(12)发明专利申请
(10)申请公布号 CN 111142060 A(43)申请公布日 2020.05.12
(21)申请号 201911212973.0(22)申请日 2019.12.02
(71)申请人 国网浙江省电力有限公司
地址 310007 浙江省杭州市西湖区黄龙路8
号
申请人 国网浙江省电力有限公司丽水供电
公司
杭州电子科技大学
浙江华云信息科技有限公司 国家电网有限公司(72)发明人 徐璟 虞董平 李小凯 葛泉波
李宁 张威 郁春雷 (74)专利代理机构 浙江翔隆专利事务所(普通
合伙) 33206
代理人 王晓燕
权利要求书2页 说明书6页 附图2页
(51)Int.Cl.
G01R 35/04(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)
CN 111142060 A(54)发明名称
一种基于改进的BP神经网络的自适应阈值调整诊断方法(57)摘要
本发明公开了一种基于改进的BP神经网络的自适应阈值调整诊断方法，涉及智能电表进行故障诊断领域。在实际应用中，用于判断掉线或其他故障类型的阈值通常由经验确定，缺乏一套科学的阈值调整算法。本发明获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，根据判断准确性、期望的系统准确率进行阈值调整，得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。本技术方案对于电力系统电表等通讯设备的掉线及其他故障情况的自适应诊断局域重要的科学意义及应用价值。
CN 111142060 A
权 利 要 求 书
1/2页
1.一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于包括以下步骤：
1)获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
其中，为通讯设备j的经验阈值；
2)确定BP神经网络的拓扑结构；确定其隐含层层数及各层所含神经元个数，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
3)获取判断准确率；基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，记阈值判断的准确率为：
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数；
4)获取期望的系统准确率；记在tk时刻，期望的系统准确率为E'(tk+1)：
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用
2
CN 111142060 A
权 利 要 求 书
2/2页
来控制判断正确报文数引入的参数；
5)阈值调整；根据判断准确性、期望的系统准确率进行阈值调整，其遵循以下规则：若：E(tk,tk+1)≤E'(tk+1)，则：S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；若：E(tk,tk+1)>E'(tk+1)，则：S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
其中，σωini分别为赋予阈值调整系数的初始值；ini，
6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
2.根据权利要求1所述的一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于：在步骤4)中，400≤δ≤600。
3.根据权利要求2所述的一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于：在步骤5)中，σini＝0.03,ωini＝0.08。
3
CN 111142060 A
说 明 书
1/6页
一种基于改进的BP神经网络的自适应阈值调整诊断方法
技术领域
[0001]本发明涉及智能电表进行故障诊断领域，尤其涉及一种基于改进的BP神经网络的自适应阈值调整诊断方法。
背景技术
[0002]随着智能电表的全面推广，用户的用电信息会每隔一段时间采集一次，电力采集设备分布在全省的不同区域，是电力系统的重要组成部分。但在实践场景中发现，系统采集设备经常会出现离线、掉线等故障，影响正常的采集工作，因此针对常见的心跳掉线及其他故障类型，需建立一种基于自适应故障诊断的动态阈值诊断方法。由于在实际应用中，用于判断掉线或其他故障类型的阈值通常由经验确定，缺乏一套科学的阈值调整算法。发明内容
[0003]本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于改进的BP神经网络的自适应阈值调整诊断方法，以达到得到合适阈值以实现故障的准确判定的目的。为此，本发明采取以下技术方案。
[0004]一种基于改进的BP神经网络的自适应阈值调整诊断方法，包括以下步骤：
[0005]1)获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
[0006]
[0007]
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
[0008]
[0009][0010]
其中，为通讯设备j的经验阈值；
2)确定BP神经网络的拓扑结构；确定其隐含层层数及各层所含神经元个数，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
4
CN 111142060 A
说 明 书
2/6页
[0011]
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设
备个数；
[0013]3)获取判断准确率；基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
[0014][0015]
[0012]
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数；[0016]4)获取期望的系统准确率；记在tk时刻，期望的系统准确率为E'(tk+1)：
[0017]
[0018]
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数；[0019]5)阈值调整；根据判断准确性、期望的系统准确率进行阈值调整，其遵循以下规则：
[0020]若：E(tk,tk+1)≤E'(tk+1)，则：S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；[0021]若：E(tk,tk+1)>E'(tk+1)，则：S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；[0022]其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
[0023]
[0024]
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
[0025]
其中，σωini分别为赋予阈值调整系数的初始值；ini，
[0027]6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
[0028]本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方
5
[0026]
CN 111142060 A
说 明 书
3/6页
法。
本技术方案采用BP神经网络，其为一种应用广泛的机器学习算法，来源于对人类
神经网络机制的模仿，是人工智能领域的重要分支，在使用中限制条件较少，具有极强的通用性，易于通过编程实现。通过BP神经网络方法得到合适阈值，以实现故障的准确判定。[0030]作为优选技术手段：在步骤4)中，400≤δ≤600。[0031]作为优选技术手段：在步骤5)中，σini＝0.03,ωini＝0.08。[0032]有益效果：
[0033]本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方法。
[0034]本技术方案采用BP神经网络，其为一种应用广泛的机器学习算法，来源于对人类神经网络机制的模仿，是人工智能领域的重要分支，在使用中限制条件较少，具有极强的通用性，易于通过编程实现。通过BP神经网络方法得到合适阈值，以实现故障的准确判定。附图说明
[0035]图1是本发明的流程图。
[0036]图2是动态阈值算法的流程。[0037]图3是经验阈值判断准确性情况。[0038]图4是动态阈值变化情况。
[0039]图5是动态阈值变化一次后判断准确性情况。
具体实施方式
[0040]以下结合说明书附图对本发明的技术方案做进一步的详细说明。
[0041]如图1所示一种基于改进的BP神经网络的自适应阈值调整诊断方法，包括以下步骤：
[0042]1)获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
[0029]
[0043]
[0044]
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
[0045]
[0046]其中，为通讯设备j的经验阈值；
6
CN 111142060 A[0047]
说 明 书
4/6页
2)确定BP神经网络的拓扑结构：确定其隐含层层数及各层所含神经元个数，并初
始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
[0048]
[0049]
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
[0050]3)基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
[0051]
[0052]
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数。[0053]4)记在tk时刻，期望的系统准确率为E'(tk+1)：
[0054]
[0055]
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数；
[0056]5)在根据判断准确性而进行阈值调整时，遵循以下规则：[0057]若
[0058]E(tk,tk+1)≤E'(tk+1)，[0059]则
[0060]S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
[0061]若
[0062]E(tk,tk+1)>E'(tk+1)，[0063]则
[0064]S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；[0065]其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
[0066]
[0067]
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
7
CN 111142060 A
说 明 书
5/6页
[0068]
其中，σωini分别为赋予阈值调整系数的初始值；ini，
[0070]6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)，根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
[0071]本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方法。
[0072]以下就掉线故障为例对本发明作进一步的说明：[0073]S01：选取某地区近1000组报文信息，并采用基于判断准确性的反馈机制对阈值进行动态自适应调整。由提供数据可知，经验阈值为0.6，以60条判断结果为例，其判断准确性如下图3所示，其中“o”为判断正确，“x”为判断错误。[0074]S02)确定BP神经网络的拓扑结构：将前700组报文信息作为训练集，后300报文信息作为测试集，确定其隐含层层数为2及各层所含神经元个数为40，20，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
[0069]
[0075]
[0076]
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
[0077]S03)基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
[0078]
[0079]
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数。[0080]S04)记在tk时刻，期望的系统准确率为E'(tk+1)：
[0081]
[0082]
其中，Eini为利用该阈值判断区域掉线等故障情况的初始预期准确率，Efin为利用该阈值判断区域掉线等故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数，在本文中，δ取500.
8
CN 111142060 A[0083][0084][0085][0086][0087][0088][0089][0090][0091][0092]
说 明 书
6/6页
S05)在根据判断准确性而进行阈值调整时，遵循以下规则：若
E(tk,tk+1)≤E'(tk+1)，则
S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
若
E(tk,tk+1)>E'(tk+1)，则
S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
[0093]
[0094]
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
[0095]
[0096]
其中，σωini分别为赋予阈值调整系数的初始值，在本文中，σini，ini＝0.03,ωini＝
0.08。
S06)将步骤S02)中的阈值按照S05)中步骤不断进行反馈调整后，即可得到自适应
故障诊断的动态阈值S'(tk+1)，经动态阈值进行自适应调整后，阈值变化如下图4所示。[0098]S07)其阈值变化一次后判断准确性如下图5所示，其中“o”为判断正确，“x”为判断错误,经动态阈值的自适应调整后，判断准确性由经典阈值的53％提高为63％。
[0099]以上图1所示的一种基于改进的BP神经网络的自适应阈值调整诊断方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案的保护范围之列。
[0097]
9
CN 111142060 A
说 明 书 附 图
1/2页
图1
图2
10
CN 111142060 A
说 明 书 附 图
2/2页
图3
图4
图5
11
因篇幅问题不能全部显示，请点此查看更多更全内容