(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111604142.5 (22)申请日 2021.12.24 (71)申请人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 申请人 国网经济技 术研究院有限公司 (72)发明人 韩文军　吴广宁　宁晓雁　尹彩琴　 郭裕钧　张血琴　黄桂灶　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 代维凡 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于BP神经网络的电气设备运行数据 分类方法 (57)摘要 本发明公开了一种基于BP神经网络的电气 设备运行数据分类方法， 属于电网数据服务领 域， 涉及BP神经网络模型技术领域， 具体包括电 气设备数据采集模块、 分类模型搭建模块以及数 据分类模型应用模块。 其中， 电气设备数据采集 模块主要是将电气设备的运行数据进行收集和 整合， 并将获取的数据传输至模型建立模块； 分 类模型搭建模块主要是将数据进行训练， 确定和 修正模型参数， 形成数据分类模型， 以便提高模 型的泛化能力； 数据分类模型应用模块则是将已 经建立的模 型运用于实际运行过程中， 来对数据 进行分类处理。 本方法具有可靠性高、 运用能力 强以及预测能力好等优点， 可以被广泛的应用于 电网设备运行数据的各个分类场景中， 例如正 常、 异常以及无效数据的分类等方面。 权利要求书2页 说明书7页 附图1页 CN 114492578 A 2022.05.13 CN 114492578 A 1.一种基于BP神经网络的电气设备运行 数据分类方法， 其特 征在于， 包括如下步骤： S1、 采集电气设备运行的实时历史数据； S2、 对所采集的实时历史数据进行整合并利用BP神经网络进行训练， 构建数据分类模 型； S3、 利用所构建的分类模型对电气设备运行 数据进行分类。 2.根据权利要求1所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S1还包括对电气设备运行的实时历史数据进行标记， 表示为DWs， 其中， s＝1、 2、 3， DW1 为电流值、 DW2为电压值、 DW3为温度值。 3.根据权利要求2所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S2具体包括： S21、 对所获取的具有明确类型的电气设备运行的历史数据进行归一化计算， 得到整合 后待训练数据集； S22、 计算待训练数据集中的输入特征数量和输出特征数量， 并根据 所计算的数量确定 神经元数量以及 初始权值， 通过反向传播实时调整权值大小； S23、 将整合后的待训练数据分为训练样本集、 测试样本集合验证集， 利用网格搜索算 法优化模型参数； S24、 利用BP神经网络对训练样本和 测试样本进行训练， 构建数据分类模型。 4.根据权利要求3所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S21中归一 化计算的方式为： [Y， PS]＝mapmi nmax(X， Ymin， Ymax)； 其中， Y为标准化矩阵， PS为映射， 表示将数据X归一化到区间[Ymin， Ymax]， Xmin， Xmax分别 为矩阵每一行期归一 化处理前数据的最小值和最大值。 5.根据权利要求4所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S22中实时调整权值大小的计算方式为： 式中， E为误差函数， α 是学习率， j是数据维度， i代表第i个参数， wi是权值大小， m是输 出 层结点个数， Yj、 Yj*是输出值与标准 值。 6.根据权利要求5所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S24中构建 分类模型的方式为： S241、 将训练样本集输入BP神经网络模型中进行训练， 得到模型参数。 进而对测试集样 本数据进 行选择， 采用相似数据方法计算测试样本原参数与进行模型训练后得到的参数之 间的相关系数； S242、 根据所计算的相关系数选择测试样本集的数据， 若相关系数大于等于设定阈值，权　利　要　求　书 1/2 页 2 CN 114492578 A 2则保留了所选取 的数据， 若设定阈值小于设定阈值， 则 打乱训练样本集合数据样本集并返 回步骤S241重新计算相关系数； S243、 当所选取的数据均大于等于设定阈值后， 完成数据分类模型的构建。 7.根据权利要求6所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S24中数据分类模型表示 为： 其中， ω表示模型的隐藏层与输出层间的权值， γj表示隐藏层中的特征值， j表示特征 值数目， i表示数据集个数， bi表示i样本的训练误差， n表示样本量， T表示对角阵。 8.根据权利要求7所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S24中数据分类模型的输出函数表示 为： 其中， sim函数为模型输出函数， purelin为输出层传递函数， tansig为隐藏层传递函 数， x1、 x2表示输入层的两个节点； 代表阈值， 其中j表示层数(j＝2表示隐藏层， j＝3表 示输出层)， i表示该层第i个节点； 中(m， n)表示m层与n层之间的权值， pq表示m层 的第p个节点与n层的第q个节点之间的权值。 9.根据权利要求8所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在于， 所述S3具体包括： S31、 将同一时刻所采集到的电气设备运行的实时数据按设定的类别进行整合和存 储； S32、 将整合结果输入数据分类模型， 得到分类结果； S33、 根据所得分类结果， 再对分类后的数据进行后续处理研究以及定向存储， 便于数 据的查询与检索。 10.根据权利要求9所述的基于BP神经网络的电气设备运行数据分类方法， 其特征在 于， 所述S32具体为： S321、 将所采集的电气设备运行的实时数据按步骤S21的方式归一 化处理； S322、 取初始权值 为0， 并按照步骤S2 2的公式对权值进行 更新； S323、 确定模型参数并对模型参数进行修正， 修正的参数是模型分类结果与所属类别 比较后的差值与预设差值的比较， 若 大于预设值， 则需要通过调整确定修正参数， 提高模型 的分类精度。权　利　要　求　书 2/2 页 3 CN 114492578 A 3