[发明专利]基于运维检测大数据的高压开关柜绝缘状态分析方法

摘要

本发明基于运维检测大数据的高压开关柜绝缘状态分析方法，属于基于运维检测大数据的高压开关柜绝缘状态分析方法技术领域；所要解决的技术问题为：提供一种基于运维检测大数据的高压开关柜绝缘状态分析方法；解决该技术问题采用的技术方案为：包括如下步骤：步骤一：对一定区域内的高压开关柜基础数据进行采集，采集项包括：开关柜的电压等级、投运日期、生产厂家与型号、开关柜工作环境的温度、湿度；步骤二：以步骤一采集到的试验数据为基础，植入BP神经网络算法中，生成高压开关柜绝缘状态智能分析模型；步骤三：使用BP神经网络函数逼近功能，建立相关参数与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态的目的；本发明应用于评价开关柜的绝缘状态。

主权项

1.基于运维检测大数据的高压开关柜绝缘状态分析方法，其特征在于：包括如下步骤：步骤一：数据收集：对一定区域内的高压开关柜基础数据进行采集，采集项包括：开关柜的电压等级、投运日期、生产厂家与型号、开关柜工作环境的温度、湿度；步骤二：以步骤一采集到的试验数据为基础，植入BP神经网络算法中，生成高压开关柜绝缘状态智能分析模型；步骤2.1：建立BP神经网络算法：使用的BP神经网络算法，即误差反向传播算法的学习过程，包括输入层、输出层、和若干隐含层；所述输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，所述中间层具体为内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果；其中，隐含层通过以下公式确定节点数目：上式中：h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；所述BP神经网络算法分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程；步骤2.1.1：工作信号正向传递子过程：设节点i和节点j之间的权值为，节点j的阀值为b_j，每个节点的输出值为x_j，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值和激活函数确定；计算公式如下：x_j＝f(S_j)；其中f为激活函数，一般选取S型函数或者线性函数；在BP神经网络中，输入层节点没有阀值；步骤2.1.2：误差信号反向传递子过程：在BP神经网络中，误差信号反向传递子过程基于Widrow‑Hoff学习规则，假设输出层的所有结果为d_j，误差函数为：通过BP神经网络反复修正权值和阀值，使得误差函数值达到最小；Widrow‑Hoff学习规则通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(ω,b)的梯度，对于第j个输出节点有：假设选择激活函数为：对激活函数求导，得到：针对ω_ij有：其中有：同样对于b_j有：从而实现Widrow‑Hoff学习规则，通过改变神经元之间的连接权值来减少系统实际输出和期望输出的误差，不断提高网络精度；步骤2.2：将步骤一采集到的试验数据，包括开关柜投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值等作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度；步骤三：使用BP神经网络函数逼近功能，采用matlab编程语言按如下流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态的目的；步骤3.1：输入训练原数据；步骤3.2：对数据进行归一化处理；步骤3.3：进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；步骤3.4：判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3；步骤四：对数据进行分析，对建立模型进行应用：利用开关柜绝缘状态智能分析模型，对开关柜绝缘状态进行预判评估。