CN117312925B - 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 - Google Patents
一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 Download PDFInfo
- Publication number
- CN117312925B CN117312925B CN202311577950.6A CN202311577950A CN117312925B CN 117312925 B CN117312925 B CN 117312925B CN 202311577950 A CN202311577950 A CN 202311577950A CN 117312925 B CN117312925 B CN 117312925B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- neural network
- data set
- switch cabinet
- improved
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，在该方法中，通过三合一局放传感器检测收集超声波、地电波和温湿度局部放电异常信号，对原始数据集进行归一化处理并提取数据集的统计特征参数得到训练数据集；搭建三层BP神经网络，以BP神经网络的均方根误差最小为优化目标，使用改进的AFT算法优化BP神经网络。本发明通过引入自适应因子以改进AFT算法的搜索步长，能够显著提高搜寻效率，并使用莱维飞行进行搜索方向的更新以增加多样性，通过传感器检测到局部放电信号异常后对局部放电模式进行识别分析，提高了开关柜三合一局放检测的效率，并提升了放电类型判别的准确性和效率。
Description
技术领域
本发明涉及一种开关柜局放模式识别方法，具体涉及一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法；属于电力设备局部放电在线检测技术领域。
背景技术
开关柜是城市配电网中的重要基础设施，其可靠性直接决定了用户供电的稳定性，进而直接影响到经济发展和人民生活水平质量的提高。开关柜在设计、制造、安装和运维等环节都可能会存在不同程度的问题，如污秽影响、绝缘薄弱、爬距及空气间隙不够、制造装配质量及工艺不达标、接点容量不足或接触不良等，这些问题会导致不同类型的事故发生。
在开关柜绝缘系统中，各部位的电场强度存在差异，某个区域的电场强度一旦达到其击穿场强时，该区域就会出现放电现象，若施加电压的两个导体之间并未贯穿整个放电过程，即放电未击穿绝缘系统，这种现象即为局部放电（简称局放）。根据局放的发生原理不同，开关柜的局放类型有：金属尖端放电、悬浮电极放电以及沿面放电。
虽然现有技术中对于局部放电的原理已经有了较为深入的研究，然而，受制于开关柜的全封闭结构，运维人员对于局放故障的检测及判断不能深入现场，因而要依托局放发生时其外在能量表现形式进行间接局放检测。目前采用的开关柜局放间接检测技术主要有地电波检测、超声波检测、特高频检测等。但是，无论哪种检测方法均具有其局限性，无法将开关柜运行状态客观、全面、真实地反映出来，甚至还会出现误判并造成不必要的经济损失。
鉴于上述原因，亟需一种准确高效的局部放电模式识别方法来支撑开关柜设备的安全稳定运行。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，以解决实际工程中开关柜局部放电发生时不能进行局放模式准确判别的问题。
为了实现上述目标，本发明采用如下的技术方案：
本发明公布了一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，包括如下步骤：
S1、使用三合一局放传感器检测超声波信号、地电波信号和温湿度信号并形成原始数据集；
S2、对原始数据集进行归一化处理并进行统计特征参数提取，形成训练数据集；
S3、搭建BP神经网络，并使用改进的AFT算法优化BP神经网络，使BP神经网络的适应度函数值达到最优；
S4、将测试数据集输入经改进的AFT算法优化后的BP神经网络中进行开关柜三合一局放模式在线检测。
当开关柜发生局部放电时，其会产生不同程度的电、光、热、声信号。超声波检测方式采集局放发生时的超声信号并转化为电信号；地电波检测方式采集局放发生时的电信号；温湿度检测方法采集局放发生时的热信号。由于不同检测方式对于不同局放类型具有不同的适应性，因此本发明采用三种检测方式联合特征提取的三合一局放检测方法。当三合一局放传感器识别到数据异常时，即已发生局部放电，对检测到的数据进行统计特征参数提取，并将提取的统计特征参数传入经改进AFT算法优化的BP神经网络中进行局部放电在线模式识别，放电模式/类型主要包括金属尖端放电、悬浮电极放电及沿面放电。
优选地，前述步骤S1中，所述原始数据集为：
，
其中，表示三合一局放传感器检测到的一组局放原始数据集；/>表示第/>个相位窗超声波信号的最大值；/>表示第/>个相位窗超声波信号的平均值；/>表示第/>个相位窗地电波信号的最大值；/>表示第/>个相位窗地电波信号的平均值；/>表示第/>个相位窗温湿度信号的最大值；/>表示第/>个相位窗温湿度信号的平均值。
，所述/>表示传感器检测到的原始数据集/>对应的局部放电类型；为/>的编码形式。
更优选地，前述步骤S2包括如下子步骤：
S2.1、对所有原始数据集进行归一化处理；
S2.2、对归一化处理完成的数据集进行统计特征参数提取，对所有三合一传感器检测到的异常局放数据集中的每一项数据分别计算统计特征参数，形成训练数据集的输入；
S2.3、对进行编码，表征不同类型的局部放电，形成训练数据集的输出。
进一步优选地，前述步骤S3中，BP神经网络包括输入层、隐藏层、输出层；所述输入层使用训练数据集作为BP神经网络的输入，所述隐藏层连接训练输入数据与输出数据之间的关系，所述输出层神经元的不同编码方式表示不同的放电类型。
再进一步优选地，前述步骤S3中，采用均方根误差作为优化的适应度函数。
更优选地，前述适应度函数计算如下：
，
式中，为适应度函数值；/>为BP神经网络预测值；/>为/>对应输入的真实值；/>为训练数据的组数。
更进一步优选地，前述步骤S3中，通过对AFT算法进行了改进以增加搜索效率并保持多样性，改进的AFT算法优化BP神经网络的过程如下：
（1）初始化大盗种群：
，
，
其中，为大盗种群；/>为整个种群中候选解的个数，即大盗的数量；/>为决策变量的个数；/>为第/>个候选解，即第/>个大盗；/>为第/>个候选解的第/>个决策变量，其中，/>；/>为第/>个决策变量的下限值；/>为第/>个决策变量的上限值；/>为[0,1]之间的随机数，由此计算每个大盗的位置，即适应度函数；
（2）初始化每个大盗的历史最佳位置和整个种群的历史最佳位置/>；初始化女仆帮助阿里巴巴逃脱大盗追捕的智慧水平：
，
式中，表示女仆相对于第/>个盗贼第/>个决策维度的智慧水平，其中，/>；
（3）大盗从当前位置搜索阿里巴巴所在位置：
首先，产生[0,1]之间的随机数，该随机数服从[0, 1]均匀分布产生。
若≥0.5，则执行第一类搜索操作：
式中，为阿里巴巴在第/>代相对于第/>个大盗的位置；/>为第/>代盗贼的追踪距离，/>，/>为调节追踪距离的系数（自适应因子）以防止追踪距离过大跃出决策空间，/>，/>为最大迭代次数；/>为第/>代盗贼对阿里巴巴所在位置的感知能力，/>；/>的取值为1或-1，代表盗贼追捕阿里巴巴的方向；/>为整数，其取值由/>确定，用于确定女仆的智慧水平，两侧符号表示向上取整，例如符号内为3.1，则经过该符号运算后/>取值为4；
若＜0.5，则执行第二类搜索操作：
，
式中，表示对随机选取的/>个决策变量维度进行莱维飞行以增加搜索方向从而增加种群的多样性，莱维飞行的步长/>为：/>，
式中，为服从/>高斯分布的随机数，其中，/>；为服从/>高斯分布的随机数，/>为随机步长，/>代表积分运算，满足；
（4）更新种群中大盗的位置：
，
式中，为适应度函数；
（5）更新种群中每个大盗的历史最佳位置和整个种群的历史最佳位置；
更新女仆的智慧水平：
。
再优选地，前述步骤S4的具体过程为：对训练数据集进行统计特征参数提取，将提取后的统计特征参数输入BP神经网络并使用改进的AFT算法进行优化训练；提取测试数据集的统计特征参数，输入至使用改进AFT算法优化的BP神经网络中进行局部放电模式识别。不同的取值表征不同的局部放电类型，表示为：
，
式中，为输出层神经元取值，/>为隐藏层神经元至输出层神经元的权重系数，/>为隐藏层神经元至输出层神经元的误差系数。
进一步优选地，前述隐藏层神经元输出与输入层之间的关系为：
，
式中，为输入层的训练数据集，/>为输入层神经元至隐藏层神经元的权重系数，为输入层神经元至隐藏层神经元的误差系数，传递函数为Sigmoid函数。
本发明的有益之处在于： 本发明采用三合一局放传感器检测收集超声波、地电波和温湿度局部放电异常信号，对原始数据集进行归一化处理并提取统计特征参数，然后运用改进的AFT算法优化BP神经网络，将上述处理后的数据传入到BP神经网络中，实现开关柜局部放电的模式识别。相较于工程中现有的方法，本发明采用三合一的信号检测方式，大大减少了误判的可能性；同时本发明使用改进的AFT算法对BP神经网络进行优化，提升了放电类型判别的准确性和效率，可靠地解决了实际工程中开关柜局部放电发生时不能进行局放模式准确判别的问题。
附图说明
图1是本发明的基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法流程图；
图2是传统AFT算法和本发明的改进AFT算法的适应度函数收敛对比图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
参见图1，本实施例的基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，包括如下四个步骤：
S1、使用三合一局放传感器检测超声波信号、地电波信号和温湿度信号并形成原始数据集，记录为：
，
其中，表示三合一局放传感器检测到的一组局放原始数据集；/>表示第/>个相位窗超声波信号的最大值；/>表示第/>个相位窗超声波信号的平均值；/>表示第/>个相位窗地电波信号的最大值；/>表示第/>个相位窗地电波信号的平均值；/>表示第/>个相位窗温湿度信号的最大值；/>表示第/>个相位窗温湿度信号的平均值。
所对应的局部放电类型/>表示为：/>，其中，/>为/>的编码形式。
S2、对原始数据集进行归一化处理并进行统计特征参数提取，形成训练数据集。
为了更好地理解和实施该步骤，下面对其子步骤进行详细阐述：
S2.1、对所有原始数据集进行归一化处理，同一量纲的数据进行同一归一化处理，超声波信号与地电波同时进行归一化处理，温湿度信号单独进行归一化处理，归一化方式采用最大最小值方式：。
式中，为原始数据，/>为归一化后数据，/>为该类别数据下的最小值，/>为该类别数据下的最大值。
S2.2、对归一化处理完成的数据集提取统计特征参数，以减少BP神经网络的输入神经元个数。具体地，对所有三合一传感器检测到的异常数据集中的每一项数据分别计算偏斜度/>、陡峭度/>、局部峰点数/>、互相关系数/>特征，形成训练数据集的输入。
S2.3、对进行编码，其中，/>表示发生金属尖端放电，/>表示发生悬浮电极放电，/>表示发生沿面放电，最终形成训练数据集的输出。
S3、搭建BP神经网络，并使用改进的AFT算法优化BP神经网络，使BP神经网络的适应度函数值达到最优。
其中，BP神经网络包括输入层、隐藏层、输出层；所述输入层使用训练数据集作为BP神经网络的输入，所述隐藏层连接训练输入数据与输出数据之间的关系，所述输出层神经元的不同编码方式表示不同的放电类型。
所述隐藏层神经元输出与输入层之间的关系为：
，
式中，为输入层的训练数据集，/>为输入层神经元至隐藏层神经元的权重系数，为输入层神经元至隐藏层神经元的误差系数，传递函数为Sigmoid函数。
输出层神经元的取值代表不同的局部放电类型，表示为：
，
式中，为输出层神经元取值，/>为隐藏层神经元至输出层神经元的权重系数，/>为隐藏层神经元至输出层神经元的误差系数。
使用AFT算法优化BP神经网络时，选用均方根误差作为优化的适应度函数，所述适应度函数计算如下：
，
式中，为适应度函数值；/>为BP神经网络预测值；/>为/>对应输入的真实值；/>为训练数据的组数。
S4、将测试数据集输入经改进的AFT算法优化后的BP神经网络中进行开关柜三合一局放模式在线检测。具体过程为：对训练数据集进行统计特征参数提取，将提取后的统计特征参数输入BP神经网络并使用改进的AFT算法进行优化训练；提取测试数据集的统计特征参数，输入至使用改进AFT算法优化的BP神经网络中进行局部放电模式识别。
需要特别说明的是，本实施例中，通过对AFT算法进行了改进以增加搜索效率并保持多样性，改进的AFT算法优化BP神经网络的过程如下：
（1）初始化大盗种群：
，
，
其中，为大盗种群；/>为整个种群中候选解的个数，即大盗的数量；/>为决策变量的个数；/>为第/>个候选解，即第/>个大盗；/>为第/>个候选解的第/>个决策变量，其中，/>；/>为第/>个决策变量的下限值；/>为第/>个决策变量的上限值；为[0,1]之间的随机数，由此计算每个大盗的位置，即适应度函数。
（2）初始化每个大盗的历史最佳位置和整个种群的历史最佳位置/>。
初始化女仆帮助阿里巴巴逃脱大盗追捕的智慧水平：
，
式中，表示女仆相对于第/>个盗贼第/>个决策维度的智慧水平，其中，/>。
（3）大盗从当前位置搜索阿里巴巴所在位置。
首先，产生[0,1]之间的随机数；
若≥0.5，则执行第一类搜索操作：
式中，为阿里巴巴在第/>代相对于第/>个大盗的位置；/>为第/>代盗贼的追踪距离，/>，/>为调节追踪距离的系数以防止追踪距离过大跃出决策空间，/>，/>为最大迭代次数；/>为第/>代盗贼对阿里巴巴所在位置的感知能力，/>；/>的取值为1或-1，代表盗贼追捕阿里巴巴的方向；/>的取值由/>确定；
若＜0.5，则执行第二类搜索操作：
，
式中，表示对随机选取的/>个决策变量维度进行莱维飞行以增加搜索方向从而增加种群的多样性，莱维飞行的步长为：/>，
式中，为服从/>高斯分布的随机数，其中，/>；为服从/>高斯分布的随机数，/>为随机步长，/>代表积分运算，满足。
（4）更新种群中大盗的位置：
，
式中，为适应度函数。
（5）更新种群中每个大盗的历史最佳位置和整个种群的历史最佳位置。
更新女仆的智慧水平，
。
图2所示为传统AFT算法和本发明的改进AFT算法的最优适应度收敛曲线对比图，从图中可见，本发明的改进的AFT算法具有更好的寻优能力。
综上，本发明采用自适应因子改进AFT算法的搜索步长以提高搜寻效率；并使用莱维飞行进行搜索方向的更新，以增加多样性。可实现传感器检测到局部放电信号异常后对局部放电进行模式识别分析，提高开关柜三合一局放检测的效率，并提升了放电类型判别的准确性和效率。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (9)
1.一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，包括如下步骤：
S1、使用三合一局放传感器检测超声波信号、地电波信号和温湿度信号并形成原始数据集 ；
S2、对原始数据集进行归一化处理并提取统计特征参数，形成训练数据集；
S3、搭建BP神经网络，并使用改进的AFT算法优化BP神经网络，使BP神经网络的适应度函数值达到最优；
S4、将测试数据集输入经改进的AFT算法优化后的BP神经网络中进行开关柜三合一局放模式在线检测；
所述步骤S3中，改进的AFT算法优化BP神经网络的过程如下：
（1）初始化大盗种群：
，
，
其中，为大盗种群；/>为整个种群中候选解的个数，即大盗的数量；/>为决策变量的个数；/>为第/>个候选解，即第/>个大盗；/>为第/>个候选解的第/>个决策变量，其中，/>；/>为第/>个决策变量的下限值；/>为第/>个决策变量的上限值；/>为[0,1]之间的随机数，由此计算每个大盗的位置，即适应度函数；
（2）初始化每个大盗的历史最佳位置和整个种群的历史最佳位置/>；初始化女仆帮助阿里巴巴逃脱大盗追捕的智慧水平：
，
式中，表示女仆相对于第/>个盗贼第/>个决策维度的智慧水平，其中/>，；
（3）大盗从当前位置搜索阿里巴巴所在位置：
首先，产生[0,1]之间的随机数；
若≥0.5，则执行第一类搜索操作：
式中，/>为阿里巴巴在第/>代相对于第/>个大盗的位置；/>为第/>代盗贼的追踪距离，，/>为调节追踪距离的系数以防止追踪距离过大跃出决策空间，，/>为最大迭代次数；/>为第/>代盗贼对阿里巴巴所在位置的感知能力，/>；/>的取值为1或-1，代表盗贼追捕阿里巴巴的方向；/>为整数，其取值由/>确定，用于确定女仆的智慧水平；
若＜0.5，则执行第二类搜索操作：
，
式中，表示对随机选取的/>个决策变量维度进行莱维飞行，所述莱维飞行的步长为：/>，
式中，为服从/>高斯分布的随机数，其中，/>；/>为服从高斯分布的随机数，/>为随机步长，/>代表积分运算，满足；
（4）更新种群中大盗的位置：
，
式中，为适应度函数；
（5）更新种群中每个大盗的历史最佳位置和整个种群的历史最佳位置/>；
更新女仆的智慧水平：
。
2.根据权利要求1所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述步骤S1中，原始数据集为：
，
其中，表示三合一局放传感器检测到的一组局放原始数据集；/>表示第/>个相位窗超声波信号的最大值；/>表示第/>个相位窗超声波信号的平均值；/>表示第/>个相位窗地电波信号的最大值；/>表示第/>个相位窗地电波信号的平均值；/>表示第/>个相位窗温湿度信号的最大值；/>表示第/>个相位窗温湿度信号的平均值。
3.根据权利要求1所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述步骤S2包括如下子步骤：
S2.1、对所有原始数据集进行归一化处理；
S2.2、对归一化处理完成的数据集进行统计特征参数提取，对所有三合一传感器检测到的异常局放数据集中的每一项数据分别计算统计特征参数，形成训练数据集的输入；
S2.3、对进行编码，表征不同类型的局部放电，形成训练数据集的输出，所述/>表示传感器检测到的原始数据集/>对应的局部放电类型。
4.根据权利要求1所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述步骤S3中，BP神经网络包括输入层、隐藏层、输出层；所述输入层使用训练数据集作为BP神经网络的输入，所述隐藏层连接训练输入数据与输出数据之间的关系，所述输出层神经元的不同编码方式表示不同的放电类型。
5.根据权利要求4所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述隐藏层神经元输出与输入层之间的关系为：
，
式中，为输入层的训练数据集，/>为输入层神经元至隐藏层神经元的权重系数，/>为输入层神经元至隐藏层神经元的误差系数，传递函数为Sigmoid函数。
6.根据权利要求4所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述输出层神经元的取值代表不同的局部放电类型，表示为：
，
式中，为输出层神经元取值，/>为隐藏层神经元至输出层神经元的权重系数，/>为隐藏层神经元至输出层神经元的误差系数。
7.根据权利要求6所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，，其中，/>为/>的编码形式，/>表示传感器检测到的原始数据集/>对应的局部放电类型；/>时表示发生金属尖端放电，时表示发生悬浮电极放电，/>时表示发生沿面放电。
8.根据权利要求1所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述步骤S3中，采用均方根误差作为优化的适应度函数。
9.根据权利要求8所述的一种基于改进AFT算法优化BP神经网络的开关柜三合一局放模式识别方法，其特征在于，所述适应度函数计算如下：
，
式中，为适应度函数值；/>为BP神经网络预测值；/>为/>对应输入的真实值；/>为训练数据的组数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577950.6A CN117312925B (zh) | 2023-11-24 | 2023-11-24 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577950.6A CN117312925B (zh) | 2023-11-24 | 2023-11-24 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117312925A CN117312925A (zh) | 2023-12-29 |
| CN117312925B true CN117312925B (zh) | 2024-03-01 |
Family
ID=89281380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311577950.6A Active CN117312925B (zh) | 2023-11-24 | 2023-11-24 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312925B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN111007365A (zh) * | 2019-11-25 | 2020-04-14 | 国网四川省电力公司广安供电公司 | 一种基于神经网络的超声波局部放电识别方法及系统 |
| CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
| CN111999614A (zh) * | 2020-08-21 | 2020-11-27 | 国网河南省电力公司周口供电公司 | 一种面向高压开关柜的局部放电多源融合检测预警方法 |
| CN115883424A (zh) * | 2023-02-20 | 2023-03-31 | 齐鲁工业大学(山东省科学院) | 一种高速骨干网间流量数据预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190213476A1 (en) * | 2018-01-10 | 2019-07-11 | Adobe Inc. | Determining strategic digital content transmission time utilizing recurrent neural networks and survival analysis |
-
2023
- 2023-11-24 CN CN202311577950.6A patent/CN117312925B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN111007365A (zh) * | 2019-11-25 | 2020-04-14 | 国网四川省电力公司广安供电公司 | 一种基于神经网络的超声波局部放电识别方法及系统 |
| CN111537853A (zh) * | 2020-06-29 | 2020-08-14 | 国网山东省电力公司菏泽供电公司 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
| CN111999614A (zh) * | 2020-08-21 | 2020-11-27 | 国网河南省电力公司周口供电公司 | 一种面向高压开关柜的局部放电多源融合检测预警方法 |
| CN115883424A (zh) * | 2023-02-20 | 2023-03-31 | 齐鲁工业大学(山东省科学院) | 一种高速骨干网间流量数据预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 开关柜局部放电信号降噪与缺陷识别研究;杨寅明;韩志;;信息技术(第05期);163-167+172 * |
| 杨寅明 ; 韩志 ; .开关柜局部放电信号降噪与缺陷识别研究.信息技术.2020,(第05期),163-167+172. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117312925A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108881196B (zh) | 基于深度生成模型的半监督入侵检测方法 | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| CN107241358B (zh) | 一种基于深度学习的智能家居入侵检测方法 | |
| CN109714324B (zh) | 基于机器学习算法的用户网络异常行为发现方法及系统 | |
| CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
| CN112686093A (zh) | 一种基于ds证据理论的融合局部放电类型识别方法 | |
| KR102420994B1 (ko) | 딥러닝을 이용한 제어 시스템의 이상 탐지 장치 및 방법 | |
| CN113364751B (zh) | 网络攻击预测方法、计算机可读存储介质及电子设备 | |
| CN108921347A (zh) | 一种风电变流器故障预测方法 | |
| CN117312925B (zh) | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 | |
| Zhu et al. | Defect identification of wind turbine blade based on multi‐feature fusion residual network and transfer learning | |
| CN113556319A (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
| CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
| CN114513367A (zh) | 基于图神经网络的蜂窝网络异常检测方法 | |
| 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 | |
| CN114912356A (zh) | 冲击性负荷的分段概率谐波模型构建方法 | |
| CN112949497B (zh) | 一种基于改进广义回归神经网络的gis局放模式识别方法 | |
| CN114152844A (zh) | 一种基于遗传算法优化残差网络模型的电弧检测方法 | |
| CN110381462B (zh) | 一种电力电缆局部放电在线监测系统 | |
| CN115396198B (zh) | 基于cnn架构与参数并行优化的电网入侵检测系统及方法 | |
| CN115828984A (zh) | 基于ssa和rf的gis内部间歇性放电模式识别系统、方法、电子设备及介质 | |
| CN113899971B (zh) | 基于密度相似稀疏聚类的变压器异常工况判别方法 | |
| CN114217179A (zh) | 高压开关柜局部放电监测方法 | |
| CN118503919B (zh) | 一种基于多维时序数据分析的绝缘子放电预测方法 | |
| CN118362937B (zh) | 一种智能漏电监测电路及监测方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 866 yuhangtang Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG University Applicant after: Nanjing Journey Information Technology Co.,Ltd. Address before: Room 801-814, North building, building 3, 32 Dazhou Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210000 Applicant before: Nanjing Journey Information Technology Co.,Ltd. Country or region before: China Applicant before: ZHEJIANG University |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |