• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)算法的電力變壓器故障識(shí)別研究

    2021-12-23 12:49:52孫葉唐琳蘇冰李玉華
    微型電腦應(yīng)用 2021年12期
    關(guān)鍵詞:學(xué)習(xí)機(jī)偏置權(quán)值

    孫葉, 唐琳, 蘇冰, 李玉華

    (國(guó)網(wǎng)德州供電公司,山東 德州 253000)

    0 引言

    隨著人們生活水平的不斷提高,家里電器設(shè)備日益增多,每天的用電量也不斷增加,同時(shí)對(duì)電力系統(tǒng)的安全穩(wěn)定性提出了更高的要求[1]。電力變壓器是電力系統(tǒng)的關(guān)鍵設(shè)備,其工作狀態(tài)直接決定了電力系統(tǒng)的性能。在電力變壓器的實(shí)際工作過(guò)程中,由于多種因素的影響和干擾,不可避免產(chǎn)生故障,變壓器一旦發(fā)生故障,可以導(dǎo)致電網(wǎng)大面積癱瘓,因此電力變壓器故障識(shí)別研究具有重要的實(shí)際價(jià)值[2-4]。

    最初電力變壓器故障識(shí)別采用油中溶解氣體分析法,通過(guò)對(duì)變壓器油中溶解氣體確定電力變壓器故障類(lèi)型,該方法簡(jiǎn)單、實(shí)用,但是在實(shí)際應(yīng)用中,還存在許多局限性,如經(jīng)常會(huì)出現(xiàn)不能識(shí)別或者漏識(shí)別現(xiàn)象,電力變壓器故障識(shí)別結(jié)果不太可靠[5-6]。隨著人工智能技術(shù)的不斷發(fā)展,人們將其應(yīng)用于電力變壓器故障識(shí)別和診斷中,出現(xiàn)了基于支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、相關(guān)向量機(jī)等電力變壓器故障識(shí)別方法[7-9],但是在實(shí)際應(yīng)用中,這些方法均存在一定的缺陷,如人工神經(jīng)網(wǎng)絡(luò)要求電力變壓器故障識(shí)別訓(xùn)練樣本數(shù)量大,不然就會(huì)出現(xiàn)“過(guò)擬合”的電力變壓器故障識(shí)別結(jié)果,而且電力變壓器故障識(shí)別訓(xùn)練過(guò)程收斂速度慢。支持向量機(jī)的電力變壓器故障識(shí)別結(jié)果良好,但是其訓(xùn)練過(guò)程十分耗時(shí),直接影響電力變壓器故障識(shí)別的實(shí)時(shí)性[10]。相關(guān)向量機(jī)的收斂速度雖然要快于人工神經(jīng)網(wǎng)絡(luò),但是電力變壓器故障識(shí)別正確率有待提升[11]。

    極限學(xué)習(xí)機(jī)是一種深度學(xué)習(xí)算法,執(zhí)行效率高,在電力變壓器故障識(shí)別中得到了廣泛的應(yīng)用,輸入權(quán)值和隱含層偏置直接影響極限學(xué)習(xí)機(jī)的性能,而當(dāng)前采用人工方式隨機(jī)確定輸入權(quán)值和隱含層偏置,使得電力變壓器故障識(shí)別準(zhǔn)確率不高,為了更準(zhǔn)確地對(duì)電力變壓器故障進(jìn)行識(shí)別,構(gòu)建了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法,該方法結(jié)合了粒子群算法和極限學(xué)習(xí)機(jī)的優(yōu)點(diǎn),實(shí)驗(yàn)結(jié)果表明,本文方法可以有效提升電力變壓器故障識(shí)別效果,相對(duì)于當(dāng)前其他電力變壓器故障識(shí)別方法,優(yōu)勢(shì)十分明顯。

    1 深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法

    1.1 深度學(xué)習(xí)算法

    電力變壓器故障識(shí)別學(xué)習(xí)樣本數(shù)據(jù)為{xi,ti},i=1,2,…,N,xi表示電力變壓器故障特征,ti表示電力變壓器故障類(lèi)型,隱含層神經(jīng)元數(shù)為m,激活函數(shù)為g(x),極限學(xué)習(xí)機(jī)的輸出可以描述為式(1)。

    (1)

    式中,ωi表示輸入權(quán)值;βi表示輸出權(quán)值;bi表示隱含層偏置;oj表示電力變壓器故障識(shí)別的期望輸出。

    通過(guò)極限學(xué)習(xí)機(jī)訓(xùn)練,使得輸出誤差最小化,輸出誤差的計(jì)算式為式(2)。

    (2)

    式中,tj表示極限學(xué)習(xí)機(jī)輸出的輸出值。

    βi、ωi與bi符合的收斂條件為式(3)。

    (3)

    采用矩陣形式對(duì)式(3)進(jìn)行簡(jiǎn)化,可以得到式(4)。

    Hβ=T

    (4)

    式中,H表示隱含層的輸出矩陣,具體為式(5)。

    H(ω1,…,ωN,b1,…,bN,x1,…,xN)=

    (5)

    對(duì)于任意的激活函數(shù)g(),隨機(jī)確定輸入權(quán)值ω和隱含層偏置b,通過(guò)極限學(xué)習(xí)機(jī)的學(xué)習(xí)和訓(xùn)練,使極限學(xué)習(xí)機(jī)滿(mǎn)足式(6)。

    (6)

    式中,ε表示預(yù)先設(shè)置極限學(xué)習(xí)機(jī)的訓(xùn)練誤差。

    當(dāng)激活函數(shù)無(wú)限可微時(shí),輸出權(quán)值β可以通過(guò)式(7)進(jìn)行確定。

    (7)

    最后輸出權(quán)值的解為式(8)。

    β*=H+t

    (8)

    式中,H+為H偽逆矩陣。

    確定了β、ω和b后,那么就完成了極限學(xué)習(xí)機(jī)的訓(xùn)練,可以建立電力變壓器故障識(shí)別的分類(lèi)器。

    1.2 粒子群算法優(yōu)化輸入權(quán)值和隱含層偏置

    相對(duì)其他深度學(xué)習(xí)算法,極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度更快、泛化能力更強(qiáng),但是傳統(tǒng)極限學(xué)習(xí)機(jī)的ω和b采用隨機(jī)方式確定,使得極限學(xué)習(xí)機(jī)很難達(dá)到最優(yōu),這樣直接采用極限學(xué)習(xí)機(jī)對(duì)電力變壓器故障識(shí)別進(jìn)行建模,會(huì)影響電力變壓器故障識(shí)別正確率,因此本文選擇粒子群算法對(duì)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化,具體步驟如下。

    Step1:根據(jù)電力變壓器故障識(shí)別的樣本確定極限學(xué)習(xí)機(jī)的輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)量,從而確定極限學(xué)習(xí)機(jī)的基本結(jié)構(gòu)。

    Step2:確定粒子群的迭代次數(shù),種群規(guī)模以及其他參數(shù)。

    Step3:初始化粒子群,每一個(gè)粒子的位置與極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置相對(duì)應(yīng)。

    Step4:計(jì)算電力變壓器故障的目標(biāo)輸出和極限學(xué)習(xí)機(jī)的實(shí)際輸出之間的誤差,并將其作為粒子的個(gè)體適應(yīng)度值。

    Step5:依據(jù)個(gè)體的適應(yīng)度值對(duì)粒子的歷史最優(yōu)位置和群體最優(yōu)位置進(jìn)行更新。

    Step6:更新粒子的速度和位置,迭代次數(shù)增加。

    Step7:不斷重復(fù)上述步驟,直接滿(mǎn)足終止條件為止。

    Step8:根據(jù)粒子群的最優(yōu)位置得到極限學(xué)習(xí)機(jī)的最優(yōu)輸入權(quán)值和隱含層偏置。

    1.3 深度學(xué)習(xí)算法的電力變壓器故障識(shí)別步驟

    為了提高電力變壓器故障識(shí)別正確率,提出了基于深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法,具體步驟如下。

    1)電力變壓器故障主要分為過(guò)熱型和放電型,一旦電力變壓器出現(xiàn)故障,那么變壓器油中溶解氣體就會(huì)有所差異,因此采用變壓器油中各種溶解氣體成份含量作為電力變壓器故障識(shí)別特征。

    2)采集相關(guān)數(shù)據(jù),并對(duì)它們對(duì)應(yīng)的電力變壓器故障類(lèi)型進(jìn)行標(biāo)記。

    3)由于變壓器油中各種溶解氣體成份含量差異較大,為減小差值對(duì)極限學(xué)習(xí)機(jī)帶來(lái)的不利影響,對(duì)它們進(jìn)行初始數(shù)據(jù)歸一化處理。

    4)將電力變壓器故障的樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。

    5)粒子群算法對(duì)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化。

    6)根據(jù)最優(yōu)的輸入權(quán)值和隱含層偏置對(duì)電力變壓器故障訓(xùn)練樣本進(jìn)行訓(xùn)練,建立電力變壓器故障識(shí)別的分類(lèi)器。

    7)將測(cè)試樣本輸入到電力變壓器故障識(shí)別的分類(lèi)器中,獲得電力變壓器故障識(shí)別結(jié)果。

    2 仿真實(shí)驗(yàn)

    2.1 仿真環(huán)境設(shè)置

    為了驗(yàn)證深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法的信號(hào)有效性,在相同的仿真環(huán)境下選擇文獻(xiàn)[11]的電力變壓器故障識(shí)別方法和文獻(xiàn)[12]的電力變壓器故障識(shí)別方法進(jìn)行對(duì)比實(shí)驗(yàn),其中文獻(xiàn)[11]采用極限學(xué)習(xí)機(jī)建立電力變壓器故障識(shí)別的分類(lèi)器,但是沒(méi)有采用粒子群算法確定輸入權(quán)值和隱含層偏置;文獻(xiàn)[12]選擇支持向量機(jī)建立電力變壓器故障識(shí)別的分類(lèi)器,采用粗糙集理論提取電力變壓器故障識(shí)別特征,仿真環(huán)境設(shè)置如表1所示。

    表1 電力變壓器故障識(shí)別的仿真環(huán)境設(shè)置

    2.2 實(shí)驗(yàn)樣本數(shù)據(jù)

    為了測(cè)試電力變壓器故障識(shí)別方法的通用性,選擇5種類(lèi)型的電力變壓器故障作為測(cè)試實(shí)驗(yàn)對(duì)象,樣本數(shù)據(jù)分別如表2所示。每一種電力變壓器故障選擇10個(gè)樣本作為測(cè)試樣本,其他樣本作為電力變壓器故障識(shí)別的訓(xùn)練樣本。

    表2 電力變壓器故障類(lèi)的樣本數(shù)量分布

    2.3 電力變壓器故障識(shí)別效果分析

    統(tǒng)計(jì)3種方法的不同類(lèi)型電力變壓器故障識(shí)別正確率,結(jié)果如圖1所示。從圖1實(shí)驗(yàn)結(jié)果可以看出,深度學(xué)習(xí)算法的電力變壓器故障識(shí)別正確率要高于文獻(xiàn)[11]方法和文獻(xiàn)[12]方法。統(tǒng)計(jì)電力變壓器故障的誤識(shí)率和拒識(shí)率,結(jié)果分別如圖2、圖3所示。對(duì)電力變壓器故障的誤識(shí)率和拒識(shí)率進(jìn)行分析可以發(fā)現(xiàn),深度學(xué)習(xí)算法提升了電力變壓器故障識(shí)別成功率,降低了電力變壓器故障識(shí)別錯(cuò)誤率,體現(xiàn)了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別優(yōu)越性。

    圖1 不同方法的電力變壓器故障識(shí)別正確率

    圖2 不同方法的電力變壓器故障誤識(shí)率

    圖3 不同方法的電力變壓器故障拒識(shí)率

    2.4 電力變壓器故障識(shí)別時(shí)間對(duì)比

    識(shí)別時(shí)間也是當(dāng)前電力變壓器故障識(shí)別結(jié)果的重要指標(biāo),因?yàn)槠渲苯佑绊戨娏ψ儔浩鞴收献R(shí)別效率,為此統(tǒng)計(jì)3種不同方法的電力變壓器故障識(shí)別時(shí)間,結(jié)果如圖4所示。從圖4可以看出,深度學(xué)習(xí)算法的電力變壓器故障識(shí)別時(shí)間平均值為6.58 ms,文獻(xiàn)[11]方法的電力變壓器故障識(shí)別時(shí)間平均值為9.94 ms,文獻(xiàn)[12]方法的電力變壓器故障識(shí)別時(shí)間平均值為18.22 ms,由此可見(jiàn)深度學(xué)習(xí)算法的電力變壓器故障識(shí)別時(shí)間顯著減少,加快了電力變壓器故障識(shí)別速度,可以滿(mǎn)足電力變壓器故障識(shí)別的實(shí)時(shí)性要求,與現(xiàn)代電力變壓器發(fā)展方向相符合,應(yīng)用前景更加廣泛。

    圖4 不同方法的電力變壓器故障識(shí)別時(shí)間

    3 總結(jié)

    為了提高電力變壓器故障識(shí)別正確率,提出了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法,并通過(guò)仿真對(duì)比實(shí)驗(yàn)可以得到如下結(jié)論。

    (1)通過(guò)粒子群算法確定極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置,客觀設(shè)置了極限學(xué)習(xí)機(jī)的參數(shù),加快了電力變壓器故障識(shí)別的速度。

    (2)引入深度學(xué)習(xí)算法擬合特征和電力變壓器故障信號(hào)之間的變化關(guān)系,建立效果更好的電力變壓器故障識(shí)別分類(lèi)器,電力變壓器故障識(shí)別效果遠(yuǎn)遠(yuǎn)優(yōu)于當(dāng)前其他電力變壓器故障信號(hào)識(shí)別方法,為電力變壓器故障識(shí)別研究提供了一種新的工具。

    猜你喜歡
    學(xué)習(xí)機(jī)偏置權(quán)值
    基于40%正面偏置碰撞的某車(chē)型仿真及結(jié)構(gòu)優(yōu)化
    一種融合時(shí)間權(quán)值和用戶(hù)行為序列的電影推薦模型
    基于雙向線(xiàn)性插值的車(chē)道輔助系統(tǒng)障礙避讓研究
    CONTENTS
    CONTENTS
    極限學(xué)習(xí)機(jī)綜述
    基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法
    分層極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用
    基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
    一級(jí)旋流偏置對(duì)雙旋流杯下游流場(chǎng)的影響
    东城区| 石林| 壶关县| 且末县| 竹溪县| 建湖县| 汉中市| 沙湾县| 罗源县| 万年县| 克什克腾旗| 浪卡子县| 溆浦县| 巨鹿县| 西城区| 冀州市| 攀枝花市| 昆明市| 香河县| 七台河市| 高要市| 昆山市| 宜兰市| 章丘市| 同仁县| 探索| 乡城县| 南雄市| 怀宁县| 阿鲁科尔沁旗| 浠水县| 札达县| 凌云县| 邢台县| 金阳县| 阿拉尔市| 洛阳市| 会东县| 东安县| 富源县| 南和县|