一种基于GA优化RS-BP神经网络电网故障定位方法   0    0

本发明公开了一种基于GA优化RS‑BP神经网络电网故障定位方法。针对电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，提高电网故障定位的快速性和准确性，本发明采用的技术方案：利用遗传算法（Genetic Algorithm,GA）优化粗糙集(Rough Set,RS)，对故障决策表进行约简，得到最小约简属性，简化BP神经网络结构，并且用改进的GA优化BP神经网络的初始权值阈值，再使用BP算法局部搜索细化，避免陷入局部极小值，形成基于GA优化RS‑BP神经网络模型。本发明能够准确有效地进行故障定位，提高故障诊断速度和准确率。

1.一种基于GA优化RS‑BP神经网络电网故障定位方法，其特征在于包括以下步骤：
步骤一：根据电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，设计基于GA优化RS的样本数据约简方式，具体是：
根据开关及继电保护装置的信息，定义故障决策表S＝(U,A,V,F)，其中A＝C∪D，U表示论域，A表示属性集，C表示条件属性集，D表示决策属性集； Va表示属性a的值域；F是一个函数，是属性赋予的信息值，映射表示为F:U×A→V；
输入：故障决策表S＝(U,A,V,F)
输出：最小约简属性；
(1)计算出决策属性d对于条件属性集C的依赖度rc(d)；
(2)计算属性核Core(C)，令 依次去掉条件属性ci∈C，若rc‑{Ci}(d)≠rc(d)，则Core(C)＝Core(C)∪{Ci}；若rc‑{Ci}(d)＝rc(d)，则Core(C)表示最小约简属性；
(3)初始化随机产生m个长度为|C|的种群，个体均采用二进制编码；1表示保留该属性，
0表示删除该属性；选取适应度函数 计算个体适应度，L表示染色体长
度，即属性的个数，Lx为染色体中1的个数；
(4)个体的选择采用轮盘赌法，交叉概率和变异概率分别取Pc、Pm，产生新一代种群；
(5)计算新一代中个体的适应度值，将最优个体直接遗传到下一代；
(6)判断个体的适应度值是否趋于稳定，如果是，则终止计算并输出最优个体，得到最小约简属性，否则转(4)；
步骤二：采用保护精英个体的方法对经典遗传算法进行改进，优化BP神经网络算法，通过神经网络训练得到电网故障定位模型，具体是：
(1)根据步骤一的最小约简属性，定义神经网络的输入向量x＝[x1,x2,…,xn]，输入向量即条件属性，xi取l表示保护动作，取0表示保护未动作，n表示输入层的层数；定义神经网络的输出向量y＝[y1,y2,…,ym]，输出即决策属性，yi取l表示故障发生在此区域，取0表示未发生在此区域，m表示输出层的层数；
(2)Sigmoid函数作为神经网络的激活函数，隐含层激活函数采用tansig函数：
‑2x
f(x)＝
2./(1+e )‑1
其中x表示输入
计算得到隐含层节点输出：
其中wij为输入层神经元节点与隐含层神经元节点之间的连接权值，θj为隐含层节点阈值；xi表示输入，p表示隐含层的层数；
隐含层节点数根据以下3个经典经验公式确定：
m＝log2 n
根据上述经验公式确定一个范围，通过试凑法取误差平方和最小的节点为隐含层节点数；
‑x
输出层的激活函数选择logsig函数：f(x)＝1/(1+e )
输出节点输出：
其中vjl为隐含层神经元节点与输出层神经元节点之间的连接权值， 为输出层节点阈值，q表示输出层的层数；
BP学习算法梯度下降法对误差进行修正，输出层权值修正量为Δvjl(t)，那么其中 为误差函数，O′l(t)为期望输出；
因此修正后的输出层权值：
vjl(t+1)＝vjl(t)‑ηΔvjl(t)
其中η为步长或学习修正率；
同理，隐含层的权值修正量Δwij(t)
修正后的隐含层权值：
wij(t+1)＝wij(t)‑ηΔwij(t)
(3)GA种群初始化，参数的选择、染色体长度以及适应度函数的确定；
(4)染色体个体的选择采用保护精英策略和轮盘赌法，产生新一代种群作为父本；
(5)将每代最优个体替代父本经过交叉与变异产生下一代种群中适应度最差的个体；
(6)重复(5)和(6)，直到满足适应度值的收敛条件，找出了最佳的染色体；
(7)将染色体解码成BP神经网络需要的权值和阈值，训练网络，得到电网故障定位模型；
个体编码采用实数编码；在BP神经网络中待训练样本根据监督学习进行训练，个体适应度值取实际输出与期望输出的误差绝对值和
式中：xi是种群中第i个染色体；q为种群中染色体个数；n为训练样本数；m为输出神经元节点数；和 分别是第p个训练样本第j个输出神经元节点的期望和实际输出值；
步骤三：根据配电系统获取的电网故障数据，输入步骤二所得到的电网故障定位模型中，输出得到电网故障的定位结果。