基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法技术

本发明专利技术涉及一种基于自适应变异PSO‑BP神经网络的电缆群稳态温升预测方法，包括以下步骤：1)构建原始电缆群稳态温升数据集，并进行归一化处理；2)设置输入层、隐含层和输出层节点个数，构建BP神经网络；3)将BP神经网络的阈值和权重作为粒子，并初始化粒子群参数，确定全局最优、个体最优、个体最优适应度值与全局最优适应度值，采用PSO算法训练BP神经网络，最终得到最优的粒子，即最优的BP神经网络的阈值和权重值；4)将待预测的数据输入到BP神经网络中，得到输出的预测值，完成电缆群稳态温升的预测，与现有技术相比，本发明专利技术具有快速准确等优点。

【技术实现步骤摘要】
基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法
本专利技术涉及电力电缆运行
，尤其是涉及一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法。
技术介绍
电缆进出变电站多采用沟槽方式，其散热特点为：靠近地面、易受到环境温度影响，且沟槽内部对流传热与辐射传热存在非线性，因此沟槽电缆的发热问题相对复杂。由于电力电缆运行的特殊性，一般不可能通过直接测量获得电缆线芯温度，特别是线芯实时的暂态温度，一般采用基于试验结果的工程公式法、数值算法或间接测量方法来掌握线芯温度，其中，经验公式法主要用于计算典型敷设的稳态温升，适用范围不足，数值计算法在模拟实际多工况电缆温升时计算量大，计算时间长，无法及时获得温升变化，间接测量法首先要加装光纤测温或其他装置获取电缆表皮温度，进而推算线芯温度，可靠性与经济性较差，因此，构建便捷快速的方法来预测沟槽电缆的稳态温升，对现有资源的充分利用、设备安全运行等具有重要意义。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，包括以下步骤：1)构建原始电缆群稳态温升数据集，并进行归一化处理；2)设置输入层、隐含层和输出层节点个数，构建BP神经网络；3)将BP神经网络的阈值和权重作为粒子，并初始化粒子群参数，确定全局最优、个体最优、个体最优适应度值与全局最优适应度值，采用PSO算法训练BP神经网络，最终得到最优的粒子，即最优的BP神经网络的阈值和权重值；4)将待预测的数据输入到BP神经网络中，得到输出的预测值，完成电缆群稳态温升的预测。所述的步骤1)具体为：对于电缆群的截面，建立沟槽电缆群稳态温升有限元计算模型，随机选取多组各电缆电流、边界温度后，获得各工况下的电缆稳态温升数据，将各电缆缆芯电流、外界环境温度和各电缆缆芯温度一起形成原始电缆群稳态温升数据集，环境温度的取值范围根据实际设定为0-50℃。所述的归一化处理具体为：其中，xm为归一化后的数据，x为原始电缆群稳态温升数据集中的数据，xmin为该组数据中的最小值，xmax为该组数据的最大值。所述的步骤2)中，BP神经网络的输入层节点数m、输出层节点数p与隐含层节点数n的计算关系为：其中，a为常数，其取值范围为1-10。所述的输入层节点数为5，输出层节点数为4，隐含层节点数为10，构建的BP神经网络结构为5-10-4。所述的步骤3)中，采用PSO算法训练BP神经网络过程中，引入自适应变异，扩大粒子搜索空间，迭代寻找群最优值。所述的步骤3)中，采用PSO算法训练BP神经网络过程中，当当前迭代次数达到最大迭代次数，或者误差达到期望值后，完成训练。所述的最大迭代次数设置为100。所述的BP神经网络的权重范围为[-5，5]。所述的步骤4)中，以各电缆缆芯电流和外界环境温度作为BP神经网络的输入，以各电缆缆芯温度作为BP神经网络的输出。与现有技术相比，本专利技术具有以下优点：本专利技术建立了以环境温度、各电缆电流为输入，各电缆线芯温升为输出的BP神经网络，并引入PSO算法优化BP神经网络的权重和阈值求解算法，提高PSO算法寻找最优值的可能性，进而实现了沟槽电缆群多工况稳态温升的快速准确的计算。附图说明图1为四回路沟槽电缆物理模型图2为适应度曲线。图3自适应PSO-BP网络预测样本误差。图4为本专利技术的方法流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例本专利技术提供一种基于自适应变异PSO-BP神经网络的沟槽电缆群稳态温升预测方法。1、本专利技术的原理介绍如下：BP神经网络在预测领域被广泛运用，其权重和阈值对BP神经网络预测的准确性影响较大，若随机选择权重和阈值容易造成其陷入局部最优，为避免这种情况发生，引入PSO算法优化BP神经网络的权重和阈值，引入变异思想，扩大其搜索范围，提高PSO算法寻找最优值的可能性，因此，本专利技术采用自适应PSO-BP神经网络对沟槽电缆稳态温升进行预测，该方法具有较好的稳定性和较高的正确性。(1)BP神经网络采用BP神经网络计算需要先将输入输出样本进行归一化处理，归一化后的样本分为训练样本和测试样本，将收集到的计算数据通过归一化公式映射到(0，1)区间，数据地归一化公式为：式中，xm为归一化后的数值，x为收集到的计算数据，xmin为该组数据中的最小值，xmax为该组数据的最大值。BP神经网络根据系统输入输出序列确定网络输入节点数为n个，隐含层节点数为l个，输出层节点数为m个，其中输入层到隐含层传递公式H为：式中，f为隐含层激励函数，选择作为隐含层激励函数。隐含层到预测输出的传递公式O为：式中，ωij，ωjk分别为输入层与隐含层神经元之间连接权重和隐含层与输出层之间的连接权重，aj为隐含层阈值，bk为输出层阈值。根据经验公式来确定隐含层节点数的范围，经验公式为：式中，n为隐含层节点数，m为输入层节点数，p为输出层节点数，a的范围为1～10。(2)PSO算法借鉴遗传算法中的变异思想，在PSO算法中引入比变异操作，在粒子每次更新后，随意产生随机数，当随机数大于某一值时，重新初始化粒子。自适应变异PSO算法，先假设再一个D维的搜索空间中，有n个粒子组成的种群X＝(X1,X2,…,Xn)，其中，第i个粒子表示为一个D维向量Xi＝[xi1,xi1,…,xiD]T，代表第i个粒子在D维搜索空间中的位置，亦代表问题的一个潜在解，根据目标函数即可计算出每个粒子位置Xi对应的适应度值。粒子适应度值计算，表达式如下：式中，x为预测样本的实际值，x′为预测样本的预测值，n为预测样本个数。在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度V和位置P，则有：式中，ω为惯性权重；c1，c2为加速因子；r1，r2为分布于[0,1]之间的随机数。惯性权重ω体现的是粒子当前速度多大程度上继承先前的速度，为了更好地平衡算法的全局搜索与局部搜索能力，采用线性递减惯性权重，即：式中，ωstart为始初惯性权重；ωend为迭代至最大次数的惯性权重；k为当前迭代次数；Tmax为最大迭代次数。2、预测流程如图4所示，本专利技术的预测流程包括以下步骤：(1)针对某一截面，建立沟槽电缆群稳态温升计算模型(本例中采用有限元计算，实际应用中也可采用其他数值计算或成熟商业软件)；(2)随机选取若干组各电缆电流、边界温度，计算各工况下的电缆稳态温升；(3)设本文档来自技高网...

【技术保护点】
1.一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，其特征在于，包括以下步骤：/n1)构建原始电缆群稳态温升数据集，并进行归一化处理；/n2)设置输入层、隐含层和输出层节点个数，构建BP神经网络；/n3)将BP神经网络的阈值和权重作为粒子，并初始化粒子群参数，确定全局最优、个体最优、个体最优适应度值与全局最优适应度值，采用PSO算法训练BP神经网络，最终得到最优的粒子，即最优的BP神经网络的阈值和权重值；/n4)将待预测的数据输入到BP神经网络中，得到输出的预测值，完成电缆群稳态温升的预测。/n

【技术特征摘要】
1.一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，其特征在于，包括以下步骤：
1)构建原始电缆群稳态温升数据集，并进行归一化处理；
2)设置输入层、隐含层和输出层节点个数，构建BP神经网络；
3)将BP神经网络的阈值和权重作为粒子，并初始化粒子群参数，确定全局最优、个体最优、个体最优适应度值与全局最优适应度值，采用PSO算法训练BP神经网络，最终得到最优的粒子，即最优的BP神经网络的阈值和权重值；
4)将待预测的数据输入到BP神经网络中，得到输出的预测值，完成电缆群稳态温升的预测。


2.根据权利要求1所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，其特征在于，所述的步骤1)具体为：
对于电缆群的截面，建立沟槽电缆群稳态温升有限元计算模型，随机选取多组各电缆电流、边界温度后，获得各工况下的电缆稳态温升数据，将各电缆缆芯电流、外界环境温度和各电缆缆芯温度一起形成原始电缆群稳态温升数据集，环境温度的取值范围根据实际设定为0-50℃。


3.根据权利要求2所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，其特征在于，所述的归一化处理具体为：



其中，xm为归一化后的数据，x为原始电缆群稳态温升数据集中的数据，xmin为该组数据中的最小值，xmax为该组数据的最大值。


4.根据权利要求2所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法，其特征在于，所述的步骤2)中，BP神经网络的...

【专利技术属性】
技术研发人员：傅晨钊，司文荣，李红雷，贺林，高凯，
申请(专利权)人：国网上海市电力公司，华东电力试验研究院有限公司，
类型：发明
国别省市：上海;31