CN113536674A - 一种基于bp神经网络和改进scada数据的线路参数辨识方法 - Google Patents
一种基于bp神经网络和改进scada数据的线路参数辨识方法 Download PDFInfo
- Publication number
- CN113536674A CN113536674A CN202110792357.8A CN202110792357A CN113536674A CN 113536674 A CN113536674 A CN 113536674A CN 202110792357 A CN202110792357 A CN 202110792357A CN 113536674 A CN113536674 A CN 113536674A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- scada
- line
- input
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06N3/04—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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,包括如下步骤:步骤S1:建立包含不同运行条件下不同线路SCADA数据训练集;步骤S2:改进SCADA数据,建立BP神经网络,将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练;步骤S3:将改造后的待辨识线路两端量测SCADA数据作为输入数据,输入训练好的BP神经网络获取预测值;步骤S4:采用中位数抗差去除预测值中异常数据和噪声,作为最终的辨识结果。将BP神经网络与改进SCADA数据相结合,应用在参数辨识在线测量方法中以提高辨识方法的抗差能力;改进SCADA数据能提高BP神经网络的模型学习效果和辨识精度。采取中位数抗差有效降低大部分量测量中的粗差对辨识结果的影响。
Description
技术领域
本发明涉及测量电变量领域,尤其涉及一种基于BP神经网络和改进SCADA数据的线路参数辨识方法。
背景技术
随着大容量远距离高压输电、大系统互联、电网高度自动化的发展,我国电力系统已步入大电网、大机组的时代,这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中,输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力系统计算的基础。实践证明,在电力系统中,输电线路参数准确程度直接影响状态估计合格率,从而影响电力系统的安全、稳定、可靠运行。
现有的输电线路参数测量方法大致可分为:理论计算、离线停电测量、在线带电测量;其中,理论计算通常根据Carson模型,利用线路的自几何均距、互几何均距以及导线材料结构等物理参数,并结合气温等外部环境,通过公式计算出电阻、电抗和对地电纳。由于理论分析简化了模型并且忽略了不确定因素的影响,如无法考虑到实时温度、弧垂等实际存在的问题,导致理论计算结果与实际值相差甚大,因此我国继电保护规程规定线路参数必须实测。并且理论计算推导通常只考虑到了完全对称的情况,前提条件过于理想,因此无法考虑到线路所处实时温度、弧垂、避雷线等实际存在的问题,从而导致该方法得到的结果与实际参数存在较大差异;
离线停电测量:离线停电测量是在输电线路离线停电的前提下,在线路上行进行不同的测量试验,利用电压表、电流表、功率表、频率计等各种表计测量出线路的各个状态,经人工读取表值后利用相应的公式计算出各个相应的线路参数。测量时要求输电线路停止运行的苛刻前提条件,会造成多回运行的平行线路无法测量互感等问题。
现有的在线带电测量,例如,一种在中国专利文献上公开的“一种有限PMU下基于估计的输电线路故障检测方法”,其公告号CN111257696,包括一种有限PMU下基于估计的输电线路故障检测方法,采用间隔母线布置PMU策略,将电网分成几个区域,估计出未布置PMU母线的总估计电流,根据它是否超出阈值来检测疑似故障区域,采用t检验对疑似故障区域进行数据不同步的检查与校正;利用各PMU数据,较精确地估计得到未布置PMU母线的正序估计电压和估计电流,利用双端测距原理,分别计算各疑似线路的故障距离,建立有限PMU下的输电线路故障检测判据。但是上述方案基于PMU数据的在线测量PMU装设没有SCADA范围广,不能普适于所有线路。
发明内容
本发明是为了解决现有技术的在线测量方法存在不能普适所有线路,需要多个节点数据,计算量较大,且辨识精度与实际参数存在较大差异的问题,提供一种辨识精确的基于BP 神经网络和改进SCADA数据的线路参数辨识方法,提高线路状态估计的合格率。
为实现上述目的,本发明采用以下技术方案:
一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,包括如下步骤:步骤S1:建立包含不同运行条件下不同线路SCADA数据训练集;在对神经网络进行训练前,首先需要获取适当的训练集数据为神经网络的训练提供数据支撑。为了提高神经网络在不同场景,不同线路下的有效性,训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。
步骤S2:改进SCADA数据,建立BP神经网络,将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练;误差的反向传播,即首先由输出层开始逐层计算各层神经元的输出误差,然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。
步骤S3:将改造后的待辨识线路两端量测SCADA数据作为输入数据,输入训练好的BP神经网络获取预测值;获取待辨识线路两端的SCADA量测数据,包括电压幅值、电流幅值、有功功率、无功功率,改造后输入已训练好的LSTM神经网络,并将输出结果反归一化以获取预测值;
步骤S4:采用中位数抗差去除预测值中异常数据和噪声,作为最终的辨识结果。有效降低大部分量测量中的粗差对辨识结果的影响。
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1-λn)按从小到大排列(λ(1)-λ(n)),如果数据数量n为奇数,则中位数为排序后最中间的值,如果数据数量n为偶数,则中位数为排序后的最中间2个数的均值,即:
其中,m0.5为样本中位数;λ(i)为重新排列后的第i个样本数据点。
作为优选,所述步骤S1中所述的建立包含不同运行条件下不同线路仿真数据训练集:包括先通过改变m端数据以及线路参数,通过潮流计算获取n端测量数据,从而组成SCADA 训练集。其中m端、n端分别为同一线路的两端。
作为优选,所述改进SCADA数据包括如下步骤:
步骤S2.1:建立线路的π型等值模型;
步骤S2.2:根据线路等值模型计算线路的有功损耗和无功损耗;
步骤S2.3:将线路灯珠模型转换为电阻R、电抗X、电纳B的表达式后加入到SCADA训练集中,形成改造后的SCADA数据;
作为优选,步骤S2.2所述的计算线路的有功损耗和无功损耗包括如下步骤:
步骤S2.2.1:根据功率平衡可知:
S′m=P′m+jQ′m=Pm+jQm+jUm 2B/2
其中,Sm为线路m端的视在功率,Sn为线路n端的视在功率,S′m为无阻抗干扰的m端视在功率,P′m为无阻抗干扰的m端有功功率,Q′m为无阻抗干扰的m端无功功率;
步骤S2.2.2:根据PMU的正方向计算有功损耗P和无功损耗Q,可得:
作为优选,步骤S2.3包括如下步骤:
S2.3.1:根据无功损耗和有功损耗转化得出电阻R、电抗X、电纳B的表达式:
S2.3.2:将线路等值模型的电阻R,电抗X,电纳B加入训练集中,得出改进后的SCADA数据为:
Input=[Um;Un;Im;In;Pm;Pn;Qm;Qn;(Qm-Qn)2;
作为优选,所述步骤S4还包括如下步骤:对辨识过程神经网络的输入、输出数据进行归一化:
其中,xi代表神经网络输入或者输出数据,xmin为神经网络输入或输出数据的最小值,xmax为输入和输出数据的最大值,x′i为归一化后的数据。
作为优选,步骤S4还包括将辨识结果进行反归一化:xi=x′i(xmax-xmin)+xmin。由于训练及测试过程中所用数据均为归一化的数据,则所得辨识结果也是归一化后的数据,因此,辨识结果需要进行反归一化,以恢复原本的量纲。
作为优选,步骤S2中建立BP神经网络包括建立输入层、隐含层和输出层。xj表示输入层第j个节点的输入,j=1,…,M,wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激励函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值;i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激励函数;Ok表示输出层第k个节点的输出。
作为优选,步骤S2中所述的将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练,所述信号的向前传播为信号从输入层输入经过隐含层后从输出层输出,所述误差的反向传播为输出层开始逐层计算各层神经元的输出误差,然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。
所述信号向前传播过程如下:
隐含层第i个节点的输入neti:
隐含层第i个节点的输出yi:
输出层第k个节点的输入netk:
输出层第k个节点的输出Ok:
误差反向传播过程如下:
对于每一个样本p的二次型误差准则函数为Ep:
系统对P个训练样本的总误差准则函数为:
根据误差梯度下降法依次修正输出层权值的修正量Δwki,输出层阈值的修正量Δak,隐含层权值的修正量Δwij,隐含层阈值的修正量Δθi。
其中,η为学习率,且1>η>0。最后通过多次迭代修正权值,直至达到收敛条件为止。
作为优选,所述中位数抗差去除预测值中异常数据和噪声包括将样本数据按从小到大排列,如果样本数据量为奇数,则中位数为排序后最中间的值,若样本数据量为偶数,则中位数为排序后的最中间两位数的均值。
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1-λn)按从小到大排列(λ(1)-λ(n)),如果数据数量n为奇数,则中位数为排序后最中间的值,如果数据数量n为偶数,则中位数为排序后的最中间2个数的均值,即:
其中,m0.5为样本中位数;λ(i)为重新排列后的第i个样本数据点。
因此,本发明具有如下有益效果:(1)该方法将BP神经网络与改进SCADA数据相结合,旨在将神经网络应用在参数辨识在线测量方法中以提高辨识方法的抗差能力;(2)改进SCADA数据能提高BP神经网络的模型学习效果和辨识精度。(3)采取中位数抗差可以有效降低大部分量测量中的粗差对辨识结果的影响;
附图说明
图1是本发明一实施例的线路参数辨识方法流程图。
图2是本发明一实施例的线路π型等值模型示意图。
图3是本发明一实施例的LSTM神经网络结构示意图。
图4是本发明一实施例仿真线路拓扑图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例:如图1~4所示的一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,包括如下步骤:
步骤S1:建立包含不同运行条件下不同线路SCADA数据训练集;在对神经网络进行训练前,首先需要获取适当的训练集数据为神经网络的训练提供数据支撑。为了提高神经网络在不同场景,不同线路下的有效性,训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。
步骤S2:改进SCADA数据,建立BP神经网络,将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练;误差的反向传播,即首先由输出层开始逐层计算各层神经元的输出误差,然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。
建立BP神经网路的输入层、隐含层和输出层;xj表示输入层第j个节点的输入, j=1,…,M,wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激励函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值;i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激励函数;Ok表示输出层第k个节点的输出。
信号向前传播过程:
隐含层第i个节点的输入neti:
隐含层第i个节点的输出yi:
输出层第k个节点的输入netk:
输出层第k个节点的输出Ok:
误差反向传播过程:
误差的反向传播,即首先由输出层开始逐层计算各层神经元的输出误差,然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。
对于每一个样本p的二次型误差准则函数为Ep:
系统对P个训练样本的总误差准则函数为:
根据误差梯度下降法依次修正输出层权值的修正量Δwki,输出层阈值的修正量Δak,隐含层权值的修正量Δwij,隐含层阈值的修正量Δθi。
其中,η为学习率,且1>η>0。最后通过多次迭代修正权值,直至达到收敛条件为止。
步骤S2.1:建立线路的π型等值模型;
步骤S2.2:根据线路等值模型计算线路的有功损耗和无功损耗;包括如下步骤:步骤S2.2.1:根据功率平衡可知:
S′m=P′m+jQ′m=Pm+jQm+jUm 2B/2
其中,Sm为线路m端的视在功率,Sn为线路n端的视在功率,S′m为无阻抗干扰的m端视在功率,P′m为无阻抗干扰的m端有功功率,Q′m为无阻抗干扰的m端无功功率;
步骤S2.2.2:根据PMU的正方向计算有功损耗P和无功损耗Q,可得:
步骤S2.3:将线路灯珠模型转换为电阻R、电抗X、电纳B的表达式后加入到SCADA训练集中,形成改造后的SCADA数据;包括如下步骤:
S2.3.1:根据无功损耗和有功损耗转化得出电阻R、电抗X、电纳B的表达式:
S2.3.2:将线路等值模型的电阻R,电抗X,电纳B加入训练集中,得出改进后的SCADA数据为:
Input=[Um;Un;Im;In;Pm;Pn;Qm;Qn;(Qm-Qn)2;
步骤S3:将改造后的待辨识线路两端量测SCADA数据作为输入数据,输入训练好的BP神经网络获取预测值;获取待辨识线路两端的SCADA量测数据,包括电压幅值、电流幅值、有功功率、无功功率,改造后输入已训练好的LSTM神经网络,并将输出结果反归一化以获取预测值;
步骤S4:采用中位数抗差去除预测值中异常数据和噪声,作为最终的辨识结果。有效降低大部分量测量中的粗差对辨识结果的影响。
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1-λn)按从小到大排列(λ(1)-λ(n),如果数据数量n为奇数,则中位数为排序后最中间的值,如果数据数量n为偶数,则中位数为排序后的最中间2个数的均值,即:
其中,m0.5为样本中位数;λ(i)为重新排列后的第i个样本数据点。
对辨识过程神经网络的输入、输出数据进行归一化:
其中,xi代表神经网络输入或者输出数据,xmin为神经网络输入或输出数据的最小值,xmax为输入和输出数据的最大值,x′i为归一化后的数据。
将辨识结果进行反归一化:xi=x′i(xmax-xmin)+xmin。
改造SCADA输入数据可以减小训练过程的非线性程度,从而增加神经网络的拟合能力。同时,为了提高神经网络的训练速度和训练精度,需要对输入、输出数据进行归一化,其具体实现方式如下:
式中,xi代表样本的输入或输出数据,xmin代表样本输入或输出数据的最小值,xmax则代表输入或输出数据的最大值,x′i代表经归一化后的数据。
此外,由于训练及测试过程中所用数据均为归一化的数据,则所得辨识结果也是归一化后的数据,因此,辨识结果需要进行反归一化,以恢复原本的量纲,即:
xi=x′i(xmax-xmin)+xmin。
本发明实例利用PSCAD搭建220kV仿真系统,如图4所示,对单回输电线路的正序参数进行辨识。线路L为单回线,线路长度为40km;正序参数设置值为:电阻R1=0.7126Ω、电抗XL=12.55Ω,电导Y=1.4623×10-4S。Um=126.4kV,Pm=29.54MW,Qm=5.38Mvar。
基于中位数抗差估计,以SCADA原始数据和改进SCADA数据分别作为输入的BP 神经网络在有/无噪声情形下的辨识结果如表1神经网络在有或无噪声下的辨识结果:
表1神经网络在有或无噪声下的辨识结果
由表1可知,在无噪声和有噪声加入时,本文方法均可对线路参数进行准确辨识,验证了该方法的有效性与鲁棒性。通过无噪声和有噪声情况对比可以发现,噪声对于本文方法的影响较小,这与传统参数方法有着很大的不同。同时,通过传统SCADA数据和改进SCADA数据的对比可以发现,使用改进的SCADA数据训练的BP神经网络辨识结果明显优于传统的直接使用SCADA数据训练的BP神经网络,验证了改进SCADA数据的优越性。
综上,本发明所述的基于BP神经网络和改进SCADA数据的抗差线路参数辨识方法可行,且具有工程应用价值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了抗差线路参数、预测值、训练集、潮流计算等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,包括如下步骤:
步骤S1:建立包含不同运行条件下不同线路SCADA数据训练集;
步骤S2:改进SCADA数据,建立BP神经网络,将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练;
步骤S3:将改造后的待辨识线路两端量测SCADA数据作为输入数据,输入训练好的BP神经网络获取预测值;
步骤S4:采用中位数抗差去除预测值中异常数据和噪声,作为最终的辨识结果。
2.根据权利要求1所述的一种基于BP神经网路和改进SCADA数据的线路参数辨识方法,其特征是,所述步骤S1中所述的建立包含不同运行条件下不同线路仿真数据训练集:包括先通过改变m端数据以及线路参数,通过潮流计算获取n端测量数据,从而组成训练集。
3.根据权利要求2所述的一种基于BP神经网路和改进SCADA数据的线路参数辨识方法,其特征是,所述改进SCADA数据包括如下步骤:
步骤S2.1:建立线路的π型等值模型;
步骤S2.2:根据线路等值模型计算线路的有功损耗和无功损耗;
步骤S2.3:将线路灯珠模型转换为电阻R、电抗X、电纳B的表达式后加入到SCADA训练集中,形成改造后的SCADA数据。
7.根据权利要求6所述的一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,步骤S4还包括将辨识结果进行反归一化:xi=x′i(xmax-xmin)+xmin。
8.根据权利要求7所述的一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,步骤S2中建立BP神经网络包括建立输入层、隐含层和输出层。
9.根据权利要求8所述的一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,步骤S2中所述的将改进后的SCADA数据输入BP神经网路进行信号的向前传播训练和误差的反向传播训练,所述信号的向前传播为信号从输入层输入经过隐含层后从输出层输出,所述误差的反向传播为输出层开始逐层计算各层神经元的输出误差,然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。
10.根据权利要求9所述的一种基于BP神经网络和改进SCADA数据的线路参数辨识方法,其特征是,所述中位数抗差去除预测值中异常数据和噪声包括将样本数据按从小到大排列,如果样本数据量为奇数,则中位数为排序后最中间的值,若样本数据量为偶数,则中位数为排序后的最中间两位数的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792357.8A CN113536674B (zh) | 2021-07-13 | 2021-07-13 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792357.8A CN113536674B (zh) | 2021-07-13 | 2021-07-13 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536674A true CN113536674A (zh) | 2021-10-22 |
CN113536674B CN113536674B (zh) | 2023-09-29 |
Family
ID=78098941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792357.8A Active CN113536674B (zh) | 2021-07-13 | 2021-07-13 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536674B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117916A (zh) * | 2021-11-26 | 2022-03-01 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的配电网故障参数辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
CN110619182A (zh) * | 2019-09-24 | 2019-12-27 | 长沙理工大学 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN112241836A (zh) * | 2020-10-10 | 2021-01-19 | 天津大学 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
US20210203157A1 (en) * | 2019-12-30 | 2021-07-01 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
-
2021
- 2021-07-13 CN CN202110792357.8A patent/CN113536674B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN110619182A (zh) * | 2019-09-24 | 2019-12-27 | 长沙理工大学 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
US20210203157A1 (en) * | 2019-12-30 | 2021-07-01 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
CN112241836A (zh) * | 2020-10-10 | 2021-01-19 | 天津大学 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
乔福宇;马良玉;马永光;: "基于功率曲线分析与神经网络的风电机组故障预警方法", 中国测试, no. 08, pages 47 - 53 * |
周福举;王洪寅;庞吉年;花俊;毕键爽;: "基于BP神经网络的线损不良数据辨识及其预测", 节能, no. 01, pages 33 - 37 * |
李泽宇, 郭创新, 朱承治: "采用GA-BPNN与TLS模型的风电机组异常辨识方法", 《电力系统自动化》, vol. 44, no. 9, pages 95 - 102 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117916A (zh) * | 2021-11-26 | 2022-03-01 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的配电网故障参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113536674B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103944165B (zh) | 一种大电网参数辨识估计方法 | |
CN110289613B (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
CN104836223A (zh) | 电网参数错误与不良数据协同辨识与估计方法 | |
CN107817420B (zh) | 非全程同杆并架双回输电线路非同步数据故障测距方法 | |
CN112415273B (zh) | 一种双回非全线平行输电线路零序参数精确测量方法 | |
CN107632231B (zh) | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 | |
CN115128395A (zh) | 一种电压暂降源定位方法和装置 | |
CN105183938A (zh) | 电网不良数据辨识与估计方法 | |
CN113625103A (zh) | 小电流接地系统单相接地故障的选线方法 | |
CN112649642A (zh) | 一种窃电位置判断方法、装置、设备和存储介质 | |
CN113536674A (zh) | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 | |
CN111429043A (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN107832959B (zh) | 一种考虑负荷特性和电源约束的电压稳定评估方法 | |
Ghaedi et al. | Modified WLS three-phase state estimation formulation for fault analysis considering measurement and parameter errors | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
CN113589099B (zh) | 一种在具有多支路传输线的配电系统中实现故障定位的方法 | |
CN111796165B (zh) | 一种基于自适应傅里叶变换的配电网故障定位方法 | |
Zhengyi et al. | A lstm line selection method of single-phase ground fault based on big-data platform | |
CN112529066B (zh) | 一种基于bas-bp分类器模型的电压暂降源识别方法 | |
CN113537821A (zh) | 一种电力系统状态的快速评估方法及系统 | |
CN112464436A (zh) | 一种用于电力仿真模型参数辨识的步长调节方法 | |
Guo et al. | Research on Mine Power System Leakage Fusion Criterion by Improving Genetic Algorithm to Optimize BP Neural Network | |
CN114899946B (zh) | 一种基于平均一致性的电力系统分布式故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |