[發明專利]一種絕緣子表面等值附鹽密度的預測系統及方法

在審

• 申請號: 201611240866.5
• 申請日: 2016-12-29
• 公開（公告）號: CN106815635A
• 公開（公告）日: 2017-06-09
• 發明（設計）人: 張明;王如夢;王鵬宇;馬瀟;章雪亮
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心42201
• 代理人: 趙偉

1.一種絕緣子表面等值附鹽密度預測系統，其特征在于，包括依次連接的原始數據采集單元、自適應變異粒子群單元、廣義回歸神經網絡預測單元和ESDD預測值輸出單元；

所述原始數據采集單元用于獲取輸電線上的絕緣子ESDD數據和氣象數據；自適應變異粒子群單元用于根據輸電線上絕緣子ESDD數據和氣象數據求解出廣義回歸神經網絡的最優平滑因子值；廣義回歸神經網絡預測單元則根據所述的最優平滑因子值構建預測模型以對絕緣子ESDD進行預測；ESDD預測值輸出單元用于輸出從廣義回歸神經網絡預測單元得到的絕緣子ESDD預測值。

2.如權利要求1所述的絕緣子表面等值附鹽密度預測系統，其特征在于，還包括ESDD預警單元；所述ESDD預警單元的輸入端與廣義回歸神經網絡預測單元的輸出端相連；ESDD預警單元用于根據所述絕緣子ESDD預測值與預設的預警閾值生成預警信號。

3.一種基于權利要求1～2所述的絕緣子表面等值附鹽密度預測系統的絕緣子表面等值附鹽密度預測方法，其特征在于，包括如下步驟：

(1)通過將自適應變異粒子群單元中每個個體映射為廣義回歸神經網絡中的平滑因子來構建廣義回歸神經網絡；

對每個個體對應的廣義回歸神經網絡輸入訓練樣本進行訓練，計算每一個體對應的廣義回歸神經網絡在訓練集上產生的均方誤差，并構建個體適應度函數，采用自適應變異粒子群算法求解出全局解空間中廣義回歸神經網絡平滑因子的最優值；

(2)根據所述的最優值、絕緣子ESDD數據和氣象數據建立廣義回歸神經網絡預測模型；采用所述預測模型進行絕緣子ESDD預測獲得ESDD預測值；

(3)輸出廣義回歸神經網路預測模型的ESDD預測值。

4.如權利要求3所述的絕緣子表面等值附鹽密度預測方法，其特征在于，還包括步驟(4)：

(4)將所述預測值與預設的預警閾值進行比較，當預測值達到預警閾值時，生成預警信號。

5.如權利要求3或4所述的絕緣子表面等值附鹽密度預測方法，其特征在于，步驟(1)采用自適應變異粒子群算法求解全局解空間中廣義回歸神經網絡平滑因子的最優值的方法，包括如下子步驟：

(a)初始化粒子群：設定加速度因子c₁和c₂、最大進化代數T；設定當前進化代數t＝1；定義空間Rⁿ中隨機產生m個粒子x₁,x₂,…,x_m組成初始種群X(t)；隨機產生各粒子初始速度v₁,v₂,…,v_m組成位移變化矩陣V(t)；

(b)將粒子群中每一個體映射為網絡中的平滑因子以構建廣義回歸神經網絡；

將每一個體輸入廣義回歸神經網絡進行訓練；計算每個廣義回歸神經網絡在訓練集上產生的均方誤差，并以此作為目標函數，按構建適應度函數，以計算個體的適應度；其中x表示粒子的當前位置向量；

(c)采用迭代的方法更新每個粒子的自身最優位置p_i和種群全局最優位置p_g；

記為每個粒子經k次迭代后的最優位置，為種群經k次迭代后的最優位置；

(d)根據計算每個粒子的慣性權重；

其中，c取[0,1]之間的常數，f_i是第i次迭代中粒子的適應度值，f_min是每次迭代的m個粒子的適應度值的最小值；f_ave是每次迭代的m個粒子的平均適應度值；

(e)將所有粒子x₁(t)根據進行位置更新和速度更新；

其中，k是指迭代次數；表示第k次迭代時第i個粒子的位置；表示第k次迭代時第i個粒子的速度；w_i表示慣性權重；c₁和c₂是指學習因子；r是指約束系數或是收斂因子，其中r₁和r₂是[0,1]之間的隨機數；

(f)根據計算種群平均粒距K(t)；當K(t)≤0.01或連續10次迭代P_g沒有變化，則進入步驟(g)，否則返回步驟(b)；

其中S為種群數量；L為搜索空間對角最大長度；m為種群規模大小，n為解空間維數，x_id表示第i個粒子的第d維坐標值，表示所有粒子第d維坐標值均值；

(g)根據進行變異操作，變異粒子更新最優位置p_i；

其中，表示粒子變異后的位置向量，x_i為粒子原始位置向量，x為粒子當前位置向量；

(h)判斷是否滿足預設的收斂條件：若是，則輸出平滑因子的最優值；若否，則進入步驟(b)。