基于深度神经网络的架空线电磁脉冲传导环境的预测方法技术

本发明专利技术属于电磁干扰技术领域，公开了一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法。首先构建架空线电磁脉冲传导环境快速预测模型，主要建立步骤为确定传导环境的主要输入变量和输出参数，通过数值模拟计算获得大量取样点上的参数值，构建深度神经网络，采用数值模拟结果进行训练和验证，建立快速预测模型。其次，利用预测模型实现预测。本发明专利技术通过深度神经网络方法建立架空线电磁脉冲传导环境的快速预测模型实现快速预测不同参数下架空线传导环境的目的，避免了预测中的大量数值模拟计算，节省了计算时间，提高预测速度。

【技术实现步骤摘要】
基于深度神经网络的架空线电磁脉冲传导环境的预测方法
本专利技术涉及电磁干扰
，特别是涉及一种基于深度神经网络的架空线电磁脉冲传导环境的快速预测方法。
技术介绍
高空核电磁脉冲的早期环境上升沿快，为纳米量级；电场幅值高，可达万伏每米；覆盖范围广，上千公里。它可以通过与架空线耦合产生高电压和大电流，损伤变压器、绝缘子等一次设备，造成大面积范围内电力系统失效和瘫痪。为了评估高空核电磁脉冲对设备的损伤并在基础上进行防护，计算高空核电磁脉冲与架空线耦合环境的负载耦合电流或电压显得尤为重要，目前常用数值模拟方法，例如BLT方程、时域有限差分等数值模拟方法计算局部架空线的电磁脉冲传导环境，取得了较好的效果。然而高空核电磁脉冲范围极广，需要计算上千公里范围内架空线的耦合传导环境(电压或电流)，采用传统的数值模拟方法计算时间长、速度慢，不能满足快速预测需求。
技术实现思路
为了解决目前数值模拟方法计算架空线电磁脉冲传导环境计算时间长、速度慢而不满足大范围内快速计算要求，本专利技术提供一种基于深度神经网络的架空线电磁脉冲传导环境快速预测方法。其主要步骤为确定传导环境的主要输入变量和输出参数，通过数值模拟计算获得大量取样点上的输出参数值，基于深度神经网络构建训练网络，采用数值模拟结果进行训练和验证，建立快速预测模型，利用该模型实现后续预测。该预测模型避免了预测中的大量数值模拟计算，节省了计算时间，提高预测速度。本专利技术的技术解决方案是提供一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法，其特殊之处在于，包括以下步骤：步骤一、构建架空线电磁脉冲传导环境预测模型；步骤1.1、选择电磁脉冲的极化角γ，入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量；在输入变量集上选取N+M个样点，确定N+M个样点对应的(γ,θ,)；同时根据实际情况确定架空线其他参数以及入射平面波的电场波形；其中N、M均为自然数；步骤1.2、根据架空线其他参数，采用数值模拟方法计算每个样点上架空线的负载耦合电压或电流的幅值；步骤1.3、利用每样点的(γ,θ,)以及各个样点上对应架空线的负载耦合电压或电流的幅值构建样本；获得样本数为M+N的总样本，将N个样本作为训练样本，M个样本作为验证样本；步骤1.4、构建深度神经网络，其中输入层包含极化角γ，入射仰角θ和方位角三个元素，输出层包含架空线的负载耦合电压或电流的幅值，设定隐层层数和每层隐层的节点数，设定深度神经网络的激活函数和终止条件；步骤1.5、把训练样本映射到[-1,1]区间对深度神经网络进行训练，然后将验证样本(γ,θ,)数据同样映射到[-1,1]区间对训练后的深度神经网络进行验证；把深度神经网络的输出结果反映射为耦合电压或电流与采用数值模拟方法计算的每样点上架空线的负载耦合电压或电流的幅值比较，实现验证，获得架空线电磁脉冲传导环境预测模型；步骤二，利用步骤一构建的架空线电磁脉冲传导环境预测模型实现预测；将测试样本中的每个样点的(γ,θ,)输入步骤一构建的架空线电磁脉冲传导环境预测模型，对架空线电磁脉冲传导环境进行预测，架空线电磁脉冲传导环境预测模型的输出结果即为预测结果。进一步地，步骤1.1中：极化角γ和入射仰角θ分别在[0,2π]和[0,π/2]范围内均匀取样；由于负载传导环境关于反对称，即耦合电压或电流满足故方位角在[0,π]内均匀取样。进一步地，步骤1.1中架空线其他参数为架空线长度L，架空线半径r，距地高度h，两端负载R1和R2，大地电导率σ和相对介电常数εr固定参数。进一步地，步骤2中的数值模拟方法可以为BLT方程、电报方程或时域有限差分等计算方法。进一步地，步骤1.4中的激活函数选取tan-sigmoid函数。本专利技术的有益效果是：本专利技术给出的基于深度神经网络的架空线电磁脉冲传导环境的快速预测模型，与传统的数值计算方法(例如BLT方程)相比，提高计算速度百倍以上，节省了计算时间，能够有效实现大面积范围内架空线传导环境的快速预测。附图说明图1为电磁脉冲与架空线耦合示意和参数定义图。图2为深度神经网络结构示意图。图3a为基于深度神经网络的架空线传导环境快速预测模型验证结果的整体显示。图3b为基于深度神经网络的架空线传导环境快速预测模型验证结果的局部显示。图4a为数值模拟计算得到的架空线耦合电压云图。图4b为基于深度神经网络的快速预测模型得到的架空线耦合电压云图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图和实施例对本专利技术进行详细说明。图1为高空核电磁脉冲与架空线耦合示意图。其中，架空线长为L，半径为r，距地高度为h，两端负载为R1和R2，大地电导率σ和相对介电常数εr，电磁脉冲入射极化角γ，入射仰角θ和方位角本专利技术给出的基于深度神经网络的架空线传导环境快速预测方法，通过下述步骤实现：首先构建架空线电磁脉冲传导环境预测模型，具体包括以下步骤：步骤1：选择电磁脉冲的极化角γ，入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量，并进行取样，选取N+M个样点，确定N+M个样点对应的(γ,θ,)；同时根据实际情况确定架空线其他参数；其中N、M均为自然数；，N+M个样点中，其中N个样点为训练样本，M个样点为验证样本。具体为：步骤1.1、极化角γ和入射仰角θ分别在[0,360]和[0,90]范围内均匀取样。由于负载传导环境关于反对称，即耦合电压或电流满足故方位角在[0,180]内均匀取样；步骤1.2、根据实际架空线模型和参数，确定架空线长度L，架空线半径r，距地高度h，两端负载R1和R2，大地电导率σ和相对介电常数εr等固定参数，并确定入射平面波的电场波形。在本实施例中，极化角γ,入射仰角θ和方位角的训练样本的取样点分别为共245791个样本训练数据。验证样本的取样点为共11664个样本验证数据。架空线的长度L＝2000m，半径r＝6mm，距地高度h＝10m，两端负载R1和R2都为487Ω，大地电导率σ和相对介电常数εr分别设置为0.001S/H和4。本实施例中的电磁脉冲电场波形为IEC标准的电场波形，具体为E0(t)＝kE0[exp(-βt)-exp(-αt)]，其中k＝1.3，E0＝50kV/m，α＝6.0×108s-1，β＝4.0×107s-1。步骤2：采用数值模拟方法计算每个样点(γ,θ,)上架空线的负载耦合电压或电流的幅值。在本实例中，采用BLT方程来计算每个样点(γ,θ,)对应的负载R1上的耦合电压的幅值V1，共得到N＝245791组训练数据，M＝11664组验证数据。每组数据包含极化角γ，入射仰角θ，方位角和负载R1的耦合电压幅值。步骤3、构建深度神经网络，如图2所示，其中输入层包含极化角γ，入射仰角θ和方位角三个元素，输出层包含负载耦本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法，其特征在于，包括以下步骤：/n步骤一、构建架空线电磁脉冲传导环境预测模型；/n步骤1.1、选择电磁脉冲的极化角γ，入射仰角θ和方位角

【技术特征摘要】
1.一种基于深度神经网络的架空线电磁脉冲传导环境的预测方法，其特征在于，包括以下步骤：
步骤一、构建架空线电磁脉冲传导环境预测模型；
步骤1.1、选择电磁脉冲的极化角γ，入射仰角θ和方位角为架空线电磁脉冲传导环境预测模型输入变量；在输入变量集上选取N+M个样点，确定N+M个样点对应的同时根据实际情况确定架空线其他参数以及入射平面波的电场波形；其中N、M均为自然数；
步骤1.2、根据架空线其他参数，采用数值模拟方法计算每个样点上架空线的负载耦合电压或电流的幅值；
步骤1.3、利用每样点的以及各个样点上对应架空线的负载耦合电压或电流的幅值构建样本；获得样本数为M+N的总样本，将N个样本作为训练样本，M个样本作为验证样本；
步骤1.4、构建深度神经网络，其中输入层包含极化角γ，入射仰角θ和方位角三个元素，输出层包含架空线的负载耦合电压或电流的幅值，设定隐层层数和每层隐层的节点数，设定深度神经网络的激活函数和终止条件；
步骤1.5、把训练样本映射到[-1,1]区间对深度神经网络进行训练，然后将验证样本数据同样映射到[-1,1]区间对训练后的深度神经网络进行验证；把深度神经网络的输出结果反映射为耦合电压或电流与采用数值模拟方法计算的每样点上架空线的负载耦合电压或电流的幅...

【专利技术属性】
技术研发人员：谢海燕，刘钰，李勇，张茂钰，乔海亮，
申请(专利权)人：西北核技术研究所，
类型：发明
国别省市：陕西;61