CN115964946A - 一种基于神经网络的用电设备可靠性评估方法 - Google Patents
一种基于神经网络的用电设备可靠性评估方法 Download PDFInfo
- Publication number
- CN115964946A CN115964946A CN202211703677.2A CN202211703677A CN115964946A CN 115964946 A CN115964946 A CN 115964946A CN 202211703677 A CN202211703677 A CN 202211703677A CN 115964946 A CN115964946 A CN 115964946A
- Authority
- CN
- China
- Prior art keywords
- neural network
- reliability
- weight
- data
- rate
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及神经网络技术领域,尤其涉及一种基于神经网络的用电设备可靠性评估方法,包括通过传感器采集三相异步电机的基础数据;通过主成分分析法将累计贡献率大于预设置的数据作为主成分;通过熵权法对石化设备用电可靠性的指标进行分析;采用BP神经网络来对变量之间的关系做定量分析。本发明找到影响石化设备用电可靠性的全部因素,再通过主成分分析法对全部因素进行筛选根据对应的石化设备用电可靠性评估指标,通过熵权法求出所有指标的主客观权重,并组合成综合权重来确定最终指标权重,融合两类权重的优势,减少了单一主客观权重对指标造成的权重偏差,用综合权重衡量的指标作为神经网络算法模型的输出端。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于神经网络的用电设备可靠性评估方法。
背景技术
石化设备用电是用电***中不可或缺的重要组成成分。尤其在石化行业,石化设备用电的可靠性对石化设备长期运行的稳定性和安全性都有着不可忽略的影响;因此,对石化设备用电进行可靠性的评估具有实际的现实意义,对于整个用电***来说,石化设备用电可靠性的重要不言而喻,所以怎么去增强石化设备用电可靠性已经成为当下研究的重要课题。
目前,关于石化设备用电可靠性评估的方法主要有模拟法和解析法。近些年来,又出现了将模拟法和解析法相结合的混合法。在我国,解析法应用已经相对成熟,其中最具代表性的方法为故障模式法和后果分析法,但是解析法缺点在于计算量会随着用电***规模的扩大而急剧増加,且不容易处理故障相关事件。而模拟法则不受***规模限制,最经典的方法为蒙特卡洛方法,从数学的统计抽样出发,故对处理复杂***上很有优势,但其缺点是计算精度往往会受到各种因素的影响和制约。
发明内容
针对现有算法的不足,本发明找到影响石化设备用电可靠性的全部因素,再通过主成分分析法对全部因素进行筛选确定神经网络算法模型的输入端;其次,根据对应的石化设备用电可靠性评估指标,通过熵权法求出所有指标的主客观权重,并组合成综合权重来确定最终指标权重,融合两类权重的优势,减少了单一主客观权重对指标造成的权重偏差,用综合权重衡量的指标作为神经网络算法模型的输出端。
本发明所采用的技术方案是:一种基于神经网络的用电设备可靠性评估方法包括以下步骤:
步骤一、通过传感器采集三相异步电机的基础数据,并转为影响三相异步电机的用电可靠的数据;
进一步的,影响三相异步电机的用电可靠因素的数据包括:电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率和间谐波含有率。
步骤二、通过主成分分析法将累计贡献率大于预设置的数据作为主成分,并作为BP神经网络算法的输入端指标;
进一步的,主成分分析法将累计贡献率大于预设置的数据作为主成分包括:电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、谐波畸变率和间谐波含有率。
步骤三、通过熵权法对石化设备用电可靠性的指标进行分析,得到综合权重最高的指标,并作为BP神经网络算法的输出端指标;
进一步的,石化设备用电可靠性的指标包括:石化设备停电时间、石化设备停电次数、用电可用率、用电不可用率和用电可靠率。
步骤四、构建BP神经网络和正反向传播用于石化设备用电可靠性的分析,并采用BP神经网络来对变量之间的关系做定量分析;
进一步的,BP神经网络包括:输入矢量层、隐含层和输出层,输入层神经元个数取为6,输出层神经元个数取为1,隐含层激活函数采用logsig函数,输出层采用purelin函数,通过修改各层神经元的权值降低误差。
进一步的,权值调整公式为:
wij(t+1)=wij(t)+ησjoi+a[wij(t)-wij(t-1)]
其中,a为平滑因子,η为学习步长;σj为反传误差信号。
进一步的,隐含层的个数公式为:
其中,n表示输入节点,m表示输出节点,α为常数。
本发明的有益效果:
1、基于人工神经网络的石化设备用电可靠性预测方法适用于大多数石化用电设备,石化设备用电可靠性预测结果表明BP神经网络具有很好的收敛性,保证了用电设备及用电***的安全可靠运行,能够为用电设备和用电***安全可靠的发展,提供一种有效的技术支持;
2、通过对影响用电可靠性指标的相关因素进行灵敏度分析可以获得对用电可靠性指标较为敏感的相关特征量,即找出对可靠性指标影响较大的相关因素,对引导用电设备企业制定提高用电可靠性的具体措施有十分重要的参考价值。
附图说明
图1是本发明的石化设备用电采集***结构图;
图2是本发明的基于神经网络的用电设备可靠性评估方法流程图;
图3是本发明的石化设备用电数据清洗流程图;
图4是本发明的BP神经网络的误差计算结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1为石化设备用电信息采集***的结构图,清洗处理采集到的石化设备用电信息;现场石化用电设备包括压缩机和电机;通过智能终端的采集器在用电设备的电能表中采集电能相关基础数据并存储在集中器中;再通过如无线专网、光纤专网、公网等通信信道将数据传输到用电信息采集***进行管理并最终上传到人机交互端进行互通。
一种基于神经网络的用电设备可靠性评估方法包括以下步骤:
步骤一、通过传感器采集到三相异步电机的三相电压、三相电流、电阻、有功功率、功率因数、电度等基础用电数据,并将基础数据处理成用电电压偏差、电压波动和闪变、三相电压不平衡、频率偏差、电压暂降与短时中断、谐波和间谐波;再转化成能够影响三相异步电机的用电可靠因素的数据包括:电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率、间谐波含有率。
三相电压不平衡度计算公式为:其中,εU2为负序电压不平衡度,U2为三相电压的负序基波分量方均根值,U1为三相电压的正序基波分量方均根值,εU2为零序电压不平衡度,U0为三相电压的零序基波分量方均根值;
将转化后的数据进行数据清理,通过清洗来降低预测误差,如图3所示清洗过程包括对数据进行质量分析、清洗流程分析、待清洗数据选取、字段属性清洗、重复数据清洗和质量评估,得到清洗后的八个影响三相异步电机的用电可靠因素的数据。
步骤二、将清洗完成的用电数据通过主成分分析法进行特征提取,提高数据的信噪比和抗干扰能力;过程如下:
将石化设备用电信息分为n个样本(n=8),组成数据集X,每个样本里有P个观测变量,主成分分析法如下公式描述:
其中,xi=(x1i,x2i,···xni)T,i=1,2,···P
将P个观测变量x1,x2,···xp统一合成形成新的变量,公式为:
F1=w11x1+w21x2+···+wp1xp
F2=w12x1+w22x2+···+wp2xp
···
Fp=w1px1+w2px2+···+wppxp
对其求解变换矩阵W:
最后计算特征方程:
|λE-W|=0
其中λi=1,2,···P,求出对应的X;
对主成分个数进行估计,将累计贡献率达到百分之八十的前几个指标作为主成分,用于BP神经网络算法的输入。
步骤三、评估石化设备用电可靠性的指标有石化设备停电时间、石化设备停电次数、用电可用率、用电不可用率和用电可靠率;
对上述五个指标进行熵权法处理,熵权法步骤为:一、求出各评价对象在各指标下的比值,即第i个评价对象关于第j个指标值的权重;二、求出各个指标的熵值;三、通过熵值求出各个指标的权重;四、计算各评价对象的综合比分,最终选取综合权重最高的用电可靠率为BP神经网络的输出端指标。
步骤四、构建BP神经网络模型包括:
步骤41、确定神经网络的结构,选取为三层的BP神经网络模型,三层BP神经网络包括输入矢量层、隐含层和输出层;其中,输入层神经元个数取为6,输出层神经元个数取为1;
训练过程由正向信号传输和反向误差传输组成,若在正向信号传输后输出层不能得到期望的输出,就会将信号返回,通过修改各层神经元的权值使误差降低,网络连接权值调整公式为:
wij(t+1)=wij(t)+ησjoi+a[wij(t)-wij(t-1)]
其中,a为平滑因子,a的范围为:0<a<1;η为学习步长;σj为反传误差信号。经过多样本的反复训练,朝着减少误差的方向进行权系数修正,并最终得到期望的结果。
隐藏层包括k个神经元,k节点数量的选择用经验公式表示:
其中,n表示输入节点,m表示输出节点,α为常数;利用BP神经网络对模型进行训练,并对测试集数据进行评估。
步骤42、建立基于BP神经网络的映射关系模型;
步骤43、对输入特征矢量进行归一化处理和随机排序处理,在对BP神经网络进行训练之前,需要对学习样本数据进行预处理,为了避免隐含层某神经元处于饱和状态,对所有的数据进行归一化处理,即:di(t)=(xi(t)-x0)/(xmax-x0),其中,xi(t)为特征参数实测值;xmax为特征参数超限阈值;x0为特征参数正常时阈值。为了避免数据过于集中,需要进行重新随机排列,提高网络收敛效率,对数据使用随机排序处理;
不同的石化设备用电数据之间具有不同的量纲单位,考虑到网络训练时的收敛性能,需要尽可能的使数据的数值在计算中处于同等重要程度,所以需要在训练之前对训练样本采取归一化处理,调整每一个分量的大小使其保持在(-1,1)的范围内,来保证网络的训练特性,函数用mapminmax实现;采集到的石化设备用电数据是按照一定的顺序排列的,这样有可能导致网络训练过程中出现训练周期过长、或者训练无法收敛的情况。因此为了避免数据过于集中,需要对数据进行重新随机排列,用来提高网络收敛效率,函数用randperm实现。
步骤44、将归一化处理和随机排序处理过后的三相异步电机用电可靠性数据作为网络的输入样本,对网络进行训练;
利用训练好的BP神经网络模型对三相异步电机用电可靠性进行预测,得到预测结果;误差实验结果如图4所示,平均绝对误差MAE、均方误差MSE、均方根误差RMSE越低,说明效果越好;决定系数R^2可以用来评估算法的拟合程度以及高效性,该系数可分析自变量与因变量之间的拟合效果。通常R^2的计算结果为0到1之间,并且与1之间越近,可得出算法的拟合程度更好;并可以利用训练好的BP神经网络进行相关影响因素的灵敏度分析,考察各相关影响因素对供电可靠性预测值的影响程度。自变量为因素改变量,因变量为用电可靠率预测值的改变量,如下表所示:
影响用电可靠性相关因素 | 因素改变量/% | 用电可靠率预测值的改变量 |
电压偏差 | +5 | 0.00090079 |
电压闪变 | +5 | 0.00050038 |
三相电压不平衡度 | +5 | 0.00070054 |
频率偏差 | +5 | 0.00015013 |
谐波畸变 | +5 | 0.00030026 |
间谐波 | +5 | 0.00020315 |
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种基于神经网络的用电设备可靠性评估方法,其特征在于,包括以下步骤:
步骤一、通过传感器采集三相异步电机的基础数据,并转为影响三相异步电机的用电可靠的数据;
步骤二、通过主成分分析法将累计贡献率大于预设置的数据作为主成分,并作为BP神经网络算法的输入端指标;
步骤三、通过熵权法对石化设备用电可靠性的指标进行分析,得到综合权重最高的指标,并作为BP神经网络算法的输出端指标;
步骤四、构建BP神经网络和正反向传播用于石化设备用电可靠性的分析,并采用BP神经网络来对变量之间的关系做定量分析。
2.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法,其特征在于,影响三相异步电机的用电可靠的数据包括:电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率和间谐波含有率。
3.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法,其特征在于,通过主成分分析法将累计贡献率大于预设置的数据作为主成分包括:电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、谐波畸变率和间谐波含有率。
4.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法,其特征在于,石化设备用电可靠性的指标包括:石化设备停电时间、石化设备停电次数、用电可用率、用电不可用率和用电可靠率。
5.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法,其特征在于,BP神经网络包括:输入矢量层、隐含层和输出层,输入层神经元个数取为6,输出层神经元个数取为1,隐含层激活函数采用logsig函数,输出层采用purelin函数,通过修改各层神经元的权值降低误差。
6.根据权利要求5所述的基于神经网络的用电设备可靠性评估方法,其特征在于,权值调整公式为:
wij(t+1)=wij(t)+ησjoi+a[wij(t)-wij(t-1)]
其中,a为平滑因子,η为学习步长;σj为反传误差信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703677.2A CN115964946A (zh) | 2022-12-29 | 2022-12-29 | 一种基于神经网络的用电设备可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703677.2A CN115964946A (zh) | 2022-12-29 | 2022-12-29 | 一种基于神经网络的用电设备可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964946A true CN115964946A (zh) | 2023-04-14 |
Family
ID=87361497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211703677.2A Pending CN115964946A (zh) | 2022-12-29 | 2022-12-29 | 一种基于神经网络的用电设备可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964946A (zh) |
-
2022
- 2022-12-29 CN CN202211703677.2A patent/CN115964946A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280552B (zh) | 基于深度学习的电力负荷预测方法和***、存储介质 | |
CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN114912339A (zh) | 一种变电站一次设备多因素温度预测方法 | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及*** | |
CN111967777A (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及*** | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及*** | |
CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
CN117277435A (zh) | 一种光伏逆变器的健康评估方法、***及装置 | |
CN115964946A (zh) | 一种基于神经网络的用电设备可靠性评估方法 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及*** | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
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 |