一种基于Golstein‑BP算法的设备状态大数据计算方法及设备技术

本发明专利技术公开了一种基于Golstein‑BP算法的设备状态大数据计算方法，包括：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。本发明专利技术提供的技术方案，采用Goldstein方法求解BP算法中均方误差函数的最优学习率，提高了电网设备管理的精益化水平。

【技术实现步骤摘要】
一种基于Golstein-BP算法的设备状态大数据计算方法及设备
本专利技术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。
技术介绍
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。
技术实现思路
为了克服现有技术的不足，本专利技术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。本专利技术采用的技术方案为，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。本专利技术利用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,…,xd)T，隐层b为b＝(b1,b2,…,bq)T，输出层y为y＝(y1,y2,…,yl)T；输入层的第i个神经元向隐层第h个神经元的输出为vihxi；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whjbh；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Ek最小值，获得模型参数；其中，yj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。更进一步的技术方案为，所述步骤S104包括：步骤S104-1：令学习率为λ，Ek为f(xk)，φ(λk)＝f(xk+λkdk)，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ak+1＝ak,bk+1＝λk，转步骤S104-5；步骤S104-4：若停止迭代，输出λk；否则令ak+1＝λk,bk+1＝bk，若bk+1＜+∞，转步骤S104-5，否则令λk+1＝αλk,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。更进一步的技术方案为，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+Δv，且激活函数选用Sigmoid函数另一方案，本专利技术还提供一种基于Golstein-BP算法的设备状态大数据计算设备，包括一个或多个处理器，用于执行上述方法。相比现有技术，本的有益效果在于：本专利技术提供的技术方案，采用BP神经网络的模型方法来替代人为经验的分类评价，对设备状态进行评价进行分类，并提出了利用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，保证了BP算法的收敛性，避免了计算过程中经常发生时间步的截断,即出现计算的不收敛，提高了BP算法学习率的计算效率，从而实现利用设备运行过程中的多个状态指标数据，判断设备的运行状态，指导电网生产运行过程中的设备巡检、技改、退役报废等工作，提高了电网设备管理的精益化水平。附图说明图1为本专利技术基于Goldstein-BP算法的电网设备状态大数据计算方法的流程图；图2为本专利技术提供的Goldstein算法几何解释的示意图；图3为本专利技术Goldstein的流程示意图；图4为BP神经网络的神经元模型示意图；图5为BP神经网络模型示意图。具体实施方式为更进一步阐述本专利技术为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的具体实施方式、结构、特征及其功效，详细说明如下：目前的电网设备评价工作是依靠人为经验来进行分类，因此面对大量的评价指标时，评价效率低下。因此本专利采用BP神经网络的模型方法来替代人为经验的分类评价，从而减少工作人员的工作量。BP神经网络分析的通常做法是先构造网络模型，然后通过是均方误差最小原则求解参数的BP算法进行求解，最终得到模型，对数据进行预测分类。但是在逆向求导迭代的过程中，涉及到模型的学习率，也就是参数求解的迭代效率，BP算法使用固定学习率原则进行迭代，可是如果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，目前人们提出了很多种改进学习率的方法，很多也都是自适应的经验型方法。本专利技术利用Goldstein方法求解BP算法中的学习率，并通过严格的理论证明改进BP算法的收敛性以及最优学习率的存在性问题。BP神经网络是模拟神经元的模型，如果某神经元的点位超过一个“阈值”，那么它就会被激活，即“兴奋”起来，对应的模型如图4。神经元接收到来自n个其他神经元传递过来的输入信号，这些信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理以产生神经元的输出。多层网络的学习能力比单层感知机强的多，一般采用的BP算法来训练BP神经网络中的参数。对于训练例(xk,yk)，假设BP神经网络的输出为即则网络在(xk,yk)上的均方误差为BP算法基于梯度下降的策略，以目标的负梯度方向对参数进行调整，对于均方误差函数Ek，给定学习率η，有whj＝whj+Δwhj,通过这种方式求解各个参数。但是，发现：定理：设目标函数其中G本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，...，xd)T，隐层b为b＝(b1，b2，...，bq)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vihxi；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whjbh；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Ek最小值，获得模型参数；其中，yj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，Ek为f(xk)，φ(λk)＝f(xk+λkdk)，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...

【专利技术属性】
技术研发人员：董召杰，张诗军，衡星辰，陈彬，李远宁，甘杉，张世良，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：广东,44