神经网络的电网故障诊断资料
基于神经网络的电力系统故障诊断
基于神经网络的电力系统故障诊断一、介绍电力系统故障对于现代社会的正常运行和二次能源使用起到了至关重要的作用。
对于电力系统的故障，传统的诊断方法往往过于依赖人工诊断，难以满足快速、精确和全面的要求。
因此，本篇文章将介绍一种基于神经网络的电力系统故障诊断方法，旨在提高故障诊断的准确性和效率，实现电力系统的稳定运行。
二、神经网络的基本概念神经网络是一个模拟人类神经系统的计算机模型，它由许多与生物神经元类似的简单单元组成，这些单元通过互相连接传递信息。
在神经网络中，每个单元都有一个激活状态，这个状态可以被其他神经元的信号所激活。
神经网络可以识别并学习模式，这使得它在许多应用中都展现出卓越的性能。
三、基于神经网络的电力系统故障诊断方法在基于神经网络的电力系统故障诊断方法中，我们将电力系统看作是一个由各个设备单元所组成的复杂网络结构。
首先，我们需要对电力系统进行建模和数据采集。
在建模和数据采集方面，我们使用了现代化的电力系统数据采集系统，从而获得了大量的电力系统参数和运行数据。
接下来，我们将这些数据输入到神经网络中进行学习和训练。
在训练过程中，我们使用了监督学习的方法。
具体地，我们将输入数据与正确的输出结果进行比较，从而调整网络的权重和偏置，使得网络能够对未知数据做出正确的预测。
训练完成后，我们就可以使用神经网络来进行电力系统故障诊断。
具体地，我们将电力系统的实时数据输入到已经训练好的神经网络中进行预测。
神经网络将会对每个设备单元的状态进行分析预测，从而判断是否有故障发生。
在发现电力系统故障之后，系统将会自动进行报警，并展示故障的具体位置和类型。
四、优点和应用基于神经网络的电力系统故障诊断方法具有以下优点：1. 准确性高：神经网络可以自适应地进行学习和调整，从而提高故障诊断的准确性。
2. 效率高：与传统的故障诊断方法相比，基于神经网络的方法可以快速地诊断故障，并自动进行报警。
3. 全面性强：神经网络可以对所有设备单元进行分析预测，从而提高故障诊断的全面性。
神经网络在电气系统故障诊断中的应用研究
神经网络在电气系统故障诊断中的应用研究电气系统的故障诊断一直是电力工程领域中至关重要的任务之一。
随着科技的不断发展，传统的故障诊断方式往往需要大量的人力和时间，无法满足当今社会快速发展的需求。
神经网络技术作为一种先进的人工智能技术，正被越来越多的学者和工程师所应用于电力系统的故障诊断中。
一、神经网络技术简介神经网络技术是一种仿生计算技术，其运作方式类似于人脑神经系统。
神经网络由多个处理单元组成，每个处理单元可以接受多个外界输入信号，并进行相应的计算。
通过训练算法和大量的数据样本，神经网络可以学习到问题的特征和规律，并能够通过输入新的数据进行预测和诊断。
二、神经网络在电气系统故障诊断中的应用1. 变压器故障诊断变压器是电力系统中最重要的设备之一，也是最容易发生故障的设备。
采用传统方法诊断变压器故障需要大量的人力和时间，而且其准确率也相对较低。
通过利用神经网络技术，可以将变压器的历史数据、环境数据以及现场监控数据等信息进行预处理和分析，并将其输入到神经网络中进行训练和学习。
经过训练后的神经网络可以快速准确地诊断变压器故障类型和位置。
2. 输电线路故障诊断输电线路的故障可能导致电力系统中断，造成重大经济损失和人身伤亡。
传统的线路故障诊断方法需要对整个线路进行巡逻和检查，效率非常低下。
采用神经网络技术进行线路故障诊断，可以大大提高诊断效率和准确率。
神经网络可以通过线路的历史数据和现场监控数据，学习和识别不同种类的线路故障，并能够准确地确定故障的位置。
3. 设备预警诊断利用神经网络技术可以实现设备的预警诊断，早期发现设备的潜在故障，及时采取维修措施，避免事故的发生。
神经网络可以通过采集设备的历史数据、环境数据和工作数据等信息，学习和识别不同种类的故障预兆，预测设备故障发生的可能性和时间。
三、神经网络技术中的优缺点1. 优点（1）自适应能力强，能够适应不同种类的数据和环境；（2）学习和识别能力强，能够处理大量的复杂数据和变化的情况；（3）预测准确率高，能够根据历史数据和现场数据进行高精度预测和诊断；（4）学习速度快，能够快速地学习和识别。
利用神经网络的电力系统故障诊断方法研究
利用神经网络的电力系统故障诊断方法研究电力系统故障诊断一直是电力行业中的热门研究方向之一。
随着人工智能技术的发展，特别是神经网络的应用，电力系统故障诊断方法也得到了极大的改进和发展。
本文将探讨利用神经网络的电力系统故障诊断方法的研究进展和未来发展方向。
首先，我们需要了解神经网络在电力系统故障诊断中的基本原理。
神经网络是一种模仿人脑神经元互连并进行信息处理的计算模型。
它通过训练来学习输入与输出之间的映射关系，然后用这种关系来进行预测和诊断。
在电力系统故障诊断中，神经网络可以通过输入电力系统的状态参数，如电流、电压、频率等，然后通过训练来学习电力系统的故障模式和故障特征。
一旦发生故障，神经网络可以通过输入故障发生时的状态参数，预测故障类型和位置。
神经网络在电力系统故障诊断中的应用有很多。
首先，可以利用神经网络进行故障类型的识别和分类。
通过训练，神经网络可以学习各种故障类型的特征，然后根据输入的电力系统状态参数判断故障类型。
这对于提高故障识别的准确性和效率非常重要。
其次，神经网络可以用于故障位置的定位。
通过学习电力系统各个节点之间的关系，神经网络可以根据输入的状态参数预测故障的位置。
这可以帮助工程师快速定位故障，并采取相应的修复措施。
另外，神经网络还可以用于故障程度的评估。
在发生故障后，神经网络可以根据输入的状态参数判断故障的严重程度，从而帮助工程师判断是否需要紧急处理。
虽然神经网络在电力系统故障诊断中取得了一些成果，但仍然存在一些挑战和问题。
首先，数据的获取和准确性是一个关键问题。
电力系统状态参数的获取需要大量的传感器和监测设备，而且这些数据需要具有高精度和实时性。
此外，电力系统故障的样本数据往往不够充分，这也会对神经网络的训练和性能产生一定的影响。
其次，神经网络模型的设计和优化也是一个重要的研究方向。
合理选择神经网络的结构和参数，并进行有效的训练算法，可以提高神经网络的诊断效果和性能。
另外，还需要考虑神经网络模型的可解释性。
基于神经网络的电力系统故障诊断与恢复研究
基于神经网络的电力系统故障诊断与恢复研究引言电力系统是现代社会的重要基础设施之一，它为工业生产、市政供电以及人们的生活提供了稳定可靠的电力供应。
然而，电力系统由于复杂的结构和大规模的运行，往往面临各种各样的故障问题。
故障的及时诊断和恢复对于电力系统的正常运行以及人们的生活和安全至关重要。
本文将通过研究基于神经网络的电力系统故障诊断与恢复方法，探讨如何提高电力系统的可靠性和安全性。
一、电力系统故障诊断1.1 电力系统故障的类型和原因电力系统故障主要包括短路、断线、过载等，这些故障往往由于设备老化、天气变化、外界干扰等原因引起。
准确地诊断故障的类型和原因对于快速恢复电力系统至关重要。
1.2 传统的电力系统故障诊断方法传统的电力系统故障诊断主要依赖于经验判断和人工分析，该方法效率低下且容易出错。
随着人工智能技术的发展，基于神经网络的故障诊断方法逐渐应用于电力系统领域。
1.3 基于神经网络的电力系统故障诊断方法基于神经网络的故障诊断方法通过学习电力系统的历史数据和经验知识，能够自动地从海量数据中提取特征，并快速准确地诊断故障类型和原因。
其中，深度神经网络模型被广泛应用于电力系统故障诊断领域。
通过构建多层神经网络模型，可以更好地挖掘电力系统中故障特征之间的关联性，实现更精准的诊断结果。
二、电力系统故障恢复2.1 故障恢复的重要性电力系统故障发生后，及时有效地进行恢复是保障电力供应稳定的关键。
故障恢复的目标是尽快恢复电力系统的正常运行，减少对用户的影响。
2.2 传统的电力系统故障恢复方法传统的电力系统故障恢复方法主要依靠人工指挥和现场操作，该方法效率低下且易受到人为因素的影响。
为了提高电力系统故障恢复的效率和可靠性，需要引入智能化的恢复方法。
2.3 基于神经网络的电力系统故障恢复方法基于神经网络的电力系统故障恢复方法通过学习历史故障和恢复数据，能够分析电力系统中各个设备之间的关联性，实现自动、智能化的故障恢复。
基于人工神经网络的电力设备故障诊断
基于人工神经网络的电力设备故障诊断引言电力设备在现代社会中起着至关重要的作用。
然而，由于长时间的运行和环境因素的影响，电力设备常常会出现各种故障。
及时准确地诊断电力设备故障，对于保障电力供应的连续性和设备的可靠性至关重要。
本文将探讨基于人工神经网络的电力设备故障诊断技术，介绍其原理和应用。
1. 人工神经网络概述1.1. 神经网络基本原理人工神经网络是一种模仿生物神经网络工作原理的数学模型。
它由多个简单的神经元单元组成，通过突触连接形成复杂的网络结构。
神经元单元接收输入信号，经过加权处理和激活函数的作用，产生输出信号传递给下一层神经元。
通过训练神经网络的权重和阈值，可以实现对复杂问题的非线性建模和处理。
1.2. 神经网络在电力设备故障诊断中的应用人工神经网络在电力设备故障诊断中具有广泛的应用前景。
电力设备故障诊断涉及多种参数和复杂关系的分析，传统方法往往难以准确识别故障类型和位置。
而人工神经网络通过学习和训练，可以有效地从大量的数据中提取特征，实现故障诊断的精准化和自动化。
2. 基于人工神经网络的电力设备故障诊断方法2.1. 数据采集与处理为了建立准确可靠的故障诊断模型，首先需要采集电力设备运行数据。
通过传感器和监测装置，可以获取设备的电流、电压、温度等参数。
同时，对采集到的原始数据进行预处理，包括去噪、归一化等操作，以保证数据的质量和可用性。
2.2. 特征提取与选择在建立故障诊断模型之前，需要从原始数据中提取有效特征。
特征提取是电力设备故障诊断的关键步骤，它决定了模型的性能和诊断结果的准确性。
常用的特征提取方法包括时域特征、频域特征和时频域特征等。
通过比较不同特征的重要性和区分度，选择最具代表性的特征，以降低模型复杂度和提高诊断效果。
2.3. 网络结构设计根据电力设备的输入和输出特性，确定人工神经网络的结构和拓扑。
常用的网络结构包括前馈神经网络（Feedforward Neural Network）和递归神经网络（Recurrent Neural Network）。
基于人工神经网络的电力系统故障诊断技术研究
基于人工神经网络的电力系统故障诊断技术研究人工神经网络技术在电力系统的应用中具有广泛的应用前景。
其中，电力系统故障诊断技术是电力系统运行中最为重要的技术之一。
本文将探讨基于人工神经网络的电力系统故障诊断技术研究，以及在电力系统故障诊断方面进行改进的方法。
一、人工神经网络人工神经网络(简称ANN)是模拟人脑神经元之间相互连接的计算系统，以实现信息处理和知识存储，并能自适应地从经验中学习。
ANN的结构与人脑的结构相似，包括输入层、隐含层和输出层。
一般采用BP神经网络进行模型训练，训练完成后可以用于诊断设备故障。
二、基于ANN的电力系统故障诊断方法在电力系统的诊断过程中，ANN具有很好的特征提取和模式识别能力，可以有效地解决复杂设备故障的问题。
目前基于ANN的电力系统故障诊断方法主要分为以下几种：1. BP神经网络模型BP神经网络是一种典型的ANN模型，其训练和预测过程都比较简单。
在电力系统故障诊断方面，BP神经网络可以处理包括高压开关、变压器、发电机等在内的多种设备的故障。
2. RBF神经网络模型RBF神经网络是一种具有高度非线性特征的ANN模型。
在电力系统故障诊断中，RBF神经网络可以有效地处理低压电力设备的故障。
并且，该模型具有很强的学习能力和泛化能力，可以在复杂环境下进行预测和诊断。
3. SOM神经网络模型SOM神经网络是一种具有很强的自组织特征的ANN模型。
在电力系统故障诊断中，SOM神经网络主要用于电力监控系统中，可以对设备的状态进行实时监测和处理。
三、改进基于ANN的电力系统故障诊断方法无论是BP神经网络、RBF神经网络还是SOM神经网络，都存在着一些缺点和不足。
为了使其在电力系统故障诊断方面发挥更大的作用，需要进行改进。
当前，主要有如下改进方法：1. 搭建深度神经网络模型深度神经网络(Deep Neural Network)可以通过多层隐藏层来提高模型的非线性拟合能力。
在应用于电力系统故障诊断时，搭建深度神经网络模型可以提高模型的准确率和诊断精度。
基于神经网络的电力系统故障诊断技术
基于神经网络的电力系统故障诊断技术电力系统作为重要的能源供应系统，其安全和稳定运行对社会经济发展至关重要。
然而，由于各种原因，电力系统在运行过程中难免会出现故障，如电力设备损坏、短路、过载等。
及时准确地诊断电力系统故障，对保障电力系统的安全运行起着至关重要的作用。
本文将介绍一种基于神经网络的电力系统故障诊断技术，旨在提高电力系统故障诊断的准确性和效率。
1. 神经网络在电力系统故障诊断中的应用神经网络是一种模拟人脑神经元网络结构及其运算规则的计算模型。
其具有分布式存储和处理信息的能力，可以自适应地学习和记忆输入模式，并能通过调整内部连接权值和阈值实现自动关联、分类和识别等功能。
因此，神经网络在电力系统故障诊断中具有广阔的应用前景。
2. 神经网络模型的构建针对电力系统故障诊断任务，可以构建适应性较强的神经网络模型。
首先，收集和处理电力系统故障数据，包括电流、电压、功率因数等指标，以及与故障相关的输入信息。
然后，基于经验规则和专家知识，构建神经网络的输入层、隐藏层和输出层，并确定各层之间的连接权值和阈值。
最后，利用训练集对神经网络进行训练和优化，以提高其故障诊断的准确性和泛化能力。
3. 神经网络的训练和应用通过对大量的电力系统故障数据进行训练，可以使神经网络学习到故障模式和规律，并能够对未知故障进行准确诊断。
在训练过程中，可以采用反向传播算法和梯度下降法等优化方法，不断调整连接权值和阈值，以降低误差和提高模型的拟合能力。
在实际应用中，将训练好的神经网络模型输入待诊断的电力系统数据，经过前向传播计算，即可输出故障的类型、位置和程度等信息，为后续的故障修复和维护工作提供参考依据。
4. 神经网络故障诊断技术的优势和挑战相比传统的电力系统故障诊断方法，基于神经网络的故障诊断技术具有以下优势：（1）具有较强的自学习和自适应能力，能够适应不同类型和程度的故障；（2）能够处理多变量和非线性关系，提高故障诊断的准确性和可靠性；（3）能够进行并行计算和快速响应，缩短故障诊断的时间。
神经网络在电网故障诊断与定位中的应用
神经网络在电网故障诊断与定位中的应用电网是现代化社会中不可或缺的基础设施之一，但由于复杂的电力系统结构和各种外部环境因素的影响，电网故障时有发生。
快速、准确地诊断和定位电网故障，对于维护电力系统的稳定运行和提高电力供应质量至关重要。
近年来，神经网络在电网故障诊断与定位中得到了广泛应用，并取得了显著的成果。
本文将探讨神经网络在电网故障诊断与定位中的应用，并阐述其优势和挑战。
一、神经网络在电网故障诊断中的应用神经网络是一种模仿人脑神经元网络结构和功能的人工智能工具，具有自学习、自适应和泛化能力。
在电网故障诊断中，神经网络可以通过学习大量的电网故障数据，建立模型并进行预测分析，从而确定电网故障的类型和位置。
首先，神经网络可以用于故障类型诊断。
通过输入电网传感器采集的故障数据，如电流、电压等信息，神经网络可以学习不同故障模式的特征，从而能够准确地判断故障类型，如短路、接地故障等。
这种无监督学习的方式，使得神经网络能够对多种类型的故障进行有效识别。
其次，神经网络还可以用于故障位置定位。
通过输入多个测量点的电网数据，神经网络可以建立一个电网模型，实现对电网故障位置的定位。
神经网络通过学习传感器数据之间的关系，能够精确计算出电网各个节点的电测量值，从而确定故障发生的位置。
这种方法不仅能够提高故障定位的准确性，而且还能够降低故障定位所需的成本和时间。
二、神经网络在电网故障诊断与定位中的优势与传统的故障诊断方法相比，神经网络在电网故障诊断与定位中具有以下优势：1. 自适应性：神经网络能够根据输入数据的变化自动调整其内部权重和参数，从而适应不同的电网故障情况，提高故障诊断与定位的准确性和稳定性。
2. 并行计算：神经网络的并行计算能力使其能够快速处理大量的电网数据，实现快速的故障诊断与定位。
与传统的串行计算方式相比，节省了大量的计算时间。
3. 泛化能力：神经网络通过学习大量的电网故障数据，能够实现对未知故障模式的泛化，从而提高电网故障诊断与定位的适用性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于新型神经网络的电网故障诊断方法1引言快速事故后恢复系统正常运行是减少电能中断时间和增强供电可靠性的必要条件。
作为事故恢复的第一步,应实现快速、准确的故障诊断以隔离故障元件并采取相应措施以恢复电能供应。
然而在线快速、准确地故障诊断仍是一个悬而未决的难题,尤其在保护和断路器不正常动作或多重故障的情况下,故障诊断更为困难。
故障诊断一般基于SCADA系统所提供的保护和断路器信息来判别电力系统中的故障元件。
多种人工智能技术已用于解决此问题,如专家系统[1~4],随机优化技术[5~10]和人工神经网络[11~14]等等。
其中基于专家系统的方法得到了广泛的注意和研究。
这种方法能够提供强有力的推理并具解释能力,然而专家系统中知识的获取、组织、校核和维护等都非常困难,并成为其应用的瓶颈。
而且,专家系统必须搜索庞大的知识库以得到最终的诊断结论,这使得它不能满足故障诊断实时的要求。
另外,当系统中存在保护和断路器不正常动作时,专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。
用于故障诊断的另一种较有潜力的方法是基于工程随机优化的方法。
这种方法的主要原则是将故障诊断表述为一个整数优化问题,随后使用全局优化方法,如波尔兹曼机[5]、遗传算法[6~8]、仿蚂蚁系统[9]或tabu搜索[10]等,去求解该优化问题。
这种方法在实际应用过程中也出现了一些问题:如何确定这些随机优化方法的参数以实现快速正确的故障诊断;如何使这些方法适用于保护和断路器不正常动作的情况等等。
近年来,人工神经网络[11~14]引起了研究工作者的兴趣,因为它具有学习、泛化和容错能力。
并且神经元的计算是并行的,这有利于实现实时应用。
在神经网络的各种模型中,应用得最为广泛的模型就是BP(Back-Propagation)神经网络。
标准的BP模型使用梯度下降算法训练,因此BP神经网络的结构必须是事先已知的,而且该学习算法收敛速度很慢,并有可能收敛于局部最小点。
这些不利因素限制了BP模型在故障诊断中的应用。
本文提出使用径向基函数(Radial basis function,RBF)神经网络[15~16]解决电力系统中的故障诊断问题。
理论上讲RBF神经网络具有任意函数逼近能力[17]。
并且RBF网络的学习时间远小于前向神经网络其它学习算法的训练时间。
另外,RBF网络的隐藏神经元数目可以在参数优化过程中自动确定。
这些特性使其在实际应用中受到欢迎。
建立一个RBF神经网络的关键问题就是在训练过程中优化其参数。
本文对正交最小二乘(Orthogonalleast square)算法[18]进行扩展,用于优化RBF神经网络参数。
为了评估RBF神经网络在故障诊断问题中的有效性,文中还使用一个传统的BP神经网络解决同样的问题,并将它们的计算结果进行比较。
在4母线测试系统中的仿真结果证明:RBF神经网络优于BP神经网络模型,能够更有效地解决故障诊断问题。
2用于故障诊断的RBF神经网络2.1RBF神经网络的结构RBF神经网络由输入层、隐藏层和输出层构成,其中隐藏层由径向基函数神经元组成。
输入空间可以采用实际或归一化的表示方式。
输入信号被传送至隐藏层,即径向基函数神经元层。
隐藏层中第i个神经元将计算输入矢量x和它的权重矢量ui之间的距离,并把它作为径向基函数φi(x)的输入,进而计算得到隐藏层的输出。
研究表明径向基函数类型的选择对RBF神经网络的行为影响不大。
研究中采用高斯函数作为径向基函数[15、16],即:φi(x)=exp(-[x-ui]T[x-ui]/2σ2i)(i=1,…,nh)(1)式中φi(x)为隐藏层中第i个神经元的输出;nh为隐藏神经元的数目;x为输入矢量;ui和σi分别为相应高斯函数的中心(或称权重)和概率散度。
显然,径向基函数神经元i起探测器的作用,当输入矢量x与权重矢量ui相同时,其输出为1。
概率散度σi(>0)表示径向基函数神经元所能响应的输入空间中‖x-ui‖的范围。
一般来讲,概率散度应不大于输入矢量与径向基函数中心之间可能的最大距离,具体数值可由试验决定。
输出层对径向基函数隐藏层的输出进行线性组合以生成预期的输出。
输出层第j个神经元的输出为dj=∑nhi=1νij·φi(x)(j=1,…,no)(2)式中no为输出神经元的总数;νij为第i个隐层神经元到第j个输出神经元的权重。
由此可见,根据给定的训练样本,快速有效地确定径向基函数的中心{ui}和输出层权重{νij}是训练RBF神经网络的关键任务。
事实上一旦确定了径向基函数的中心{ui},则对于所有的训练样本而言{φi(x)}nhi=1和相应的预期输出{dj}noj=1是已知的,输出权重{vij}可由式(2)经最小二乘法求出。
所以,建立RBF 神经网络的关键问题是根据给定的训练样本确定径向基函数的中心。
这个问题将在后面予以详细分析。
2.2RBF神经网络的训练算法假设RBF神经网络的输入层有ni个神经元,对于故障诊断问题来讲,ni等于电力网络中所有保护继电器和断路器的总数,这些保护和断路器的状态(0或1)就是神经网络的输入。
如果共有N个训练样本,那么训练样本集合可以表示为x(t)∈Rni,t=1,…,N。
假设所考虑的电力网络中共有M个元件,如输电线路、母线和变压器等,确定这些元件的状态为故障或正常是诊断的最终目的,则RBF神经网络输出层的神经元数目为no=M。
确定隐藏层神经元数目nh及其中心的最简单的方法是精确设计(Exact design)法[16]。
对于这种方法生成的RBF神经网络,当输入为训练样本x时,计算得到的输出将等于预期的输出,没有误差。
这种方法产生与训练样本总数N相同数目的隐藏层神经元,并令相应的权重为ui=x(i),i=1,…, N。
然而如果训练样本的数目N过大,将导致相应的RBF神经网络因隐藏层神经元的数目过多而难以接受。
为了解决这个问题,本文对文[18]提出的正交最小二乘(Orthogonal Least Squares,OLS)算法进行了扩展并用于训练RBF神经网络。
文[18]中的OLS算法只适用于优化单输出的RBF网络参数,而本文将其扩展至优化多输出网络的隐层神经元数目、相应的径向基函数中心和输出层权重。
在OLS方法中,RBF神经网络被看作一个特殊的线性回归模型。
RBF网络中的2个映射可以用矩阵形式表示为D=Φ·V+E(3)式中矩阵Φ对应于网络中的第1个映射关系,被称为回归矩阵。
可写作Φ(N ×nh)=[φ1…φl…φnh]=[φ(1)…φ(t)…φ(N)]T,即该矩阵的l列t行元素φl(x(t))是网络中第l个隐层神经元关于第t个输入矢量x(t)的输出;矩阵V(nh×no)对应于网络中的第2个映射关系,是式(2)所定义的权重矩阵;矩阵D(N×no)=[d1…dm…dno]=[d(1)…d(t)…d(N)]T是所有训练样本的预期输出,它的结构与Φ类似。
误差矩阵E(N×no)=[ε1…εm…εno]表示RBF神经网络的计算输出与训练样本预期输出D之间的偏差。
假设E与Φ不相关,并且在完成RBF网络的训练后应尽可能小。
OLS算法的目的就是确定Φ和V的最优值及最小化误差矩阵E,从而保证诊断的精度。
Φ可以被分解为Φ=W·A(4)式中A为一个nh×nh的上三角阵A=1α12α13…α1nh01α23…α2nh…………00…1α(nh-1)nh00…01(5)而W(N×nh)=[w1…wl…wnh]是一个正交矩阵,即WT·W=H(6)或wTl·wl=∑Nt=1wl(t)·wl(t)=hlwTl·wj=01≤l≤nh(l≠j)(7)式中H(nh×nh)为一个对角阵;hl为它的第l个对角元素。
若把式(4)代入式(3),并定义A·V=G(nh×n0)(8)根据正交矩阵W的性质,可得到矩阵G的理想(即误差矩阵E为0)的正交最小二乘解为G^=H-1·WT·D(9)该矩阵元素可由下式计算获得:g^lm=wTl·dm/(wTl·wl),1≤l≤nh,1≤m≤no(10)则式(3)可表示为D=W·G+E(11)式中G上的‘^’略。
或写作矢量形式dm=W·gm+εm,1≤m≤no(12)因为当l≠p时,矢量wl和wp是彼此正交的,并且矢量εm与它们不相关,所以第m个输出神经元的能量函数(dTm·dm)可以定义为dTm·dm=∑nhl=1g2lmwTlwl+εTm·εm(13)对于所有训练样本总的平均输出能量为N-1·∑nom=1(dTm·dm)=N-1∑nom=1∑nhl=1g2lmwTlwl+εTm·εm(14)显而易见,N-1∑nom=1∑nhl=1g2lmwTlwl是式(14)等式右边的主控项,所以关于第l个回归矢量wl相应的输出能量贡献因子[out—con]l可定义为[out—con]l=∑nom=1g2lmwTlwl/∑nom=1(dTm·dm)1≤l≤nh(15)此比率为从给定的训练样本集{x(t)}Nt=1中选择重要的回归矢量子集提供了一个有效的量化指标,当∑nhl=1[out—con]l→1时,训练收敛。
基于上述概念,OLS算法的整个训练算法是一个迭代过程,在每一次迭代中隐藏层都将增加一个径向基函数神经元,它的中心由可以产生最大输出能量贡献因子的输入矢量决定。
随后计算并检查新神经网络的输出误差。
当误差足够小时迭代终止。
由上述训练过程可知,如果隐层神经元的数目等于训练样本的数目,则OLS 算法建立的RBF神经网络将与精确设计法得到的神经网络相同。
因此精确设计法可看作是OLS算法的一个特例。
显然OLS算法的最大迭代次数将不超过训练样本的数目,而其收敛速度很快,且理论上可以对训练样本达到零误差。
故RBF神经网络对于实现实时故障诊断系统非常有吸引力。
2.3RBF神经网络与BP神经网络的比较在故障诊断中,RBF神经网络优于BP神经网络[16],尽管后者在很多方面有成功的应用。
这两种基于新型神经网络的电网故障诊断方法神经网络均为多层前向网络。
概括地说,RBF神经网络将某一知识存储于局部神经元中,而BP神经网络则将知识蕴含于全体神经元中。
对于RBF神经网络,隐层神经元的最优数目可以在训练过程中获得;而BP神经网络则要求隐层神经元数目在训练开始之前必须是已知的,并且隐层神经元的最优数目很难确定。
此外,训练RBF神经网络的最大迭代次数将不超过训练样本的数目,当隐层神经元的数目等于训练样本的数目时,输出可以实现零误差;而BP神经网络使用梯度下降法最小化误差,误差可能收敛得很慢,而且残余误差可能不能达到容许偏差的要求。