CN109086817B - 一种基于深度信念网络的高压断路器故障诊断方法 - Google Patents
一种基于深度信念网络的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN109086817B CN109086817B CN201810827990.4A CN201810827990A CN109086817B CN 109086817 B CN109086817 B CN 109086817B CN 201810827990 A CN201810827990 A CN 201810827990A CN 109086817 B CN109086817 B CN 109086817B
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- model
- hidden
- unit
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/02—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度信念网络的高压断路器故障诊断方法,具体步骤为,步骤1:选取实验所需的数据样本,将统一标准化后的样本数据按照特定比例分为测试样本和训练样本。步骤2:搭建并初始化DBN深度信念网络故障诊断模型。步骤3:将预训练集中的大量无标签样本或去标签样本从模型底部输入,采用逐层无监督贪婪学习对模型中RBM进行预训练;步骤4:采用遗传算法对整个模型进行微调,步骤5,将训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。本发明的一种基于深度信念网络的高压断路器故障诊断方法,能够对大数据量样本进行训练,来实现高压断路器故障诊断功能。
Description
技术领域
本发明属于高压断路器故障诊断方法技术领域,具体提出一种基于深度信念网络的高压断路器故障诊断方法。
背景技术
高压断路器在配电网***中起着控制及保护的双重作用,故对高压断路器进行故障诊断意义重大。当前已经提出多种诊断方法,但仍存在一些问题和一定的局限性,如专家***需要丰富的专家经验知识,而这时比较难以获取;神经网络易陷入局部最优;SVM是二分类算法,其多分类算法,如一对一SVM存在分类重叠和不可分类的情况;而ELM虽然训练速度比较快,但是所训练模型诊断的稳定性却要差一些。此外,现有智能故障诊断方法大都对无标签样本的利用率较低,并且学习能力具有局限性,可扩展性比较差。而深度学习作为第三代神经网络,具有较强地从大量无标签样本中提取特征的能力;同时由于其多层的复杂结构及逐层训练的稳定性,能够对大数据量样本进行训练,顺应了大数据时代的潮流,具有广阔的应用前景。
鉴于此,本发明提出一种基于深度信念网络(deep belief network,DBN)的高压断路器故障诊断算法,首先通过3层RBM(restricted Boltzmann machine,RBM)自动提取输入变量之间的相关特性,并采用遗传算法进行模型调优,然后利用3层BP网络进行故障分类预测。该方法可利用工程现场大量无标签样本数据训练学习,提取不同变化趋势下信息特征和潜在的统计规律。
发明内容
本发明提供了一种基于深度信念网络的高压断路器故障诊断方法,能够对大数据量样本进行训练,来实现高压断路器故障诊断功能。
本发明所采用的技术方案是,一种基于深度信念网络的高压断路器故障诊断方法,具体按照以下步骤实施:
步骤1,选取实验所需的数据样本,将标准化处理后的样本数据按照特定比例分为测试样本和训练样本;
步骤2,构建高压断路器DBN深度信念网络故障诊断模型,
步骤3,采用逐层无监督贪婪学习算法(CD算法)对模型中RBM进行预训练,
步骤4,采用遗传算法对整个模型进行微调,即模型参数寻优,
步骤5,将步骤4训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。
本发明的特点还在于:
所述的步骤1具体为,
步骤1.1,本发明将大部分SF6断路器都会监测到的I1,I2,I3,t1,t2,t3,t4,t5,与SF6的压力、密度、微水含量、分解产物含量,通常为SO2、H2S含量作为深度信念网络模型的输入。
步骤1.2,对步骤1.1中采集到的数据进行归一化处理,
步骤1.3,将标准化后的样本数据按照特定比例分为预训练集、调优集以及测试集;其中,预训练集为大量无标签样本构成,调优集和测试集为少量带有类标签的样本构成。
步骤2具体的步骤为:
步骤2.1,构建第一层RBM受限玻尔兹曼机单元,
步骤2.2,将第一层RBM1受限玻尔兹曼机单元的隐蔽层h1作为第二层RBM2受限玻尔兹曼机单元的可见层v2,构建第二层RBM2,
步骤2.3,以相同的方式在第二层的基础上搭建第三层RBM3受限玻尔兹曼机单元,自此三层RBM网络模型构建完成,
步骤2.4,构建DBN网络模型的分类层。本发明在RBM3顶部再添加一个三层BP神经网络模型,用于输出分类结果。将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端,
步骤2.5,构造基于深度信念网络的高压断路器故障诊断模型,输出层由5个结点单元组成,每个单元代表一种故障类别,数据输入层为v1,由此输入采集到的SF6高压断路器样本数据,其模型输入为20维,即m=20。
所述的步骤2.1具体为,
RBM网络分为两层:即隐含层h和可见层v。隐含层由n个隐含的随机变量构成:h=(h1,h2,h3,hj,…,hn);可见层由m个随机变量构成v=(v1,v2,v3,vi,…,vm),用于表示观测的数据,可见层即是数据输入层,
RBM可视为基于能量的模型,其能量函数定义为
其中vi为可见单元的输入值;hj为隐单元的输出值,取值为1时表示该单元处于激活态,为0时表示处于未激活态;wij表示可见单元vi与隐单元hj之间的连接权重,ai表示可见单元vi的偏置,bj表示隐单元hj的偏置,n是隐含层节点数量,m为可见层节点数量,ai,bj,wij均为实数,θ=(a,b,w)构成RBM的模型参数。
(v,h)的联合概率分布Pθ(v,h)可以表示为:
Zθ为归一化常数,又叫做配分函数。
对于一层RBM所包含的m个可见单元和n个隐单元,给定隐单元与可见单元的条件概率为:
相反,隐单元的条件概率为:
根据式(1.1)(1.2)(1.3)可以推导出隐单元的激活概率为:
类似,可见层节点的第i个节点激活概率为:
式中σ()表示激活函数。
选用修正线性单元函数代替以上传统神经网络的激活函数,即
σ(z)=max(0,z) (1.8)。
所述的步骤3具体为:
步骤3.1,在训练网络中输入无标签样本,初始化可见层单元状态v1,隐含层单元数n,学习速率ε以及训练最大周期T,连接权值w以及偏置向量a和b均随机选取较小的数值;
步骤3.2,将可见单元向量映射到隐单元。对隐含层所有隐单元根据(1.7)计算,从条件分布P(hj|v1)抽取hj∈{0,1}。
步骤3.3,对可见层根据(1.6)式,从P(vi|h1)中抽取vi∈{0,1};
步骤3.4,根据公式(1.7),对隐含层所有隐单元进行计算;
步骤3.5,更新权重及其各偏置值:
W←W+ε[(P(h1=1|v1)v1 T-P(h2=1|v2)v2 T]
a←a+ε(v1-v2)
b←b+ε(P(h1=1|v1)-P(h2=1|v2))
重复步骤3.2-步骤3.5,达到迭代次数最大值或符合要求的重构误差时,停止该层RBM的训练。
在RBM1中,可见单元数为m=20,隐单元数目提前设定为n=50,训练周期T=50,学习速率ε=0.02。
步骤3.6训练完RBM1后,固定RBM1的参数,将RBM1训练完成的状态,即h1隐含层的状态,作为下一层RBM2的输入,重复上述训练过程,直至完成所有RBM层数的训练,则预训练结束。
所述的步骤4具体为,
步骤4.1,预训练之后,将整个网络等价为BP神经网络,此时,这个BP神经网络的初始权值和偏置已经在预训练中设置完成。设定GA参数:种群大小为M=100,进化终止代数为T=200,初始的交叉率为Pc0=0.7,初始的变异率为Pm0=0.001;
步骤4.2,经步骤3预训练后,将模型产生的所有参数权值和阈值向量,即wij,ai,bj以及BP分类层参数,作为遗传算法的染色体向量,并在其约束范围内,采用编码法随机生成初始种群;
步骤4.3,将步骤1中获得的调优集样本经归一化后,输入到BP神经网络的输入层,即模型RBM1的可见层,通过BP神经网络前向算法计算出没个种群向量下所对应的适应度函数值。然后,搜索最优种群,使如下适应值指标E最小:
式中:N为训练样本数;yg d是第g组样本的理想输出值;yg是第g组样本的实际输出值,E为M个种群中的适应值。
步骤4.4,若达到了期望的输出,则模型训练完成,并将所有模型参数更新到对应的数据库中。若未能达到了期望的输出,则将模型中现有的连接权和阈值提取出来,用GA对现有的连接权和阈值进行编码;
步骤4.5,进行一次GA运算产生新的群体,然后解码产生新的连接权和阈值来替换原来的值;
步骤4.6,重复步骤4.2步骤4.5,直到输出达到期望或者迭代次数达到为止,将最优染色体解码后替换模型参数,至此基于深度信念网络的高压断路器故障诊断模型训练完毕。
本发明的有益效果是:
1.高压断路器带标签故障样本往往稀缺,工程现场通过在线监测装置会获得大量无标签样本,DBN可以充分利用这些无标签样本进行故障特征学习,大大提高了数据样本的利用效率。
2.利用遗传算法对整个DBN模型进行调优,即保证了模型较高的判断准确率,又不易陷入局部最优。
3.DBN可以通过构建多层网络结构模型来实现对任何复杂函数的模拟情况,具有更强的学习能力,应用于高压断路器故障诊断,有望进一步提高故障诊断性能。
附图说明
图1是本发明方法的流程图;
图2是本发明方法中的RBM模型的结构图;
图3本发明方法中的DBN深度信念网络模型结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是一种基于深度信念网络的高压断路器故障诊断方法,如图1所示,具体按照以下步骤实施:
步骤1,选取实验所需的数据样本,将标准化处理后的样本数据按照特定比例分为测试样本和训练样本,具体步骤为,
步骤1.1,本发明将大部分SF6断路器都会监测到的I1,I2,I3,t1,t2,t3,t4,t5(为分、合闸时线圈上的电流波形提取数据),与SF6的压力、密度、微水含量、分解产物含量(通常为SO2、H2S含量)作为本文提出的深度信念网络模型的输入。将分合闸操作电压过低、铁心运行有卡涩、操作机构有卡涩、辅助开关动作接触不良、机构正常的常发故障结果作为模型输出。
具体故障类型及编码如表1所示:
表1
步骤1.2,对步骤1.1中采集到的数据进行归一化处理。
步骤1.3,将标准化后的样本数据按照特定比例分为预训练集、调优集以及测试集;其中,预训练集为大量无标签样本构成,调优集和测试集为少量带有类标签的样本构成。
为避免样本集偏斜,同时又能保证得到够多的样本,可以选取多个工程现场记录的相同型号断路器的在线监测数据,这些数据为无标签数据,可以用作预训练样本。
步骤2,构建高压断路器DBN深度信念网络故障诊断模型,具体的步骤为:
步骤2.1,构建第一层RBM受限玻尔兹曼机单元。
RBM是一种二分结构的无向图模型,结构如图2所示。RBM网络分为两层:即隐含层h和可见层v。隐含层由n个隐含的随机变量构成:h=(h1,h2,h3,hj,…,hn);可见层由m个随机变量构成v=(v1,v2,v3,vi,…,vm),用于表示观测的数据,可见层即是数据输入层。网络连接只存在两层之间,同层内部变量之间无连接。
RBM可视为基于能量的模型,其能量函数定义为
其中vi为可见单元的输入值;hj为隐单元的输出值,取值为1时表示该单元处于激活态,为0时表示处于未激活态;wij表示可见单元vi与隐单元hj之间的连接权重,ai表示可见单元vi的偏置,bj表示隐单元hj的偏置,n是隐含层节点数量,m为可见层节点数量,ai,bj,wij均为实数,θ=(a,b,w)构成RBM的模型参数。(v,h)的联合概率分布Pθ(v,h)可以表示为:
Zθ为归一化常数,又叫做配分函数(partition function)。
由于RBM是层间无连接的二值组成,所以其隐单元和可见单元是相互独立的单元,对于一层RBM所包含的m个可见单元和n个隐单元,给定隐单元与可见单元的条件概率为:
相反,隐单元的条件概率为:
根据式(1.1)(1.2)(1.3)可以推导出隐单元的激活概率为:
类似,可见层节点的第i个节点激活概率为:
式中σ()表示激活函数。常见的激活函数为sigmoid函数和tanh函数,表达见下式。
上述激活函数存在导数及饱和值缩放的特性,一旦进行递推式多层反向传播时,梯度误差会不断衰减,使得学习效率降低。另外,通过ReLU实现稀疏后的模型能够更好地挖掘相关特征,拟合训练数据。故本文选用修正线性单元函数(rectified linear units,,ReLU)函数代替以上传统神经网络的激活函数。
σ(z)=max(0,z) (1.8)
步骤2.2,将第一层RBM1受限玻尔兹曼机单元的隐蔽层h1作为第二层RBM2受限玻尔兹曼机单元的可见层v2,如图2所示。构建第二层RBM2。
步骤2.3,以相同的方式在第二层的基础上搭建第三层RBM3受限玻尔兹曼机单元,自此三层RBM网络模型构建完成。
步骤2.4,构建DBN网络模型的分类层。本发明在RBM3顶部再添加一个三层BP神经网络模型,用于输出分类结果。将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端。
步骤2.5,构造如图3所示的基于深度信念网络的高压断路器故障诊断模型。输出层由5个结点单元组成,每个单元代表一种故障类别,数据输入层为v1,由此输入采集到的SF6高压断路器样本数据,其模型输入为20维(即m=20)。
步骤3,采用逐层无监督贪婪学习算法(CD算法)对模型中RBM进行预训练。
步骤3.1,在训练网络中输入无标签样本,初始化可见层单元状态v1,隐含层单元数n,学习速率ε以及训练最大周期T,连接权值w以及偏置向量a和b均随机选取较小的数值。
步骤3.2,将可见单元向量映射到隐单元。对隐含层所有隐单元根据(1.7)计算,从条件分布P(hj|v1)抽取hj∈{0,1}。
步骤3.3,对可见层根据(1.6)式,从P(vi|h1)中抽取vi∈{0,1};
步骤3.4,根据公式(1.7),对隐含层所有隐单元进行计算;
步骤3.5,更新权重及其各偏置值:
W←W+ε[(P(h1=1|v1)v1 T-P(h2=1|v2)v2 T]
a←a+ε(v1-v2)
b←b+ε(P(h1=1|v1)-P(h2=1|v2))
重复步骤3.2-步骤3.5,达到迭代次数最大值或符合要求的重构误差时,停止该层RBM的训练。
因为归一化因子Z的存在(公式1.3),联合概率分布P求解较为复杂。故本发明提出采用对比散度(contrastive divergence,CD)算法,在训练过程中,首先将显元向量映射到隐元,然后用隐元重构显元向量,再将显元向量映射到隐元,重复执行以上步骤T次,最终实现对RBM的快速训练学习。在RBM1中,可见单元数为m=20,隐单元数目提前设定为n=50,训练周期T=50,学习速率ε=0.02。
步骤3.6训练完RBM1后,固定RBM1的参数,将RBM1训练完成的状态(即h1隐含层的状态)作为下一层RBM2的输入,重复上述训练过程,直至完成所有RBM层数的训练,则预训练结束。这个过程中每层RBM的学习过程相互独立,大大简化了模型的训练过程。
步骤4,采用遗传算法对整个模型进行微调,即模型参数寻优。
步骤4.1,预训练之后,将整个网络等价为BP神经网络,此时,这个BP神经网络的初始权值和偏置已经在预训练中设置完成。设定GA参数:种群大小为M=100,进化终止代数为T=200,初始的交叉率为Pc0=0.7,初始的变异率为Pm0=0.001。
步骤4.2,经步骤3预训练后,将模型产生的所有参数权值和阈值向量(即wij,ai,bj以及BP分类层参数)作为遗传算法的染色体向量,并在其约束范围内,采用编码法随机生成初始种群。
步骤4.3,将步骤1中获得的调优集样本经归一化后,输入到BP神经网络的输入层,即模型RBM1的可见层,通过BP神经网络前向算法计算出没个种群向量下所对应的适应度函数值。然后,搜索最优种群,使如下适应值指标E最小:
式中:N为训练样本数;yg d是第g组样本的理想输出值;yg是第g组样本的实际输出值,E为M个种群中的适应值。
步骤4.4,若达到了期望的输出,则模型训练完成,并将所有模型参数更新到对应的数据库中。若未能达到了期望的输出,则将模型中现有的连接权和阈值提取出来,用GA对现有的连接权和阈值进行编码;
步骤4.5,进行一次GA运算产生新的群体,然后解码产生新的连接权和阈值来替换原来的值;
步骤4.6,重复步骤4.2步骤4.5,直到输出达到期望或者迭代次数达到为止,将最优染色体解码后替换模型参数,至此基于深度信念网络的高压断路器故障诊断模型训练完毕。
步骤5,将步骤4训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。
经过实验发现,网络结构层数和训练周期与预测准确率有一定关系。当RBM增加至3层时,预测正确率大幅提升,由3层增加至7层,准确率提升效果微弱。当网络结构确定时,随着训练周期增加,预测准确率呈上升趋势,且趋势逐渐变缓。综合模型预测效果及运算效率,本文确定RBM网络结构为3层,训练周期为250。
通过试验结果表明,该算法可以充分利用无标签数据,采用遗产算法,更容易找到全局最优解,可有效提升故障分类的准确率。
Claims (4)
1.一种基于深度信念网络的高压断路器故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1,选取实验所需的数据样本,将标准化处理后的样本数据按照特定比例分为测试样本和训练样本;
步骤1.1,将大部分SF6断路器都会监测到的I1,I2,I3,t1,t2,t3,t4,t5,与SF6的压力、密度、微水含量、分解产物SO2、H2S含量作为深度信念网络模型的输入,
步骤1.2,对步骤1.1中采集到的数据进行归一化处理,
步骤1.3,将标准化后的样本数据按照特定比例分为预训练集、调优集以及测试集;其中,预训练集为大量无标签样本构成,调优集和测试集为少量带有类标签的样本构成;
步骤2,构建高压断路器DBN深度信念网络故障诊断模型,
步骤3,采用逐层无监督贪婪学习算法(CD算法)对模型中RBM进行预训练,
步骤3.1,在训练网络中输入无标签样本,初始化可见层单元状态v1,隐含层单元数n,学习速率ε以及训练最大周期T,连接权值w以及偏置向量a和b均随机选取较小的数值;
步骤3.2,将可见单元向量映射到隐单元,对隐含层所有隐单元根据(1.7)计算,从条件分布P(hj|v1)抽取hj∈{0,1},
步骤3.3,对可见层根据(1.6)式,从P(vi|h1)中抽取vi∈{0,1};
步骤3.4,根据公式(1.7),对隐含层所有隐单元进行计算;
步骤3.5,更新权重及其各偏置值:
W←W+ε[(P(h1=1|v1)v1 T-P(h2=1|v2)v2 T]
a←a+ε(v1-v2)
b←b+ε(P(h1=1|v1)-P(h2=1|v2))
重复步骤3.2-步骤3.5,达到迭代次数最大值或符合要求的重构误差时,停止该层RBM的训练,
在RBM1中,可见单元数为m=20,隐单元数目提前设定为n=50,训练周期T=50,学习速率ε=0.02,
步骤3.6训练完RBM1后,固定RBM1的参数,将RBM1训练完成的状态,即h1隐含层的状态,作为下一层RBM2的输入,重复上述训练过程,直至完成所有RBM层数的训练,则预训练结束;
步骤4,采用遗传算法对整个模型进行微调,即模型参数寻优,
步骤5,将步骤4训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。
2.根据权利要求1所述的一种基于深度信念网络的高压断路器故障诊断方法,其特征在于,所述的步骤2具体的步骤为:
步骤2.1,构建第一层RBM受限玻尔兹曼机单元,
步骤2.2,将第一层RBM1受限玻尔兹曼机单元的隐蔽层h1作为第二层RBM2受限玻尔兹曼机单元的可见层v2,构建第二层RBM2,
步骤2.3,以相同的方式在第二层的基础上搭建第三层RBM3受限玻尔兹曼机单元,自此三层RBM网络模型构建完成,
步骤2.4,构建DBN网络模型的分类层,在RBM3顶部再添加一个三层BP神经网络模型,用于输出分类结果,将RBM3隐蔽层h3节点作为BP神经网络单元的可见层输入端,
步骤2.5,构造基于深度信念网络的高压断路器故障诊断模型,输出层由5个结点单元组成,每个单元代表一种故障类别,数据输入层为v1,由此输入采集到的SF6高压断路器样本数据,其模型输入为20维,即m=20。
3.根据权利要求2所述的一种基于深度信念网络的高压断路器故障诊断方法,其特征在于,所述的步骤2.1具体为,
RBM网络分为两层:即隐含层h和可见层v,隐含层由n个隐含的随机变量构成:h=(h1,h2,h3,hj,…,hn);可见层由m个随机变量构成v=(v1,v2,v3,vi,…,vm),用于表示观测的数据,可见层即是数据输入层,
RBM可视为基于能量的模型,其能量函数定义为
其中vi为可见单元的输入值;hj为隐单元的输出值,取值为1时表示该单元处于激活态,为0时表示处于未激活态;wij表示可见单元vi与隐单元hj之间的连接权重,ai表示可见单元vi的偏置,bj表示隐单元hj的偏置,n是隐含层节点数量,m为可见层节点数量,ai,bj,wij均为实数,θ=(a,b,w)构成RBM的模型参数,
(v,h)的联合概率分布Pθ(v,h)可以表示为:
Zθ为归一化常数,又叫做配分函数,
对于一层RBM所包含的m个可见单元和n个隐单元,给定隐单元与可见单元的条件概率为:
相反,隐单元的条件概率为:
根据式(1.1)(1.2)(1.3)可以推导出隐单元的激活概率为:
类似,可见层节点的第i个节点激活概率为:
式中σ()表示激活函数,
选用修正线性单元函数代替以上传统神经网络的激活函数,即
σ(z)=max(0,z)(1.8)。
4.根据权利要求1所述的一种基于深度信念网络的高压断路器故障诊断方法,其特征在于,所述的步骤4具体为,
步骤4.1,预训练之后,将整个网络等价为BP神经网络,此时,这个BP神经网络的初始权值和偏置已经在预训练中设置完成,设定GA参数:种群大小为M=100,进化终止代数为T=200,初始的交叉率为Pc0=0.7,初始的变异率为Pm0=0.001;
步骤4.2,经步骤3预训练后,将模型产生的所有参数权值和阈值向量,即wij,ai,bj以及BP分类层参数,作为遗传算法的染色体向量,并在其约束范围内,采用编码法随机生成初始种群;
步骤4.3,将步骤1中获得的调优集样本经归一化后,输入到BP神经网络的输入层,即模型RBM1的可见层,通过BP神经网络前向算法计算出没个种群向量下所对应的适应度函数值,然后,搜索最优种群,使如下适应值指标E最小:
式中:N为训练样本数;yg d是第g组样本的理想输出值;yg是第g组样本的实际输出值,E为M个种群中的适应值,
步骤4.4,若达到了期望的输出,则模型训练完成,并将所有模型参数更新到对应的数据库中,若未能达到了期望的输出,则将模型中现有的连接权和阈值提取出来,用GA对现有的连接权和阈值进行编码;
步骤4.5,进行一次GA运算产生新的群体,然后解码产生新的连接权和阈值来替换原来的值;
步骤4.6,重复步骤4.2步骤4.5,直到输出达到期望或者迭代次数达到为止,将最优染色体解码后替换模型参数,至此基于深度信念网络的高压断路器故障诊断模型训练完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810827990.4A CN109086817B (zh) | 2018-07-25 | 2018-07-25 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810827990.4A CN109086817B (zh) | 2018-07-25 | 2018-07-25 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086817A CN109086817A (zh) | 2018-12-25 |
CN109086817B true CN109086817B (zh) | 2022-04-26 |
Family
ID=64838620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810827990.4A Active CN109086817B (zh) | 2018-07-25 | 2018-07-25 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086817B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
CN109885948A (zh) * | 2019-02-28 | 2019-06-14 | 沈阳天眼智云信息科技有限公司 | 电力变压器故障诊断方法 |
CN109948589B (zh) * | 2019-03-31 | 2022-12-06 | 西安电子科技大学 | 基于量子深度信念网络的人脸表情识别方法 |
CN111827982A (zh) * | 2019-04-17 | 2020-10-27 | 中国石油天然气集团有限公司 | 钻井溢流漏失工况预测方法及装置 |
CN110175386B (zh) * | 2019-05-21 | 2022-11-25 | 陕西科技大学 | 变电站电气设备温度预测方法 |
CN110132627A (zh) * | 2019-05-28 | 2019-08-16 | 上海海事大学 | 一种推进器的故障诊断方法 |
CN110231165B (zh) * | 2019-05-31 | 2020-03-31 | 西安交通大学 | 一种基于期望差异约束置信网络的机械设备故障诊断方法 |
CN110263837A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 一种基于多层dbn模型的断路器故障诊断方法 |
CN110297480B (zh) * | 2019-06-17 | 2022-07-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
CN110309586B (zh) * | 2019-06-28 | 2023-01-03 | 西安工程大学 | 基于ma-dbn的gis分解气体含量预测方法 |
CN112307851A (zh) * | 2019-08-02 | 2021-02-02 | 上海交通大学烟台信息技术研究院 | 一种电力铁塔上鸟巢的识别方法及*** |
CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
CN110737998B (zh) * | 2019-09-25 | 2022-07-26 | 中国电力科学研究院有限公司 | 一种基于有限元和深度信念网络的均压环优化设计方法 |
CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学(保定) | 一种同步电机定子早期故障预警方法 |
CN110879377B (zh) * | 2019-11-22 | 2022-05-10 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络的计量装置故障溯源方法 |
CN111060813B (zh) * | 2019-12-09 | 2022-05-10 | 国网北京市电力公司 | 高压断路器操作机构的故障诊断方法及装置、电子设备 |
CN111105877A (zh) * | 2019-12-24 | 2020-05-05 | 郑州科技学院 | 基于深度置信网络的慢性病精确干预方法及*** |
CN111178506A (zh) * | 2019-12-26 | 2020-05-19 | 哈尔滨工业大学 | 一种基于深度置信神经网络的大型高速回转装备消偏消倾方法 |
CN111368888B (zh) * | 2020-02-25 | 2022-07-01 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
CN111612029B (zh) * | 2020-03-30 | 2023-08-04 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载电子产品故障预测方法 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
CN111562248A (zh) * | 2020-05-15 | 2020-08-21 | 云南电网有限责任公司电力科学研究院 | 一种基于sf6内标的gis故障诊断方法 |
CN111653272A (zh) * | 2020-06-01 | 2020-09-11 | 重庆科技学院 | 一种基于深度信念网络的车载语音增强算法 |
CN111898650A (zh) * | 2020-07-08 | 2020-11-06 | 国网浙江省电力有限公司杭州供电公司 | 基于深度学习的营配用数据自动聚类分析设备及方法 |
CN111814878B (zh) * | 2020-07-09 | 2023-06-06 | 仲恺农业工程学院 | 基于ssda-helm-softmax的农业投入品实时分类预测方法 |
CN112001066B (zh) * | 2020-07-30 | 2022-11-04 | 四川大学 | 一种基于深度学习的极限传输容量的计算方法 |
CN112308208B (zh) * | 2020-09-23 | 2023-01-24 | 云南电网有限责任公司普洱供电局 | 基于深度学习模型的变压器故障诊断方法 |
CN112287813B (zh) * | 2020-10-27 | 2023-06-23 | 西安科技大学 | 一种基于深度信念网络的铁谱图像智能识别方法 |
CN112633558A (zh) * | 2020-12-08 | 2021-04-09 | 武汉理工大学 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
CN113033833A (zh) * | 2021-02-25 | 2021-06-25 | 江苏大学 | 一种联合收割机脱粒滚筒收获状态故障诊断方法 |
CN113030717A (zh) * | 2021-03-12 | 2021-06-25 | 广东电网有限责任公司 | 基于电信号深度学习的断路器故障诊断方法和电路 |
CN112686340B (zh) * | 2021-03-12 | 2021-07-13 | 成都点泽智能科技有限公司 | 一种基于深度神经网络的密集小目标检测方法 |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及*** |
CN113486598A (zh) * | 2021-07-27 | 2021-10-08 | 西安科技大学 | 一种基于pso-dbn-elm的ect充填管道流型预测方法 |
CN113858218A (zh) * | 2021-12-06 | 2021-12-31 | 湖南工商大学 | 一种机械臂执行器故障诊断方法 |
CN116471198B (zh) * | 2023-06-19 | 2023-10-03 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
CN106897744A (zh) * | 2017-02-27 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种自适应设置深度置信网络参数的方法及*** |
-
2018
- 2018-07-25 CN CN201810827990.4A patent/CN109086817B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
CN106897744A (zh) * | 2017-02-27 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种自适应设置深度置信网络参数的方法及*** |
Non-Patent Citations (3)
Title |
---|
Unsupervised Fault Diagnosis of a Gear Transmission Chain Using a Deep Belief Network;Jun He et al.;《 sensors》;20170704;第2.3节 * |
基于ReLU深度信念网络的35kV开关柜故障诊断;母卓元;《电气传动自动化》;20180401;第40卷(第2期);第1节,第2.2节 * |
基于深度信念网络的轴承故障分类识别;李巍华 等;《振动工程学报》;20160430;第29卷(第2期);第2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086817A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086817B (zh) | 一种基于深度信念网络的高压断路器故障诊断方法 | |
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN110413785A (zh) | 一种基于bert和特征融合的文本自动分类方法 | |
Esmin et al. | Hybrid evolutionary algorithm based on PSO and GA mutation | |
KR20210040248A (ko) | 물질의 생성 구조-특성 역 계산 공동 설계 | |
CN110222164A (zh) | 一种问答模型训练方法、问题语句处理方法、装置及存储介质 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN113011570A (zh) | 一种卷积神经网络模型的自适应高精度压缩方法及*** | |
CN110336270B (zh) | 一种电力***暂态稳定预测模型的更新方法 | |
CN112327149A (zh) | 基于ssd-srae的高压断路器故障诊断方法 | |
CN112232087A (zh) | 一种基于Transformer的多粒度注意力模型的特定方面情感分析方法 | |
CN114661905A (zh) | 一种基于bert的电网故障诊断方法 | |
JP7381814B2 (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、***、介质及电子设备 | |
CN103198359A (zh) | 基于nsga-ⅱ优化改进的模糊回归模型构造方法 | |
CN116541593B (zh) | 一种基于超图神经网络的课程推荐方法 | |
CN115310373A (zh) | 一种制氢电解槽剩余寿命预测方法 | |
CN112308208B (zh) | 基于深度学习模型的变压器故障诊断方法 | |
Xue et al. | A study on transformer configuration and training objective | |
CN115168864A (zh) | 一种基于特征交叉的智能交叉合约漏洞检测方法 | |
CN114157552A (zh) | 一种基于孪生时序图网络的配网故障检测方法 | |
CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
Kuo et al. | Symbiotic evolution-based design of fuzzy-neural transformer diagnostic system |
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 |