[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

说明书

技术领域

本发明涉及一种电网设备状态大数据计算，尤其涉及一种基于 Goldstein-BP算法的设备状态大数据计算方法及设备。

背景技术

电网设备状态评价是是指基于运行巡视、维护、检修、预防性试验和带电测试(在线监测)等结果，对反映设备健康状态的各状态量指标进行分析评价，从而确定设备状态等级与状态分值。电力设备状态评价是开展电力设备、电网运行风险评价的基础，而资产全生命周期许多决策，都涉及到对风险的计算，或者效益和风险的平衡。因此，电网设备状态评价对于设备的投资规划、物资采购、设备运维、退役报废等都具有基础性的作用。

电网设备状态数据包括设备的基本属性，如投运年限；设备的运维情况，如巡视情况、消缺情况、检修情况；设备的试验结果，如油色谱检验结果、绝缘电阻等；设备的在线监测结果，如油温、局部放电等，涉及指标数量较多。而传统的设备评价中，仅通过分段式扣分方法，分值的判定较为主观，缺乏由电网设备状态指标数据到设备状态评价结果的验证。

另一方案，为了提高电网设备状态评价的准确性，已有采用BP神经网络的模型方法来替代人为经验的分类评价。但传统的BP神经网络在求解均方误差函数时，一般使用固定学习率原则进行迭代，这会造成当取的学习率过大有可能会造成算法的不收敛性，过小又会造成算法学习效率过低的问题。目前电网设备涉及到的设备状态指标数据众多，模型较为复杂，其结果更加不易控制，难以适应大数据下电网设备状态评价方法的要求。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种能满足大数据下电网设备状态评价要求的BP神经网络计算方法。

本发明采用的技术方案为，基于Golstein-BP算法的设备状态大数据计算方法，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。

本发明利用Goldstein方法求解BP算法中均方误差函数的最优学习率，保证了在设备状态指标数量较多的情况下，模型能够稳定地实现收敛，提升了设备状态评价的效率。

进一步的技术方案为，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,…,y_l)^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。

再进一步的技术方案为，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；l为分类数目。