CN113933652A - 一种配电网高阻接地识别装置算法升级方法和系统 - Google Patents
一种配电网高阻接地识别装置算法升级方法和系统 Download PDFInfo
- Publication number
- CN113933652A CN113933652A CN202111205436.0A CN202111205436A CN113933652A CN 113933652 A CN113933652 A CN 113933652A CN 202111205436 A CN202111205436 A CN 202111205436A CN 113933652 A CN113933652 A CN 113933652A
- Authority
- CN
- China
- Prior art keywords
- neural network
- offset
- power distribution
- algorithm
- built
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims description 70
- 230000004913 activation Effects 0.000 claims description 63
- 239000010410 layer Substances 0.000 claims description 43
- 230000007423 decrease Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000002356 single layer Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网高阻接地识别装置算法升级方法和系统,以预置衰退系数作为参考,当内置算法模型根据输入信号特征计算的判定值小于或等于衰退系数时,说明算法模型已处于激活的衰退期,存在无法有效识别特征的风险,需要重新更新权重系数和偏移量,此时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行在线更新,不需要改变神经网络结构,也不需要每次升级更新都预先经过训练平台对内置算法模型进行定型后再离线烧录进高阻接地识别装置控制器中,解决了现有的配电网高阻接地识别装置算法升级方法采用离线烧录方式,操作复杂,效率低下,不能满足高效智能化需求的技术问题。
Description
技术领域
本发明涉及配电网故障识别技术领域,尤其涉及一种基于配电网高阻接地识别装置算法升级方法和系统。
背景技术
高阻接地故障(HIF)是指电力线路通过道路、土壤、树枝或者水泥建筑物等导电介质所发生的接地故障。配电网高电阻接地故障容易引起火灾或者人身触电事件,影响配电网供电可靠性,造成较大的社会影响。
现有的高阻接地识别装置内置算法并不支持在线升级更新,经常需要在后台离线完成算法研究、实验和定型后,通过USB、SWD、JTAG、UART等接口烧录到高阻接地识别装置的控制器中,操作复杂,效率低下,不能满足高效智能化需求。因此,亟需研究能够支持高阻接地识别装置内置算法在线升级的方法以满足需求。
发明内容
本发明实施例提供了一种基于配电网高阻接地识别装置算法升级方法和系统,用以解决现有的配电网高阻接地识别装置算法升级方法采用离线烧录方式,操作复杂,效率低下,不能满足高效智能化需求的技术问题。
有鉴于此,本发明第一方面提供了一种配电网高阻接地识别装置算法升级方法,所述方法包括:
获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值;
当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
可选地,参数设置模块具体用于设置测试次数、真实波形高低阈值(l1,h1)、仿真波形高低阈值(l2,h2)和干扰波形阈值l3。
可选地,还包括:
根据神经网络激活函数计算神经元的激活数值;
当激活数值小于或等于信息系数,且判定值大于衰退系数时,删除对应的神经元;
当激活数值小于或等于信息系数,且判定值小于或等于衰退系数时,在对应层增加1个神经元,根据第二权重系数更新公式和第二偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第二权重系数更新公式为:第二偏移量更新公式为:g(k)为神经元k的激活数值。
可选地,还包括:
根据神经网络激活函数计算神经元的激活数值;
根据神经元的激活数值计算神经元的输出偏差,当两个神经元的输出偏差小于或等于偏差系数时,将两个神经元合并,根据第三权重系数更新公式和第三偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,神经元的输出偏差的计算公式为:第三权重系数更新公式为w′ij=wij+l(k),第一偏移量更新公式为:a′ij=aij+l(k)。
可选地,判定值的计算公式为:g=f(z),f(z)为神经网络激活函数,nij为节点元素,xij为节点数值,wij为第i+1层第j个节点和第i层节点之间的权重,aij为第i+1层第j个节点的偏移量,cij为第i+1层第j个节点的连接关系,L为神经网络层数,N为单层神经网络节点个数的最大值。
可选地,内置算法模型为卷积神经网络模型。
可选地,在获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值之前,还包括:
读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
本发明第二方面提供一种配电网高阻接地识别装置算法升级系统,所述系统包括:
获取模块,用于获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值;
更新模块,用于当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
可选地,更新模块还用于:
根据神经网络激活函数计算神经元的激活数值;
当激活数值小于或等于信息系数,且判定值大于衰退系数时,删除对应的神经元;
当激活数值小于或等于信息系数,且判定值小于或等于衰退系数时,在对应层增加1个神经元,根据第二权重系数更新公式和第二偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第二权重系数更新公式为:第二偏移量更新公式为:g(k)为神经元k的激活数值。
可选地,更新模块还用于:
根据神经网络激活函数计算神经元的激活数值;
根据神经元的激活数值计算神经元的输出偏差,当两个神经元的输出偏差小于或等于偏差系数时,将两个神经元合并,根据第三权重系数更新公式和第三偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,神经元的输出偏差的计算公式为:第三权重系数更新公式为w′ij=wij+l(k),第一偏移量更新公式为:a′ij=aij+l(k)。
还包括离线预处理模块,用于:
读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明中提供的配电网高阻接地识别装置算法升级方法,以预置衰退系数作为参考,当内置算法模型根据输入信号特征计算的判定值小于或等于衰退系数时,说明算法模型已处于激活的衰退期,存在无法有效识别特征的风险,需要重新更新权重系数和偏移量,此时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行在线更新,不需要改变神经网络结构,也不需要每次升级更新都预先经过训练平台对内置算法模型进行定型后再离线烧录进高阻接地识别装置控制器中,解决了现有的配电网高阻接地识别装置算法升级方法采用离线烧录方式,操作复杂,效率低下,不能满足高效智能化需求的技术问题。
附图说明
图1为本发明实施例中提供的配电网高阻接地识别装置算法升级方法的第一个流程示意图;
图2为本发明实施例中提供的配电网高阻接地识别装置算法升级方法的第二个流程示意图;
图3为本发明实施例中提供的配电网高阻接地识别装置算法升级方法的第三个流程示意图;
图4为本发明实施例中提供的配电网高阻接地识别装置算法的离线处理过程格式转换示意图;
图5为本发明实施例中提供的配电网高阻接地识别装置算法升级系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
定义:
衰退系数:用于表征神经网络模型进入激活的衰退期的系数。
信息系数:用于表征神经元在神经网络中携带的信息量的系数。
偏差系数:用于表征两个神经元的信息重叠性大小。
为了便于理解,请参阅图1,图1为本发明实施例中提供的配电网高阻接地识别装置算法升级方法,如图1所示,配电网高阻接地识别装置算法升级方法包括:
步骤101、获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值。
本发明中,配电网高阻接地识别装置采用基于神经网络的内置算法模型进行高阻故障识别,利用信号采集模块根据设定需求采集10kHz频率下的零序电压和电流信号,通过小波变换将信号转换为能量谱,利用训练好的神经网络进行特征提取,利用nij来表示输出结点、神经网络层数、每层的节点数。nij表示第i层神经网络第j个节点,为节点元素,值为1时表示存在该节点,值为0时表示不存在该节点,i=1,…L,L为神经网络层数,j=1,…N,N为单层神经网络中神经网络节点个数最大值。,xij为节点数值,wij为第i+1层第j个节点和第i层节点之间的权重,aij为第i+1层第j个节点的偏移量,cij为第i+1层第j个节点的连接关系。
步骤102、当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新。
根据配电网高阻接地识别装置内置算法模型,将电压信号或电流信号特征输入内置算法模型,计算内置算法模型的判定值g,当g≤ε时,ε为衰退系数,表示内置算法模型已处于激活的衰退期,存在无法有效识别特征的风险,需要重新更新模型的权重系数和偏移量,但不需要改变神经网络结构。本发明实施例中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
本发明实施例中提供的配电网高阻接地识别装置算法升级方法,以预置衰退系数作为参考,当内置算法模型根据输入信号特征计算的判定值小于或等于衰退系数时,说明算法模型已处于激活的衰退期,存在无法有效识别特征的风险,需要重新更新权重系数和偏移量,此时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行在线更新,不需要改变神经网络结构,也不需要每次升级更新都预先经过训练平台对内置算法模型进行定型后再离线烧录进高阻接地识别装置控制器中,解决了现有的配电网高阻接地识别装置算法升级方法采用离线烧录方式,操作复杂,效率低下,不能满足高效智能化需求的技术问题。
请参阅图2,在一个实施例中,还可以包括以下步骤:
步骤103、根据神经网络激活函数计算神经元的激活数值。
步骤104、当激活数值小于或等于信息系数,且判定值大于衰退系数时,删除对应的神经元。
步骤105、当激活数值小于或等于信息系数,且判定值小于或等于衰退系数时,在对应层增加1个神经元,根据第二权重系数更新公式和第二偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第二权重系数更新公式为:第二偏移量更新公式为:g(k)为神经元k的激活数值。
本发明实施例中,除了以衰退系数ε为升级更新判断依据之外,还可以用信息系数β来作为算法升级更新的判据。具体地,据神经网络激活函数计算神经元的激活数值,计算公式为:
其中,g(k)为神经元k的激活数值。
当g(k)≤β,且g>ε时,表明神经元k在神经网络中信息量较少,因而删除神经元k。当g(k)≤β,且g≤ε时,表明目前的神经元k已无法处理较多的故障特征,则在该层增加1个神经元,作为k+1神经元,然后根据第二权重系数更新公式和第二偏移量更新公式对神经网络模型的权重系数和偏移量进行更新。该方式是一种改变神经网络的结构的升级方式。
请参阅图3,在一个实施例中,还可以包括以下步骤:
步骤103、根据神经网络激活函数计算神经元的激活数值。
步骤106、根据神经元的激活数值计算神经元的输出偏差l(k),当两个神经元的输出偏差小于或等于偏差系数时,根据第三权重系数更新公式和第三偏移量更新公式对神经网络模型的权重系数和偏移量进行更新。
除了以衰退系数ε和信息系数β来作为算法升级更新的判据之外,还可以用偏差系数λ来作为算法升级更新的判据。神经元的输出偏差的计算公式为:当两个神经元的输出偏差小于或等于偏差系数λ,即|l(k)-l(k-1)|≤λ时,表明两个神经元的信息重叠性较高,可以开展神经元合并,然后更新权重系数和偏移量。第三权重系数更新公式为w′ij=wij+l(k),第一偏移量更新公式为:a′ij=aij+l(k)。该方式同样是一种改变神经网络的结构的升级方式。
请参阅图4和图5,在一个实施例中,在步骤101之前,还可以包括以下步骤:
步骤001、读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
步骤002、根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
步骤003、在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
步骤004、将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
根据离线训练平台需求采用开放神经网络交换模型作为媒介,实现装置神经网络算法和主流人工智能算法训练平台文件的转换。如可支持Caffe2平台的*.mdb格式,Pytorch平台的*.pt格式,TensorFlow平台的*.ckpt格式,实现输出结果与与环境和平台解绑,支持算法线下离线升级。因而,本发明不仅支持算法在线升级,同样也支持离线升级,适用性强,便于推广。
为了便于理解,请参阅图5,本发明中提供了一种配电网高阻接地识别装置算法升级系统的实施例,包括:
获取模块501,用于获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值;
更新模块502,用于当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
判定值的计算公式为:g=f(z),f(z)为神经网络激活函数,nij为节点元素,xij为节点数值,wij为第i+1层第j个节点和第i层节点之间的权重,aij为第i+1层第j个节点的偏移量,cij为第i+1层第j个节点的连接关系,L为神经网络层数,N为单层神经网络节点个数的最大值。
更新模块502还用于:
根据神经网络激活函数计算神经元的激活数值;
当激活数值小于或等于信息系数,且判定值大于衰退系数时,删除对应的神经元;
当激活数值小于或等于信息系数,且判定值小于或等于衰退系数时,在对应层增加1个神经元,根据第二权重系数更新公式和第二偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第二权重系数更新公式为:第二偏移量更新公式为:g(k)为神经元k的激活数值。
更新模块502还用于:
根据神经网络激活函数计算神经元的激活数值;
根据神经元的激活数值计算神经元的输出偏差,当两个神经元的输出偏差小于或等于偏差系数时,将两个神经元合并,根据第三权重系数更新公式和第三偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,神经元的输出偏差的计算公式为:第三权重系数更新公式为w′ij=wij+l(k),第一偏移量更新公式为:a′ij=aij+l(k)。
还包括离线预处理模块500,用于:
读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
本发明中提供的配电网高阻接地识别装置算法升级系统,用于执行前述配电网高阻接地识别装置算法升级方法实施例中的配电网高阻接地识别装置算法升级方法,其工作原理与配电网高阻接地识别装置算法升级方法实施例相同,在此不再进行赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网高阻接地识别装置算法升级方法,其特征在于,包括:
获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值;
当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
5.根据权利要求1所述的配电网高阻接地识别装置算法升级方法,其特征在于,内置算法模型为卷积神经网络模型。
6.根据权利要求1所述的配电网高阻接地识别装置算法升级方法,其特征在于,在获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值之前,还包括:
读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
7.一种配电网高阻接地识别装置算法升级系统,其特征在于,包括:
获取模块,用于获取配电网高阻接地识别装置内置算法模型根据输入信号特征计算的判定值,其中,内置算法模型为神经网络模型,输入信号特征为电压信号特征或电流信号特征,判定值为神经网络激活函数的计算值;
更新模块,用于当判定值小于或等于衰退系数时,根据第一权重系数更新公式和第一偏移量更新公式对神经网络模型的权重系数和偏移量进行更新,其中,第一权重系数更新公式为:w′ij=wij+δ(g-ε),第一偏移量更新公式为:a′ij=aij+χ(g-ε),aij为第i+1层第j个节点的偏移量,wij为第i+1层第j个节点和第i层节点之间的权重,g为判定值,δ和χ为更新系数。
10.根据权利要求7所述的配电网高阻接地识别装置算法升级系统,其特征在于,还包括离线预处理模块,用于:
读取配电网高阻接地识别装置内置算法模型的网络参数,转换为公用开放的神经网络交换格式;
根据神经网络训练平台私有协议,将配电网高阻接地识别装置内置算法模型转换为神经网络训练平台协议的数据包;
在神经网络训练平台中对内置算法模型进行训练,保存训练好的内置算法模型;
将训练好的内置算法模型的网络参数反向解析为公用开放的神经网络交换格式,导入配电网高阻接地识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205436.0A CN113933652A (zh) | 2021-10-15 | 2021-10-15 | 一种配电网高阻接地识别装置算法升级方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205436.0A CN113933652A (zh) | 2021-10-15 | 2021-10-15 | 一种配电网高阻接地识别装置算法升级方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113933652A true CN113933652A (zh) | 2022-01-14 |
Family
ID=79279655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205436.0A Pending CN113933652A (zh) | 2021-10-15 | 2021-10-15 | 一种配电网高阻接地识别装置算法升级方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933652A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
CN108763360A (zh) * | 2018-05-16 | 2018-11-06 | 北京旋极信息技术股份有限公司 | 一种分类方法及装置、计算机可读存储介质 |
KR20190044878A (ko) * | 2017-10-23 | 2019-05-02 | 삼성전자주식회사 | 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 |
CN111368994A (zh) * | 2020-02-12 | 2020-07-03 | 平安科技(深圳)有限公司 | 基于神经网络模型的节点参数更新方法及相关设备 |
-
2021
- 2021-10-15 CN CN202111205436.0A patent/CN113933652A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190044878A (ko) * | 2017-10-23 | 2019-05-02 | 삼성전자주식회사 | 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 |
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
CN108763360A (zh) * | 2018-05-16 | 2018-11-06 | 北京旋极信息技术股份有限公司 | 一种分类方法及装置、计算机可读存储介质 |
CN111368994A (zh) * | 2020-02-12 | 2020-07-03 | 平安科技(深圳)有限公司 | 基于神经网络模型的节点参数更新方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
李屾等: "一种基于联想记忆神经网络RBM的数字水印算法", 南开大学学报, 31 October 2011 (2011-10-31), pages 66 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
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 | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN110210606A (zh) | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
Liu et al. | Condition classification and performance of mismatched photovoltaic arrays via a pre-filtered Elman neural network decision making tool | |
CN117150409A (zh) | 一种用电异常检测方法 | |
CN112649642A (zh) | 一种窃电位置判断方法、装置、设备和存储介质 | |
CN110991510B (zh) | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
CN109615109A (zh) | 基于小样本数据的深度学习风电告警信息分析方法 | |
Chi et al. | A CNN recognition method for early stage of 10 kV single core cable based on sheath current | |
Rizvi et al. | Real-time parameter tracking of power-electronics interfaced composite ZIP load model | |
Fu et al. | Fault diagnosis of photovoltaic array based on SE-ResNet | |
CN113933652A (zh) | 一种配电网高阻接地识别装置算法升级方法和系统 | |
CN117368789A (zh) | 一种基于多源异构数据的电源故障协同定位方法及系统 | |
CN117708686A (zh) | 一种道路照明配电系统的故障诊断方法及装置 | |
CN117150220A (zh) | 一种基于机器学习的光伏阵列故障诊断方法 | |
CN116127302A (zh) | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 | |
CN115856530A (zh) | 基于多维熵特征的边缘侧在线电弧故障检测方法和系统 | |
CN114021424B (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 |
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 |