一种基于BP神经网络的电气设备运行数据分类方法与流程

一种基于bp神经网络的电气设备运行数据分类方法
技术领域
1.本发明涉及电网数据服务领域，具体涉及一种基于bp神经网络的电气设备运行数据分类方法。


背景技术：

2.电能作为现代社会最重要的能源供给之一，对人类的生产生活起着至关重要的作用。与电能质量直接相关的电力系统，其运行情况却纷繁复杂。由于电力系统包含了各种复杂电气设备的集成，特别的，一些重要的电力设备，如变压器、断路器、绝缘装置等，一旦出现故障将对电网乃造成严重后果，严重时甚至会威胁社会稳定，所有有必要对这些设备进行无停歇的数据检测和处理。因此在电网的实际运行过程中常常会在一些重要设备处设置监测装置，目的是实时监测电气设备的运行状态，便于分析设备运行的工况，分析设备运行寿命以及维修时间等。
3.信息化和智能化的迅速发展，使得电网的数据量呈现暴增态势，大量数据不停的涌入数据处理平台，过多的数据给企业带来了新的麻烦，同时也对数据分类处理技术提出了更严苛的要求。鉴于巨大的数据量中蕴藏着丰富的数据信息，需要使用先进的数据处理技术进行挖掘。因此行之有效的数据分类措施有利于减轻数据处理平台的压力，便于数据的高效利用和存储，同时也有利于电网人员将其准确、快速的进行分类保存，便于日后数据的访问与检索操作。


技术实现要素：

4.针对现有技术中的上述不足，本发明提供了一种基于bp神经网络的电气设备运行数据分类方法。
5.为了达到上述发明目的，本发明采用的技术方案为：
6.一种基于bp神经网络的电气设备运行数据分类方法，包括如下步骤：
7.s1、采集电气设备运行的实时历史数据；
8.s2、对所采集的实时历史数据进行整合并利用bp神经网络进行训练，构建数据分类模型；
9.s3、利用所构建的分类模型对电气设备运行数据进行分类。
10.上述方案的有益效果是，第一、有利于对电力设备实时运行数据进行有效分类；第二、可以通过适当选择样本数据作为验证集来修正模型参数，提高模型的泛化能力。第三、使用bp神经网络可以提高不断地优化和修正各单元的权值来提高训练的精度和减小误差，因此便使得模型具有较好的鲁棒性。
11.进一步的，所述s1还包括对电气设备运行的历史数据进行标记，表示为
12.dws，其中，s＝1、2、3，dw1为电流值、dw2为电压值、dw3为温度值。
13.上述进一步方案的有益效果是，将历史数据进行分类，有利于后续的分类训练和计算。
14.进一步的，所述s2具体包括：
15.s21、对所获取的具有明确类型的电气设备运行的历史数据进行归一化计算，得到整合后待训练数据集；
16.s22、计算待训练数据集中的输入特征数量和输出特征数量，并根据所计算的数量确定神经元数量以及初始权值，通过反向传播实时调整权值大小；
17.s23、将整合后的待训练数据分为训练样本集、测试样本集合验证集，利用网格搜索算法优化模型参数；
18.s24、利用bp神经网络对训练样本和测试样本进行训练，构建数据分类模型。
19.上述进一步方案的有益效果是，设备运行的实时历史数据进行整合和训练，便于后续实际应用。
20.进一步的，所述s21中归一化计算的方式为：
21.[y,ps]＝mapminmax(x,y
min
,y
max
)；
[0022][0023]
其中，y为标准化矩阵,ps为映射，表示将数据x归一化到区间[y
min
,y
max
]，x
min
，x
max
分别为矩阵每一行期归一化处理前数据的最小值和最大值。
[0024]
上述进一步方案的有益效果是，回避个别特殊样本对数据的影响、提高神经网络的收敛速度以及缩短训练时间.
[0025]
进一步的，所述s22中实时调整权值大小的计算方式为：
[0026][0027][0028]
式中，e为误差函数，α是学习率，j是数据维度，i代表第i个参数，wi是权值大小，m是输出层结点个数，yj、y
j*
是输出值与标准值。
[0029]
上述进一步方案的有益效果是，明确待训练数据中的输入特征值数量和输出特征值数量，神经元的数量以及确定初始权值给定一些随机数作为初始权值。
[0030]
进一步的，所述s24中构建分类模型的方式为：
[0031]
s241、将训练样本集输入bp神经网络模型中进行训练，得到模型参数。进而对测试集样本数据进行选择，采用相似数据方法，计算测试样本原参数与进行模型训练后得到的参数之间的相关系数；
[0032]
s241、将训练样本集输入bp神经网络模型中进行训练，得到模型参数。进而对测试集样本数据进行选择，采用相似数据方法计算测试样本原参数与进行模型训练后得到的参数之间的相关系数；
[0033]
s243、当所选取的数据均大于等于设定阈值后，完成数据分类模型的构建。
[0034]
进一步的，所述s24中数据分类模型表示为：
[0035]
[0036]
其中，ω表示模型的隐藏层与输出层间的权值，γj表示隐藏层中的特征值，j表示特征值数目，i表示数据集个数，bi表示i样本的训练误差，n表示样本量，t表示对角阵。
[0037]
进一步的，所述s24中数据分类模型的输出函数表示为：
[0038][0039]
其中，sim函数为模型输出函数，purelin为输出层传递函数，tansig为隐藏层传递函数，x1、x2表示输入层的两个节点；代表阈值，其中j表示层数(j＝2表示隐藏层，j＝3表示输出层)，i表示该层第i个节点；中(m,n)表示m层与n层之间的权值，pq表示m层的第p个节点与n层的第q个节点之间的权值。
[0040]
上述进一步方案的有益效果是，在matlab训练好的模型，可以方便的应用于其他场景中。
[0041]
进一步的，所述s3具体包括：
[0042]
s31、将同一时刻所采集到的电气设备运行的实时数据按设定的类别进行整合和存储；
[0043]
s32、将整合结果输入数据分类模型，得到分类结果；
[0044]
s33、根据所得分类结果，再对分类后的数据进行后续处理研究以及定向存储，便于数据的查询与检索。
[0045]
上述进一步方案的有益效果是，可以通过分类结果将数据进行归类存储，提高数据的利用率。
[0046]
进一步的，所述s32具体为：
[0047]
s321、将所采集的电气设备运行的实时数据按步骤s21的方式归一化处理；
[0048]
s322、取初始权值为0，并按照步骤s22的公式对权值进行更新；
[0049]
s323、确定模型参数并对模型参数进行修正，修正的参数是模型分类结果与所属类别比较后的差值与预设差值的比较，若大于预设值，则需要通过调整确定修正参数，提高模型的分类精度。
[0050]
上述进一步方案的有益效果是，通过不断的更新，有助于找到全局的最优值，提高神经网络的鲁棒性和泛化能力。
附图说明
[0051]
图1为本发明基于bp神经网络的电气设备运行数据分类方法流程示意图。
具体实施方式
[0052]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发
明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0053]
一种基于bp神经网络的电气设备运行数据分类方法，如图1所示，包括如下步骤：
[0054]
s1、采集电气设备运行的实时历史数据；
[0055]
本实施例里，采集数据基于一个已有的电气系统，包括电气设备数据采集模块、分类模型搭建模块、数据分类模型应用模块；
[0056]
所述电气设备数据采集模块是对电网的设备运行数据进行实时获取，并将所得数据传输至分类模型搭建模块，以供后续模型建立；分类模型搭建模块是将从数据采集模块处获取的信息进行归一化处理后，将其输入bp神经网络模型中，通过信息的正向传播与误差的反向传播两个过程来实现模型的优化和权值的确定，最后将建立的模型应用于实际场景中；数据分类模型应用模块是将已经得到的模型用于电气设备的数据分类过程中，具体涉及各个分类场景，诸如数据的类型以及数据的优劣等等。
[0057]
具体的数据采集模块的过程包括以下方式：
[0058]
电气设备数据采集模块采集设备运行时数据量包括设备的电流值、电压值、温度值。具体的，将电流值、电压值、温度值标记为dws，其中s＝1,2,3；s为正整数，且dw1表示设备运行时实时监测装置测到流过设备的电流值；dw2表示设备运行时实时监测装置测得的设备两端电压值；dw3表示设备运行时实时监测装置测定的温度值。
[0059]
s2、对所采集的实时历史数据进行整合并利用bp神经网络进行训练，构建数据分类模型，具体方式为；
[0060]
s21、对所获取的具有明确类型的电气设备运行的历史数据进行归一化计算，得到整合后待训练数据集；
[0061]
整合电网明确类型的各个设备运行历史数据，并将各个设备的数据进行归一化处理，目的是回避个别特殊样本对数据的影响、提高神经网络的收敛速度以及缩短训练时间，具体采用的是数据归一化mapminmax函数，数学公式为：
[0062]
[y,ps]＝mapminmax(x,y
min
,y
max
)
[0063][0064]
式中，y为标准化矩阵,ps为映射，y
min
，y
max
分别为矩阵每一行归一化处理后期望数据的最小值和最大值，同理，x
min
，x
max
分别为矩阵每一行期归一化处理前数据的最小值和最大值。x,y分别表示处理前与处理后的数据信息，最终通过归一化处理后可将数据均统一至[-1,1]区间内。
[0065]
s22、计算待训练数据集中的输入特征数量和输出特征数量，并根据所计算的数量确定神经元数量以及初始权值，通过反向传播实时调整权值大小。
[0066]
明确待训练数据中的输入特征值数量和输出特征值数量，神经元的数量以及确定初始权值给定一些随机数作为初始权值，并通过反向传播过程不断调整权值大小(当传递函数是sigmod时)，具体的权值更新公式为：
[0067][0068][0069]
式中，e为误差函数，α是学习率，wi是权值大小，m是输出层结点个数，y、y
*
是输出值与标准值的差值。
[0070]
s23、将整合后的待训练数据分为训练样本集、测试样本集合验证集，利用网格搜索算法优化模型参数。
[0071]
将整合后的数据分为训练样本和测试样本，本实施例中，训练集与测试集和验证集的比例为6：2：2，其中训练集用于确定模型参数，测试集用于验证模型泛化能力，验证集用于优化bp神经网络的超参数，具体包括隐藏层数目和学习率，由于需要优化超参数较少，故该模型中采用的超参数优化方法是网格搜索算法。
[0072]
s24、利用bp神经网络对训练样本和测试样本进行训练，构建数据分类模型，本实施例里，具体包括：
[0073]
s241、将训练样本集输入bp神经网络模型中进行训练，得到模型参数。进而对测试集样本数据进行选择，采用相似数据方法计算测试样本原参数与进行模型训练后得到的参数之间的相关系数；
[0074]
利用bp神经网络函数编写算法，输入训练样本和测试样本，计算其相关系数，若相关系数小于0.9，则把样本打乱，重新选取训练样本和测试样本，直至相关系数到达0.9以上，完成数据分类模型搭建模块。
[0075]
s242、根据所计算的相关系数选择测试样本集的数据，若相关系数大于等于设定阈值，则保留了所选取的数据，若设定阈值小于设定阈值，则打乱训练样本集合数据样本集并返回步骤s241重新计算相关系数；
[0076]
具体的，输入层、隐藏层与输出层的节点个数分别为2、3、1；隐藏层传递函数为tansig函数，输出层传递函数为purelin函数；训练方式为trainlm。用sim函数来预测模型输出，其数学表达式为：
[0077][0078]
其中，sim函数为模型输出函数，purelin为输出层传递函数，tansig为隐藏层传递函数，x1、x2表示输入层的两个节点；代表阈值，其中j表示层数(j＝2表示隐藏层，j＝3表示输出层)，i表示该层第i个节点；中(m,n)表示m层与n层之间的权值，pq表示m层的第p个节点与n层的第q个节点之间的权值。
[0079]
s243、当所选取的数据均大于等于设定阈值后，完成数据分类模型的构建,形成数
据分类模型，表示为：
[0080][0081]
其中，ω表示模型的隐藏层与输出层间的权值，γj表示隐藏层中的特征值，j表示特征值数目，i表示数据集个数，bi表示i样本的训练误差，n表示样本量，t表示对角阵。
[0082]
s3、利用所构建的分类模型对电气设备运行数据进行分类。
[0083]
本实施例中，具体包括如下步骤：
[0084]
s31、将同一时刻所采集到的电气设备运行的实时数据按设定的类别进行整合和存储。
[0085]
s32、将整合结果输入数据分类模型，得到分类结果；
[0086]
具体而言，
[0087]
s321、将所采集的电气设备运行的实时数据按步骤s21的方式归一化处理；
[0088]
s322、取初始权值为0，并按照步骤s22的公式对权值进行更新；
[0089]
s323、确定模型参数并对模型参数进行修正。
[0090]
模型的参数具体涉及到隐层节点个数与隐层数，修正的参数是模型分类结果与所属类别比较后的差值与预设差值的比较，若大于预设值，则需要通过调整确定修正参数，提高模型的分类精度。
[0091]
s33、根据所得分类结果，再对分类后的数据进行后续处理研究以及定向存储，便于数据的查询与检索。
[0092]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0093]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0094]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0095]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0096]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的
普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。