CN110649597A - 一种基于rbf神经网络的配电网馈线自动化控制方法 - Google Patents
一种基于rbf神经网络的配电网馈线自动化控制方法 Download PDFInfo
- Publication number
- CN110649597A CN110649597A CN201910840783.7A CN201910840783A CN110649597A CN 110649597 A CN110649597 A CN 110649597A CN 201910840783 A CN201910840783 A CN 201910840783A CN 110649597 A CN110649597 A CN 110649597A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- data
- neural network
- rbf neural
- 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 93
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000009467 reduction Effects 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000003064 k means clustering Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000002955 isolation Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，包括如下步骤：S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；S3.通过k‑均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型。本发明提供的基于RBF神经网络的配电网馈线自动化控制方法，通过接收线路上各终端发出信号，进行自动判断，自动控制开关的分合，实现故障隔离，非故障区间及时恢复送电，完全实现自动化分布式馈线线路故障处理。
Description
技术领域
本发明属于配电网馈线自动控制技术领域，具体涉及一种基于RBF神经网络的配电网馈线自动化控制方法。
背景技术
随着国民生活水平的快速提高，居民用电量的快速上升，用户日益提升了优质服务、电能质量、供电可靠性等标准，电力***的既有运行模式己难以满足安全、优质和经济运行的要求，因此，供电公司不断提高持续供电能力，选择更加稳定、高效、有序的电能供应形式给广大用户是很有必要的，特别是和用户关联最密切的配电网络，更需要更加可靠地技术支撑。配电网自动化技术的产生是适应社会进步产生的，凸显电力科技高速发展的重要标志。
馈线自动化是配电网自动化技术的重点内容，目前馈线控制依赖于主站与代理站之间的通讯，线路故障处理还不能完全实现分布式馈线自动化。
此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于RBF神经网络的配电网馈线自动化控制方法，是非常有必要的。
发明内容
针对现有技术的上述前馈线控制依赖于主站与代理站之间的通讯，线路故障处理还不能完全实现分布式馈线自动化的缺陷，本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，以解决上述技术问题。
本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，包括如下步骤：
S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型。RBF神将网络是一种三层神经网络，其包括输入层、隐含层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。
进一步地，步骤S1具体步骤如下：
S11.根据配电网故障特性确定待建RBF神经网络模型的特征输入层数量M及名称；
S12.根据配电网故障特性确定待建RBF神经网络模型的目标输出层数量N及名称；
S13.构建一个M输入N输出的配电网故障RBF神经网络模型。馈线自动化是配电网自动化最关键的功能及组成单元，其指的是在变电站和用电设施(用户)这段区间的馈电线路上实施的智能控制技术。馈线自动化涵盖两个方面的功能：一是在常态化运行(无故障)情况下，对线路U\I概况及联络开关、分段开关等开关的状态进行不间断监控，完成各类馈线开关合、分闸动作，从而使配网达到最佳运行方式。二是在事故状态下，迅速获取相关信息，将发生线路故障的区域自行判断、隔离出来，把非故障区域(健康区域)的供电恢复，使得停电所能持续的时间更短、影响面积减小的目标因此得以实现。
进一步地，步骤S11中特征输入层包括零序电压、残压信号、零序电流、开关电压、负荷电流和线路过流信号六种特征输入量；
步骤S12中目标输出层包括无故障、短路故障、接地故障以及过负荷四种故障类型。根据配电网故障特性的六种状态信息，及四种故障类型构建一个6输入4输出的配电网故障RBF神经网络模型。
进一步地，步骤S2具体步骤如下：
S21.将配电网故障特性数据进行归一化处理，生成配电网故障特性数据***，并计算配电网故障特性数据***的可分辨矩阵；
S22.根据可分辨矩阵计算得到初始简约核和候选集合；
S23.根据特征输入层的不同类型故障数据计算两两信息熵；
S24.计算过滤分辨矩阵，并基于信息熵大小对过滤分辨矩阵和候选集合内数据进行筛选，直至约简核的信息增益不再增加，输出最小数据约简。采用基于可分辨矩阵和信息熵的数据约简方法，基于可分辨矩阵计算初始约简核，以此为出发点，以过滤分辨矩阵作为数据筛选依据，以信息熵作为信息量寻找最小约简。
进一步地，步骤S22具体步骤如下：
S221.计算可分辨矩阵对非空元素建立析取逻辑表达式；
S222.对所有的析取逻辑表达式建立合取逻辑表达式；
S223.通过吸收律和分配律得到初始简约核，将除初始简约核外剩余的可分辨矩阵数据生成候选集合。通过约简得到作为训练样本的初始约简核和用作备用训练样本的候选集合。
进一步地，步骤S23中，将初始约简核设为当前约简核；
步骤S24具体步骤如下：
S241.定位一对故障数据的信息熵对当前约简核进行约简；
S242.判断约简核的信息增益是否小于等于0；
S243.若是，则筛选出数据即为最小数据约简；进入步骤S3；
若否，则进入步骤S244；
S244.计算过滤分辨矩阵，并获取候选集合；
S245.计算过滤分辨矩阵及候选集合中数据的信息熵，选择信息熵最小数据，返回步骤S241。基于信息熵大小对过滤矩阵和候选集合内数据进行筛选，确保约简核的信息增益不再增加。
进一步地，步骤S3具体步骤如下：
S31.通过k-均值聚类方法对训练样本数据聚类，同时计算训练样本数据在特征输入层数据上的中心；
S32.确定待建RBF神经网络模型隐含层节点数，并计算各个隐含节点的扩展常数；
S33.通过最小二乘法计算隐含层连接权值。隐含层权值确定后，特征输入层、目标输出层以及连接上述两层的隐含层就确定了，RBF神经网络配电网故障特性模型就确定了。
进一步地，步骤S31具体步骤如下：
S311.选择高斯核函数作为RBF神经网络模型的隐含层基函数；
S312.通过k-均值聚类方法对训练样本数据聚类；
S313.计算隐含层基函数在输入数据上的中心，作为聚类中心；
S314.计算训练样本数据与聚类中心的距离，并按最小距离原则对训练样本数据进行分类，且计算各类训练样本数据的中心。确定隐含层基函数以及通过k-均值聚类方法对训练样本数据聚类确定隐含层节点的中心，为后续确定RBF神经网络配电网故障模型做准备。
进一步地，步骤S32具体步骤如下：
S321.通过k-均值聚类方法依次迭代各类训练样本数据的中心，当相邻两次的迭代中心不相同时，进入下一步，否则，返回步骤S314；
S322.对应训练样本数据类别中样本个数即为隐含层节点数；
S323.根据聚类中心之间的距离确定各隐含层节点的扩张常数。确定隐含层节点数以及根据聚类中心之间的距离确定各隐含层节点的扩张常数，为后续确定RBF神经网络配电网故障模型做准备。
进一步地，步骤S33具体步骤如下：
S331.初始化连接权值，并迭代计算RBF神经网络模型的隐含层的输入输出，生成隐含层输出矩阵；
S332.根据隐含层输出计算出目标输出层输出的实际值；
S333.采用最小二乘法计算出隐含层连接权值。确定隐含层连接权值，即最终确定RBF神经网络配电网故障特性模型。
进一步地，步骤S333具体步骤如下：
S3331.计算出目标输出层输出的实际值与期望输出值的误差；
S3332.判断两次迭代的误差是否小于迭代阈值；
S3333.若是，则训练结束，本次迭代的连接权值即为隐含层连接权值；
若否，则计算隐含层误差分摊制，调整连接权值，返回步骤S332。隐含层连接权值通过两次迭代的误差判断。
本发明的有益效果在于，
本发明提供的基于RBF神经网络的配电网馈线自动化控制方法，通过接收线路上各终端发出信号，进行自动判断，自动控制开关的分合，实现故障隔离，非故障区间及时恢复送电，完全实现自动化分布式馈线线路故障处理。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法流程示意图一；
图2是本发明的方法流程示意图二；
图3为本发明的方法流程示意图三；
图4为本发明的方法流程示意图四；
图5为本发明的实施例5的故障类型及样本数据示意图；
图6为本发明的实施例5的变压器故障类型编码示意图；
图7为本发明的实施例5的3种方法故障诊断训练过程误差变化示意图；
图8为本发明的实施例5的3中方法训练及测试结构示意图。
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中的技术方案，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，都应当属于本发明保护的范围。
实施例1：
如图1所示，本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，包括如下步骤：
S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型。
实施例2：
如图2所示，本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，包括如下步骤：
S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；具体步骤如下：
S11.根据配电网故障特性确定待建RBF神经网络模型的特征输入层数量M及名称；特征输入层包括零序电压、残压信号、零序电流、开关电压、负荷电流和线路过流信号六种特征输入量；
S12.根据配电网故障特性确定待建RBF神经网络模型的目标输出层数量N及名称；目标输出层包括无故障、短路故障、接地故障以及过负荷四种故障类型；
S13.构建一个M输入N输出的配电网故障RBF神经网络模型；
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；具体步骤如下：
S21.将配电网故障特性数据进行归一化处理，生成配电网故障特性数据***，并计算配电网故障特性数据***的可分辨矩阵；
S22.根据可分辨矩阵计算得到初始简约核和候选集合；
S23.根据特征输入层的不同类型故障数据计算两两信息熵；
S24.计算过滤分辨矩阵，并基于信息熵大小对过滤分辨矩阵和候选集合内数据进行筛选，直至约简核的信息增益不再增加，输出最小数据约简；
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型；具体步骤如下：
S31.通过k-均值聚类方法对训练样本数据聚类，同时计算训练样本数据在特征输入层数据上的中心；
S32.确定待建RBF神经网络模型隐含层节点数，并计算各个隐含节点的扩展常数；
S33.通过最小二乘法计算隐含层连接权值。
实施例3：
如图3所示，上述实施例2中，
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；具体步骤如下：
S21.将配电网故障特性数据进行归一化处理，生成配电网故障特性数据***，并计算配电网故障特性数据***的可分辨矩阵；
S22.根据可分辨矩阵计算得到初始简约核和候选集合；具体步骤如下：
S221.计算可分辨矩阵对非空元素建立析取逻辑表达式；
S222.对所有的析取逻辑表达式建立合取逻辑表达式；
S223.通过吸收律和分配律得到初始简约核，将除初始简约核外剩余的可分辨矩阵数据生成候选集合；
S23.根据特征输入层的不同类型故障数据计算两两信息熵，将初始约简核设为当前约简核；
S24.计算过滤分辨矩阵，并基于信息熵大小对过滤分辨矩阵和候选集合内数据进行筛选，直至约简核的信息增益不再增加，输出最小数据约简；具体步骤如下：
S241.定位一对故障数据的信息熵对当前约简核进行约简；
S242.判断约简核的信息增益是否小于等于0；
S243.若是，则筛选出数据即为最小数据约简；进入步骤S3；
若否，则进入步骤S244；
S244.计算过滤分辨矩阵，并获取候选集合；
S245.计算过滤分辨矩阵及候选集合中数据的信息熵，选择信息熵最小数据，返回步骤S241。
实施例4：
如图4所示，上述实施例2中，
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型；具体步骤如下：
S31.通过k-均值聚类方法对训练样本数据聚类，同时计算训练样本数据在特征输入层数据上的中心；具体步骤如下：
S311.选择高斯核函数作为RBF神经网络模型的隐含层基函数；
S312.通过k-均值聚类方法对训练样本数据聚类；
S313.计算隐含层基函数在输入数据上的中心，作为聚类中心；
S314.计算训练样本数据与聚类中心的距离，并按最小距离原则对训练样本数据进行分类，且计算各类训练样本数据的中心；
S32.确定待建RBF神经网络模型隐含层节点数，并计算各个隐含节点的扩展常数；具体步骤如下：
S321.通过k-均值聚类方法依次迭代各类训练样本数据的中心，当相邻两次的迭代中心不相同时，进入下一步，否则，返回步骤S314；
S322.对应训练样本数据类别中样本个数即为隐含层节点数；
S323.根据聚类中心之间的距离确定各隐含层节点的扩张常数；
S33.通过最小二乘法计算隐含层连接权值；具体步骤如下：
S331.初始化连接权值，并迭代计算RBF神经网络模型的隐含层的输入输出，生成隐含层输出矩阵；
S332.根据隐含层输出计算出目标输出层输出的实际值；
S333.采用最小二乘法计算出隐含层连接权值。
上述实施例中，步骤S333具体步骤如下：
S3331.计算出目标输出层输出的实际值与期望输出值的误差；
S3332.判断两次迭代的误差是否小于迭代阈值；
S3333.若是，则训练结束，本次迭代的连接权值即为隐含层连接权值；
若否，则计算隐含层误差分摊制，调整连接权值，返回步骤S332。
实施例5：
本发明提供一种基于RBF神经网络的配电网馈线自动化控制方法，包括如下步骤：
S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；具体步骤如下：
S11.根据配电网故障特性确定待建RBF神经网络模型的特征输入层包括零序电压、残压信号、零序电流、开关电压、负荷电流和线路过流信号六种特征输入量；
S12.根据配电网故障特性确定待建RBF神经网络模型的目标输出层包括无故障、短路故障、接地故障以及过负荷四种故障类型；
S13.构建一个6输入4输出的配电网故障RBF神经网络模型；采用某电力公司收集的263组数据作为样本，根据如图5所示的故障类型，选取部分样本作为测试，其余样本用于训练模型；
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；具体步骤如下：
S21.将配电网故障特性数据进行归一化处理，生成配电网故障特性数据***S＝(U，C∪D,V，f)，并计算配电网故障特性数据***的可分辨矩阵，M＝(mij)n×n表示用条件属性集C来区分对象xi,xj的完整信息：
S22.根据可分辨矩阵计算得到初始简约核和候选集合；具体步骤如下：
S221.计算可分辨矩阵M对非空元素建立析取逻辑表达式:
Lij＝∨ai,ai∈Mij；
S222.对所有的析取逻辑表达式Lij建立合取逻辑表达式:
L＝∧Lij；
S223.通过吸收律和分配律得到初始简约核，将除初始简约核外剩余的可分辨矩阵数据生成候选集合B；
S23.根据特征输入层的不同类型故障数据计算两两信息熵，假设Si为故障类型Ci中的样本个数，那么对于一个给定数据的信息量为：
对每项故障特性A可以将Si划分为V个不同的子集{a1,a2,…,av}，其中，aij表示ai中属于Ci样本数：
将初始约简核设为当前约简核；
S24.计算过滤分辨矩阵，并基于信息熵大小对过滤分辨矩阵和候选集合内数据进行筛选，直至约简核的信息增益不再增加，输出最小数据约简；具体步骤如下：
S241.定位一对故障数据的信息熵对当前约简核进行约简；
S242.判断约简核的信息增益是否小于等于0；
S243.若是，则筛选出数据即为最小数据约简；进入步骤S3；
若否，则进入步骤S244；
S244.计算过滤分辨矩阵，并获取候选集合B；
S245.计算过滤分辨矩阵及候选集合B中数据的信息熵，选择信息熵最小数据，返回步骤S241；
经过约简，选取无故障38组，短路故障31组，接地故障25组，过负荷32组，典型数据作为RBF神经网络配电网故障特性模型训练样本；
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型；具体步骤如下：
S31.通过k-均值聚类方法对训练样本数据聚类，同时计算训练样本数据在特征输入层数据上的中心；具体步骤如下：
S311.选择高斯核函数作为RBF神经网络配电网故障特性模型的隐含层基函数；
式中，X＝[x1,x2,...,xn]，为n维输入向量；cj为第j个基函数的中心，是与X具有相同维数的向量；
S312.通过k-均值聚类方法对训练样本数据聚类；
S313.计算隐含层基函数在输入数据上的中心，作为聚类中心；
S314.计算训练样本数据与聚类中心的距离，并按最小距离原则对训练样本数据进行分类，且计算各类训练样本数据的中心；
根据配电网故障分析常见的故障类型，以变压故障为例，对应于8种故障类型，其故障编码如图6所示；
S32.确定待建RBF神经网络配电网故障特性模型隐含层节点数，并计算各个隐含节点的扩展常数；具体步骤如下：
S321.通过k-均值聚类方法依次迭代各类训练样本数据的中心，当相邻两次的迭代中心不相同时，进入下一步，否则，返回步骤S314；
S322.对应训练样本数据类别中样本个数即为隐含层节点数；
S323.根据聚类中心之间的距离确定各隐含层节点的扩张常数；
假设k为迭代次数，第k次叠代时的聚类中心为c1(k),c2(k),...,ch(k)，相应的聚类域为:
w1(k),w2(k),...,wh(k)；
计算样本与聚类中心的距离：
l＝||Xj-ci(k)||,i＝1,2,...,h,j＝1,2,...,N
按最小距离原则将样本输入Xj分类：
当时，Xj∈wi(k)；
重新计算各类的聚类中心：
其中，Ni为第i个聚类域wi(k)中包含的样本个数；
确定隐含层节点数后，根据各聚类中心之间的距离确定各隐节点的扩张常数：
δi＝κdi
其中，di为第i个数据中心与其他最近的数据中心之间的距离；κ为重叠系数；
S33.通过最小二乘法计算隐含层连接权值；具体步骤如下：
S331.初始化连接权值，并迭代计算RBF神经网络模型的隐含层的输入输出，生成隐含层输出矩阵；
S332.根据隐含层输出计算出目标输出层输出的实际值；
S333.采用最小二乘法计算出隐含层连接权值；由于高斯核函数径向对称、光滑性好、形式简单且解析性较好，有利于进行理论分析和理解，故此处构建RBF神经网络；
计算隐含层输入输出：
rbfini＝||ci-p||*0.8325/δi
rbfouti＝exp(-rbfini 2)
其中，||·||表示两点之间的欧式距离，ci为隐含层第i个神经元的中心向量，，p为输入向量，δi为隐含层第i个神经元的扩展常数；
其隐含层输出矩阵为:
根据隐含层神经元输出，得到输出层神经元的输出，以第j个为例：
令
为逼近误差，使用最小二乘方法(LMS)直接计算：
其中，
本发明通过对263组配电网故障特性数据进行约简，挖掘出各类故障的典型数据126组作为配电网故障RBF神经网络模型的训练样本；通过k-均值聚类分析构建配电网故障特性模型。通过分别采用BP神经网络、RBF神经网络方法与本发明采用基于粗糙集-RBF神经网络算法的训练过程对比，如图7所示。
用选取的测试样本对上述三种诊断模型进行测试验证，分析得出：在诊断正确率方面，BP神经网络的故障诊断正确率为92％，三种方法中最高，但是本发明方法相对于单纯的RBF神经网络有了较大提高，达到了86％，也拥有较高的诊断正确率；在网络的收敛速度方面，本发明方法较单纯RBF网络也有了一定提高，相对于BP神经网络收敛速度明显提高；网络结构、泛化能力等其他方面性能如图8所示。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，包括如下步骤：
S1.根据配电网故障特性确定待建RBF神经网络模型的特征输入层及目标输出层；
S2.采用可分辨矩阵以及信息熵数据约简方法对配电网故障特性数据进行约简，将约简后得到配电网各类故障数据作为RBF神经网络模型的训练样本数据；
S3.通过k-均值聚类方法对训练样本数据聚类，构建RBF神经网络配电网故障特性模型。
2.如权利要求1所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S1具体步骤如下：
S11.根据配电网故障特性确定待建RBF神经网络模型的特征输入层数量M及名称；
S12.根据配电网故障特性确定待建RBF神经网络模型的目标输出层数量N及名称；
S13.构建一个M输入N输出的配电网故障RBF神经网络模型。
3.如权利要求1所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S2具体步骤如下：
S21.将配电网故障特性数据进行归一化处理，生成配电网故障特性数据***，并计算配电网故障特性数据***的可分辨矩阵；
S22.根据可分辨矩阵计算得到初始简约核和候选集合；
S23.根据特征输入层的不同类型故障数据计算两两信息熵；
S24.计算过滤分辨矩阵，并基于信息熵大小对过滤分辨矩阵和候选集合内数据进行筛选，直至约简核的信息增益不再增加，输出最小数据约简。
4.如权利要求3所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S22具体步骤如下：
S221.计算可分辨矩阵对非空元素建立析取逻辑表达式；
S222.对所有的析取逻辑表达式建立合取逻辑表达式；
S223.通过吸收律和分配律得到初始简约核，将除初始简约核外剩余的可分辨矩阵数据生成候选集合。
5.如权利要求3所的饿基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S23中，将初始约简核设为当前约简核；
步骤S24具体步骤如下：
S241.定位一对故障数据的信息熵对当前约简核进行约简；
S242.判断约简核的信息增益是否小于等于0；
S243.若是，则筛选出数据即为最小数据约简；进入步骤S3；
若否，则进入步骤S244；
S244.计算过滤分辨矩阵，并获取候选集合；
S245.计算过滤分辨矩阵及候选集合中数据的信息熵，选择信息熵最小数据，返回步骤S241。
6.如权利要求1所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S3具体步骤如下：
S31.通过k-均值聚类方法对训练样本数据聚类，同时计算训练样本数据在特征输入层数据上的中心；
S32.确定待建RBF神经网络模型隐含层节点数，并计算各个隐含节点的扩展常数；
S33.通过最小二乘法计算隐含层连接权值。
7.如权利要求6所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S31具体步骤如下：
S311.选择高斯核函数作为RBF神经网络模型的隐含层基函数；
S312.通过k-均值聚类方法对训练样本数据聚类；
S313.计算隐含层基函数在输入数据上的中心，作为聚类中心；
S314.计算训练样本数据与聚类中心的距离，并按最小距离原则对训练样本数据进行分类，且计算各类训练样本数据的中心。
8.如权利要求7所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S32具体步骤如下：
S321.通过k-均值聚类方法依次迭代各类训练样本数据的中心，当相邻两次的迭代中心不相同时，进入下一步，否则，返回步骤S314；
S322.对应训练样本数据类别中样本个数即为隐含层节点数；
S323.根据聚类中心之间的距离确定各隐含层节点的扩张常数。
9.如权利要求8所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S33具体步骤如下：
S331.初始化连接权值，并迭代计算RBF神经网络模型的隐含层的输入输出，生成隐含层输出矩阵；
S332.根据隐含层输出计算出目标输出层输出的实际值；
S333.采用最小二乘法计算出隐含层连接权值。
10.如权利要求9所述的基于RBF神经网络的配电网馈线自动化控制方法，其特征在于，步骤S333具体步骤如下：
S3331.计算出目标输出层输出的实际值与期望输出值的误差；
S3332.判断两次迭代的误差是否小于迭代阈值；
S3333.若是，则训练结束，本次迭代的连接权值即为隐含层连接权值；
若否，则计算隐含层误差分摊制，调整连接权值，返回步骤S332。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910840783.7A CN110649597A (zh) | 2019-09-06 | 2019-09-06 | 一种基于rbf神经网络的配电网馈线自动化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910840783.7A CN110649597A (zh) | 2019-09-06 | 2019-09-06 | 一种基于rbf神经网络的配电网馈线自动化控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110649597A true CN110649597A (zh) | 2020-01-03 |
Family
ID=68991564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910840783.7A Pending CN110649597A (zh) | 2019-09-06 | 2019-09-06 | 一种基于rbf神经网络的配电网馈线自动化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110649597A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
| CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
| CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
-
2019
- 2019-09-06 CN CN201910840783.7A patent/CN110649597A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
| CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
| CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨志超等: "基于粗糙集和RBF神经网络的变压器故障诊断方法研究", 《电测与仪表》 * |
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 | |
| CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
| CN107290633A (zh) | 基于mopso的含分布式光伏配电网故障区段定位方法 | |
| Wang et al. | An innovative minimum hitting set algorithm for model-based fault diagnosis in power distribution network | |
| CN104281899A (zh) | 一种新的基于信息融合的故障诊断方法 | |
| Qu et al. | False data injection attack detection in power systems based on cyber-physical attack genes | |
| Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
| Wang et al. | A minimum hitting set algorithm with prejudging mechanism for model-based fault diagnosis in distribution networks | |
| Yin et al. | Data‐driven approach for real‐time distribution network reconfiguration | |
| CN111123028A (zh) | 一种基于分层模型的有源低压配电网故障定位优化方法 | |
| CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
| Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
| CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
| CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
| CN115201632A (zh) | 一种多端直流输电线路故障识别方法 | |
| Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
| Li et al. | A comprehensive method for fault location of active distribution network based on improved matrix algorithm and optimization algorithm | |
| Wang et al. | The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network | |
| Gao et al. | Feature‐clustering‐based single‐line‐to‐ground fault section location using auto‐encoder and fuzzy C‐means clustering in resonant grounding distribution systems | |
| CN110649597A (zh) | 一种基于rbf神经网络的配电网馈线自动化控制方法 | |
| Wang et al. | Research on double-deck traceability identification method of commutation failure in HVDC system | |
| Qi | Operation ControlMethod of Relay Protection in Flexible DC Distribution Network Compatible with Distributed Power Supply. | |
| Zhengyi et al. | A lstm line selection method of single-phase ground fault based on big-data platform |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |