[发明专利]一种基于改进BP神经网络状态估计中不良数据的检测方法

说明书

本发明提供一种基于改进BP神经网络状态估计中不良数据的检测方法，涉及电力系统状态估计技术领域。该方法首先对传统的BP神经网络进行改进，然后将电力系统状态估计中的良好数据输入到改进的BP神经网络中，对改进的BP神经网络进行训练；再通过训练好的改进BP神经网络模型，筛选出电力系统中的可疑数据集；最后利用传统的四分位数法检测和辨识电力系统中的不良数据。本发明提供的基于改进BP神经网络状态估计中不良数据的检测方法，采用改进的BP神经网络能够更好的对电力系统状态估计中所得数据进行检测和辨识，同时能够缩短检测数据的时间，有效的剔除不良数据，提高状态估计中数据的精度。

技术领域

本发明涉及电力系统状态估计技术领域，尤其涉及一种基于改进BP神经网络状态估计中不良数据的检测方法。

背景技术

对电力系统状态估计中的数据进行检测和辨识是状态估计中数据处理最基本的环节，如何准确实时的对数据进行检测和辨识，是电力系统状态估计的关键所在。目前，BP神经网络已经广泛应用于数据处理领域，成为智能处理数据的基础平台。BP神经网络是一种按误差反向传播的前馈神经网络。神经网络由输入层、隐含层、输出层构成。神经网络的每一层由各层神经元的节点组成，每一个神经元节点都与上一层所有节点相连。上一层的输出数据为下一层的输入数据，原始输入数据通过隐含层计算得到输出层的输入数据，然后通过输出层计算得出输出数据。

神经网络的训练核心在于误差的反向传播过程，其目的是为了调整权值，使误差不断减小，最速下降法为传统BP神经网络的调整原则，其具体的修正公式为：

输出层权值修正公式：w_jk(n+1)＝w_jk(n)+Δw_jk(n)

输出层阈值修正公式：

隐含层权值修正公式：w_ij(n+1)＝w_ij(n)+Δw_ij(n)

隐含层阈值修正公式：

然而BP神经网络训练时间过长，训练结果不易收敛，对状态估计中的数据进行处理仍然存在着不小的难题。

目前传统BP神经网络主要存在三个缺点，首先，传统的激活函数为Sigmoid函数，当输入量过小时，调整容易进入一个饱和区，使得更新缓慢，甚至没有更新；其次，参数调整量的计算精度比较低，收敛速度也比较慢，容易受到其他不稳定因素的影响，不易求得最优解；最后，学习速率一般设置定值，此定值过大或过小时，都不利于得出最终结果。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进BP神经网络状态估计中不良数据的检测方法，克服电力系统状态估计中对不良数据进行检测与辨识时BP神经网络训练时间过长，且精度较低的问题，实现对电力系统状态估计中不良数据的检测。

为解决上述技术问题，本发明所采取的技术方案是：一种基于改进BP神经网络状态估计中不良数据的检测方法，包括以下步骤：

步骤1、对传统的BP神经网络进行改进，选择新的激活函数并增加调节因子、增加动量项和偏置调整、对学习速率的迭代参数进行动态调整，具体方法为：

步骤1.1、选择新的激活函数并为其增加调节因子；

采用如下公式所示的函数作为BP神经网络的激活函数：

f(x)＝2sigmoid(2x)-1

该函数把数据压缩在区间(-1，1)内，当输入数据过大或过小的时候，不会导致神经网络的互联神经元之间的权值没有更新；

为BP神经网络的激活函数增加调节因子，增加调节因子后的激活函数如下公式所示：