[发明专利]一种基于Golstein‑BP算法的设备状态大数据计算方法及设备

权利要求书

1.基于Golstein-BP算法的设备状态大数据计算方法，其特征在于，包括如下步骤：

S101：获取电网设备状态评价指标历史及当前数据，以及电网设备历史状态评价结果；

S102：根据设备状态指标历史数据特征构建相应的BP神经网络模型；

S103：根据电网设备状态评价指标历史数据，以及电网设备历史状态评价结果构建均方误差函数；

S104：采用Goldstein方法，取均方误差最小化，求解BP算法中的学习率，并通过BP算法计算BP神经网络参数；

S105：代入BP神经网络参数得出BP神经网络模型；

S106：将当前的设备状态评价指标数据作为BP神经网络模型的输入，得出输出结果。

2.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S102中，所述BP神经网络模型包括：输入层x、隐层b及输出层y；其中输入层x为x＝(x₁，x₂，...，x_d)^T，隐层b为b＝(b₁，b₂，...，b_q)^T，输出层y为y＝(y₁，y₂，...，y₁)^T；

输入层的第i个神经元向隐层第h个神经元的输出为v_ihx_i；隐层第h个神经元的输入为隐层第h个神经元向输出层第j个神经元的输出为w_hjb_h；输出层第j个神经元的输入为其中v、w、隐层神经元的阈值γ、输出层阈值θ为待确定系数向量。

3.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S103中，均方误差函数为：对该公式求解E_k最小值，获得模型参数；其中，y_j为历史电网设备的状态分类；为预测状态分类；1为分类数目。

4.根据权利要求1所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：所述步骤S104包括：

步骤S104-1：令学习率为λ，E_k为f(x_k)，φ(λ_k)＝f(x_k+λ_kd_k)，

步骤S104-2：选取初始数据，在搜索区间中[0∞)中取初始点λ₀，计算和给出可接受系数正大试探带点系数α>1，令a₀＝0，b₀＝∞，k＝0；

步骤S104-3：计算若转步骤S104-4；否则令a_k+1＝a_k，b_k+1＝λ_k，转步骤S104-5；

步骤S104-4：若

停止迭代，输出λ_k；否则令a_k+1＝λ_k，b_k+1＝b_k，若b_k+1＜+∞，转步骤S104-5，否则令λ_k+1＝αγ_k，k＝k+1，转步骤S104-3；

步骤S104-5：选取新的试探点，取令k＝k+1，转步骤S104-3；

步骤S104-6：BP算法计算BP神经网络参数。

5.根据权利要求4所述的基于Golstein-BP算法的设备状态大数据计算方法，其特征在于：

所述步骤S104-6：BP算法计算BP神经网络参数，具体为：

任意参数的更新式为v←v+△v，且激活函数选用Sigmoid函数