一种基于神经网络的用电设备可靠性评估方法技术

本发明专利技术涉及神经网络技术领域，尤其涉及一种基于神经网络的用电设备可靠性评估方法，包括通过传感器采集三相异步电机的基础数据；通过主成分分析法将累计贡献率大于预设置的数据作为主成分；通过熵权法对石化设备用电可靠性的指标进行分析；采用BP神经网络来对变量之间的关系做定量分析。本发明专利技术找到影响石化设备用电可靠性的全部因素，再通过主成分分析法对全部因素进行筛选根据对应的石化设备用电可靠性评估指标，通过熵权法求出所有指标的主客观权重，并组合成综合权重来确定最终指标权重，融合两类权重的优势，减少了单一主客观权重对指标造成的权重偏差，用综合权重衡量的指标作为神经网络算法模型的输出端。标作为神经网络算法模型的输出端。标作为神经网络算法模型的输出端。

【技术实现步骤摘要】
一种基于神经网络的用电设备可靠性评估方法


[0001]本专利技术涉及神经网络
，尤其涉及一种基于神经网络的用电设备可靠性评估方法。

技术介绍

[0002]石化设备用电是用电系统中不可或缺的重要组成成分。尤其在石化行业，石化设备用电的可靠性对石化设备长期运行的稳定性和安全性都有着不可忽略的影响；因此，对石化设备用电进行可靠性的评估具有实际的现实意义，对于整个用电系统来说，石化设备用电可靠性的重要不言而喻，所以怎么去增强石化设备用电可靠性已经成为当下研究的重要课题。
[0003]目前，关于石化设备用电可靠性评估的方法主要有模拟法和解析法。近些年来，又出现了将模拟法和解析法相结合的混合法。在我国，解析法应用已经相对成熟，其中最具代表性的方法为故障模式法和后果分析法，但是解析法缺点在于计算量会随着用电系统规模的扩大而急剧増加，且不容易处理故障相关事件。而模拟法则不受系统规模限制，最经典的方法为蒙特卡洛方法，从数学的统计抽样出发，故对处理复杂系统上很有优势，但其缺点是计算精度往往会受到各种因素的影响和制约。

技术实现思路

[0004]针对现有算法的不足，本专利技术找到影响石化设备用电可靠性的全部因素，再通过主成分分析法对全部因素进行筛选确定神经网络算法模型的输入端；其次，根据对应的石化设备用电可靠性评估指标，通过熵权法求出所有指标的主客观权重，并组合成综合权重来确定最终指标权重，融合两类权重的优势，减少了单一主客观权重对指标造成的权重偏差，用综合权重衡量的指标作为神经网络算法模型的输出端。
>[0005]本专利技术所采用的技术方案是：一种基于神经网络的用电设备可靠性评估方法包括以下步骤：
[0006]步骤一、通过传感器采集三相异步电机的基础数据，并转为影响三相异步电机的用电可靠的数据；
[0007]进一步的，影响三相异步电机的用电可靠因素的数据包括：电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率和间谐波含有率。
[0008]步骤二、通过主成分分析法将累计贡献率大于预设置的数据作为主成分，并作为BP神经网络算法的输入端指标；
[0009]进一步的，主成分分析法将累计贡献率大于预设置的数据作为主成分包括：电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、谐波畸变率和间谐波含有率。
[0010]步骤三、通过熵权法对石化设备用电可靠性的指标进行分析，得到综合权重最高的指标，并作为BP神经网络算法的输出端指标；
[0011]进一步的，石化设备用电可靠性的指标包括：石化设备停电时间、石化设备停电次数、用电可用率、用电不可用率和用电可靠率。
[0012]步骤四、构建BP神经网络和正反向传播用于石化设备用电可靠性的分析，并采用BP神经网络来对变量之间的关系做定量分析；
[0013]进一步的，BP神经网络包括：输入矢量层、隐含层和输出层，输入层神经元个数取为6，输出层神经元个数取为1，隐含层激活函数采用logsig函数，输出层采用purelin函数，通过修改各层神经元的权值降低误差。
[0014]进一步的，权值调整公式为：
[0015]w
ij
(t+1)＝w
ij
(t)+ησ
j
o
i
+a[w
ij
(t)
‑
w
ij
(t
‑
1)][0016]其中，a为平滑因子，η为学习步长；σ
j
为反传误差信号。
[0017]进一步的，隐含层的个数公式为：
[0018][0019]其中，n表示输入节点，m表示输出节点，α为常数。
[0020]本专利技术的有益效果：
[0021]1、基于人工神经网络的石化设备用电可靠性预测方法适用于大多数石化用电设备，石化设备用电可靠性预测结果表明BP神经网络具有很好的收敛性，保证了用电设备及用电系统的安全可靠运行，能够为用电设备和用电系统安全可靠的发展，提供一种有效的技术支持；
[0022]2、通过对影响用电可靠性指标的相关因素进行灵敏度分析可以获得对用电可靠性指标较为敏感的相关特征量，即找出对可靠性指标影响较大的相关因素，对引导用电设备企业制定提高用电可靠性的具体措施有十分重要的参考价值。
附图说明
[0023]图1是本专利技术的石化设备用电采集系统结构图；
[0024]图2是本专利技术的基于神经网络的用电设备可靠性评估方法流程图；
[0025]图3是本专利技术的石化设备用电数据清洗流程图；
[0026]图4是本专利技术的BP神经网络的误差计算结果图。
具体实施方式
[0027]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0028]如图1为石化设备用电信息采集系统的结构图，清洗处理采集到的石化设备用电信息；现场石化用电设备包括压缩机和电机；通过智能终端的采集器在用电设备的电能表中采集电能相关基础数据并存储在集中器中；再通过如无线专网、光纤专网、公网等通信信道将数据传输到用电信息采集系统进行管理并最终上传到人机交互端进行互通。
[0029]一种基于神经网络的用电设备可靠性评估方法包括以下步骤：
[0030]步骤一、通过传感器采集到三相异步电机的三相电压、三相电流、电阻、有功功率、功率因数、电度等基础用电数据，并将基础数据处理成用电电压偏差、电压波动和闪变、三相电压不平衡、频率偏差、电压暂降与短时中断、谐波和间谐波；再转化成能够影响三相异
步电机的用电可靠因素的数据包括：电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率、间谐波含有率。
[0031]其中，电压偏差率计算公式为：其中，ΔU为电压偏差百分比，U为实际电压，U
n
为电网标称电压；
[0032]闪变合格率计算公式为：
[0033]三相电压不平衡度计算公式为：其中，ε
U2
为负序电压不平衡度，U2为三相电压的负序基波分量方均根值，U1为三相电压的正序基波分量方均根值，ε
U2
为零序电压不平衡度，U0为三相电压的零序基波分量方均根值；
[0034]频率合格率计算公式为：
[0035]谐波畸变率计算公式为：其中，Un为第n次谐波电压有效值，U1为基波电压有效值；
[0036]间谐波含有率计算公式为：
[0037]将转化后的数据进行数据清理，通过清洗来降低预测误差，如图3所示清洗过程包括对数据进行质量分析、清洗流程分析、待清洗数据选取、字段属性清洗、重复数据清洗和质量评估，得到清洗后的八个影响三相异步电机的用电可靠因素的数据。
[0038]步骤二、将清洗完成的用电数据通过主成分分析法进行特征提取，提高数据的信噪比和抗干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的用电设备可靠性评估方法，其特征在于，包括以下步骤：步骤一、通过传感器采集三相异步电机的基础数据，并转为影响三相异步电机的用电可靠的数据；步骤二、通过主成分分析法将累计贡献率大于预设置的数据作为主成分，并作为BP神经网络算法的输入端指标；步骤三、通过熵权法对石化设备用电可靠性的指标进行分析，得到综合权重最高的指标，并作为BP神经网络算法的输出端指标；步骤四、构建BP神经网络和正反向传播用于石化设备用电可靠性的分析，并采用BP神经网络来对变量之间的关系做定量分析。2.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法，其特征在于，影响三相异步电机的用电可靠的数据包括：电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、电压暂降中断事件频度、电压短时中断事件频度、谐波畸变率和间谐波含有率。3.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法，其特征在于，通过主成分分析法将累计贡献率大于预设置的数据作为主成分包括：电压偏差率、闪变合格率、三相电压不平衡度、频率合格率、谐波畸变率和间谐波含有率。4.根据权利要求1所述的基于神经网络的用电设备可靠性评估方法，其特征在于，石化设备用...

【专利技术属性】
技术研发人员：檀鑫鑫，徐守坤，袁扬，石林，张华君，庄佳，殷志强，
申请(专利权)人：常州大学，
类型：发明
国别省市：