[發明專利]一種基于粒子群優化小波神經網絡輸電線路覆冰預測的方法

在審

• 申請號: 201811140497.1
• 申請日: 2018-09-28
• 公開（公告）號: CN109492792A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 李英娜;楊靜;李川
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于粒子群優化小波神經網絡輸電線路覆冰預測的方法，其特征在于：

所述方法包括以下步驟：

(1)采集輸電線路在線覆冰監測系統中的覆冰厚度時間序列作為預測研究的對象；

(2)對輸電線路覆冰厚度數據進行預處理，將輸入數據歸一化到[0,1]區間內，歸一化公式為：

式中，P為歸一化后的輸入數據；p_a為原始輸入數據；p_min為原始輸入數據最小值；p_max為原始輸入數據最大值；

(3)確定小波神經網絡的結構；將小波神經網絡的層數設為3層，其中輸入層、隱含層和輸出層的神經元個數分別為N_i、N_h、N_o，并且輸入層到隱含層的連接權值表示為W′，隱含層到輸出層的連接權值表示為W″，隱含層神經元小波基函數的伸縮因子和平移因子分別表示為a和b；

(4)確定粒子群中粒子的維數及映射編碼方式；對于小波神經網絡的訓練，其目的是得到優化合理的網絡連接權值及隱層神經元的伸縮因子和平移因子；

(5)粒子群算法相關參數及粒子的位置向量和速度向量初始化；主要設置粒子群的規模大小，最大迭代次數，加速度因子的取值、粒子位置和速度的最大最小值；

(6)根據適應度函數評價每個粒子的適應度值；選取小波神經網絡輸出與期望輸出之間的均方誤差來作為粒子的適應度函數，即適應度函數為：

式中：E為適應度值；R為訓練樣本總數，N_o為輸出層神經元個數，；y_ij、y′_ij分別為小波神經網絡的輸出和期望輸出。

(7)將每一個粒子的適應度值E與其經歷過的最佳性能P_best作比較，如果當前適應度值更小，則將適應度值作為該粒子當前的最佳性能P_best,并將當前粒子的位置作為自身最佳位置x_pbest，即

p_best＝E (3)

x_pbest＝x (4)

式中：P_best為粒子自身的最佳性能，x_pbest為自身最佳位置，x為前粒子的位置；

(8)將每一個粒子的適應度值E與全局所經歷的最佳性能g_best作比較，如果該粒子的適應度值更小，則記錄該粒子序號，并將適應度值設置為全局最佳性能g_best，并將當前粒子的位置作為全局最佳位置x_gbest，即

g_best＝E (5)

x_gbest＝x (6)

式中：g_best為全局最佳性能，全局最佳位置為x_gbest；

(9)判斷訓練是否滿足結束條件；如果算法的迭代次數已經達到最大給定迭代次數或全局最優的適應度值已滿足訓練要求時，則訓練結束，輸出全局最優位置，所對應的粒子值就是小波神經網絡訓練的最優值；否則，根據粒子群的速度和位置更新公式更新粒子的速度和位置，從而產生出一組新的粒子并且轉向歩驟(4)；

(10)通過粒子群優化算法得到小波神經網絡的最優權值、伸縮因子和平移因子；

(11)樣本分類；把覆冰厚度數據分為訓練樣本和測試樣本，分別用于訓練網絡和測試網絡預測精度；

(12)把訓練樣本輸入網絡，根據訓練樣本的期望輸出與預測模型的實際輸出得到模型的實際誤差；若實際誤差大于期望誤差，則繼續訓練網絡；若實際誤差小于或等于期望誤差或訓練次數已經到達最大訓練次數時，結束訓練；

(13)對小波神經網絡權值修正，根據誤差修正網絡的權值和小波基函數參數，使網絡預測值逼近期望逼近期望值；

(14)將覆冰厚度測試樣本輸入已訓練好的小波神經網絡，從而得到相應的預測值；

(15)反歸一化得到實際覆冰厚度預測值，反歸一化公式為：

P_a＝P·(P_max-P_min)+P_min (7)。