CN112098782A - 一种基于神经网络的moa绝缘状态检测方法及*** - Google Patents
一种基于神经网络的moa绝缘状态检测方法及*** Download PDFInfo
- Publication number
- CN112098782A CN112098782A CN202010827147.3A CN202010827147A CN112098782A CN 112098782 A CN112098782 A CN 112098782A CN 202010827147 A CN202010827147 A CN 202010827147A CN 112098782 A CN112098782 A CN 112098782A
- Authority
- CN
- China
- Prior art keywords
- neural network
- moa
- output
- network model
- insulation state
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims description 58
- 230000032683 aging Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 27
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 239000013264 metal-organic assembly Substances 0.000 description 80
- 206010073131 oligoastrocytoma Diseases 0.000 description 80
- 238000011156 evaluation Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100379080 Emericella variicolor andB gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011787 zinc oxide Substances 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
- G01R31/12—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
- G01R31/1227—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 of components, parts or materials
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于神经网络的MOA绝缘状态检测方法及***，属于绝缘状态检测技术领域。该方法首先采集现有的MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态，然后进行BP神经网络训练，之后利用待检测MOA全电流、阻性电流、温度、湿度、污秽等级，通过得到的模型，获取待检测MOA的绝缘状态；本发明在传统在线监测技术的基础上，通过引入BP神经网络算法，对待测MOA的全电流和阻性电流进行提取，综合分析环境因素对全电流和阻性电流的影响，进一步提高MOA绝缘状态检测的精确性。仿真结果表明本发明方法能够较高精度的获得MOA运行状态，有助于提高电力***的稳定运行。
Description
技术领域
本发明属于绝缘状态检测技术领域，具体涉及一种基于神经网络的MOA绝缘状态检测方法及***。
背景技术
电网的安全运行是保证电力***供电可靠性和经济性的基础。MOA（氧化锌避雷器）作为过电压保护装置被大量应用于各电压等级，其运行状态对电力***的安全运行有着很大的影响。对MOA进行高精准的状态检测，将对电气设备具有良好的过电压保护作用，从而可以避免由于MOA状态恶劣而导致电力事故的发生。
传统绝缘评估方法常存在评估结果不准确或评估周期较长等问题，因此如何克服现有技术的不足是目前涂料技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种基于神经网络的MOA绝缘状态检测方法及***，该方法能够高精度的获得运行MOA状态，有助于提高电力***的稳定运行。
为实现上述目的，本发明采用的技术方案如下：
一种基于神经网络的MOA绝缘状态检测方法，包括如下步骤：
步骤（1），采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
步骤（2），将步骤（1）获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
步骤（3），采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至步骤（2）得到的BP神经网络模型，得到待检测MOA的绝缘状态。
本发明对于步骤（1）中的采集不做限制，可以采用传感器。
进一步，优选的是，BP神经网络模型输出为[0，1）时，判定避雷器老化；输出为[0.1，0.5）时，判定需对避雷器检修，输出为[0.5，1]时，判定避雷器状态良好。
进一步，优选的是，BP神经网络模型包括输入层、隐含层和输出层，输入层节点数为20，隐含层节点数为10，输出层节点数为20。
进一步，优选的是，BP神经网络模型的训练包括：读取采集得到的输入量和输出量数据，进行前向传播；检验BP神经网络模型的预测精度是否达到预设精度要求；若未达到，则进行逆向传递反馈，然后返回上述进行向前传递的步骤；若达到，结束学习训练的过程。
本发明同时公开基于神经网络的MOA绝缘状态检测***，包括：
数据采集模块，用于采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
第一处理模块，用于将采集获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
MOA的绝缘状态检测模块，用于将采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至得到的BP神经网络模型，得到待检测MOA的绝缘状态。
本发明还公开一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述基于神经网络的MOA绝缘状态检测方法的步骤。
本发明另外公开一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述基于神经网络的MOA绝缘状态检测方法的步骤。
为了提高和改善MOA状态评估中的精确性和稳定性等问题，本发明在传统的在线监测技术上，提出了一种基于神经网络的MOA绝缘状态检测方法。该方法引入了BP神经网络算法，并对输入输出的特征量选取，从而提高精确性和稳定性。通过与Elman神经网络算法进行对比，验证了本发明方法有效性和可行性。
本发明与现有技术相比，其有益效果为：
本发明在传统在线监测技术的基础上，通过引入BP神经网络算法，对待测MOA的全电流和阻性电流进行提取，综合分析环境因素对全电流和阻性电流的影响，进一步提高MOA绝缘状态检测的精确性。仿真结果表明本发明方法能够较高精度的获得MOA运行状态，有助于提高电力***的稳定运行。
附图说明
图1为本发明方法流程图；
图2为Elman神经网络窗；
图3为Elman法训练误差曲线；
图4为Elman神经网络算法下避雷器运行状态仿真结果与实际值比较图；
图5为BP神经网络算法网络窗；
图6为BP神经网络算法法训练误差曲线；
图7为BP神经网络算法下避雷器运行状态仿真结果与实际值比较；
图8为BP法与Elman法结果比较；
图9是本发明基于神经网络的MOA绝缘状态检测***的结构示意图；
图10为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
实施例1
基于神经网络的MOA绝缘状态检测方法，包括如下步骤：
步骤（1），采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
步骤（2），将步骤（1）获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
步骤（3），采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至步骤（2）得到的BP神经网络模型，得到待检测MOA的绝缘状态。
实施例2
基于神经网络的MOA绝缘状态检测方法，包括如下步骤：
步骤（1），采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
步骤（2），将步骤（1）获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
步骤（3），采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至步骤（2）得到的BP神经网络模型，得到待检测MOA的绝缘状态。
BP神经网络模型输出为[0，1）时，判定避雷器老化；输出为[0.1，0.5）时，判定需对避雷器检修，输出为[0.5，1]时，判定避雷器状态良好。
BP神经网络模型包括输入层、隐含层和输出层，输入层节点数为20，隐含层节点数为10，输出层节点数为20。
BP神经网络模型的训练包括：读取采集得到的输入量和输出量数据，进行前向传播；检验BP神经网络模型的预测精度是否达到预设精度要求；若未达到，则进行逆向传递反馈，然后返回上述进行向前传递的步骤；若达到，结束学习训练的过程。
如图9所示，基于神经网络的MOA绝缘状态检测***，包括：
数据采集模块101，用于采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
第一处理模块102，用于将采集获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
MOA的绝缘状态检测模块103，用于将采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至得到的BP神经网络模型，得到待检测MOA的绝缘状态。
本发明实施例提供的一种基于神经网络的MOA绝缘状态检测***，该***能较为快速有效的检测出MOA绝缘状态，易于推广应用。
本发明实施例提供的***是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图10为本发明实施例提供的电子设备结构示意图，参照图10，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；将获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至得到的BP神经网络模型，得到待检测MOA的绝缘状态。
此外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于神经网络的MOA绝缘状态检测方法，例如包括：采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；将获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至得到的BP神经网络模型，得到待检测MOA的绝缘状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
应用实例
如图1-8所示，一种基于BP神经网络的MOA绝缘状态评估算法，包括如下步骤：
Step1、根据评估计算要求和实际环境，避雷器的主要监测量为全电流和阻性电流，由于温度、湿度及污秽等级对全电流和阻性电流的影响较大，因此将温度、湿度及污秽等级作为次要检测量，构成5个特征输入量；
Step2、输出量即表示MOA状态。输出量在0~1的范围之内，设定当输出接近为1时，则表示避雷器运行状态良好，输出接近于0时，则表示避雷器处于老化状态。实际上，0~1之间的数值可理解为避雷器老化或良好的概率，输出越靠近0时，避雷器老化的概率越大，输出靠近1时，避雷器良好的概率越大，输出处于0~0.5时，避雷器老化的概率已经较大。因此设置BP神经网络模型输出为[0，1）时，判定避雷器老化；输出为[0.1，0.5）时，判定需对避雷器检修，输出为[0.5，1]时，判定避雷器状态良好。
Step3、样本是实现MOA状态评估的基础，根据输入特征量和输出特征量的确定。样本数据的选取应分布全面，这样才能使状态评估较为准确。本发明共收集30组来自不同避雷器的数据；
Step4、在MOA神经网络中，每个避雷器参数样本中有5个输入量和1个输出量，在输入层和输出层之间通常含有若干个隐含层，对于任何闭区间内的连续函数都可用一个隐含层的BP网络来逼近，故一个三模块BP网络可完成任意的m维到n维的映射。实际上的输入层和输出层节点是可以确定的，输入输出层的节点值设置为20，隐含层节点设置对绝缘状态的检测性能是有较大影响。故在本发明所提检测方法中可将隐含层节点作为一个输入量，根据具体情况来进行设置；
Step5、BP网络采用的传递函数是非线性变换函数，其函数本身及其导数是连续的，故处理上十分方便。单极性S型函数曲线如式1所示；
Step6、在MOA绝缘状态检测之前，需要进行BP神经网络的初始化，MOA绝缘状态权重因子P rk （t）可在[−1,1]内取随机实数，MOA绝缘状态偏置因子B k （t）可在[−1,1]内取随机实数，与此同时，随机函数产生随机权矩阵，之后就开始进行MOA绝缘状态检测中的前向传输过程。神经网络的训练是由多趟迭代完成的，输入层是根据MOA绝缘状态权重因子P rk （t）和样本A r （t）的乘积来赋值，除输入层外，其他各模块的输入值是上一模块输入值按MOA绝缘状态权重因子P rk （t）相加的结果值加上MOA绝缘状态偏置因子B k （t），每个结点的输出结果表达式如式2所示。代入式（1）中的单极性S型函数，对隐含层和输出层的每一个节点都计算出输出结果，就完成MOA绝缘状态前向传播的过程；
Step7、MOA绝缘状态逆向反馈从输出层往前开始，第一次向前传递时，整个网络的MOA绝缘状态权重因子P rk （t）和偏置都是通过随机权矩阵，而MOA绝缘状态逆向传递需要调整MOA绝缘状态检测算法中的参数，即MOA绝缘状态权重因子P rk （t）和MOA绝缘状态偏置因子B k （t），调整的依据就是网络的输出层的输出值与样本输出之间的误差，通过调整P rk （t）和B k （t）来降低误差，这就是MOA绝缘状态检测方法的优化目标。根据误差反向来传送，输出层方程如式3所示。在隐含层对MOA绝缘状态权重因子P rk （t）更新的方程如式4和式5所示。其中C代表的是学习因子，可以调节梯度下降法中的速度，也就减小误差的速度，使其最快逼近最优值，然后更新后的P rk （t）再经过向前传递，实现循环。
Step7、MOA绝缘状态检测过程中需要设置一些条件来限制，MOA绝缘状态权重因子P rk （t）的更新低于某个阈值，也就是通过设置一个误差率，当输出层与样本之间的误差值小于设置的这个误差率，停止训练并输出，如果达不到这个误差，可以设置一定循环次数262140次，数值可以尽量大些，使MOA绝缘状态检测更接近于我们期望的那样；
Step8、在样本值中全电流和阻性电流的数值较大的情况下，通过很多次的激励函数后，数值会变得特别小，所以在调用时，使用归一化处理方式，将样本同一列上这个数减去最小值，再除以同一列上最大值与最小值的差。针对待检测避雷器性能的参数，可将每一个参数也进行归一化处理，与参数对应的样本的那一列最小值相减再除以同一列上最大值与最小值的差，将这些参数都变为0~1之间的数，这样有利于提高算法的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方案进行详细的说明。针对本发明所提出的控制策略建立仿真模型，本发明采用BP神经网络算法对MOA进行状态评估，并和Elman神经网络算法进行对比仿真。仿真样本相同，且均设置单隐模块。训练目标均设置为0.000001，训练次数均设置为10000次，传递函数均为tansig和logsig，BP神经网络算法所用训练函数为trainscg，Elman神经网络算法所用训练函数为trainlm。
Elman神经网络窗如图2所示，Elman法在进行10000次之后，仍然达不到目标。Elman神经网络法的训练误差曲线如图3所示，曲线较为光滑，下降缓慢。仿真结果如图4，极小部分出现较小偏差，一个出现极大误差，Elman法仿真结果误差较大。
BP神经网络算法窗如图5所示，BP神经网络算法在进行6759次之后，达到了目标值。其训练误差曲线如图6所示，呈曲线下降，不光滑。仿真结果如图7所示，仿真值与实际值基本一致，无误差。
综上，本发明选取了5个参数对本发明所提基于神经网络的MOA状态评估算法进行仿真分析，并与Elman神经网络算法进行比对。图8为仿真对比结果，仿真结果表明本发明所提评估算法的预测结果比Elman神经网络算法较稳定且适用于实际评估，进一步说明本发明所提状态评估算法能有效地且较准确的评估MOA状态。
本发明针对MOA状态评估，提出了一种基于BP神经网络的MOA绝缘状态评估算法。该算法与Elman神经网络算法相比，一方面提高了绝缘状态评估精度，另一方面提高了预测算法的稳定性。基于本发明所提的绝缘评估算法，该算法能够较高精度的评估绝缘状态，并保持评估过程的稳定性，进一步验证了本发明所提评估算法的有效性和可行性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于神经网络的MOA绝缘状态检测方法，其特征在于，包括如下步骤：
步骤（1），采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
步骤（2），将步骤（1）获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
步骤（3），采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至步骤（2）得到的BP神经网络模型，得到待检测MOA的绝缘状态。
2.根据权利要求1所述的基于神经网络的MOA绝缘状态检测方法，其特征在于，BP神经网络模型输出为[0，1）时，判定避雷器老化；输出为[0.1，0.5）时，判定需对避雷器检修，输出为[0.5，1]时，判定避雷器状态良好。
3.根据权利要求1所述的基于神经网络的MOA绝缘状态检测方法，其特征在于，BP神经网络模型包括输入层、隐含层和输出层，输入层节点数为20，隐含层节点数为10，输出层节点数为20。
4.根据权利要求1所述的基于神经网络的MOA绝缘状态检测方法，其特征在于，BP神经网络模型的训练包括：读取采集得到的输入量和输出量数据，进行前向传播；检验BP神经网络模型的预测精度是否达到预设精度要求；若未达到，则进行逆向传递反馈，然后返回上述进行向前传递的步骤；若达到，结束学习训练的过程。
5.基于神经网络的MOA绝缘状态检测***，其特征在于，包括：
数据采集模块，用于采集MOA的全电流、阻性电流、温度、湿度、污秽等级以及其绝缘状态；
第一处理模块，用于将采集获得的全电流、阻性电流、温度、湿度及污秽等级这五个参数作为BP神经网络模型的输入量；以MOA绝缘状态作为输出，输出量取值0~1，设定当输出接近为1时，表示避雷器运行状态良好，输出接近于0时，表示避雷器处于老化状态；然后进行BP神经网络模型的训练，直到BP神经网络模型的预测精度达到要求，得到BP神经网络模型；
MOA的绝缘状态检测模块，用于将采集待检测MOA的全电流、阻性电流、温度、湿度及污秽等级，输入至得到的BP神经网络模型，得到待检测MOA的绝缘状态。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于神经网络的MOA绝缘状态检测方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于神经网络的MOA绝缘状态检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827147.3A CN112098782A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的moa绝缘状态检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827147.3A CN112098782A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的moa绝缘状态检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112098782A true CN112098782A (zh) | 2020-12-18 |
Family
ID=73753727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010827147.3A Pending CN112098782A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络的moa绝缘状态检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098782A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的***及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169243A (zh) * | 2017-12-25 | 2018-06-15 | 国网宁夏电力有限公司固原供电公司 | 基于bp遗传网络的避雷器污秽度采集单元标定方法 |
-
2020
- 2020-08-17 CN CN202010827147.3A patent/CN112098782A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169243A (zh) * | 2017-12-25 | 2018-06-15 | 国网宁夏电力有限公司固原供电公司 | 基于bp遗传网络的避雷器污秽度采集单元标定方法 |
Non-Patent Citations (3)
| Title |
|---|
| 崔璨: "基于避雷器在线监测***的110kV氧化锌避雷器缺陷判据研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》, 15 June 2016 (2016-06-15) * |
| 张洁: "模糊神经网络在MOA在线监测中的应用", 《技术与市场》, vol. 16, no. 05, 15 May 2009 (2009-05-15), pages 48 - 49 * |
| 李一鸣 等: "氧化锌避雷器绝缘老化与检测技术实验研究", 《电测与仪表》, 4 June 2020 (2020-06-04), pages 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN110632545B (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
| CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
| CN107977710A (zh) | 用电异常数据检测方法和装置 | |
| CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
| CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
| CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
| CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
| CN115719294A (zh) | 一种室内行人流疏散控制方法、***、电子设备及介质 | |
| CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及*** | |
| CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及*** | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
| CN115183884A (zh) | 电热协同***的红外测温补偿方法及装置 | |
| CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及*** | |
| CN116227674A (zh) | 一种基于在线更新模型的碳排放预测方法 | |
| CN115057006A (zh) | 一种基于强化学习的蒸馏策略评估的方法、装置及介质 | |
| CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
| Qian et al. | Multi channels data fusion algorithm on quantum genetic algorithm for sealed relays | |
| CN114511078A (zh) | 基于多策略麻雀搜索算法的bp神经网络预测方法及装置 | |
| 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 | |
| Zhang et al. | State-of-charge estimation of lithium batteries using compact RBF networks and AUKF |
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: 20201218 |