率共9个特征指标作为分类器的输入量，并确定各指标权重，各指标权重如表1所示：
表1各特征指标权重值
Figure BDA0002820136040000071
在BAS-BP分类器的训练过程中一般可选用50组作为BAS-BP分类器的训练样本，另外50组作为BAS-BP分类器的测试样本进行测试，但是也根据实际情况增加BAS-BP分类器的训练样本，BAS-BP分类器的训练样本数量和分类识别正确率之间的关系如表2所示，BAS-BP分类器的训练样本数量越多，其最终的分类识别正确率也越高。
表2不同训练样本数的BAS-BP识别正确率
Figure BDA0002820136040000072
进一步的，该种BAS-BP分类器模型在含噪声情况下仍具有一定的识别正确率。如表3所示，随着噪声的减少，BAS-BP分类器的识别正确率升高。当信噪比为20dB时，其识别正确率为94％，依然保持了良好的识别能力，具有一定的鲁棒性。因此该分类器在无噪声环境和含噪环境中均具有一定的适用性。
表3不同信噪比下的正确识别率
Figure BDA0002820136040000073
进一步的，该种BAS-BP分类器对电压暂降源的识别正确率比其他传统分类器高，具有有效的识别能力，如表4所示，但BAS-BP分类器其识别耗时相对BP神经网络和PSO-BP分类器更长，因此采用该分类器得到高识别正确率的同时，也需要更多的识别时间。
表4不同分类器的识别正确率
Figure BDA0002820136040000081
由上可知，该种基于BAS-BP分类器模型的电压暂降源识别方法能够实现对配电网不同类型电压暂降源的识别。仿真结果表明，该方法中构建的BAS-BP分类器模型具有一定的抗噪能力与适用性，并且与常规分类器模型相比，可以更加有效地提高不同电压暂降源的识别正确率，具有更好的分类效果。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：通过应用改进S变换提取并构建由16个电压暂降源识别特征指标组成的指标体系。利用组合赋权法筛选出9个指标作为分类器的输入量，并应用改进S变换提取该9个指标数据用于消除冗余信息对分类结果的影响，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类模型，具体步骤如下：
步骤1，通过改进S变换得到由若干种不同故障引起的电压暂降信号的基频幅值曲线和频率幅值包络线；
步骤2，应用改进S变换提取并构建均值、标准差、RMS值、暂降深度、能量、峰度、突变点个数、香农熵、对数能量熵、基频幅值下降和上升斜率、二次谐波含有率、偏度、波形系数、波峰系数和暂降时间比16个特征指标体系；
步骤3，采用结合层次分析法与熵值法的组合赋权方法筛选出标准差、峰度、基频幅值上升和下降斜率、偏度、暂降深度、暂降时间比、突变点个数和二次谐波含有率共9个特征指标作为分类器的输入量，并确定各指标权重；
步骤4，构建BP神经网络和天牛须搜索算法的原理和模型；
步骤5，通过天牛须搜索算法对BP神经网络的初始权值和阈值进行寻优，构建BAS-BP分类器；
步骤6，每种电压暂降类型提取2X组步骤3中上所述的9个指标数据并对其进行归一化处理；其中X组作为BAS-BP分类器的训练样本，另外X组作为BAS-BP分类器的测试样本进行测试，实现对配电网电压暂降源的精确识别。
2.如权利要求1所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤3中组合赋权法需要对9个特征指标数据进行数据标准化，标准化公式如下：
Figure FDA0002820136030000011
式中：Aij *为第j个样本的第i个特征指标标准化后的数据；Aij为第j个样本的第i个特征指标原始数据；
Figure FDA0002820136030000012
为第j个样本的均值；std(Aj)表示标准差。
3.如权利要求2所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤3中确定9个特征指标权重的步骤具体如下：
步骤3.1，根据标度表对各特征指标进行两两比较，得到判断矩阵A＝(aij)n×n；其中：aij表示的意义是，与指标j相比，i的重要程度，aii为1，aij>0且满足aij×aji＝1；
步骤3.2，对判断矩阵A进行一致性检验，一致性检验公式如下：
Figure FDA0002820136030000021
Figure FDA0002820136030000022
式中：CI为一致性指标，λmax为判断矩阵A的最大特征值；CR为一致性比例，RI为平均随机一致性指标，可通过查表得到；
若CR<0.1，则可认为所求权重有意义；否则需要对判断矩阵A＝(aij)n×n进行调整；
步骤3.3，利用算数平均法求权重向量，具体权重向量计算公式如下：
Figure FDA0002820136030000023
式中，ω1i为利用算数平均法所求权重向量；akj为与指标j相比，k的重要程度，k＝1，2,…,n，n为指标个数；
步骤3.4，采用熵值法确定各特征指标的客观权重，具体步骤如下：
步骤3.4.1，计算第i个特征指标的熵值：
Figure FDA0002820136030000024
式中：
Figure FDA0002820136030000025
为第i项指标下第j个样本的比重；
Figure FDA0002820136030000026
n为特征指标矩阵Aij的行数，即样本数；
步骤3.4.2，熵值法权重向量为：
Figure FDA0002820136030000027
式中：ω2i为利用熵值法所求权重向量；m为特征指标个数；
步骤3.5，得到组合赋权权重，所述的组合赋权权重的计算公式如下：
Figure FDA0002820136030000028
式中，ω1i为利用算数平均法所求权重向量；ω2i为利用熵值法所求权重向量。
4.如权利要求1所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤4中，BP神经网络是一种多层的，不断向前反馈的神经网络，且当下每一层神经元的状态只影响下一层的神经元状态；BP神经网络的权值和阈值大小根据反馈的误差不断调整，最终使其输出值与期望值的差逐渐减小。
5.如权利要求4所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤5中，BP神经网络选择的隐含层节点个数为12。
6.如权利要求5所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤6中，每种电压暂降类型提取100组步骤3中上所述的9个指标数据并对其进行归一化处理；其中50组作为BAS-BP分类器的训练样本，另外50组作为BAS-BP分类器的测试样本进行测试。
7.如权利要求1所述的一种基于BAS-BP分类器模型的电压暂降源识别方法，其特征在于：所述的步骤1中，引起电压暂降的情况包括但不限区域短路故障、感应电动机起动和变压器投运。
CN202011416089.1A 2020-12-07 2020-12-07 一种基于bas-bp分类器模型的电压暂降源识别方法 Active CN112529066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011416089.1A CN112529066B (zh) 2020-12-07 2020-12-07 一种基于bas-bp分类器模型的电压暂降源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011416089.1A CN112529066B (zh) 2020-12-07 2020-12-07 一种基于bas-bp分类器模型的电压暂降源识别方法

Publications (2)

Publication Number Publication Date
CN112529066A true CN112529066A (zh) 2021-03-19
CN112529066B CN112529066B (zh) 2024-04-16

Family

ID=74997914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011416089.1A Active CN112529066B (zh) 2020-12-07 2020-12-07 一种基于bas-bp分类器模型的电压暂降源识别方法

Country Status (1)

Country Link
CN (1) CN112529066B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111579A (zh) * 2021-04-02 2021-07-13 华北电力大学（保定） 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874950A (zh) * 2017-02-13 2017-06-20 云南电网有限责任公司电力科学研究院 一种暂态电能质量录波数据的识别分类方法
WO2018170232A1 (en) * 2017-03-16 2018-09-20 Symmetry Sensors, Inc. Systems and methods for optical perception
CN109378823A (zh) * 2018-11-15 2019-02-22 四川大学 一种电压暂降水平的综合评估方法
CN109784276A (zh) * 2019-01-16 2019-05-21 东南大学 一种基于dbn的电压暂降特征提取与暂降源辨识方法
CN110909983A (zh) * 2019-10-25 2020-03-24 浙江工业大学 一种主动配电网电能质量多维评估方法
CN111177925A (zh) * 2019-12-30 2020-05-19 江苏益邦电力科技有限公司 一种基于bas-bp算法的绞线rlcg参数提取方法
CN111369171A (zh) * 2020-03-19 2020-07-03 上海观安信息技术股份有限公司 一种基于组合赋权的用户业务安全综合风险的评估方法
CN111398721A (zh) * 2020-04-14 2020-07-10 南京工程学院 一种引入调节因子的配电网电压暂降源分类识别方法
CN111476173A (zh) * 2020-04-09 2020-07-31 南京工程学院 一种基于bas-svm的配电网电压暂降源识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874950A (zh) * 2017-02-13 2017-06-20 云南电网有限责任公司电力科学研究院 一种暂态电能质量录波数据的识别分类方法
WO2018170232A1 (en) * 2017-03-16 2018-09-20 Symmetry Sensors, Inc. Systems and methods for optical perception
CN109378823A (zh) * 2018-11-15 2019-02-22 四川大学 一种电压暂降水平的综合评估方法
CN109784276A (zh) * 2019-01-16 2019-05-21 东南大学 一种基于dbn的电压暂降特征提取与暂降源辨识方法
CN110909983A (zh) * 2019-10-25 2020-03-24 浙江工业大学 一种主动配电网电能质量多维评估方法
CN111177925A (zh) * 2019-12-30 2020-05-19 江苏益邦电力科技有限公司 一种基于bas-bp算法的绞线rlcg参数提取方法
CN111369171A (zh) * 2020-03-19 2020-07-03 上海观安信息技术股份有限公司 一种基于组合赋权的用户业务安全综合风险的评估方法
CN111476173A (zh) * 2020-04-09 2020-07-31 南京工程学院 一种基于bas-svm的配电网电压暂降源识别方法
CN111398721A (zh) * 2020-04-14 2020-07-10 南京工程学院 一种引入调节因子的配电网电压暂降源分类识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王甜甜: "基于BAS-BP模型的风暴潮灾害损失预测", 《海洋环境科学》, vol. 37, no. 03, pages 457 - 463 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111579A (zh) * 2021-04-02 2021-07-13 华北电力大学（保定） 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法

Also Published As

Publication number Publication date
CN112529066B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Ahmadipour et al. Islanding detection method using ridgelet probabilistic neural network in distributed generation
CN110632545B (zh) 基于回归神经网络电子式互感器误差风险评估方法和装置
CN108646149A (zh) 基于电流特征提取的故障电弧识别方法
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN111476173A (zh) 一种基于bas-svm的配电网电压暂降源识别方法
CN108876163A (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
CN107037327A (zh) 局部放电故障判定特征提取方法及判定方法
CN110702966B (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN110808580A (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
CN105954616B (zh) 基于外特性电气参数的光伏组件故障诊断方法
CN109711687B (zh) 一种基于改进熵值法的绝缘子状态模糊评估方法
CN113065522A (zh) 基于深度神经网络的变压器局部放电类型识别方法
CN112529066A (zh) 一种基于bas-bp分类器模型的电压暂降源识别方法
CN110783913A (zh) 基于群的计及预想事故集最佳电网拓扑在线优化方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN112100803B (zh) 一种动车组功率断路器主触点健康状况测评方法
CN114386024A (zh) 基于集成学习的电力内网终端设备异常攻击检测方法
Wang et al. Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis
Ghaemi et al. Situational awareness and deficiency warning system in a smart distribution network based on stacking ensemble learning
CN110794210B (zh) 电压谐波隔离效果的判断方法、装置、供电系统、计算机设备及存储介质
CN111398721A (zh) 一种引入调节因子的配电网电压暂降源分类识别方法
Samet et al. A two-level neural network approach for flicker source location
CN113702760B (zh) 一种配电线路横向故障和铁磁谐振状态的辨识方法及系统

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