【技术实现步骤摘要】
本专利技术一般地涉及数据处理。更具体地，本专利技术涉及一种开关柜智能控制系统及方法。
技术介绍
1、开关柜是一种电气设备和控制系统，主要用于电力系统的发电、输电、配电和电能转换过程中，其作为电力系统的重要组成部分，其电流分配和控制的准确性和可靠性直接影响到电力系统的安全稳定运行。pid（比例-积分-微分）控制算法是最广泛使用的一种反馈控制方法。pid算法简单、有效，通过调节、和三个参数来控制系统输出，以达到预期的控制效果。然而，传统的pid控制算法在面对复杂系统或者非线性系统时，参数调节往往需要依赖经验和反复试验，这在某些情况下可能效率低下且不够精确。随着人工智能技术的发展，尤其是神经网络的应用，为解决传统pid控制在复杂系统中的局限性提供了新的可能。bp（反向传播）神经网络，作为一种经典的深度学习模型，能够通过学习输入与输出间的复杂关系来优化参数。将bp神经网络应用于pid控制参数的优化，即通过神经网络来学习和调整pid控制器的、和三个参数，可以实现更加智能和精确的控制。
2、现有bp神经网络的问题在于，由于在开关柜触摸屏智能控制场景下，周围环境中的电磁干扰较多，这会导致利用传感器采集到的运行数据中存在大量噪声，这些噪声也存在着随机性和不确定性，而这会影响到bp神经网络在反向传播中学习率的选取，因为输入运行数据的质量不确定，因此固定的学习率可能无法适用于所有电流数据，从而导致得到的pid控制器中、和三个参数的准确性不足，从而会降低运行数据控制的准确性，进而导致对开关柜的控制的不稳定和不可靠，降低开关柜触摸屏智能控制
技术实现思路
1、为解决上述一个或多个技术问题，本专利技术在如下的多个方面中提供方案。
2、在第一方面中，本专利技术提供了一种开关柜智能控制方法，包括：
3、实时采集智能开关柜的运行数据，在采集之前预设有滑动窗口，每采集一次所述运行数据，滑动窗口向右滑动一次；
4、依据所述滑动窗口内的所有运行数据计算滑动窗口中心的运行数据的质量，并依据滑动窗口中心的运行数据的质量调节bp神经网络模型的学习率从而对bp神经网络模型进行优化，bp神经网络模型的学习率与运行数据的质量呈反比；所述bp神经网络模型用于对pid算法的参数进行优化；所述pid算法用于对智能开关柜的运行数据进行控制；所述运行数据的质量用于表征采集的运行数据与运行数据真实值的接近程度；
5、利用优化后的bp神经网络模型对pid算法的比例调节系数、积分调节系数和微分调节系数三个参数进行优化，并利用优化后的pid算法对智能开关柜的运行数据进行控制。
6、在一个实施例中，所述计算滑动窗口中心的运行数据的质量包括：
7、计算滑动窗口中心的运行数据的噪声表现程度；
8、依据滑动窗口对应时间范围内的绝对运行数据的方差对滑动窗口中心的运行数据的噪声表现程度进行修正，且所述方差越大，修正后的所述噪声表现程度越小；所述绝对运行数据是指开关柜触摸屏上的运行数据设置值；
9、依据修正后的噪声表现程度计算滑动窗口中心的运行数据的质量。
10、在一个实施例中，计算滑动窗口中心的运行数据的噪声表现程度包括：
11、依据滑动窗口内的所有运行数据计算滑动窗口中心的运行数据在滑动窗口内的噪声表现程度，并将其记为滑动窗口中心的运行数据的第一噪声表现程度；
12、计算滑动窗口内的所有运行数据的均值；
13、将滑动窗口内与所述均值偏离程度最大的数据点去除，依据滑动窗口内的剩余运行数据计算滑动窗口中心的运行数据在滑动窗口内的噪声表现程度，并将其记为滑动窗口中心的运行数据的第二噪声表现程度；
14、依据滑动窗口中心的运行数据的第一噪声表现程度和第二噪声表现程度计算滑动窗口中心的运行数据的噪声表现程度；其计算表达式为：
15、
16、式中，表示滑动窗口中心的运行数据的噪声表现程度，表示滑动窗口中心的运行数据的第一噪声表现程度，表示滑动窗口中心的运行数据的第二噪声表现程度。
17、在一个实施例中，计算滑动窗口中心的运行数据的第一噪声表现程度包括：
18、对滑动窗口内所有数据点进行拟合，得到拟合曲线；
19、依据所述拟合曲线和滑动窗口内所有数据点的数值计算滑动窗口中心的运行数据的第一噪声表现程度；其计算表达式为：
20、
21、式中，表示滑动窗口中心的运行数据的第一噪声表现程度，表示滑动窗口内数据点的个数，表示第j组相邻数据点对应在拟合曲线上的积分，表示滑动窗口内第j个运行数据点，则表示第j个运行数据点的取值，表示滑动窗口内第j+1个运行数据点，表示滑动窗口内第j+1个运行数据点的取值，表示了第j组相邻数据点对应原始数据的梯形面积表示在滑动窗口内进行曲线拟合过程中相邻两个数据点的损失。
22、在一个实施例中，修正后的噪声表现程度计算表达式如下：
23、
24、式中，与分别表示第i个运行数据点修正前和修正后的噪声表现程度；表示滑动窗口对应的时间范围内绝对运行数据点的方差。
25、在一个实施例中，所述滑动窗口中心的运行数据的质量计算表达式为：
26、，
27、其中表示第i个运行数据点的质量，为第i个运行数据点的修正后的噪声表现程度。
28、在一个实施例中，调节bp神经网络模型的学习率包括：
29、依据滑动窗口中心的运行数据的质量计算bp神经网络模型的学习率，其计算表达式为：
30、
31、式中，表示bp神经网络模型的学习率，表示滑动窗口中心的运行数据的质量。
32、在一个实施例中，所述bp神经网络模型的隐藏层数量为3，激活函数采用relu函数，输出层的神经元数量为3，反向传播过程采用梯度下降算法，学习率初始值为0.5。
33、在第二方面中，本专利技术提供了一种开关柜智能控制系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本专利技术的开关柜智能控制方法。
34、本专利技术的技术效果为：本专利技术的开关柜智能控制方法通过判断运行数据点的质量自适应调整学习率，对于质量大的运行数据点应该设置较小的学习率，旨在保证准确的模型训练结果；对于质量小的运行数据点设置较大的学习率，通过分析用于bp神经网络训练的运行数据质量的优劣自适应调整学习率，相较于传统bp神经网络固定大小的学习率，能够在训练的过程中保证寻求最优解的同时加快收敛速度，从而使得对开关柜的运行数据的控制更加精准；再者，bp神经网络能够学习非线性关系，而传统的pid控制器是线性的，通过神经网络，可以更好地捕捉电流数据与pid参数之间的复杂非线性关系，从而提高开关柜智能控制系统的自适应性、鲁棒性、稳定性以及可靠性；此外，由于开关柜的运行数据设置值不存在噪声，运行数据设置值为绝对运行数据，采集的运行数据为相对运行数本文档来自技高网...
【技术保护点】
1.一种开关柜智能控制方法，其特征在于，包括：
2.如权利要求1所述的开关柜智能控制方法，其特征在于，所述计算滑动窗口中心的运行数据的噪声表现程度包括：
3.如权利要求2所述的开关柜智能控制方法，其特征在于，计算滑动窗口中心的运行数据的第一噪声表现程度包括：
4.如权利要求1所述的开关柜智能控制方法，其特征在于，修正后的噪声表现程度计算表达式如下：
5.如权利要求1所述的开关柜智能控制方法，其特征在于，所述滑动窗口中心的运行数据的质量计算表达式为：
6.如权利要求1~5任意一项所述的开关柜智能控制方法，其特征在于，所述BP神经网络模型的隐藏层数量为3，激活函数采用ReLU函数，输出层的神经元数量为3，反向传播过程采用梯度下降算法，学习率初始值为0.5。
7.一种开关柜智能控制系统，包括处理器和存储器，所述存储器存储有计算机程序指令，其特征在于，当所述计算机程序指令被所述处理器执行时实现权利要求1~6任意一项所述的开关柜智能控制方法。
【技术特征摘要】
1.一种开关柜智能控制方法，其特征在于，包括：
2.如权利要求1所述的开关柜智能控制方法，其特征在于，所述计算滑动窗口中心的运行数据的噪声表现程度包括：
3.如权利要求2所述的开关柜智能控制方法，其特征在于，计算滑动窗口中心的运行数据的第一噪声表现程度包括：
4.如权利要求1所述的开关柜智能控制方法，其特征在于，修正后的噪声表现程度计算表达式如下：
5.如权利要求1所述的开关柜智能控制方法，其特征在于，所述...
【专利技术属性】
技术研发人员：王漫飞，寇蓓，孟皓，赵乐，赵新奇，
申请(专利权)人：陕西西高电气科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。