[發(fā)明專利]基于小波分解和神經(jīng)網(wǎng)絡(luò)的架空配電系統(tǒng)中動物故障分析方法

在審

• 申請?zhí)枺?/td>: 201911409856.3
• 申請日: 2019-12-31
• 公開（公告）號: CN113129161A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計）人: 邱衛(wèi);劉大偉;劉毅;姜濤;楊迪;付余民;徐德;李放;王琛;楊景;房國俊
• 申請（專利權(quán)）人: 國網(wǎng)山東省電力公司威海供電公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/08;G06F17/14
• 代理公司: 上海恒慧知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 31317
• 代理人: 陳傳喜

一種基于小波分解和神經(jīng)網(wǎng)絡(luò)的架空配電系統(tǒng)中動物故障分析方法，包括確認動物引起的中斷的特征，包括動物的生命周期、天氣晴朗情況；利用離散小波變換將每周動物引起的中斷的時間序列分解為兩個分量，并為每個分解的系數(shù)序列構(gòu)建單獨的神經(jīng)網(wǎng)絡(luò)；根據(jù)小波重構(gòu)技術(shù)將神經(jīng)網(wǎng)絡(luò)的輸出進行組合，以獲得每周因動物造成的中斷的估計結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于小波分解和神經(jīng)網(wǎng)絡(luò)的架空配電系統(tǒng)中動物故障分析方法，屬于配電系統(tǒng)領(lǐng)域。

背景技術(shù)

配電系統(tǒng)的可靠性很大程度上受不同環(huán)境因素導(dǎo)致，由于動物在架空配電系統(tǒng)上造成大量停電，因此調(diào)查這些停電非常重要。目標(biāo)是使用前幾年的歷史數(shù)據(jù)來估算特定年份中動物引起的停運。盡管動物會造成嚴(yán)重的故障，但研究很少，現(xiàn)有技術(shù)中有基于神經(jīng)網(wǎng)絡(luò)的方法，從一系列由不同因素引起的疾病中識別出動物引起的疾病，但是他們的方法并沒有解決我們目標(biāo)特有的問題。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于小波分解和神經(jīng)網(wǎng)絡(luò)的架空配電系統(tǒng)中動物故障分析方法。利用離散小波變換將每周動物引起的中斷的時間序列分解為兩個分量，并為每個分解的系數(shù)序列構(gòu)建單獨的神經(jīng)網(wǎng)絡(luò)。根據(jù)小波重構(gòu)技術(shù)將神經(jīng)網(wǎng)絡(luò)的輸出進行組合，以獲得每周因動物造成的中斷的估計結(jié)果。

本發(fā)明的技術(shù)解決方案如下：

一種基于小波分解和神經(jīng)網(wǎng)絡(luò)的架空配電系統(tǒng)中動物故障分析方法，包括如下步驟：

步驟1)確認動物引起的中斷的特征，包括動物的生命周期、天氣晴朗情況；

對公用事業(yè)公司的中斷數(shù)據(jù)的檢查表明，與動物有關(guān)的中斷是隨機發(fā)生的，由于動物的生命周期，在某些月份中斷的可能性增加，而由于動物活動的增加，在晴朗的天氣條件下中斷的可能性也增加了。由于中斷的隨機性，在較短的持續(xù)時間內(nèi)(例如特定的小時或一天)或特定的架空線，準(zhǔn)確地預(yù)測與動物相關(guān)的中斷次數(shù)是不切實際的。需要數(shù)據(jù)的空間或時間聚合才能獲得有意義的模式。持續(xù)時間非常短或區(qū)域很小，將產(chǎn)生較大的統(tǒng)計范圍，從而導(dǎo)致結(jié)果置信度較低。在非常長的持續(xù)時間內(nèi)進行聚合可能會導(dǎo)致數(shù)據(jù)信息丟失。同樣，由于天氣的空間變化，非常大的領(lǐng)土上的空間聚集可能會引入誤差。幾乎所有動物引起的停運都發(fā)生在天氣晴朗的時候[，這是溫度在40到85度之間且沒有其他與天氣有關(guān)的活動的日子。每周的晴天天數(shù)被用作模型的另一個輸入。

步驟2)利用離散小波變換將每周動物引起的中斷的時間序列分解為兩個分量，并為每個分解的系數(shù)序列構(gòu)建單獨的神經(jīng)網(wǎng)絡(luò)

公式如下：

ψ_j，k＝2^-j/2ψ(2^-jt k)j，k∈Z (6)

其中，歸一化因子使基礎(chǔ)和母函數(shù)具有相同的能量。

步驟3)分解公式如下：

步驟4)建議小波系數(shù)神經(jīng)網(wǎng)絡(luò)，包括低頻信息和高頻信息；

步驟5)采用基于人工免疫系統(tǒng)的混合方法

在預(yù)測階段的每個時間步驟中，根據(jù)庫中的神經(jīng)網(wǎng)絡(luò)的親和力對它們進行排序。然后根據(jù)網(wǎng)絡(luò)的排名獲得每個網(wǎng)絡(luò)的許多克隆。具有最高親和力的神經(jīng)網(wǎng)絡(luò)產(chǎn)生四個克隆，而排名第二，第三和第四的神經(jīng)網(wǎng)絡(luò)則分別產(chǎn)生三個克隆。第五網(wǎng)絡(luò)產(chǎn)生兩個克隆，其余的克隆每個只有一次。每個克隆的權(quán)重與原始網(wǎng)絡(luò)相同。

然后對克隆進行超突變。在此步驟中，通過添加較小的隨機擾動來更改權(quán)重。如果任何克隆的權(quán)重集都表示為矩陣，然后將超變實現(xiàn)為

W＝W+δ·U(-1，1) (10)

在上式中，該數(shù)量是與超變相關(guān)的常數(shù)，并且是與間隔[1、1]中均勻分布的隨機數(shù)相同的尺寸的矩陣。為了進一步改善克隆，使用常規(guī)梯度下降算法訓(xùn)練權(quán)重，如下