一种基于ICA-FNN的多模型高压网络保护设备异常状态风险预警方法

继电保护自动设备是确保高压网络安全稳定运行的主要防线之一。但基于当前主网拓扑结构复杂、线路架构繁多、分布跨度较大的应用场景环境下,保护设备的潜在运行异常甚至故障难以完全避免;同时,保护设备种类、功能、分布的多样化也对设备的缺陷管理与检修反措提出了挑战。故亟待研究兼顾时效性与全面性的设备异常状态风险自动预警技术。为此,针对继电保护自动设备,提出一种基于数据挖掘的异常状态风险实时检测模型。其中,首先采用独立成分分析方法,生成独立分量的线性组合以面向海量异构监测数据实施降噪,能够有效提升高维数据条件下的运算效率;其次,构建深度学习前馈神经网络,使用端到端的训练方法以实现时间序列的异常检测,能够有效缓解多类别时序条件下的运算复杂度。最后,以某地区主网保护系统设备异常数据作为仿真实例,实验结果验证了所设计模型的异常检测性能,能够助推设备安全风险的自动识别和及时应对。

基于ICA_FNN的软传感器建模过程原始特征选择

针对软传感器建模过程中辅助变量通常是多因素的混杂信号,在原始特征空间很难进行原始特征约简的问题,提出一种结合独立成分分析(ICA)和虚假最近邻点法(FNN)的原始特征选择法。利用独立成分分析法(ICA)将原始特征空间的混杂信号映射到新的独立特征子空间;然后再利用FNN计算每个原始特征剔除前后在独立特征子空间里的相似性测度,进而判断它对主导变量的影响能力,由此选择出原始特征。仿真结果表明,该方法具有优秀的原始特征选择能力。因此,该研究为选择出软传感器模型的原始特征提供了新方法。