【论文】基于Logistic回归深层神经网络的电力系统故障概率诊断

qq_1537237806

故障诊断软件作为SCADA系统中的标准模块,仍存在着误报率高的问题.针对该问题,本文提出了基于Logistic回归深度学习的故障诊断新模型及算法,以进一步提高诊断的准确率.该新模型及算法的构建过程如下:首先,对于每一元件均建立回归型深度学习神经网络（DNN）,其输入为处理成1/-1之后的元件故障特征向量,其输出为相应元件的故障概率,采用基于RMSprop的BP方法对DNN进行训练;进而,针对DNN训练要求较大样本数而元件故障历史记录往往较少这一问题,本文给出了一种记录扩充提取方法,即同一变电站（或附近地区）同一类型的设备,因均经过严格的入网试验,其运行的微环境也是类似的,故可以把其历史故障记录看作相同或类似的,从而加大历史记录的数量;在此基础上采用基于概率统计和随机抽样的样本生成方法以产生足够的样本,从而实现模型的成功训练.在算例验证和分析部分,首先在模拟样本上验证了本文模型输出元件故障概率的正确性;进而,基于实际案例将本文方法与专家系统方法及浅层（单隐层）神经网络模型故障诊断方法进行了对比,结果表明本文方法相较于浅层神经网络方法,训练时间缩短了约7%（4.05 s缩短至3.77 s）,测试误差减小了约33%（由0.005 1减小至0.003 4）;相较于专家系统,误辨率由31.25%减小至0.因此,本文的方法具有一定的潜力应用于实际电力系统,从而提升其诊断的正确率.