【技术实现步骤摘要】
本专利技术涉及继电保护，尤其涉及一种基于l-m算法改进的电力故障数据识别方法及系统。
技术介绍
1、电力数据挖掘技术是近年来电力行业的重点研究内容，该技术是从大量电力数据中挖掘出隐藏的信息，这些信息对继电保护装置的安全运行起到重要的作用。随着电力公司技术的不断更新，智能装置、智能电表和在线监测系统的普及与应用，大量的装置运行数据得到收集与保存，电力大数据的规模越来越大。这些数据为电力数据挖掘工作提供了良好的数据基础，因此，从数据中研究电力故障数据是一个值得探索的方向。
2、在国内外的电力故障研究方面，大多数还是采用传统的机器学习算法，如聚类分析、支持向量机、决策树、随机森林等，这类算法的优势是构建模型较为简单方便，但模型的运行效率较为一般，且准确率不高；而数据挖掘算法中的深度学习算法和神经网络算法应用的案例比较少，在此领域的研究还处在初步阶段，有待于进一步的研究，以继电保护装置的历史用电数据为基础，通过数据挖掘技术去挖掘这些数据中的信息，是一个值得研究的方向。
技术实现思路
1、为了解决上述问题，本专利技术提出一种基于l-m算法改进的电力故障数据识别方法及系统，可以从历史的数据中检测继电保护装置运行情况。
2、本专利技术采用的技术方案如下：
3、一种基于l-m算法改进的电力故障数据识别方法，包括：
4、数据归一化处理：采集现有继电保护装置中的电气量数据，提取电气量数据中的目标特征量并进行归一化处理，所述目标特征量包括a、b、c三相电的
5、模型构建与训练：构建电力故障数据识别模型，基于归一化处理后的目标特征量和l-m算法进行模型训练，即通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法；
6、电力故障数据识别：采集目标继电保护装置中的电气量数据，提取电气量数据中的目标特征量并进行归一化处理，再输入训练好的电力故障数据识别模型，从而识别目标继电保护装置的异常运行情况。
7、进一步地，所述电力故障数据识别模型的训练过程包括正向运算和反向求导，输入归一化处理的目标特征量后，先进行正向加权求和至输出层；如果输出层得到的结果不符合期望值，则进行反向求导修改连接层之间的连接权值和阈值，得到新的参数后再进行正向运算，直到输出层的结果和期望值的误差满足要求为止。
8、进一步地，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，包括：在电力故障数据识别模型的连接权值和阈值远离最优值时，采用最速下降法进行收敛。
9、进一步地，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，还包括：在电力故障数据识别模型的连接权值和阈值接近最优值时，采用高斯-牛顿法进行收敛。
10、进一步地，所述电力故障数据识别模型的中间层采用的传递函数包括sigmoid函数，输出层采用的传递函数包括线性函数。
11、一种基于l-m算法改进的电力故障数据识别系统，包括：
12、数据归一化处理模块，被配置为采集现有继电保护装置中的电气量数据，提取电气量数据中的目标特征量并进行归一化处理，所述目标特征量包括a、b、c三相电的电压、电流、有功功率和无功功率；
13、模型构建与训练模块，被配置为构建电力故障数据识别模型，基于归一化处理后的目标特征量和l-m算法进行模型训练，即通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法；
14、电力故障数据识别模块，被配置为采集目标继电保护装置中的电气量数据，提取电气量数据中的目标特征量并进行归一化处理，再输入训练好的电力故障数据识别模型，从而识别目标继电保护装置的异常运行情况。
15、进一步地，所述电力故障数据识别模型的训练过程包括正向运算和反向求导，输入归一化处理的目标特征量后，先进行正向加权求和至输出层；如果输出层得到的结果不符合期望值，则进行反向求导修改连接层之间的连接权值和阈值，得到新的参数后再进行正向运算，直到输出层的结果和期望值的误差满足要求为止。
16、进一步地，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，包括：在电力故障数据识别模型的连接权值和阈值远离最优值时，采用最速下降法进行收敛。
17、进一步地，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，还包括：在电力故障数据识别模型的连接权值和阈值接近最优值时，采用高斯-牛顿法进行收敛。
18、进一步地，所述电力故障数据识别模型的中间层采用的传递函数包括sigmoid函数，输出层采用的传递函数包括线性函数。
19、本专利技术的有益效果在于：
20、本专利技术建立了基于l-m算法优化的神经网络模型，该模型可用于识别继电保护装置的异常运行情况；提供了神经网络整体的算法流程以及基于l-m算法优化的神经网络优化算法；通过仿真分析验证了基于l-m算法改进的电力故障数据识别模型可行性，并以改进后的模型与常规神经网络模型对比，其运行速度、运行结果的准确度都优于常规的网络模型。
本文档来自技高网...【技术保护点】
1.一种基于L-M算法改进的电力故障数据识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于L-M算法改进的电力故障数据识别方法，其特征在于，所述电力故障数据识别模型的训练过程包括正向运算和反向求导，输入归一化处理的目标特征量后，先进行正向加权求和至输出层；如果输出层得到的结果不符合期望值，则进行反向求导修改连接层之间的连接权值和阈值，得到新的参数后再进行正向运算，直到输出层的结果和期望值的误差满足要求为止。
3.根据权利要求1所述的一种基于L-M算法改进的电力故障数据识别方法，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，包括：在电力故障数据识别模型的连接权值和阈值远离最优值时，采用最速下降法进行收敛。
4.根据权利要求3所述的一种基于L-M算法改进的电力故障数据识别方法，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，还包括：在电力故障数据识别模型的连接权值和阈值接近最优值时，采用高斯-牛顿法进行收敛。
5.根据权利要求1所述
6.一种基于L-M算法改进的电力故障数据识别系统，其特征在于，包括：
7.根据权利要求6所述的一种基于L-M算法改进的电力故障数据识别系统，其特征在于，所述电力故障数据识别模型的训练过程包括正向运算和反向求导，输入归一化处理的目标特征量后，先进行正向加权求和至输出层；如果输出层得到的结果不符合期望值，则进行反向求导修改连接层之间的连接权值和阈值，得到新的参数后再进行正向运算，直到输出层的结果和期望值的误差满足要求为止。
8.根据权利要求6所述的一种基于L-M算法改进的电力故障数据识别系统，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，包括：在电力故障数据识别模型的连接权值和阈值远离最优值时，采用最速下降法进行收敛。
9.根据权利要求8所述的一种基于L-M算法改进的电力故障数据识别系统，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，还包括：在电力故障数据识别模型的连接权值和阈值接近最优值时，采用高斯-牛顿法进行收敛。
10.根据权利要求6所述的一种基于L-M算法改进的电力故障数据识别系统，其特征在于，所述电力故障数据识别模型的中间层采用的传递函数包括Sigmoid函数，输出层采用的传递函数包括线性函数。
...【技术特征摘要】
1.一种基于l-m算法改进的电力故障数据识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于l-m算法改进的电力故障数据识别方法，其特征在于，所述电力故障数据识别模型的训练过程包括正向运算和反向求导，输入归一化处理的目标特征量后，先进行正向加权求和至输出层；如果输出层得到的结果不符合期望值，则进行反向求导修改连接层之间的连接权值和阈值，得到新的参数后再进行正向运算，直到输出层的结果和期望值的误差满足要求为止。
3.根据权利要求1所述的一种基于l-m算法改进的电力故障数据识别方法，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，包括：在电力故障数据识别模型的连接权值和阈值远离最优值时，采用最速下降法进行收敛。
4.根据权利要求3所述的一种基于l-m算法改进的电力故障数据识别方法，其特征在于，所述通过改变阻尼系数使电力故障数据识别模型的误差函数在不同阶段采用相应的收敛方法，还包括：在电力故障数据识别模型的连接权值和阈值接近最优值时，采用高斯-牛顿法进行收敛。
5.根据权利要求1所述的一种基于l-m算法改进的电力故障数据识别方法，其特征在于，所述电力故障数据识别模型的中间层采用的传递函数包括sigmoid函数，输出层采用的传递函数包括线性函数。
...【专利技术属性】
技术研发人员：吴亚龙，
申请(专利权)人：三峡金沙江川云水电开发有限公司，
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。