基于径向基神经网络的智能开关可靠性分析方法及系统

摘要

基于径向基神经网络的智能开关可靠性分析方法，包括：构建智能开关可靠性分析的径向基神经网络，获取智能开关的状态数据；基于多组训练数据对径向基神经网络进行训练学习；使用完成训练的径向基神经网络进行迭代计算，得到智能开关的可靠性预算值；可靠性预算值小于可靠性阈值，发出智能开关可靠性不足的警告。能够实现对电网中智能开关的可靠性进行数据采集及分析，并根据可靠性不足的结果有针对性的报警，保证电网的安全顺畅运行。

说明书

技术领域

本发明涉及电网控制技术领域，特别涉及一种基于径向基神经网络的智能开关可靠性分析方法及系统。

背景技术

社会经济的可持续发展要求电网运行以：可靠、安全、经济、高效、环境友好和使用安全为目标，即实现智能电网。而智能开关是建设智能配电网的重要基础和支撑，实现开关设备的自动化和高级智能应用是实现智能电网的重要表现。由于智能电网中智能开关的可靠性与智能开关的寿命数据、故障数据以及所处环境的温度数据、湿度数据、季节数据相关，具有较强的不确定性、复杂性和未知性，因此智能开关的可靠性分析问题一直是个难题。

发明内容

(一)发明目的

本发明的目的是提供一种基于径向基神经网络的智能开关可靠性分析方法及系统，以解决现有电网中智能开关可靠性难以分析的问题。

(二)技术方案

为解决上述问题，根据本发明的一个方面,本发明提供了一种基于径向基神经网络的智能开关可靠性分析方法，包括：构建智能开关可靠性分析的径向基神经网络，获取智能开关的状态数据；基于多组训练数据对所述径向基神经网络进行训练学习；使用完成训练的所述径向基神经网络进行迭代计算，得到所述智能开关的可靠性预算值；所述可靠性预算值小于可靠性阈值，发出所述智能开关可靠性不足的警告。

进一步的，将所述状态数据输入到完成训练的所述径向基神经网络中进行迭代计算还包括：所述可靠性预算值满足误差范围要求，停止迭代计算，输出所述可靠性预算值；所述可靠性预算值不满足误差范围要求，调整所述径向基神经网络的权值并重新获取所述智能开关的状态数据后，再进行迭代运算。

进一步的，所述状态数据包括：智能开关的寿命数据、故障数据和所述智能开关在当前环境下的温度数据、湿度数据以及季节数据。

进一步的，所述径向基神经网络基于自组织选取中心学习算法进行迭代计算。

根据本发明的另一个方面,本发明提供了一种基于径向基神经网络的智能开关可靠性分析系统，包括：构建模块，用于构建智能开关可靠性分析的径向基神经网络；数据获取模块，用于获取智能开关的状态数据；训练学习模块，用于基于多组训练数据对所述径向基神经网络进行训练学习；可靠性计算模块，使用完成学习训练的所述径向基神经网络进行迭代计算，得到所述智能开关的可靠性预算值；警告模块，用于在可靠性测算值小于可靠性阈值时发出智能开关可靠性不足的警告。

进一步的，所述径向基神经网络由以下三层前馈神经网络组成，包括输入层、隐含层和输出层；所述输入层为数据输入接口，设置有传感器集合；所述隐含层与所述输入层通讯连接，基于输入的数据进行学习训练和迭代运算；所述输出层为智能开关可靠性结果输出出口，用于输出满足误差范围要求的可靠性预算值。

进一步的，所述传感器集合包括：至少一个智能开关寿命传感器，用于采集智能开关的使用寿命耗损数据；至少一个智能开关故障传感器，用于采集智能开关的故障数据；至少一个温度传感器，用于采集智能开关的环境温度；至少一个湿度传感器，用于采集智能开关的环境湿度。

(三)有益效果

本发明的上述技术方案具有如下有益的技术效果：

本发明可以对电网中智能开关的可靠性进行数据采集及分析，并根据可靠性不足的结果有针对性的报警，保证了电网的安全顺畅运行。

附图说明

图1是本发明实施例提供的基于径向基神经网络的智能开关可靠性分析的方法流程图；

图2是本发明实施例提供的径向基神经网络结构示意图；

图3是本发明实施例提供的智能开关可靠性分析的径向基神经网络方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

下面结合附图和实施例对本发明进行详细说明。

本发明的实施例提供的基于径向基神经网络的智能开关可靠性分析方法，包括以下步骤：

S1：构建智能开关可靠性分析的径向基神经网络，获取智能开关的状态数据。

可选的，状态数据包括：智能开关的寿命数据、智能开关的故障数据、智能开关在当前环境下的温度数据、湿度数据及季节数据。

S2：基于多组训练数据对径向基神经网络进行训练学习。

S3：使用完成训练的径向基神经网络进行迭代计算，得到智能开关的可靠性预算值；

在该步骤中，将状态数据输入到完成训练的径向基神经网络中进行迭代计算包括：可靠性预算值满足误差范围要求，停止迭代计算，输出可靠性预算值；可靠性预算值不满足误差范围要求，调整径向基神经网络的权值并重新获取智能开关的状态数据后，再进行迭代运算。

具体地，径向基神经网络基于自组织选取中心学习算法进行迭代计算。

S4：可靠性预算值小于可靠性阈值，发出智能开关可靠性不足的警告。

本发明的另一实施例还提供了一种基于径向基神经网络的智能开关可靠性分析系统，包括：构建模块、数据获取模块、训练学习模块、可靠性计算模块和预警模块。

其中，构建模块用于构建智能开关可靠性分析的径向基神经网络，径向基神经网络是智能开关可靠性分析系统的智能中心，具有一定的学习能力，能够基于未知的智能开关历史数据学习智能开关的可靠性分析规律。同时，径向基神经网络建立在自组织选取中心学习机制的基础上，由三层前馈神经网络组成，包括：输入层、隐含层和输出层。

输入层是径向基神经网络的数据输入接口，用于输入可靠性相关数据，具体为传感器集合所采集的数据。

隐含层是径向基神经网络的中间计算神经元，用于存储中间结果，与输出层一起完成神经网络的前馈逻辑，并根据基于径向基函数的自组织选取中心学习算法进行迭代学习与计算，直到整个神经网络输出误差达到合理要求的范围内。

输出层是径向基神经网络的智能开关可靠性结果输出出口，通过反复训练好的智能开关可靠性分析径向基神经网络，对当前智能开关可靠性相关的数据进行计算，并输出智能开关的可靠性估测值。

本实施例的径向基神经网络的激活函数R为：

其中，s

径向基神经网络的输出O

其中：W

径向基神经网络的自组织选取中心学习算法是实现径向基神经网络学习训练、优化和实时计算的核心算法。

数据获取模块用于获取智能开关的状态数据；训练学习模块用于基于多组训练数据对径向基神经网络进行训练学习；可靠性计算模块使用完成学习训练的径向基神经网络进行迭代计算，得到智能开关的可靠性预算值；预警模块用于在可靠性测算值小于可靠性阈值时发出智能开关可靠性不足的警告。

径向基神经网络由以下三层前馈神经网络组成，包括输入层、隐含层和输出层；输入层为数据输入接口，设置有传感器集合；隐含层与输入层通讯连接，基于输入的数据进行学习训练和迭代运算；输出层为智能开关可靠性结果输出出口，用于输出满足误差范围要求的可靠性预算值。

可选的，传感器集合包括：至少一个智能开关寿命传感器，用于采集智能开关的使用寿命耗损数据，检测其寿命状态是否在正常范围内；至少一个智能开关故障传感器，用于采集智能开关的故障数据，监测智能开关故障爆发的风险；至少一个温度传感器，用于采集智能开关的环境温度，评估智能开关可靠性与环境温度的关系；至少一个湿度传感器，用于采集智能开关的环境湿度，评估智能开关可靠性与环境湿度的关系。而所在环境的季节数据通过操作系统的日期信息进行计算，并加以保存。

优选的，构建智能开关可靠性分析服务器，智能开关可靠性分析服务器是智能开关可靠性数据采集与分析的计算基础组织和存储中心，由高性能多核CPU、磁盘阵列、高性能内存组成，为智能开关可靠性分析径向基神经网络提供最优的CPU资源和内存资源。

上述仅为一个实例，所述实例的智能开关数据采集与可靠性分析流程如图3所示。这个实例所采用的智能开关数据采集与可靠性分析系统可以推广到其他嵌入式系统，用来实现嵌入式系统的异常检测、故障学习和异常软件系统修复。

本发明旨在保护基于径向基神经网络的智能开关可靠性分析方法，包括：构建智能开关可靠性分析的径向基神经网络，获取智能开关的状态数据；基于多组训练数据对径向基神经网络进行训练学习；使用完成训练的径向基神经网络进行迭代计算，得到智能开关的可靠性预算值；可靠性预算值小于可靠性阈值，发出智能开关可靠性不足的警告。还保护基于径向基神经网络的智能开关可靠性分析系统，包括：构建模块、数据获取模块、训练学习模块、可靠性计算模块和预警模块。可以对电网中智能开关的可靠性进行数据采集及分析，并根据可靠性不足的结果有针对性的报警，保证了电网的安全顺畅运行。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。