CN104616060B - 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 - Google Patents
基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 Download PDFInfo
- Publication number
- CN104616060B CN104616060B CN201410809736.3A CN201410809736A CN104616060B CN 104616060 B CN104616060 B CN 104616060B CN 201410809736 A CN201410809736 A CN 201410809736A CN 104616060 B CN104616060 B CN 104616060B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- insulator
- fuzzy logic
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法,属于电网的安全分析与评价领域。绝缘子污秽度预测究其本质是不确定、非线性系统的状态演化过程,本发明以温度、湿度、降雨量、风速等基本因素作为基本输入量,构建绝缘子污秽度的BP神经网络预测模型;充分考虑与复杂地理位置相关的海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响,采用模糊逻辑补偿的方法,对评价结果进行修正;运用模糊数学方法综合预测绝缘子污秽程度,可解决演化过程中影响绝缘子污秽度因素效度不清晰这一典型不确定性问题。该方法可为电网运行状态提供重要的科学判据。
Description
技术领域
本发明涉及电网的安全分析与评价领域,特别适用于在复杂自然环境下长期运行的绝缘子污秽度预测。
背景技术
绝缘子污秽度预测的本质是一个不确定性状态空间的演化过程,状态的演化(转移)过程具有随机性,其中表征绝缘子污秽度的特征信息具有不精确性,影响因素的作用效度也不清晰,运行状态的定义及外延具有模糊性,状态评判知识具有不完备性,对绝缘子污秽度预测与计算是一个复杂的不确定性问题。
BP神经网络模型包括其输入输出模型,作用函数模型,误差计算模型和自学习模型。由输入层、输出层以及一个或多个隐层节点互连而成的一种多层网,这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系,又不致使网络输出限制在-1和1之间。它具有结果清晰、系统性强的特点,能较好地解决模糊、难以量化的问题,适合多种非确定性问题的解决。
绝缘子的污染程度与绝缘子所处的温度、湿度、降雨量以及风速直接相关,但在复杂大气环境下(如山区、高海拔地区)绝缘子的污秽度演化是一个及其复杂的非线性系统,除了与上述四个因素有关外,输电线路所处的海拔高度、气压比、覆冰水电导率等因素都会对绝缘子的污秽变化产生直接影响。仅是用神经网络进行拟合就不可能考虑太多因素,其主要原因包括:1)考虑因素太多会为模型建立带来一定的困难,同时随之会出现计算复杂和数值不稳定等问题;2)与绝缘子污秽相关的地理位置信息(海拔高度、气压比)覆冰水电导率在神经网络输入层中没有具体的参考数据。
发明内容
本发明的目的在于:提出一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法,可直接为电网运行安全评价提供必要判据。
一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法,包括以下步骤:
步骤1,绝缘子污秽度BP神经网络模型建立:绝缘子污秽度BP神经网络模型包括输入层、隐含层和输出层,输出层输出结果为绝缘子的污秽等级oqi,建立神经网络输出函数;通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij,降低误差,提高网络的计算精度;
步骤2,绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理:BP神经网络模型输入量为影响绝缘子污秽度的气象因素,包括温度、湿度、降雨量和风速,归一化处理所述气象因素;
步骤3,建立模糊逻辑,并建立模糊逻辑输入因素对线路污秽度的影响函数:模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率,建立模糊逻辑输入因素对线路污秽度的影响函数,采用模糊语言变量值对海拔高度进行模糊化;
步骤4,误差校正:根据模糊逻辑输入因素对绝缘子污秽度的影响,建立误差校正隶属度函数和模糊规则库,通过解模糊化获取误差校正系数Sj;
步骤5,绝缘子污秽等级预测:基于BP神经网络的预测结果,通过模糊逻辑补偿后的绝缘子污秽等级预测绝缘子污秽等级。
步骤1所述绝缘子污秽度BP神经网络模型包括:输入层、隐含层和输出层,输出层输出结果表示绝缘子的污秽等级;较优地,输入层包括4个神经元;隐含层的节点为12个,隐含层的节点数在训练过程中根据训练精度进行调整;输出层包含1个神经元;
神经元输出为绝缘子的污秽等级oqi,对于q个样本的误差eq计算公式为:
其中,tqi为期望的污秽等级,oqi为神经网络的输出;
设x1,x2,…xn为神经元的输入,w1,w2,…wn为对应输入的权值,θ为输入层与隐含层神经元的输出阈值,对于隐含层节点θj:
vi=F(ui) (i=1,2,.....m)
其中,xj为输入的输电线路的气象参数,ui为输入层节点输出,vi为隐含层节点输出,F()为Sigmoid型函数,并且满足
BP神经网络的输出为:
oqi=F(vitij) (i=1,2,…..m)
其中,F()表示输出函数,tij为隐含层神经元i与输出层神经元j的连接权,i表示隐含层神经元序列,j表示输出层神经元输出序列,m=n=12。
步骤1绝缘子污秽度BP神经网络模型建立后,通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij(隐含层神经元i与输出层神经元j的连接权),逐步降低误差,提高网络的计算精度;
所述网络输入层与隐含层的权值wij的调整具体包括,
为修正网络误差并加快BP人工神经网络的收敛速度,选取误差函数eq随着权值变化的梯度方向对误差进行修正,并引入动量系数λ,表达式为:
其中,表示k时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量,为k时刻的修正结果,为k-1时刻的修正结果,η为误差修正系数。
最后对原权值进行修正,得到新的连接权向量计算表达为:
所述步骤2中的绝缘子污秽度BP神经网络模型输入量为温度、湿度、降雨量和风速;
将所述输入量(气象信息数据:温度、湿度、降雨量和风速)归一化处理,所述归一化处理的过程包括以下步骤:
设f为某个气象信息数据(温度、湿度、降雨量和风速),fmax为此气象数据中的最大值,fmin为此气象数据中最小值,那么对于任意的气象数据fr(x),r表示输入层神经元个数,r=1,2,3,4,按以下进行归一化处理:
如果气象数据(气象信息)与绝缘子的污秽程度正相关,归一化后的气象信息为:
如果气象信息与绝缘子的污秽等级负相关,归一化后的气象信息为:
所述步骤3中的模糊逻辑建立,包括以下步骤:
301)建立模糊逻辑输入因素,所述模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率;
302)建立所述模糊逻辑输入因素隶属度函数,具体包括以下步骤,
采用模糊语言变量值对海拔高度进行模糊化,l1(x)1、l2(x)1、l3(x)1分别为模糊变量值NB、ZE、PB对应的海拔高度的模糊化函数:
NB
ZE
PB
l1(x)1、l2(x)1、l3(x)1的变量x表示海拔高度;
采用模糊语言变量值,对输电线路所处的气压比进行模糊化,其中NB、ZE、PB分别代表了输电线路所处不同海拔高度的气压比,l1(x)2、l2(x)2、l3(x)2分别为模糊变量值NB、ZE、PB对应的气压比的模糊化函数;
NB
ZE
PB
l1(x)2、l2(x)2、l3(x)2的自变量x表示气压比;
采用模糊语言变量值,对输电线路的覆冰水电导率模糊化,l1(x)3、l2(x)3、l3(x)3、l4(x)3分别为模糊变量值NB、ZE、PS、PB对应的覆冰水电导率的模糊化函数;
NB
ZE
PS
PB
l1(x)3、l2(x)3、l3(x)3、l4(x)3的自变量x表示覆冰水电导率。
NB、NS、ZE、PS、PB用于表示因素的隶属度,分别表示负大、负小、零、正小、正大。
根据绝缘子所处环境情况,求解各因素隶属函数,得海拔高度、气压比和覆冰水电导率的隶属函数值z=1,2,3,分别表示海拔高度、气压比和覆冰水电导率的隶属函数值。
步骤4中误差校正,包括以下步骤:
根据步骤3中模糊逻辑输入因素对线路污秽度的影响,建立误差校正隶属度函数,所述误差校正隶属度函数取五个模糊变量NB(负大);NS(负小);ZE(零);PS(正小);PB(正大),根据历史运行经验,建立模糊规则库,通过解模糊化获取误差校正系数Sj。
所述误差校正隶属函数如下:
NB
NS
ZE
PS
PB
所述误差校正隶属函数的自变量 z表示步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值。
步骤5中的绝缘子污秽等级预测,具体包括以下步骤:
基于BP神经网络的预测结果,通过模糊逻辑补偿后的绝缘子污秽等级预测结果,本发明建立的绝缘子污秽等级预测公式如下:
式中:S为基于模糊逻辑补偿后的绝缘子污秽等级的预测值,oqi为BP神经网络输出值,为步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值,Sz为步骤4中对应误差校正隶属函数的取值,即模糊逻辑误差校正系数。
与现有技术相比,本发明有益效果包括:
本发明针对复杂地理环境下的绝缘子污闪问题,基于BP神经网络和模糊逻辑补偿的绝缘子污秽度预测新方法。首先利用BP神经网络预测在温度、湿度、降雨量、风速等基本因素下对绝缘子的污秽度,然后充分考虑与复杂地理位置相关的海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响,采用模糊逻辑补偿的方法进一步提高预测精度。所提方法有效的解决了在复杂自然环境下长期运行的绝缘子污秽度预测问题;
具体有益效果如下:
步骤1:绝缘子污秽度BP神经网络模型建立过程,绝缘子污秽度的影响因素具有很强的模糊性和不确定性,采用BP神经网络模型可以有效地解决污秽度预测中的因果关系不清晰这一典型不确定性问题。
步骤2:绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理;同一类型绝缘子污秽程度的不同主要是有表面积污与气象条件决定,选用温度、湿度、降雨量、风速等基本因素作为BP神经网络模型的输入量,一方面可以准确描述绝缘子污秽度,另一方面减少输入量个数简化了BP网络模型结构。
步骤3和步骤4充分考虑复杂地理下海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响,建立相应的模糊隶属函数,采用模糊逻辑补偿的方法,确定绝缘子污秽度的修正量,有效地解决了在复杂地理条件下不同海拔高度、覆冰情况下的污秽度预测偏差较大的问题。
步骤5以BP神经网络的预测结果为主,采用模糊逻辑补偿的方法修正污秽度预测值,进一步提高预测精度,所提方法有效的解决了在复杂自然环境下长期运行的绝缘子污秽度预测不确定性和精度问题。
附图说明
图1为本发明基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法流程示意图;
图2人工神经元模型图;
图3海拔高度隶属度函数示意图;
图4气压比隶属度函数示意图;
图5覆冰水电导率隶属度函数示意图;
图6校正系数隶属度函数示意图;
图7BP神经网络预测结果与本发明所提方法的对比示意图。
具体实施方式
本发明一种复杂地理环境下的绝缘子污秽度预测的设计思路如图1所示,该方法主要包括如下步骤:
步骤1,绝缘子污秽度BP神经网络模型建立:绝缘子污秽度BP神经网络模型包括输入层、隐含层和输出层,输出层输出结果为绝缘子的污秽等级oqi,建立神经网络输出函数;通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij,降低误差,提高网络的计算精度。
绝缘子神经网络模型以统计的输电线路的气象数据作为输入向量,以在此气象数据下的某种绝缘子的污秽等级作为网络的输出结果。其结构图如图2所示。
神经网络输入的气象参数有4个,且隐含层有12个神经元,神经元输出的绝缘子的污秽等级oqi,对于q个样本的误差eq计算公式为:
其中,tqi为期望的污秽等级,oqi为神经网络的输出。
BP算法通过不断的修正网络的权值wij和阀值θ,是输出量逐渐收敛。
x1,x2,…xn为神经元的输入,w1,w2,…wn为对应输入的权值,θ为神经元的阈值。则对于输入θ节点有:
vi=F(ui) (i=1,2,…..m)
其中,xj为输入的输电线路的气象参数,ui为输入节点输出,vi为隐含层节点输出,f为Sigmoid型函数,并且满足
BP神经网络的输出为:
oqi=F(vitij) (i=1,2,…..m)
其中,F()表示输出函数,tij为隐含层神经元i与输出层神经元j的连接权,i表示隐含层神经元序列,j表示输出层神经元输出序列,m=n=12。
至此,可完成神经网络的第一次迭代过程,产生了绝缘子的污秽等级oqi。
在确定网络的结构以后,通过调整网络输入层与隐含层的权值wij以及隐含层与输出层的权值tij,逐步降低误差,以提高网络的计算精度。
为修正网络误差并加快BP人工神经网络的收敛速度,选取误差函数eq随着权值变化的梯度方向对误差进行修正并引入动量系数λ,其表达式如下:
其中,表示k时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量,为k时刻的修正结果,为k-1时刻的修正结果,η为误差修正系数。
最后对原权值进行修正,得到新的连接权向量计算表达为:
上述计算过程,是沿着正向计算过程的反向,将误差信息传递,对连接权向量进行修正计算。神经网络中的阀值θ以及隐含层和输出层权值tij的修正过程与修正过程相同,此处不再赘述。
步骤2,绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理:BP神经网络模型输入量为影响绝缘子污秽度的气象因素,包括温度、湿度、降雨量和风速,归一化处理所述气象因素;绝缘子的污染程度主要受绝缘子所处外部气象条件如温度、湿度、降雨量以及风速的影响。本文选取温度、湿度、降雨量和风速作为绝缘子污秽度神经网络预测模型的输入量。
为精确反应神经网络任意输出量的变化引起输出量变大的大小,并且满足BP人工神经网络的输入向量为无量纲参量的要求,将上述气象信息(温度、湿度、降雨量以及风速)归一化处理,其归一化处理的过程如下:
设f为某个气象数据,fmax为此气象数据中的最大值,fmin为此气象数据中最小值,那么对于任意的气象数据fr(x),r表示输入层神经元个数,r=1,2,3,4,按以下进行归一化处理:
如果气象数据(气象信息)与绝缘子的污秽程度正相关,则归一化后的气象信息为:
如果气象信息与绝缘子的污秽等级负相关,则归一化后的气象信息为:
步骤3,建立模糊逻辑,并建立模糊逻辑输入因素对线路污秽度的影响函数:模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率,建立模糊逻辑输入因素对线路污秽度的影响函数,采用模糊语言变量值对海拔高度进行模糊化;
在神经网络模型预测的基础上,结合模糊逻辑补偿的方法,进一步充分考虑与输电线路相关的地理位置信息,进一步提高绝缘子的污秽度的预测精度。
根据实验室的条件以及工程实际,模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率,复杂大气环境模糊逻辑输入因素的变化区间如表1所示。
表1环境信息变化区间
所述步骤3中的模糊逻辑建立,包括以下步骤:
(301)建立模糊逻辑输入因素,所述模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率;
输电线路所在地理位置的环境信息对绝缘子的污秽度有较大影响,其中包括:1)输电线路所在的海拔高度;2)输电线路所在环境的气压比;3)输电线路的覆冰水电导率;因此将上述三个因素作为模糊逻辑输入因素。
(302)建立所述模糊逻辑输入因素隶属度函数,具体包括以下步骤,
针对上述三个因素建立所述模糊逻辑输入因素隶属度函数,如图3、4、5所示的隶属度函数。
本发明用3种模糊语言变量值(NB,ZE,PB)对海拔高度进行了模糊化,l1(x)1、l2(x)1、l3(x)1分别为模糊变量值NB、ZE、PB对应的海拔高度的模糊化函数,如图3所示,:
NB
ZE
PB
l1(x)1、l2(x)1、l3(x)1的变量x表示海拔高度;
本发明用3种模糊语言变量值,对输电线路所处的气压比进行了模糊化,其中NB、ZE、PB分别代表了输电线路所处不同海拔高度的气压比;l1(x)2、l2(x)2、l3(x)2分别为模糊变量值NB、ZE、PB对应的气压比的模糊化函数,如图4所示;
NB
ZE
PB
l1(x)2、l2(x)2、l3(x)2的自变量x表示气压比。
本发明用4种模糊语言变量值,对输电线路的覆冰水电导率模糊化,l1(x)3、l2(x)3、l3(x)3、l4(x)3分别为模糊变量值NB、ZE、PS、PB对应的覆冰水电导率的模糊化函数,如图5所示;
NB
ZE
PS
PB
l1(x)3、l2(x)3、l3(x)3、l4(x)3的自变量x表示覆冰水电导率。
NB、NS、ZE、PS、PB用于表示因素的隶属度,分别表示负大、负小、零、正小、正大。
(303)根据绝缘子所处环境情况,求解模糊逻辑输入因素隶属函数,得海拔高度、气压比和覆冰水电导率的隶属函数值z=1,2,3,分别表示海拔高度、气压比和覆冰水电导率的隶属函数值。
步骤4,误差校正:根据模糊逻辑输入因素对绝缘子污秽度的影响,建立误差校正隶属度函数和模糊规则库,通过解模糊化获取误差校正系数Sz;基于以上因素对线路覆冰的影响,本发明建立如图6所示的误差校正隶属度函数。
取五个模糊变量:NB(负大);NS(负小);ZE(零);PS(正小);PB(正大)。根据历史运行经验,建立模糊规则库,通过解模糊化获取误差校正系数Sj;
误差校正隶属函数如下:
NB
NS
ZE
PS
PB
所述误差校正隶属函数的自变量 表示步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值。
步骤5,绝缘子污秽等级预测:基于BP神经网络的预测结果,通过模糊逻辑补偿后的绝缘子污秽等级预测绝缘子污秽等级。
基于BP神经网络的预测结果,通过模糊逻辑补偿后的绝缘子污秽等级预测结果,本发明建立的绝缘子污秽等级预测公式如下:
式中:S为基于模糊逻辑补偿后的绝缘子污秽等级的预测值,oqi为BP神经网络输出值,为步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值,Sz为步骤4中对应误差校正隶属函数的取值,即模糊逻辑误差校正系数。
本实施例数据如下:
针对某地区一年的相关参量统计数据为对象进行分析,经本发明中方法重新反演模拟,验证了提方法的有效性和正确性,可以较准确的预测出绝缘子的污秽等级。相关参量统计和绝缘子污秽等级的预测结果如表2所示。
表2相关参量统计数据与预测结果
为了说明本发明的优势,与未采用模糊逻辑补偿的绝缘子污秽等级预测所产生的误差加以对比,对比结果如图7所示。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法,其特征在于,包括以下步骤:
步骤1:绝缘子污秽度BP神经网络模型建立;
步骤2:绝缘子污秽度BP神经网络模型输入量确定并进行归一化处理;
步骤3:建立模糊逻辑,并建立因素对线路污秽度的影响函数;
步骤4:误差校正;
步骤5:绝缘子污秽等级预测;
步骤1所述绝缘子污秽度BP神经网络模型包括:输入层、隐含层和输出层,输出层输出结果表示绝缘子的污秽等级;
神经元输出为绝缘子的污秽等级oqi,对于q个样本的误差eq计算公式为:
<mrow>
<msub>
<mi>e</mi>
<mi>q</mi>
</msub>
<mo>=</mo>
<msup>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>q</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mrow>
<mi>q</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mn>2</mn>
</msup>
</mrow>
其中,tqi为期望的污秽等级,oqi为神经网络的输出;
设x1,x2,…xn为神经元的输入,w1,w2,…wn为对应输入的权值,θ为输入层与隐含层神经元的输出阈值,对于隐含层节点θj:
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>.....</mn>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
vi=F(ui)(i=1,2,…..m)
其中,xj为输入的输电线路的气象参数,ui为输入层节点输出,vi为隐含层节点输出,F()为Sigmoid型函数;
BP神经网络的输出为:
oqi=F(vitij)(i=1,2,…..m)
其中,F()表示输出函数,wij网络输入层与隐含层的权值,tij为隐含层神经元i与输出层神经元j的连接权,i表示隐含层神经元序列,j表示输出层神经元输出序列,m=n=12;
所述输入层包括4个神经元;隐含层的节点为12个,隐含层的节点数在训练过程中根据训练精度进行调整;输出层包含1个神经元;
步骤1绝缘子污秽度BP神经网络模型建立后,通过调整网络输入层与隐含层的权值wij和隐含层与输出层的权值tij,逐步降低误差;
所述网络输入层与隐含层的权值wij的调整具体包括以下步骤,
选取误差函数eq随着权值变化的梯度方向对误差进行修正,并引入动量系数λ,表达式为:
<mrow>
<msubsup>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>q</mi>
</msub>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>q</mi>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msubsup>
<mi>&lambda;&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
表示k时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量,为k时刻的修正结果,为k-1时刻的修正结果,η为误差修正系数;
最后对原权值进行修正,得到新的连接权向量计算表达为:
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&RightArrow;</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&prime;</mo>
</msup>
<mo>;</mo>
</mrow>
所述步骤2中的绝缘子污秽度BP神经网络模型输入量为温度、湿度、降雨量和风速;
将所述输入量归一化处理,所述归一化处理的过程包括以下步骤:
设f为某个气象信息数据,fmax为气象信息数据中的最大值,fmin为气象信息数据中最小值,那么对于任意的气象数据fr(x),r表示输入层神经元个数,r=1,2,3,4,按以下规则进行归一化处理:
如果气象信息与绝缘子的污秽程度正相关,归一化后的气象信息为:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>min</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>max</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>min</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
如果气象信息与绝缘子的污秽等级负相关,归一化后的气象信息为:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>r</mi>
<mo>_</mo>
<mi>min</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
所述步骤3中的模糊逻辑建立,包括以下步骤:
301)建立模糊逻辑输入因素,所述模糊逻辑输入因素包括输电线路所在的海拔高度、输电线路所在环境的气压比和输电线路的覆冰水电导率;
302)建立所述模糊逻辑输入因素隶属度函数,具体包括以下步骤,
采用模糊语言变量值对海拔高度进行模糊化,l1(x)1、l2(x)1、l3(x)1分别为模糊变量值NB、ZE、PB对应的海拔高度的模糊化函数:
NB
ZE
PB
l1(x)1、l2(x)1、l3(x)1的自变量x表示输电线路所在的海拔高度;
采用模糊语言变量值,对输电线路所处的气压比进行模糊化,其中NB、ZE、PB分别代表了输电线路所处不同海拔高度的气压比,l1(x)2、l2(x)2、l3(x)2分别为模糊变量值NB、ZE、PB对应的气压比的模糊化函数;
NB
ZE
PB
l1(x)2、l2(x)2、l3(x)2的自变量x表示输电线路所在环境的气压比;
采用模糊语言变量值,对输电线路的覆冰水电导率模糊化,l1(x)3、l2(x)3、l3(x)3、l4(x)3分别为模糊变量值NB、ZE、PS、PB对应的覆冰水电导率的模糊化函数;
NB
ZE
PS
PB
l1(x)3、l2(x)3、l3(x)3、l4(x)3的自变量x表示输电线路的覆冰水电导率;
NB、NS、ZE、PS、PB用于表示模糊逻辑输入因素的模糊语言变量值,分别表示负大、负小、零、正小、正大;
303)根据绝缘子所处环境的气象数据,求解各因素隶属函数,获取海拔高度、气压比和覆冰水电导率的隶属函数值分别表示海拔高度、气压比和覆冰水电导率的隶属函数值;
所述误差校正隶属函数为:
NB
NS
ZE
PS
PB
所述误差校正隶属函数的自变量表示步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值;
所述步骤5中的绝缘子污秽等级预测,具体包括以下步骤:
基于BP神经网络的预测结果,通过模糊逻辑补偿后的绝缘子污秽等级预测绝缘子污秽等级,绝缘子污秽等级预测公式为:
式中:S为基于模糊逻辑补偿后的绝缘子污秽等级的预测值,oqi为BP神经网络输出值,为步骤3中海拔高度、气压比和覆冰水电导率对应隶属函数的取值,Sz为模糊逻辑误差校正系数。
2.根据权利要求1所述的一种基于BP神经网络和模糊逻辑的绝缘子污秽度预测方法,其特征在于:所述步骤4中误差校正,包括以下步骤:
根据模糊逻辑输入因素对绝缘子污秽度的影响,建立误差校正隶属度函数,所述误差校正隶属度函数取五个模糊变量NB、NS、ZE、PS、PB,根据历史运行经验,建立模糊规则库,通过解模糊化获取误差校正系数Sz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410809736.3A CN104616060B (zh) | 2014-12-23 | 2014-12-23 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410809736.3A CN104616060B (zh) | 2014-12-23 | 2014-12-23 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616060A CN104616060A (zh) | 2015-05-13 |
CN104616060B true CN104616060B (zh) | 2018-03-27 |
Family
ID=53150496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410809736.3A Active CN104616060B (zh) | 2014-12-23 | 2014-12-23 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616060B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858696A (zh) * | 2019-01-30 | 2019-06-07 | 山东万钢信息科技有限公司 | 一种城市环境污染预测方法及系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842107B (zh) * | 2016-03-17 | 2018-06-01 | 东南大学 | 一种绝缘子表面积污的清理方法 |
CN106597240A (zh) * | 2017-01-24 | 2017-04-26 | 桂林师范高等专科学校 | 绝缘子污秽监测系统 |
CN106969836A (zh) * | 2017-03-21 | 2017-07-21 | 华北电力大学(保定) | 一种绝缘子发热点的检测方法 |
CN107121297B (zh) * | 2017-06-19 | 2023-05-16 | 吉林大学 | 一种模拟风雨耦合作用的系统及控制方法 |
CN108957253B (zh) * | 2018-05-29 | 2020-08-21 | 长春工程学院 | 一种非规律性高粉尘导致绝缘子污闪的预警方法 |
CN109492830B (zh) * | 2018-12-17 | 2021-08-31 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
CN110472772B (zh) * | 2019-07-09 | 2020-11-10 | 长沙能川信息科技有限公司 | 一种隔离开关过热预警方法及一种隔离开关过热预警系统 |
CN111126591B (zh) * | 2019-10-11 | 2023-04-18 | 重庆大学 | 一种基于空间约束技术的大地电磁深度神经网络反演方法 |
CN110909453A (zh) * | 2019-11-01 | 2020-03-24 | 中国地质大学(武汉) | 一种基于eemd的输电线路覆冰等级预测方法 |
CN112149791A (zh) * | 2020-09-22 | 2020-12-29 | 国网河南省电力公司鹤壁供电公司 | 一种基于神经网络识别和模糊分析的低电压风险评估系统 |
CN112307655B (zh) * | 2020-10-21 | 2023-12-05 | 江苏省送变电有限公司 | 基于温度检测的复合绝缘子污秽风险等级评估方法及系统 |
CN112394266B (zh) * | 2020-11-23 | 2022-10-25 | 国家电网有限公司 | 一种基于神经网络的输电线路绝缘子污秽等级判定方法 |
CN113095499B (zh) * | 2021-03-26 | 2022-09-27 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子等值附盐密度的预测方法 |
CN113680763B (zh) * | 2021-08-30 | 2022-11-08 | 广东电网有限责任公司 | 一种支柱式绝缘子干冰清洗方法及相关装置 |
CN116297300B (zh) * | 2023-02-13 | 2024-03-19 | 华南理工大学 | 一种复合绝缘子芯棒老化评价方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893674A (zh) * | 2010-07-12 | 2010-11-24 | 沈阳工业大学 | 一种区域电网污闪指数预测方法 |
CN103823165A (zh) * | 2014-02-26 | 2014-05-28 | 国家电网公司 | 一种基于泄漏电流的绝缘子污闪预警方法及其系统 |
WO2014086314A1 (zh) * | 2012-12-06 | 2014-06-12 | 新疆电力公司 | 应用于大风区的新型抗强风型复合绝缘子 |
-
2014
- 2014-12-23 CN CN201410809736.3A patent/CN104616060B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893674A (zh) * | 2010-07-12 | 2010-11-24 | 沈阳工业大学 | 一种区域电网污闪指数预测方法 |
WO2014086314A1 (zh) * | 2012-12-06 | 2014-06-12 | 新疆电力公司 | 应用于大风区的新型抗强风型复合绝缘子 |
CN103823165A (zh) * | 2014-02-26 | 2014-05-28 | 国家电网公司 | 一种基于泄漏电流的绝缘子污闪预警方法及其系统 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络和模糊逻辑的绝缘子污秽等级预测;王健等;《南京工程学院学报(自然科学版)》;20131231;第11卷(第4期);18-22 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858696A (zh) * | 2019-01-30 | 2019-06-07 | 山东万钢信息科技有限公司 | 一种城市环境污染预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104616060A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616060B (zh) | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 | |
Samadianfard et al. | Wind speed prediction using a hybrid model of the multi-layer perceptron and whale optimization algorithm | |
Shiri et al. | Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Chen et al. | Artificial neural network modeling of dissolved oxygen in reservoir | |
Shiri et al. | Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations | |
Talebizadeh et al. | Uncertainty analysis for the forecast of lake level fluctuations using ensembles of ANN and ANFIS models | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
Shiri et al. | Estimation of daily suspended sediment load by using wavelet conjunction models | |
Jeong et al. | Monthly precipitation forecasting with a neuro-fuzzy model | |
Zhang et al. | A short-term traffic forecasting model based on echo state network optimized by improved fruit fly optimization algorithm | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
Huang et al. | A hybrid fuzzy wavelet neural network model with self-adapted fuzzy c-means clustering and genetic algorithm for water quality prediction in rivers | |
Kişi | Evolutionary fuzzy models for river suspended sediment concentration estimation | |
Jalalkamali et al. | Groundwater modeling using hybrid of artificial neural network with genetic algorithm | |
Bozorg-Haddad et al. | A self-tuning ANN model for simulation and forecasting of surface flows | |
Valizadeh et al. | Accuracy enhancement for forecasting water levels of reservoirs and river streams using a multiple-input-pattern fuzzification approach | |
Aali et al. | Estimation of Saturation Percentage of Soil Using Multiple Regression, ANN, and ANFIS Techniques. | |
Sanikhani et al. | Comparison of different data-driven approaches for modeling lake level fluctuations: the case of Manyas and Tuz Lakes (Turkey) | |
Chidthong et al. | Developing a hybrid multi‐model for peak flood forecasting | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
Tayfur | Fuzzy, ANN, and regression models to predict longitudinal dispersion coefficient in natural streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |