CN114492199A - 一种电压互感器性能的分析方法、***、电子设备及介质 - Google Patents

一种电压互感器性能的分析方法、***、电子设备及介质 Download PDF

Info

Publication number
CN114492199A
CN114492199A CN202210138807.6A CN202210138807A CN114492199A CN 114492199 A CN114492199 A CN 114492199A CN 202210138807 A CN202210138807 A CN 202210138807A CN 114492199 A CN114492199 A CN 114492199A
Authority
CN
China
Prior art keywords
weight vector
voltage transformer
data set
neural network
algorithm
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
Application number
CN202210138807.6A
Other languages
English (en)
Inventor
李琪林
史强
彭德中
严平
刘刚
李金嵩
王睿晗
曾兰
蔡君懿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Marketing Service Center Of State Grid Sichuan Electric Power Co
Original Assignee
Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Marketing Service Center Of State Grid Sichuan Electric Power Co filed Critical Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority to CN202210138807.6A priority Critical patent/CN114492199A/zh
Publication of CN114492199A publication Critical patent/CN114492199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电压互感器性能的分析方法、***、电子设备及介质，涉及电气测量技术领域，解决了现有技术无法有效地通过捕获性能变化的时间序列信息和非线性特征实现电压互感器高精度的趋势预测，其技术方案要点是：基于SFSMS算法所构建的树突状神经网络回归模型对测试数据集进行回归计算，将模型输出端的权重向量与最后一个训练数据集进行计算得到预测值，将预测值与测试数据集进行对比，基于其差值的大小即可得出预测值与真实的测试数据集之间的差距，如果差距很小，说明所得的预测值是接近真实值，那么将电压互感器的数据输入树突状神经网络回归模型所输出的值是可以用于对电容式电压互感器在一定时间段的运行状态的精确评估。

Description

一种电压互感器性能的分析方法、***、电子设备及介质
技术领域
本发明涉及一种电压互感器的电气测量技术领域，更具体地说，它涉及一种电压互感器性能的分析方法、***、电子设备及介质。
背景技术
电压互感器是电网中一种重要的电力设备，用于将高电压转换成低电压，以供计量仪表和保护设备使用。其中，电容式电压互感器(CapacitorVoltageTransformer，CVT)，以其冲击绝缘强度高、制造简单、体积小、重量轻、经济性显著等优势，逐渐代替电磁式电压互感器，广泛应用于110kV～500kV电网中。
电网***中已有针对电容式电压互感器的在线监测***及方法，能获取设备实时绝缘、计量参数，可靠、稳定地监测设备运行性能。但目前在线监测的机器学习方法也仅限于简单的回归模型，不能有效地通过捕获性能变化的时间序列信息和非线性特征实现高精度的趋势预测，存在一些性能变化趋势预测精度较低的情况，无法有效地应用于实际的工程应用当中。
发明内容
本发明的目的是提供一种电压互感器性能的分析方法、***、电子设备及介质，用以解决现有技术无法有效地通过捕获性能变化的时间序列信息和非线性特征实现高精度的趋势预测，从而存在一些性能变化趋势预测精度较低的情况，以至于无法有效地应用于实际的工程当中。本发明提供了一种电压互感器性能的分析方法，以提高电压互感器运行性能变化趋势预测的精度和效率。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，本发明提供了一种电压互感器性能的分析方法，包括以下步骤：
S1，采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；
S2，根据SFSMS算法构建树突状神经网络回归模型；
S3，初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
S4，根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；
S5，令i＝i+1，判断i是否等于N，若是则执行步骤S6，若否则重复步骤S3-S5，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
S6，根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
与现有技术相比较而言，本发明先提出了一种基于无标度物质态搜索的树突状神经回归的趋势预测方法，它可以通过考虑树突状分支的厚度(该厚度与信号强度相关)来增强模型的回归能力。树突状神经网络回归模型由四层网络组成：突触层、树突层、膜层和胞体层。由于突触层的非线性特性和树突层的可塑性，使得树突状神经网络回归模型具有很强的拟合复杂非线性函数的能力，提高趋势预测的精度，此外，由于树突状神经网络回归模型本身的权重也具有复杂且大的搜索空间，因此采用了一种新的无标度物质状态搜索(SFSMS)算法，该算法将物质状态搜索(SMS)算法与无标度局部搜索方法相结合，以优化树突状神经网络回归模型的神经网络结构。SMS算法具有强大的搜索能力，可以有效地避免局部最优，提升了模型的效率和泛化能力。将采集电压互感器包括所处区域的环境参数和运行参数的样本数据集输入到由新的无标度物质状态搜索(SFSMS)算法所构建的神经网络回归模型中，由模型对样本数据集中的参数进行计算，最终得到表示参数性能最优的第三权重向量，在基于第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值，通过该预测值与实际电压互感器的测试数据进行对比，根据其对比之间的差值的大小即可得出本发明的分析方法所得的预测值的精准度，因此本发明的分析方法能够有效地应用于电容式电压互感器运行性能变化趋势预测。
进一步的，所述样本数据集的环境参数包括电压互感器所处区域内一天中的平均大气气温和平均大气湿度，所述运行参数包括根据电压互感器的二次电压有效值计算得到的性能参数比值误差值；
根据SFSMS算法给定所述树突状神经网络回归模型的突触层和胞体层的参数分别为α和v，树突层的分支数目为M，种群大小为N，最大迭代次数为Ita。
进一步的，将单个所述训练数据集到树突状神经网络回归模型得到单个所述第一权重向量，其中，单个第一权重向量的特征数量为天数乘以所述样本数据集中的参数数量和；
根据所述特征数量和树突层的分支数目计算所述树突状神经网络回归模型的第一权重向量的长度。
进一步的，根据所述第一权重向量和电压互感器性能的真实值构建所述SFSMS算法的损失函数。
进一步的，根据所述第一权重向量和SFSMS算法构建所述树突状神经网络回归模型的种群集合，其中，种群集合中的每个所述第一权重向量的长度表示一个训练数据集经过树突状神经网络回归模型计算得到的权重和阈值。
进一步的，初始化SFSMS算法迭代参数t＝1，根据SFSMS算法更新所述树突状神经网络回归模型突触层和胞体层的参数，并计算SFSMS算法中与所述第一权重向量相对应的所述损失函数的所述损失权重值；
根据所述损失权重值对所述种群集合中的所述第一权重向量进行更新，获得个体的第二权重向量；
更新t＝t+1，对所述第二权重向量进行迭代更新，直至迭代参数t大于最大迭代次数，获得表示个体最优权重结果的第三权重向量。
进一步的，将所述预测值与所述测试数据集进行比对即可比对电压互感器性能的预测精度，其中，所述预测值对应所述测试数据集第三列向量展平成一维后的相应位置的元素为预测的后若干天的性能参数比值误差值。
第二方面，本发明提供了一种电压互感器性能的分析***，包括：
数据采集单元，用于采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；
模型构建单元，用于根据SFSMS算法构建树突状神经网络回归模型；
第一计算单元，用于初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
第二计算单元，用于根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；
判断单元，用于令i＝i+1，判断i是否等于N，若是则执行第三计算单元，若否则重复执行第一计算单元与第二计算单元，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
第三计算单元，用于根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
第三方面，本发明还提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现如第一方面所提供的所述的一种电压互感器性能的分析方法。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行如第一方面所提供所述的一种电压互感器性能的分析方法的操作。
与现有技术相比，本发明具有以下有益效果：
本发明先提出了一种基于无标度物质态搜索的树突状神经回归的趋势预测方法，它可以通过考虑树突状分支的厚度(该厚度与信号强度相关)来增强模型的回归能力。树突状神经网络回归模型由四层网络组成：突触层、树突层、膜层和胞体层。由于突触层的非线性特性和树突层的可塑性，使得树突状神经网络回归模型具有很强的拟合复杂非线性函数的能力，提高趋势预测的精度，此外，由于树突状神经网络回归模型本身的权重也具有复杂且大的搜索空间，因此采用了一种新的无标度物质状态搜索(SFSMS)算法，该算法将物质状态搜索(SMS)算法与无标度局部搜索方法相结合，以优化树突状神经网络回归模型的神经网络结构。SMS算法具有强大的搜索能力，可以有效地避免局部最优，提升了模型的效率和泛化能力。将采集电压互感器包括所处区域的环境参数和运行参数的样本数据集输入到由新的无标度物质状态搜索(SFSMS)算法所构建的神经网络回归模型中，由模型对样本数据集中的参数进行计算，最终得到表示参数性能最优的第三权重向量，在基于第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值，通过该预测值与实际电压互感器的测试数据进行对比，根据其对比之间的差值的大小即可得出本发明的分析方法所得的预测值的精准度，因此本发明的分析方法能够有效地应用于电容式电压互感器运行性能变化趋势预测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一实施例提供的方法流程示意图；
图2为本发明一实施例提供的***框架结构图；
图3为本发明一实施例提供的电子设备框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
需说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：
如图1所示，本申请实施例一提供一种电压互感器性能的分析方法，包括以下步骤：
S1，采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个样本数据集包括前N-1个的训练数据集和第N个的测试数据集。
具体的，电压互感器所采集的训练数据集及测试数据集，其数据来自真实的线路的电容式电压互传感器的各项参数记录，以天为单位按照时间窗口序列分组，每一组作为一个样本数据集。
S2，根据SFSMS算法构建树突状神经网络回归模型。
具体的，本实施例一的S2中，SFSMS算法由一个SMS算法和一个无标度局部搜索方法组成，以此SFSMS算法构建了树突状神经网络模型(即DNR)，DNR包含层网络，分别为突触层、树突层、膜层和胞体层。突触层是模型的入口点，用于接收输入信号。突触层接收到的信号经过激活功能处理，然后流向树突层的所有分支。树突层的每个分支收集相应分支中的所有信号并将其发送到膜层。膜层接收来自树突层所有分支的信号，并将其整合以传输至胞体层。最后，胞体层通过Sigmoid函数处理信号并输出。DNR的计算模拟了生物神经元传递信息的过程。各层网络详细介绍如下：
突触层：突触层模仿神经***的突触部分。它是神经元的入口，接收来自外部输入的信号。给定数据X,包含N组时序样本，每个样本包含l个信号，突触层接收到的信号通过以下方程式进行处理：
Figure BDA0003505608930000051
其中，xi是第i个输入信号，Dij表示第i个突触转移到第j个树突的值。α是突触层的一个正常数参数。wij和θ是针对不同任务的两个可变参数。
树突层：树突层负责聚集分布在每个分支上的突触发出的信号。这些信号之间的非线性关系被认为在生物网络中某些感觉***(如视觉和听觉***)的神经信息处理中起着重要作用非线性关系用DNR中的乘法运算来描述，可以表示为：
Figure BDA0003505608930000052
其中，Mj表示第j个树突分支的输出值。
膜层：膜层的整合来自树突所有分支的信号。通过离散求和的形式来实现积分运算，具体公式为
Figure BDA0003505608930000053
其中μj代表每个树突分支的强度，其中J为树突分支个数，S代表胞体层的输入。μj是一个控制参数，用来区分该模型具体是用于回归任务还是分类任务。在分类任务中，它是一个常数1。在回归任务中，μj是一个可变参数，它可以通过不断改变来适应不同的任务，从而更好地处理回归问题。
胞体层：在胞体层中，采用Sigmoid函数作为激活函数。当来自膜层的信号超过阈值时，细胞体被激发。该过程可定义为
Figure BDA0003505608930000054
其中R为胞体层的输出，α和v是两个正常数参数。
(1)定义样本总体大小N，维数n，最大迭代次数Ita，初始节点数M0。
(2)初始化种群
Figure BDA0003505608930000061
方向向量集
Figure BDA0003505608930000062
最大迭代次数Ita＝1000，状态计数阶段phase＝1，当前迭代次数m＝1。
(3)通过不同阶段phase的值确认各个参数，具体如下：
Figure BDA0003505608930000063
(4)计算种群的适应度函数
Figure BDA0003505608930000064
将当前最佳个体设置为
Figure BDA0003505608930000065
根据公式
Figure BDA0003505608930000066
计算新的方向向量集
Figure BDA0003505608930000067
根据公式利用
Figure BDA0003505608930000068
获得速度向量集
Figure BDA0003505608930000069
(5)接下来利用公式
Figure BDA00035056089300000610
来更新种群。通过公式
Figure BDA00035056089300000611
来计算阈值κ，然后计算每个个体间的距离，如果距离小于κ，则利用公式
Figure BDA00035056089300000612
来交换个体的方向向量。获取一个[0,1]之间的一个随机数
Figure BDA00035056089300000613
根据公式
Figure BDA00035056089300000614
来执行随机行为。
(6)使用BA算法生成无标度网络，并对每个节点进行编号，再次计算种群的适应度函数
Figure BDA00035056089300000615
然后根据适应度对个体进行排序，将每个个体放入具有相同编号和等级的网络节点中。通过公式
Figure BDA00035056089300000616
更新每个体，迭代次数m加一。
(7)根据不同阶段重复上述步骤(4)-(5)PD次。
(8)重复步骤(3)-(7)共计3次，每次迭代过后，计数阶段phase加一。
(9)最终输出最佳个体
Figure BDA00035056089300000617
通过SFSMS的上述九个步骤对模型进行计算，用以后续的S3-S6得到电压互感器运行性能的预测值。
S3，初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
S4，根据损失权重值对应的对第一权重向量进行更新，获得个体的第二权重向量。
S5，令i＝i+1，判断i是否等于N，若是则执行步骤S6，若否则重复步骤S3-S5，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
S6，根据第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
本实施例一的步骤S3-S6，均是基于SFSMS算法所构建的树突状神经网络回归模型对测试数据集进行回归计算，根据模型所具备迭代更新的能力对权重向量进行优化，将模型输出端权重向量与最后一个测试数据集进行计算得到N个测试数据集的预测值，将预测值与N个测试数据集进行对比，基于其差值的大小即可得出预测值与真实的测试数据集之间的差距，如果差距很小，说明所得的预测值是接近真实值，那么将电压互感器的数据输入基于SFSMS所构建的树突状神经网络回归模型所输出的值是可以用于对电容式电压互感器在一定时间段的运行状态的评估。
电网***中已有针对电容式电压互感器的在线监测***及方法，能获取设备实时绝缘、计量参数，可靠、稳定地监测设备运行性能。但目前在线监测的机器学习方法也仅限于简单的回归模型，不能有效地捕获时间序列信息和非线性特征，对于其性能变化趋势预测的精度较低，无法达到未来设备状态的高精度准确预知以及预警的目的。本申请实施例一先提出了一种基于无标度物质态搜索的树突状神经回归的趋势预测方法，它可以通过考虑树突状分支的厚度(该厚度与信号强度相关)来增强模型的回归能力。树突状神经网络回归模型由四层网络组成：突触层、树突层、膜层和胞体层。由于突触层的非线性特性和树突层的可塑性，使得树突状神经网络回归模型具有很强的拟合复杂非线性函数的能力，提高趋势预测的精度，此外，由于树突状神经网络回归模型本身的权重也具有复杂且大的搜索空间，因此采用了一种新的无标度物质状态搜索(SFSMS)算法，该算法将物质状态搜索(SMS)算法与无标度局部搜索方法相结合，以优化树突状神经网络回归模型的神经网络结构。由于SMS算法具有强大的搜索能力，可以有效地避免局部最优，因此提升了回归模型的效率和泛化能力。将采集电压互感器包括所处区域的环境参数和运行参数的样本数据集输入到由新的无标度物质状态搜索(SFSMS)算法所构建的神经网络回归模型中，由模型对样本数据集中的参数进行计算，最终得到表示参数性能最优的第三权重向量，在基于第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值，通过该预测值与实际电压互感器的测试数据进行对比，根据其对比之间的差值的大小即可得出本发明的分析方法所得的预测值的精准度是接近电压互感器运行性能的实际值，因此本发明的分析方法能够有效地应用于电容式电压互感器运行性能变化趋势预测。
而在现有的实际应用中，电力公司主要通过停电周期检定的方式来判断电压互感器的运行状态，在执行上述规定时必须要停电。且该方法需要工作人员携带设备奔赴现场并拆装被测电压互感器一次引线，存在工作量大、效率低下、故障缺陷发现不及时等弊端，影响电力***的安全运行和电能计量的公平公正。
基于本申请的分析方法所得的预测值的精准度是接近电压互感器运行性能的实际值，因此电力公司即可不需要通过停电周期检定的方式来判断电压互感器的运行状态，只需通过采集电压互感器的运行参数即可实现对电压互感器性能的检测。且本申请的方法不需要工作人员携带设备奔赴现场并拆装被测电压互感器一次引线，使得工作人员的工作量得以大大减少和效率增高，并且不会影响电力***的安全运行和电能计量的正常计量。
本申请实施例一的又一个实施例中，样本数据集的环境参数包括电压互感器所处区域内一天中的平均大气气温和平均大气湿度，运行参数包括根据电压互感器的二次电压有效值计算得到的性能参数比值误差值；
根据SFSMS算法给定树突状神经网络回归模型的突触层和胞体层的参数分别为α和v，树突层的分支数目为M，种群大小为N，最大迭代次数为Ita。
具体的，给定L天数据，其中每一天数据包括一天中的平均气温数据T、平均大气湿度H和利用二次电压有效值Ucvt计算得到的平均性能参数比值误差f。其中，
Figure BDA0003505608930000081
Figure BDA0003505608930000082
表示一天中电压互感器的二次电压有效值的平均值。则第一天的数据样本可表示为S1＝[T1,H1,f1]，以此类推第L天的样本为SL＝[TL,HL,fL]，将其按照时间窗口大小c天分组，最终得N组数据，即G＝{G1,G2,…,CN}，其中满足关系c×N≤L。按照时间顺序将其划分为两部分数据集，前N-1组数据作为训练数据集Gtrain和最后一组为测试数据集Gtest。环境参数包括电压互感器所处区域内一天中的平均大气气温和平均大气湿度，这里主要考虑到地区的气温差异性，因此求了大气的平均气温与湿度，运行参数包括根据电压互感器的二次电压有效值计算得到的性能参数比值误差值，设定模型的参数，用以后续神经网络回归模型的迭代计算。
本申请实施例一的又一个实施例中，将单个训练数据集到树突状神经网络回归模型得到单个第一权重向量，其中，单个第一权重向量的特征数量为天数乘以样本数据集中的参数数量和；
根据特征数量和树突层的分支数目计算树突状神经网络回归模型的第一权重向量的长度。
具体的，给定参数，突触层和胞体层的参数α和v，树突层分支数目M，种群大小N，最大迭代次数Ita。定义DNR计算过程，具体计算过程见树突状神经网络模型介绍部分，输入一个训练样本到DNR模型得到输出O，特征数量I＝3×c，即一个样本中包含c天的三种平均参数值，定义DNR权重向量的长度D，其中，D＝2MI+1。
本申请实施例一的又一个实施例中，根据第一权重向量和电压互感器性能的真实值构建SFSMS算法的损失函数。
具体的，定义SFSMS算法的损失函数
Figure BDA0003505608930000091
Figure BDA0003505608930000092
其中，O是DNR预测的输出，Z是目标值，也是真实值，在本实施例中，第j个样本的预测真实值为第j+1个样本，E则是表示预测与真实输出值的误差损失，本实施例中构建的SFSMS算法的损失函数，以此对所计算权重向量进行误差补偿，使得最终所得出的预测值更贴近电压互感器运行性能的真实值。
本申请实施例一的又一个实施例中，根据第一权重向量和SFSMS算法构建树突状神经网络回归模型的种群集合，其中，种群集合中的每个第一权重向量的长度表示一个训练数据集经过树突状神经网络回归模型计算得到的权重和阈值。
具体的，利用SFSMS算法来更新神经网络回归模型参数，定义该算法中的种群P＝{W1,W2,…,WN}，其中，Wi表示由第i个训练数据集对应的第i个权重向量，每个权重向量包含D个参数，代表一个训练数据集经过DNR计算得到的权重和阈值。
本申请实施例一的又一个实施例中，初始化SFSMS算法的迭代参数t＝1，根据SFSMS算法更新树突状神经网络回归模型突触层和胞体层的参数，并计算SFSMS算法中与第一权重向量相对应的损失函数的损失权重值；
根据损失权重值对种群集合中的第一权重向量进行更新，获得个体的第二权重向量；
更新t＝t+1，对第二权重向量进行迭代更新，直至迭代参数t大于最大迭代次数，获得表示个体最优权重结果的第三权重向量。
具体的，定义和初始化一个参数t＝1，根据SFSMS算法更新阶段状态参数和相关参数。
对于每个第一权重向量Wi，将所有的训练数据集输入DNR中计算得到相应的输出并计算SFSMS相应的损失权重值
Figure BDA0003505608930000093
根据损失权重值更新种群P并且获取最优权重向量(个体)Wbest，更新t＝t+1。
重复本实施例中的步骤完成对DNR的迭代更新，直到t大于最大迭代次数Ita，从而由树突状神经网络回归模型输出个体最优权重结果的第三权重向量。
本申请实施例一的又一个实施例中，将预测值与测试数据集进行比对即可比对电压互感器性能的预测精度，其中，预测值对应测试数据集第三列向量展平成一维后的相应位置的元素为预测的后若干天的性能参数比值误差值。
实施例二：
基于同一构思，如图2所示，本申请实施例二提供了一种电压互感器性能的分析***，该***的具体实施可参见方法实施例一部分的描述，重复之处不再叙述，包括：
数据采集单元110，用于采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；
模型构建单元120，用于根据SFSMS算法构建树突状神经网络回归模型；
第一计算单元130，用于初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
第二计算单元140，用于根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；
判断单元150，用于令i＝i+1，判断i是否等于N，若是则执行第三计算单元，若否则重复执行第一计算单元130与第二计算单元140，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
第三计算单元160，用于根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
本实施例二提供一种电压互感器性能的分析***，本实施例二的步骤第一计算单元130、第二计算单元140、判断单元150和第三计算单元160，均是基于SFSMS算法所构建的树突状神经网络回归模型对测试数据集进行回归计算，根据模型所具备迭代更新的能力对权重向量进行优化，将模型输出端权重向量与最后一个测试数据集进行计算得到N个测试数据集的预测值，将预测值与N个测试数据集进行对比，基于其差值的大小即可得出预测值与真实的测试数据集之间的差距，如果差距很小，说明所得的预测值是接近真实值，那么将电压互感器的数据输入基于SFSMS所构建的树突状神经网络回归模型所输出的值是可以用于对电容式电压互感器在一定时间段的运行状态的评估。
基于本申请实施例二的一种分析***所得的预测值的精准度是接近电压互感器运行性能的实际值，因此电力公司即可不需要通过停电周期检定的方式来判断电压互感器的运行状态，只需通过采集电压互感器的运行参数即可实现对电压互感器性能的检测。且本申请的方法不需要工作人员携带设备奔赴现场并拆装被测电压互感器一次引线，使得工作人员的工作量得以大大减少和效率增高，并且不会影响电力***的安全运行和电能计量的正常计量。
本申请实施例二的又一个实施例中，数据采集单元110包括数据采集子单元，用于样本数据集的环境参数包括电压互感器所处区域内一天中的平均大气气温和平均大气湿度，运行参数包括根据电压互感器的二次电压有效值计算得到的性能参数比值误差值；
模型构建单元120包括参数设置单元，用于根据SFSMS算法给定树突状神经网络回归模型的突触层和胞体层的参数分别为α和v，树突层的分支数目为M，种群大小为N，树突状神经网络回归模型的最大迭代次数为Ita。
本申请实施例二的又一个实施例中，第一计算单元130包括第一计算子单元，用于将单个训练数据集到树突状神经网络回归模型得到单个第一权重向量，其中，单个第一权重向量的特征数量为天数乘以样本数据集中的参数数量和；
根据特征数量和树突层的分支数目计算树突状神经网络回归模型的第一权重向量的长度。
本申请实施例二的又一个实施例中，第一计算子单元，还用于根据第一权重向量和电压互感器性能的真实值构建SFSMS算法的损失函数。
本申请实施例二的又一个实施例中，第二计算单元140包括第二计算子单元，用于根据第一权重向量和SFSMS算法构建树突状神经网络回归模型的种群集合，其中，种群集合中的每个第一权重向量的长度表示一个训练数据集经过树突状神经网络回归模型计算得到的权重和阈值。
本申请实施例二的又一个实施例中，判断单元150包括判断子单元，用于初始化SFSMS算法的迭代参数t＝1，根据SFSMS算法更新树突状神经网络回归模型突触层和胞体层的参数，并计算SFSMS算法中与第一权重向量相对应的损失函数的损失权重值；
根据损失权重值对种群集合中的第一权重向量进行更新，获得个体的第二权重向量；
更新t＝t+1，对第二权重向量进行迭代更新，直至迭代参数t大于最大迭代次数，获得表示个体最优权重结果的第三权重向量。
本申请实施例二的又一个实施例中，分析***还包括比对单元，用于将预测值与测试数据集进行比对即可比对电压互感器性能的预测精度，其中，预测值对应测试数据集第三列向量展平成一维后的相应位置的元素为预测的后若干天的性能参数比值误差值。
实施例三：
基于同一构思，本申请实施例三提供了一种电子设备，如图3所示，包括：处理器310、通信接口320、存储器330和通信总线340，其中，处理器310、通信接口320和存储器330通过通信总线340完成相互间的通信；所述存储器330，用于存储计算机程序；所述处理器310，用于执行所述存储器330中所存储的程序，实现如下步骤：S1，采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；S2，根据SFSMS算法构建树突状神经网络回归模型；S3，初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；S4，根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；S5，令i＝i+1，判断i是否等于N，若是则执行步骤S6，若否则重复步骤S3-S5，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；S6，根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
实施例四：
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行如第一方面所提供所述的一种电压互感器性能的分析方法的操作。所述电压互感器性能的分析方法描述的内容与实施例一所述描述的一致，在此不再一一叙述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电压互感器性能的分析方法，其特征在于，包括以下步骤：
S1，采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；
S2，根据SFSMS算法构建树突状神经网络回归模型；
S3，初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
S4，根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；
S5，令i＝i+1，判断i是否等于N，若是则执行步骤S6，若否则重复步骤S3-S5，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
S6，根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
2.根据权利要求1所述的一种电压互感器性能的分析方法，其特征在于，所述样本数据集的环境参数包括电压互感器所处区域内一天中的平均大气气温和平均大气湿度，所述运行参数包括根据电压互感器的二次电压有效值计算得到的性能参数比值误差值；
根据SFSMS算法给定所述树突状神经网络回归模型的突触层和胞体层的参数分别为α和v，树突层的分支数目为M，种群大小为N，最大迭代次数为Ita。
3.根据权利要求2所述的一种电压互感器性能的分析方法，其特征在于，将单个所述训练数据集到树突状神经网络回归模型得到单个所述第一权重向量，其中，单个第一权重向量的特征数量为天数乘以所述样本数据集中的参数数量和；
根据所述特征数量和树突层的分支数目计算所述树突状神经网络回归模型的第一权重向量的长度。
4.根据权利要求3所述的一种电压互感器性能的分析方法，其特征在于，根据所述第一权重向量和电压互感器性能的真实值构建所述SFSMS算法的损失函数。
5.根据权利要求4所述的一种电压互感器性能的分析方法，其特征在于，根据所述第一权重向量和SFSMS算法构建所述树突状神经网络回归模型的种群集合，其中，种群集合中的每个所述第一权重向量的长度表示一个训练数据集经过树突状神经网络回归模型计算得到的权重和阈值。
6.根据权利要求5所述的一种电压互感器性能的分析方法，其特征在于，初始化SFSMS算法的迭代参数t＝1，根据SFSMS算法更新所述树突状神经网络回归模型突触层和胞体层的参数，并计算SFSMS算法中与所述第一权重向量相对应的所述损失函数的所述损失权重值；
根据所述损失权重值对所述种群集合中的所述第一权重向量进行更新，获得个体的第二权重向量；
更新t＝t+1，对所述第二权重向量进行迭代更新，直至迭代参数t大于最大迭代次数，获得表示个体最优权重结果的第三权重向量。
7.根据权利要求1所述的一种电压互感器性能的分析方法，其特征在于，将所述预测值与所述测试数据集进行比对即可比对电压互感器性能的预测精度，其中，所述预测值对应所述测试数据集第三列向量展平成一维后的相应位置的元素为预测的后若干天的性能参数比值误差值。
8.一种电压互感器性能的分析***，其特征在于，包括：
数据采集单元，用于采集电压互感器所处区域内的环境参数和运行参数，根据环境参数和运行参数构建N个样本数据集，其中，N个所述样本数据集包括前N-1个的训练数据集和第N个的测试数据集；
模型构建单元，用于根据SFSMS算法构建树突状神经网络回归模型；
第一计算单元，用于初始化训练数据集的个数i＝1，将第i个所述训练数据集输入所述树突状神经网络回归模型进行计算，获得与第i个训练数据集对应的第一权重向量，根据所述第一权重向量计算SFSMS算法对应的损失权重值；
第二计算单元，用于根据所述损失权重值对应的对所述第一权重向量进行更新，获得个体的第二权重向量；
判断单元，用于令i＝i+1，判断i是否等于N，若是则执行第三计算单元，若否则重复执行第一计算单元与第二计算单元，对第二权重向量进行迭代更新，直至i＝N，输出表示个体最优权重结果的第三权重向量；
第三计算单元，用于根据所述第三权重向量与第N-1个训练数据集计算得到第N个测试数据集的预测值。
9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1-7任一项所述的一种电压互感器性能的分析方法。
10.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1-7中任一所述的一种电压互感器性能的分析方法的操作。
CN202210138807.6A 2022-02-15 2022-02-15 一种电压互感器性能的分析方法、***、电子设备及介质 Pending CN114492199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210138807.6A CN114492199A (zh) 2022-02-15 2022-02-15 一种电压互感器性能的分析方法、***、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210138807.6A CN114492199A (zh) 2022-02-15 2022-02-15 一种电压互感器性能的分析方法、***、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114492199A true CN114492199A (zh) 2022-05-13

Family

ID=81481159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210138807.6A Pending CN114492199A (zh) 2022-02-15 2022-02-15 一种电压互感器性能的分析方法、***、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114492199A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056875A (zh) * 2023-10-10 2023-11-14 湖南华菱线缆股份有限公司 一种基于测试数据的电缆传输性能分析方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056875A (zh) * 2023-10-10 2023-11-14 湖南华菱线缆股份有限公司 一种基于测试数据的电缆传输性能分析方法及装置
CN117056875B (zh) * 2023-10-10 2024-01-02 湖南华菱线缆股份有限公司 一种基于测试数据的电缆传输性能分析方法及装置

Similar Documents

Publication Publication Date Title
CN111130839A (zh) 一种流量需求矩阵预测方法及其***
CN113486078B (zh) 一种分布式配电网运行监控方法及***
CN106338708B (zh) 结合深度学习与递归神经网络的电能计量误差分析方法
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及***
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN108845546B (zh) 一种基于bp神经网络自回归模型的动态过程监测方法
CN112529685A (zh) 一种基于bas-fnn的贷款用户信用评级方法及***
CN114781692A (zh) 短期电力负荷预测方法、装置及电子设备
CN114492199A (zh) 一种电压互感器性能的分析方法、***、电子设备及介质
CN115114843A (zh) 一种电池容量的预测方法、相关装置、设备以及存储介质
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
Zong et al. Embedded software fault prediction based on back propagation neural network
Yang et al. A structure optimization algorithm of neural networks for large-scale data sets
CN113093014A (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及***
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
Shubha et al. A diverse noise-resilient dnn ensemble model on edge devices for time-series data
Hoomod et al. Temperature Prediction Using Recurrent Neural Network for Internet of Things Room Controlling Application
Alrubaie Cascade-Forward neural network for volterra integral equation solution
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN114360641A (zh) 一种基于变分贝叶斯的基因调控网络结构辨识方法
Ferrario et al. Application of metamodel-based techniques for the efficient seismic analysis of structural systems
Zain Al-Thalabi et al. Modeling and prediction using an artificial neural network to study the impact of foreign direct investment on the growth rate/a case study of the State of Qatar
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
Shou-Ping et al. An architecture of interval Elman network and its numerical analysis

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