[發明專利]基于平均影響值數據變換的特征加權K近鄰故障診斷方法

有效

• 申請號: 201711053636.2
• 申請日: 2017-11-01
• 公開（公告）號: CN107832789B
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 文成林;姬思雨
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04;G06F30/27
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于MIV數據變換的特征加權電網信息故障診斷方法，其特征在于該方法具體包括以下各步驟：

步驟(1)依據智能電網信息物理系統信號的前向傳播和誤差的反向傳播來構建BP神經網絡：

步驟(1-1)網絡的初始化：

假設輸入層的節點個數為n，隱含層的節點個數為l，輸出層的節點個數為m；輸入層到隱含層的權重ω_ij，隱含層到輸出層的權重為ω_jk'，輸入層到隱含層的偏置為a_j，隱含層到輸出層的偏置為b_k'；以上權重及偏置參數的初始化是隨機的，在接下來的多次迭代中進行一次次的更新修正；學習速率為η，取[0.01,0.1]之間，激勵函數g(x)的輸出結果是[-1,1]或者[0,1]，其中激勵函數g(x)將其取作Sigmoid函數；形式為：

步驟(1-2)正向傳遞：有了輸入和初始參數以及激勵函數，一個節點的輸出表示如下，對應輸入乘以連接隱含層的對應權值加上偏置，最后經過激勵函數得到隱含層節點的一個輸出，假設系統輸入為X＝[x₁,x₂,....x_n]，計算表達式如下；

隱含層節點的輸入：

隱含層節點的輸出：

輸出節點的輸出：

其中， i＝1,2,…,n；j＝1,2,…,l；k'＝1,2,…,m；

步驟(1-3)反向傳遞：誤差計算，定義損失函數如下：

以上，Y為期望輸出，O為實際輸出，權值更新即是隱含層和輸出層權值更新；其表達式如下

隱含層到輸出層的權值更新計算：

ω_jk'＝ω_jk'+ηH_je_k' (8)

輸出層到隱含層的權值更新計算：

步驟(1-4)判斷算法迭代是否結束，一種是迭代次數達到上限，另一種是判斷相鄰的兩次誤差之間的差別是否小于指定的值；

步驟(2)將待輸入的智能電網信息物理系統樣本數據通過公式(13)進行標準化處理

步驟(3)求取數據集的各輸入變量對輸出的MIV，MIV是用于確定輸入神經元對輸出神經元影響大小的一個指標，其符號代表相關的方向，絕對值大小代表影響的相對重要性；具體計算過程如下：

IV_i＝O_i,+-O_i,- (17)

綜上，取0.1≤δ≤0.3；表示所有樣本的第i個特征分量分別增減δ后的矩陣；表示第k'個樣本數據的第i個特征分量分別增減δ后的向量；x_i(k')表示第k'樣本數據的第i個特征分量的值；網絡訓練終止后，將訓練樣本集和分別作為仿真樣本利用已建成的網絡進行仿真，得到兩個仿真結果O_i,+和O_i,-，IV_i即為樣本數據中第i個變量的平均影響值；同理可求得樣本數據中其它各變量的平均影響值；

IV＝[IV₁,IV₂,…,IV_n]^T (18)

IV中的各個參數即為樣本數據中各個特征變量對輸出的影響值；最后，多次仿真取m組IV值，求取其中對應特征變量IV值的平均值，記作MIV；

MIV絕對值的大小即為各自變量對網絡輸出影響的相對重要性，從而實現樣本數據特征的加權；

步驟(4)K近鄰算法設計

a.訓練樣本中找k個近鄰

計算測試樣本中每一個樣本x(k')，k'＝1,2,…,N，與訓練樣本之間的歐氏距離，并找到距離它最近的k'個樣本；

d_i,j＝||x(i)-x(j)||₂,i≠j (20)

上式中，x(i)和x(j)分別表示兩個樣本，i,j＝1,2,…,N；

b.統計計算k個近鄰中屬于各類的概率

以上k表示k個近鄰，k_α表示k個近鄰中屬于α類的樣本個數，α＝1，2，…，c，其中c為樣本中類別個數；

c.故障診斷

對于一個新的樣本x(k)，根據式(20)計算其k個近鄰；根據式(21)統計計算p(α)；將p(α)從大到小排序，p_max(α)所屬的類就是測試樣本x(k)所屬的故障類。