申请/专利权人：电子科技大学

申请日：2017-10-12

公开（公告）日：2021-05-14

公开（公告）号：CN107688862B

主分类号：G06Q10/00(20120101)

分类号：G06Q10/00(20120101);G06Q10/04(20120101);G06Q50/06(20120101);G06F30/27(20200101)

优先权：

专利状态码：有效-授权

法律状态：2021.05.14#授权;2018.03.13#实质审查的生效;2018.02.13#公开

摘要：本发明公开了一种基于BA‑GRNN的绝缘子等值盐密积累速率预测方法，先初始化为一组随机解，然后通过迭代搜寻最优解，且在最优解周围通过随机飞行产生局部新解，加强了局部搜索，从而实现绝缘子等值盐密积累速率预测；本发明与其他算法相比，BA在准确性和有效性方面远优于其他算法，且没有许多参数要进行调整，还具有收敛速度快及径向基函数调整参数少的优点。

主权项：1.一种基于BA-GRNN的绝缘子等值盐密积累速率预测方法，其特征在于，包括以下步骤：1、数据预处理以输电线路绝缘子表面等值盐密实测数据的变化量和气象观测数据作为样本数据，再把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据，其中，设训练组数据的长度K；2、利用蝙蝠优化算法优化广义回归神经网络GRNN中的平滑参数2.1、将训练组数据中的气象观测数据作为GRNN模型的输入，输电线路绝缘子表面等值盐密实测数据的变化量作为GRNN模型的输出；2.2、在GRNN模型中，利用蝙蝠优化算法优化GRNN模型的平滑参数2.2.1、随机设置第t次迭代时第i只蝙蝠的位置速度脉冲频度rit、脉冲音强蝙蝠种群大小M和最大迭代次数T；2.2.2、记录当前迭代次数t，以第i只蝙蝠的位置作为平滑参数构建广义回归神经网络模型，再计算第i只蝙蝠的适应度值Ri； 其中，Yj表示第j条训练组数据的气象观测数据作为广义回归神经网络模型的输入得出的输出值；表示第j条训练组数据的等值盐密实测数据变化量；2.2.3、同理，按照步骤2.2.2所述方法，计算出剩余M-1只蝙蝠的适应度值，再在所有的适应度值中，找出适应度值最小的蝙蝠所对应的位置，标记为x*；2.2.4、判断当前迭代次数t是否达到最大迭代次数T，如果t＝T，则将步骤2.2.3中找出的适应度值最小的蝙蝠作为最优的蝙蝠，将对应的位置x*作为平滑参数，构建最优的广义回归神经网络模型；否则进入步骤2.2.5；2.2.5、令t＝t+1，先更新每只蝙蝠的速度和位置；fi＝fmin+fmax-fmin·β 其中，fi为第i只蝙蝠的脉冲频率，fmin和fmax分别是脉冲频率的最小值和最大值，β为[0,1]上服从均匀分布的随机数，和分别为第i只蝙蝠在t+1次和t次循环的速度，为第i只蝙蝠在t次循环的位置，表示第i只蝙蝠在t+1次循环的位置；在0，1范围内随机生成一个数rand1，判断第t次迭代后，第i只蝙蝠的脉冲频度rit是否小于随机数rand1，如果ritrand1，则更新脉冲频度rit和脉冲音强即：rit+1＝ri0[1-exp-γ·t] 其中，ri0表示第i只蝙蝠的最大脉冲频度，γ＞0为脉冲频度增加系数，α∈[0,1]为脉冲音强衰减系数；在0，1范围内随机生成一个数rand2，判断第t次迭代后，脉冲音强是否小于随机数rand2，且fi＜f*，fi为第i只蝙蝠的脉冲频率，f*表示最优蝙蝠的脉冲频率；如果二者均满足，则更新第i只蝙蝠的位置；xi＝x*+0.01×rand其中，rand为-1，1间的随机数；2.2.6、待步骤2.2.5中所述参数更新完成后，再返回步骤2.2.2，直至迭代结束；3、利用构建的最优广义回归神经网络模型对绝缘子等值盐密积累速率进行预测；将测试组数据中的气象观测数据作为最优广义回归神经网络模型的输入，以最优的蝙蝠对应的位置x*作为平滑参数，预测出绝缘子等值盐密积累速率。

全文数据：基于BA-GRNN的绝缘子等值盐密积累速率预测方法技术领域[0001]本发明属绝缘子污秽分析技术领域，更为具体地讲，涉及一种基于BA-GRNN的绝缘子等值盐密积累速率预测方法。背景技术[0002]等值附盐密度Theequalsaltdepositdensity，ESDD简称盐密，是目前确定污秽等级和绘制电网污区分布图的主要依据。[0003]随着国民经济的快速发展，我国电网规模不断增大，电网额定电压等级不断提高，因此电力系统输变电设备外绝缘的污闪事故也日益严重。污闪灾害事故的发生规律很难掌握，也没有现行的可有效防范这类事故发生的措施。[0004]—般情况下，电力系统运行管理部门的检修和维护人员多采取诸如增加爬电比距、尽可能使用耐污型绝缘子、定期对绝缘子表面喷涂防污涂料以及定期对绝缘子进行停电或带点清扫等污闪防治措施，这些方法在一定程度上能够起到减少污闪风险的作用，但同时不可避免地具有一定的被动性、盲目性和防范效果的不确定性，因此污闪事故防治的效果仍不理想口。[0005]由于气象因素是影响绝缘子表面等值盐密的主要因素，利用气象因素预测盐密的变化量，可以对电网污区分布图提供依据，为合理制定绝缘子清洗策略提供主要依据。发明内容[0006]本发明的目的在于克服现有技术的不足，提供一种基于M-GRNN的绝缘子等值盐密积累速率预测方法，利用有限的气象监测数据，来全面掌握和预测绝缘子盐密积累状况。[0007]为实现上述发明目的，本发明一种基于BA-GRNN的绝缘子等值盐密积累速率预测方法，其特征在于，包括以下步骤：[0008]1、数据预处理[0009]以输电线路绝缘子表面等值盐密实测数据的变化量和气象观测数据作为样本数据，再把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据，其中，设训练组数据的长度K;[0010]2、利用蝙蝠优化算法优化广义回归神经网络GRNN中的平滑参数[0011]2.1、将训练组数据中的气象观测数据作为GRNN模型的输入，输电线路绝缘子表面等值盐密实测数据的变化量作为GRNN模型的输出；[0012]2.2、在GRNN模型中，利用蝙蝠优化算法优化GRNN模型的平滑参数[0013]2.2.1、随机设置第t次迭代时第i只蝙蝠的位置《、速度彳、脉冲频度、脉冲音强4、蝙蝠种群大小M和最大迭代次数T;[0014]2.2.2、记录当前迭代次数t，以第i只蝙蝠的位置0为脉冲频度增加系数为脉冲音强衰减系数；[0028]在0，1范围内随机生成一个数rand2,判断第t次迭代后，脉冲音强是否小于随机数rand2,且尸0为脉冲频度增加系数，此处取γ=0.001：为脉冲音强衰减系数；[0068]在0，1范围内随机生成一个数rand2,判断第t次迭代后，脉冲音强是否小于随机数rand2,且尸产，尸为第i只蝙蝠的脉冲频率，产表示最优蝙蝠的脉冲频率;如果二者均满足，则更新第i只蝙蝠的位置；[0069][0070]其中，rand为-1，1间的随机数；[0071]S2.2.6、待步骤S2.2.5中所述参数更新完成后，再返回步骤S2.2.2,直至迭代结束；[0072]S3、利用构建的最优广义回归神经网络模型对绝缘子等值盐密积累速率进行预测；[0073]将测试组数据中的气象观测数据作为最优广义回归神经网络模型的输入，以最优的蝙蝠对应的位置作为平滑参数，构建最优广义回归神经网络模型，为了验证本发明方法获得的模型与现有技术相比所具有的优势，同时利用训练数据训练BP神经网络模型，通过将本发明预测方法中所建立的模型与BP神经网络预测模型对比研究，作为评价本发明预测方法测试结果的依据，图2是利用本发明预测方法与BP神经网络预测模型预测结果对比，其中，横轴表示测试组数据的数量，纵轴表示盐密变化量，实线是原始曲线，带十字型曲线是利用BP神经网络模型预测的结果，带星型曲线是利用本发明方法预测的结果。通过对比分析，BA-GRNN神经网络预测曲线比BP神经网络预测曲线更加接近原始曲线。[0074]为了更加详细的对比BA-GRNN神经网络预测模型和BP神经网络预测模型，这里引用相对误差和均方误差进行对比：[0075]相对误差=I预测值-实测值I实测值100%，均方误差=Σ预测值-实测值2测试组数据数量[0076]根据图2，ΒΡ神经网络预测的相对误差在1.15%-26.9%之间，而BA-GRNN神经网络预测的相对误差在〇.45%-%19.9之间，与实测数据更接近。应用BP神经网络预测的均方误差是0.0047,而利用本发明预测的均方误差是0.0039,可以明显看出，本发明预测精度高于BP神经网络预测模型。[0077]尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

权利要求：1.一种基于M-GRNN的绝缘子等值盐密积累速率预测方法，其特征在于，包括以下步骤：1、数据预处理以输电线路绝缘子表面等值盐密实测数据的变化量和气象观测数据作为样本数据，再把所有的样本数据进行归一化处理后随机分为测试组数据和训练组数据，其中，设训练组数据的长度K;2、利用蝙蝠优化算法优化广义回归神经网络GRNN中的平滑参数2.1、将训练组数据中的气象观测数据数据作为GRNN模型的输入，输电线路绝缘子表面等值盐密实测数据的变化量作为GRNN模型的输出；2.2、在GRNN模型中，利用蝙蝠优化算法优化GRNN模型的平滑参数2.2.1、随机设置第t次迭代时第i只蝙蝠的位置X；、速度#、脉冲频度（、脉冲音强4、蝙蝠种群大小M和最大迭代次数T;2.2.2、记录当前迭代次数t，以第i只蝙蝠的位置4作为平滑参数构建广义回归神经网络模型，再计算第i只蝙蝠的适应度值R1;其中，Yj表示第j条训练组数据的气象观测数据作为广义回归神经网络模型的输入得出的输出值;g表示第j条训练组数据的等值盐密实测数据变化量；2.2.3、同理，按时步骤2.2.2所述方法，计算出剩余M-I只蝙蝠的适应度值，再在所有的适应度值中，找出适应度值最小的蝙蝠所对应的位置，标记为，；2.2.4、判断当前迭代次数t是否达到最大迭代次数T，如果t=T，则将步骤2.2.3中找出的适应度值最小的蝙蝠作为最优的蝙蝠，将对应的位置f作为平滑参数，构建最优的广义回归神经网络模型;否则进入步骤2.2.5;2.2.5、令t=t+l，先更新每只蝙蝠的速度和位置；其中，fi为第i只蝙蝠的脉冲频率，fmin和分别是脉冲频率的最小值和最大值，β为[0，1]上服从均匀分布的随机数，V,'+X分别为第i只蝙蝠在t+Ι次和t次循环的速度4为第i只蝙蝠在t次循环的位置，4+1表示第i只蝙蝠在t+Ι次循环的位置；在0，1范围内随机生成一个数randl，判断第t次迭代后，第i只蝙蝠的脉冲频度rit是否小于随机数randl，如果Ut^andl，则更新脉冲频度rit和脉冲音强4，即：其中，表示第i只蝙蝠的最大脉冲频度，γ0为脉冲频度增加系数，ae[〇，1]为脉冲音强衰减系数；在〇，1范围内随机生成一个数rand2,判断第t次迭代后，脉冲音强4是否小于随机数rand2,且卢产，卢为第i只蝙蝠的脉冲频率，f*表示最优蝙蝠的脉冲频率;如果二者均满足，则更新第i只蝙蝠的位置；Xi=x*+0.OlXrand其中，rand为-1，1间的随机；2.2.6、待步骤2.2.5中所述参数更新完成后，再返回步骤2.2.2，直至迭代结束；3、利用构建的最优广义回归神经网络模型对绝缘子等值盐密积累速率进行预测；将测试组数据中的气象观测数据作为最优广义回归神经网络模型的输入，以最优的蝙蝠对应的位置f作为平滑参数，预测出绝缘子等值盐密积累速率。

百度查询： 电子科技大学 基于BA-GRNN的绝缘子等值盐密积累速率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD