CN104636801B - 一种基于优化bp神经网络的预测输电线路可听噪声方法 - Google Patents
一种基于优化bp神经网络的预测输电线路可听噪声方法 Download PDFInfo
- Publication number
- CN104636801B CN104636801B CN201310554004.XA CN201310554004A CN104636801B CN 104636801 B CN104636801 B CN 104636801B CN 201310554004 A CN201310554004 A CN 201310554004A CN 104636801 B CN104636801 B CN 104636801B
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- layer
- ant
- transmission line
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 230000005540 biological transmission Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005611 electricity Effects 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 39
- 238000010353 genetic engineering Methods 0.000 claims description 8
- 241000257303 Hymenoptera Species 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 201000004792 malaria Diseases 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 239000003016 pheromone Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于优化BP神经网络的预测输电线路可听噪声方法,所述方法包括以下步骤:获取数据参数并预处理、建立数据参数的BP神经网络预测模型,采用蚁群算法对BP神经网络进行优化训练,再利用该网络对输电线路可听噪声进行预测。本发明具有较高的预测精度,收敛性好,稳定性强,避免BP神经网络陷入局部极小点的问题,对输电线路可听噪声预测及降低可听噪声研究具有很好的指导意义。
Description
技术领域:
本发明涉及一种预测输电线路可听噪声方法,更具体涉及一种基于优化BP神经网络的预测输电线路可听噪声方法。
背景技术:
可听噪声是输电线路电磁环境影响的一个方面,属于输电线路电晕时产生的现象之一,随着输电线路电压等级的提高,输电线路产生的可听噪声引起了人们的广泛关注。减少输电线路电磁环境影响,降低线路周边可听噪声是各国设计工作者一直研究的工作,而如何对线路可听噪声进行准确预测是研究工作的前提。目前,输电线路可听噪声是根据国际大电网会议提供的经验公式进行预测。但是,可听噪声产生的机理很复杂,受电压、电流、导线截面、导线布置、气象条件等众多因素影响,是很复杂的非线性变化过程。
目前,国内外对输电线路可听噪声的研究主要侧重于分析噪声的影响因素。通过试验线段或电晕笼的试验数据得到的经验公式来定量预测可听噪声大小。可听噪声的计算公式大体可分两大类:第1类为对于特定几何结构所得出的公式,如AEP公式和OntarioHydro公式,适合于电压等级低于1000kV的单回路线路;第2类为适用各种几何形状的一般公式,如BPA公式、EDF公式、ENEL公式、FGH公式、GE公式、IREQ公式,适合于各种线路。这些公式只考虑线路本身的特点,通过分裂导线表面电位梯度、导线分裂数、子导线分裂直径等因素进行预测,面临适用条件的约束、预测误差偏大,在实际线路设计中应用时将会受到一定程度的限制。由于输电线路可听噪声的大小还受环境及地理位置因素的影响,而这些影响因素对可听噪声值的影响表现出高度的非线性和不确定性,难以用精确的公式来描述。
而由于输电线路可听噪声影响因素的复杂性,以往的经验公式都没有全面涵盖所有的影响因素,而且经验公式是基于低电压等级线路的长期观测总结出来的,对于高电压等级线路的可听噪声的预测存在误差。
人工神经网络是通过对人脑神经系统的结构、活动机制、功能及信息处理机理的认识,由大量功能比较简单的形式神经元相互连接构成的复杂的、新型的信息处理网络。它具有很多与人类智能相似的特点,诸如结构与处理的并行性,知识分布存储,很强的容错性,鲁棒性和自学习、自适应、自组织能力,通过学习具备适应外界环境的能力,模式识别能力和综合推理能力等。
BP神经网络具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性,因此对复杂的非线性问题具有较好的描述能力;应用BP神经网络通过样本学习可以掌握可听噪声值与其影响因素之间的复杂非线性关系,这种关系与传统的高度简化了的函数关系相比更加接近实际。基于BP神经网络的预测方法能准确、快速地预测高压输电线路的可听噪声值,节约大量的人力、物力。
蚁群算法(ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。它由MarcoDorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。该算法是一种随机搜索算法,与遗传算法、模拟退火算法等模拟进化算法一样,通过候选解组成的群体在进化过程中寻求最优解,具有:①较强的鲁棒性,对基本蚁群算法模型稍加修改,即可应用于其它问题的求解;②分布式计算,蚁群算法是一种基于种群的算法,具有并行性;③易与其它方法结合,蚁群算法很容易与其它启发式算法相结合,改善算法的性能。
将蚁群算法引入BP神经网络的优化训练,用蚁群算法来学习BP神经网络的权系,建立了基于该算法的BP神经网络训练模型以解决上述噪声难以确定的问题。
发明内容:
本发明的目的是提供一种基于优化BP神经网络的预测输电线路可听噪声方法,该方法易于并行实现,改善BP神经网络的性能。
为实现上述目的,本发明采用以下技术方案:一种基于优化BP神经网络的输电线路可听噪声预测方法,所述方法在于以下步骤:
(1)获取数据参数并预处理;
(2)建立数据参数的的BP神经网络预测模型;
(3)采用蚁群算法对BP神经网络进行优化训练;
(4)通过优化训练后的BP神经网络对输电线路可听噪声进行预测。
本发明提供的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(1)中的数据参数包括输电线路的电压、导线直径、导线截面、分裂数、分裂间距、导线对地距离、导线距测量点距离、温度、湿度、风速、气压、海拔和背景噪声。
本发明提供的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(1)中的预处理步骤为:将所述数据参数归一化预处理,将所述数据参数归一化到[-1,1]区间内。
本发明提供的另一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(2)中BP神经网络的建立步骤为:
(2-1)选择神经网络的前馈网络模型包括输入层、隐含层和输出层;
(2-2)根据输入输出数据参数的维数,确定BP神经网络隐含层神经元数,再通过网络训练结果的性能进行调整;
(2-3)设置权值和阈值,所述权值和阈值的初始值采用(-0.1,0.1)的随机数。
本发明提供的再一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(3)中的采用蚁群算法对BP神经网络进行优化训练步骤为:
(3-1)正向传播过程:将输入变量数据参数的信息通过所述输入层,通过蚁群找出与所述隐含层建立的最优路径,经所述隐含层处理并计算每个单元的实际输出值;
(3-2)反向传播过程:如所述输出层未能得到期望的输出值,计算实际输出与期望输出之差值,并根据蚁群的信息量控制此差值逐层递归调节所述权值和阈值,使误差值逐渐减小,直到满足精度要求;
(3-3)当所述差值低于规定水平时即通过测试。
本发明提供的又一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(4)中通过优化训练后的BP神经网络对输电线路可听噪声预测步骤为:
(4-1)将所述输入数据参数进行归一化并输入所述优化训练后的BP神经网络进行预测,获得归一化的预测结果;
(4-2)将所述预测结果进行反归一化,获得高压输电线路可听噪声预测值。
本发明提供的又一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,
所述BP神经网络通过S型激活函数建立BP网络输入与输出关系;
所述其输入为:net=x1w1+x2w2+…+xnwn;
所述其输出为:
所述输入层有n个神经元,隐含层有p个神经元,输出层有q个神经元;
输入向量:x=(x1,x2,…,xn);
隐含层输入向量:hi=(hi1,hi2,…,hip);
隐含层输出向量:ho=(ho1,ho2,…,hop);
输出层输入向量:yi=(yi1,yi2,…,yiq);
输出层输出向量:yo=(yo1,yo2,…,yoq);
期望输出向量:do=(d1,d2,…,dq);
输入层与中间层的连接权值:wih;
隐含层与输出层的连接权值:who;
隐含层各神经元的阈值:bh;
输出层各神经元的阈值:bo;
样本数据个数:k=1,2,…m;
激活函数:f(X);
误差函数:
本发明提供的又一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,每只所述蚂蚁代表一个BP神经网络,所述BP神经网络的寻优变量X为两个权值矩阵wih,who和两个阀值向量bh,bo寻优函数minF(X)为误差函数通过蚁群算法对误差函数E进行寻优操作,直到满足给定停止条件为止;
所述寻优变量X的各分量wih,who,bh,bo取值范围在区间[p,q]之间,将X的各分量分为e个子区间;
设有Z只蚂蚁,将解的(n+m+1)h+m个分量看成(n+m+1)h+m个顶点,第i个顶点代表第i个分量,在第i个顶点的一个状态到第i+1个顶点之间有e条连线代表第i个分量的取值可能在e个不同的子区间;每只所述蚂蚁从第1个顶点出发,选择某一条连线到达第2个顶点,再从第2个顶点出发,依次类推,一直到达第(n+m+1)h+m个顶点;所述每个蚂蚁所走过的路径代表一个解的初始方案,在e条连线中选取某一条连线到达终点,所述方案指出解的每一个分量所在的子区间;
所述解通过更新各个子区间已有的取值中保存的函数值解的相应分量值确定;
所述更新解的相应分量的值通过变异特征的蚁群算法和遗传操作实现;
通过对被选中的子区间减少其信息量,使其他所述蚂蚁选中该子区间的概率降低减少了停滞现象的发生。
本发明提供的又一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述步骤(3-1)正向传播过程的算法步骤为:
(3-1-1)令时间t和循环次数M为零,设置结束条件,置各子区间上的信息量ΩRi为0;
(3-1-2)初始化所述BP神经网络,设置各连接权值分别赋一个区间(-1,1)内的随机数,设定误差函数e,给定学习次数N;
(3-1-3)随机选取第k个输入样本及对应期望输出:
x(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k),…,dn(k))
通过随机得到的初始解确定函数值并通过所述初始解的各个分量计算出其所属的子区间上的信息量;
(3-1-4)计算隐含层各神经元的输入和输出:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2,…,p。
本发明提供的又一优选的一种基于优化BP神经网络的输电线路可听噪声预测方法,所述步骤(3-2)反向传播过程算法为:
(3-2-5)通过所述BP神经网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k):
(3-2-6)通过所述隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k):
(3-2-7)通过所述输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k):
(3-2-8)通过所述隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权:
其中,μ为输入层神经元个数,N为1……N;
(3-2-9)训练N次,结束当前神经网络学习:
(3-2-10)分别对所述每只蚂蚁的第i个分量进行子区间信息量的更新:并在子区间候选组中进行遗传操作,生成第i个分量的新值,然后计算蚂蚁新解的函数值,i=i+1;
(3-3-11)如果i≤N,返回所述步骤(3-3-10);否则,继续下一步;
(3-3-12)修改各子区间上的信息量;取函数值小的num个解,将其分量值插入相应的子区间的候选组中,t=t+1,M=M+1;
(3-3-13)如果蚁群全部收敛到一条路径,或达到结束条件,则结束算法,输出当前解;否则,以当前解代替随机数,返回到所述步骤(3-1-2),进入下一轮循环。
和最接近的现有技术比,本发明提供技术方案具有以下优异效果
1、本发明中该模型兼有了神经网络的广泛映射能力和蚁群算法的快速全局收敛以及启发式学习等特点,在某种程度上避免了BP神经网络收敛速度慢,易于陷入局部极小点的问题;
2、本发明中对输电线路可听噪声可以准确预测,对进一步研究降低输电线路可听噪声的方法及措施,以及对输电线路设计具有重要的意义;
3、本发明的方法具有很好的非线性映射能力、自学习和自适应能力、泛化能力及容错能力使得与蚂蚁算法很好的配合;
4、本发明采用蚁群算法对BP神经网络进行优化训练,使得该方法易于并行实现,改善BP神经网络的性能。
附图说明
图1为本发明BP神经网络的拓扑结构示意图;
图2为本发明的蚁群算法优化BP神经网络流程图。
具体实施方式
下面结合实施例对发明作进一步的详细说明。
实施例1:
如图1-2所示,本例的发明的方法为:首先获取对输电线路可听噪声Y有影响的因素作为输入数据,包括:电压X1、导线直径X2、导线截面X3、分裂数X4、分裂间距X5、导线对地距离X6、导线距测量点距离X7、温度X8、湿度X9、风速X10、气压X11、海拔X12、背景噪声X13。
输入数据包含13个神经元,数量级相差较大,为保证各因素同等地位,加快收敛速度,利用归一化预处理方法,对输入数据进行预处理,将数据归一化到[-1,1]区间内。
蚁群算法为假设网络中有N个参数,它包括所有的权值和阈值。首先,对这些参数进行排序,对于参数Pi(1≤i≤N)取它的所有可能值组成一个集合ΩPi;然后定义一定数量的蚂蚁,从蚁巢出发去寻找食物,每只蚂蚁从第1个集合出发,根据集合中每个元素的信息状态,随机地从每个集合ΩPi(1≤i≤M)中选择一个元素,并且调节相应所选元素的信息素;当蚂蚁在所有集合中完成选择元素后,它就到达食物源,并按原路返回蚁巢,同时调节集合中元素的信息素。这一过程反复进行,当全部蚂蚁收敛到同一路径,或达到给定的迭代数时搜索结束。
给定一个有N个参数的训练神经网络的问题,人工蚂蚁的数量为n。
1’)在蚂蚁开始搜索的初始时刻,令时间t=0和循环次数S=0,设置最大循环次数Smax=0,令每个集合中的每个元素的信息素Tj(ΩPi)(t)=C(C=常数)。
2’)启动所有蚂蚁,每只蚂蚁从集合ΩPi开始,对蚂蚁k(k=1,2,…,n)根据路径选择规则计算的概率选择集合ΩPi的元素。
3’)重复步骤2’),直到蚁群全部到达食物源。
4’)令t→t+m;S→S+1;用各蚂蚁所选权值作神经网络参数训练样本计算输出误差,并记录当前所选参数中的最优解。
5’)重复以上步骤,直到所有蚂蚁全部收敛到一条路径或循环次数Smax,则循环结束,并输出最优解,算法结束。否则跳转到第2’)步。
选择基于BP神经网络算法的三层前馈网络模型,包含一个输入层,一个隐含层和一个输出层;根据输入输出数据的维数,确定BP神经网络隐含层神经元数,通过网络训练结果的性能进行调整;设置权值及阈值,一般权值和阀值的初始值采用(-0.1,0.1)的随机数。采用蚁群算法对网络进行优化,确定蚁群算法中的种群个数,循环寻优次数,信息量。
利用蚁群算法改进的BP神经网络算法步骤如下:
使用S型激活函数时BP网络输入与输出关系
输入net=x1w1+x2w2+…+xnwn
输出
网络结构
输入层有n个神经元,隐含层有p个神经元,输出层有q个神经元。
输入向量:x=(x1,x2,…,xn)
隐含层输入向量:hi=(hi1,hi2,…,hip)
隐含层输出向量:ho=(ho1,ho2,…,hop)
输出层输入向量:yi=(yi1,yi2,…,yiq)
输出层输出向量:yo=(yo1,yo2,…,yoq)
期望输出向量:do=(d1,d2,…,dq)
输入层与中间层的连接权值:wih
隐含层与输出层的连接权值:who
隐含层各神经元的阈值:bh
输出层各神经元的阈值:bo
样本数据个数:k=1,2,…m
激活函数:f(X)
误差函数:
首先,每只蚂蚁代表一个神经网络,神经网络的欲寻优变量X为两个权值矩阵wih,who和两个阀值向量bh,bo寻优函数minF(X)为误差函数(X即为一只蚂蚁的解向量)。然后,利用蚁群算法对误差函数E进行寻优操作,直到满足给定停止条件;如:E≤0.5或达到规定训练次数为止。
规定寻优变量X的各分量wih,who,bh,bo取值范围在区间[p,q]之间,将X的各分量分为e个子区间。设系统中有M只蚂蚁,将解的(n+m+1)h+m个分量看成(n+m+1)h+m个顶点,第i个顶点代表第i个分量,在第i个顶点的一个状态到第i+1个顶点之间有e条连线代表第i个分量的取值可能在e个不同的子区间。记其中第r条连线上在t时刻的信息量为ΩRi。每只蚂蚁要从第1个顶点出发,按照一定的策略选择某一条连线到达第2个顶点,再从第2个顶点出发,以此类推,在到达第(n+m+1)h+m个顶点后,在e条连线中选取某一条连线到达终点。每个蚂蚁所走过的路径代表一个解的初始方案,所述路径指出解的每一个分量所在的子区间。
可根据下列公式选取第i个分量所在的子区间号r(即从第i个顶点出发,选择第r条连线):
其中q是随机数,且均匀分布在(0,1)内;q0是一个确定的数,它反映了选取最佳解分量值所在的子区间的概率.例如取其值为0.8,argmax{ΩRi1≤r≤e}表示分量i的信息量最大的子区间号。r0按如下概率分布在[1,e]内取值:
其中ΩRi表示分量i的第r个子区间的信息量,它在动态地变化。
为了确定解的具体值,可在各个子区间已有的取值中保存若干个函数值较小的解的相应分量作为候选组,为了加快收敛速度,采取具有变异特征的蚁群算法,使用遗传操作在候选组中确定新解的相应分量的值。首先可随机在候选组中选择两个值,然后对他们实行交叉变换、变异变换,以得到新值作为解的相应分量。该候选组中的值在动态地更新,一旦有一个更好的解的分量在该子区间中,就用这个值替换其中的较差者。
在M只蚂蚁得到M个解后,要根据下式对各路径上的信息量作更新:
ΩRi(t+1)=ρ*ΩRi(t)+ΔΩRi
其中
其中若蚂蚁k的解的第i个分量选中第r个子区间ΔΩRi(t)k=W,否则ΔΩRi(t)k=0。
其中W为一个常数,ΔΩRi(t)k表示蚂蚁k在本次循环中在第i个顶点和第i+1个顶点之间留下的信息量。
由于算法中以q0的概率选择e个子区间中信息量最大的子区间,因此信息量最大的那个子区间常常被选中。这就使得新一代解的该分量值集中在这个子区间,容易发生停滞现象。为了避免这种现象,在上述过程中对所选的子区间的信息量进行局部更新,对被选中的子区间立即适当地减少其信息量,使其他蚂蚁选中该子区间的概率降低。设第k个个体的第i个分量选中第r个子区间,则按下式局部更新子区间r的信息量:
ΩRi(t+1)=(1-ρ)*ΩRi(t)+ρ*min{Ωji1≤j≤e}
这样,更新后的信息量是原来的信息量和有关第i个分量各子区间的最小信息量的凸组合。当信息量最大的子区间被多次选中之后,信息量减少到e个子区间的信息量的平均水平,从而蚂蚁选择其他子区间的概率增加.也即增加了解的多样性,同时也有效减少了停滞现象的发生。
重复这样的迭代过程,直至满足停止条件。
候选组里的遗传操作步骤如下:
若候选组里的候选值的个数g=0,即候选组里没有候选值,此时则产生一个间的随机数作为解的相应分量的值,跳过选择、交叉、变异等遗传操作;l=min(p,q);
若g=1,即候选组里只有一个候选值,则跳过交叉、选择等操作,直接对这个候选值进行变异操作;
若g=2,即候选组里有两个候选值,则跳过选择操作。直接对这两个候选值进行交叉、变异等操作;
否则,选择两个分量后进行交叉、变异操作。
在交叉操作中,用赌轮的方法选取两个值,第j个值被选中的概率为
设所选择的两个值为x(1)和x(2),其对应函数值分别为E1,E2,且E1<E2,我们以概率P进行交叉操作。随机产生p∈[0,1],若p>P,则进行交叉操作。取随机数r∈[0,1],交叉结果值xc=x(1)+γ*[x(2)-x(1)];若p<P,则不进行交叉操作,取xc=x(1)。
在变异阶段,可以以概率Q对交叉操作结果xc进行变异操作。第i个分量的第k个子区间为:
在所有蚂蚁都得到解以后,利用和更新各子区间上的信息量。
训练步骤为:
1)令时间t和循环次数M为零,设置结束条件,置各子区间上的信息量ΩRi为0;
2)初始化网络,给各连接权值分别赋一个区间(-1,1)内的随机数,设定误差函数e,给定学习次数N;
3)随机选取第k个输入样本及对应期望输出;
x(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k),…,dn(k))
由随机得到的初始解计算他们的函数值,由这个初始解的各个分量计算出其所属的子区间上(即各条边上)的信息量;
4)计算隐含层各神经元的输入和输出;
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2,…,p
5)利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k);
6)利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k);
7)利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k);
8)利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权;
其中,μ为输入层神经元个数,N为1……N;
9)训练N次,结束当前神经网络学习;
10)分别对每只蚂蚁的第i个分量进行子区间信息量的更新:并在子区间候选组中进行遗传操作,生成第i个分量的新值,然后计算蚂蚁新解的函数值,i=i+1。
11)如果i≤N,返回10);否则,继续12。
12)修改各条边上的信息量;取函数值小的num个解,将其分量值插入相应的子区间的候选组中,t=t+1,M=M+1。
13)如果蚁群全部收敛到一条路径,或达到结束条件(如超过设定最大循环次数),则结束算法,输出当前解。否则,以当前解代替随机数,返回到2),进入下一轮循环。
神经网络预测
用训练好的BP神经网络进行输电线路可听噪声预测,输入影响可听噪声的影响因素神经元,得出预测结果,预测结果进行反归一化,即得到所需的高压输电线路可听噪声预测值。
最后应该说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本权利要求范围当中。
Claims (5)
1.一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述方法在于以下步骤:
(1)获取数据参数并预处理;
(2)建立数据参数的的BP神经网络预测模型;
(3)采用蚁群算法对BP神经网络进行优化训练;
(4)通过优化训练后的BP神经网络对输电线路可听噪声进行预测;
所述步骤(1)中的数据参数包括输电线路的电压、导线直径、导线截面、分裂数、分裂间距、导线对地距离、导线距测量点距离、温度、湿度、风速、气压、海拔和背景噪声;
所述步骤(2)中BP神经网络的建立步骤为:
(2-1)选择神经网络的前馈网络模型包括输入层、隐含层和输出层;
(2-2)根据输入输出数据参数的维数,确定BP神经网络隐含层神经元数,再通过网络训练结果的性能进行调整;
(2-3)设置权值和阈值,所述权值和阈值的初始值采用[-0.1,0.1]随机数;
所述步骤(3)中的采用蚁群算法对BP神经网络进行优化训练步骤为:
(3-1)正向传播过程:将输入变量数据参数的信息通过所述输入层,通过蚁群找出与所述隐含层建立的最优路径,经所述隐含层处理并计算每个单元的实际输出值;
(3-2)反向传播过程:如所述输出层未能得到期望的输出值,计算实际输出与期望输出之差值,并根据蚁群的信息量控制此差值逐层递归调节所述权值和阈值,使误差值逐渐减小,直到满足精度要求;
(3-3)当所述差值低于规定水平时即通过测试;
所述BP神经网络通过S型激活函数建立BP网络输入与输出关系;
所述其输入为:net=x1w1+x2w2+…+xnwn;
所述其输出为:
所述输入层有n个神经元,隐含层有p个神经元,输出层有q个神经元;
输入向量:x=(x1,x2,…,xn);
隐含层输入向量:hi=(hi1,hi2,…,hip);
隐含层输出向量:ho=(ho1,ho2,…,hop);
输出层输入向量:yi=(yi1,yi2,…,yiq);
输出层输出向量:yo=(yo1,yo2,…,yoq);
期望输出向量:do=(d1,d2,…,dq);
输入层与中间层的连接权值:wih;
隐含层与输出层的连接权值:who;
隐含层各神经元的阈值:bh;
输出层各神经元的阈值:bo;
样本数据个数:k=1,2,…m;
激活函数:f(X);
误差函数:
所述蚁群中每只蚂蚁代表一个BP神经网络,所述BP神经网络的寻优变量X为两个权值矩阵wih,who和两个阀值向量bh,bo寻优函数minF(X)为误差函数通过蚁群算法对误差函数E进行寻优操作,直到满足给定停止条件为止;
所述寻优变量X的各分量wih,who,bh,bo取值范围在区间[p,q]之间,将X的各分量分为e个子区间;
设有Z只蚂蚁,将解的(n+m+1)h+m个分量看成(n+m+1)h+m个顶点,第i个顶点代表第i个分量,在第i个顶点的一个状态到第i+1个顶点之间有e条连线代表第i个分量的取值可能在e个不同的子区间;每只所述蚂蚁从第1个顶点出发,选择某一条连线到达第2个顶点,再从第2个顶点出发,依次类推,一直到达第(n+m+1)h+m个顶点;所述每个蚂蚁所走过的路径代表一个解的初始方案,在e条连线中选取某一条连线到达终点,所述方案指出解的每一个分量所在的子区间;
所述解通过更新各个子区间已有的取值中保存的函数值解的相应分量值确定;
所述更新解的相应分量的值通过变异特征的蚁群算法和遗传操作实现;
通过对被选中的子区间减少其信息量,使其他所述蚂蚁选中该子区间的概率降低减少了停滞现象的发生。
2.如权利要求1所述的一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述步骤(1)中的预处理步骤为:将所述数据参数归一化预处理,将所述数据参数归一化到[-1,1]区间内。
3.如权利要求1所述的一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述步骤(4)中通过优化训练后的BP神经网络对输电线路可听噪声预测步骤为:
(4-1)将所述输入数据参数进行归一化并输入所述优化训练后的BP神经网络进行预测,获得归一化的预测结果;
(4-2)将所述预测结果进行反归一化,获得高压输电线路可听噪声预测值。
4.如权利要求1所述的一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述步骤(3-1)正向传播过程的算法步骤为:
(3-1-1)令时间t和循环次数M为零,设置结束条件,置各子区间上的信息量ΩRi为0;
(3-1-2)初始化所述BP神经网络,设置各连接权值分别赋一个区间[-1,1]内的随机数,设定误差函数e,给定学习次数N;
(3-1-3)随机选取第k个输入样本及对应期望输出:
x(k)=(x1(k),x2(k),…,xn(k))
do(k)=(d1(k),d2(k),…,dn(k))
通过随机得到的初始解确定函数值并通过所述初始解的各个分量计算出其所属的子区间上的信息量;
(3-1-4)计算隐含层各神经元的输入和输出:
hoh(k)=f(hih(k)) h=1,2,…,p
yoo(k)=f(yio(k)) o=1,2,…,p。
5.如权利要求4所述的一种基于优化BP神经网络的输电线路可听噪声预测方法,其特征在于:所述步骤(3-2)反向传播过程算法为:
(3-2-5)通过所述BP神经网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数δo(k):
(3-2-6)通过所述隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k):
(3-2-7)通过所述输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k):
(3-2-8)通过所述隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权:
其中,μ为输入层神经元个数,N为训练的次数;
(3-2-9)训练N次,结束当前神经网络学习:
(3-2-10)分别对所述每只蚂蚁的第i个分量进行子区间信息量的更新:并在子区间候选组中进行遗传操作,生成第i个分量的新值,然后计算蚂蚁新解的函数值,i=i+1;
(3-3-11)如果i≤N,返回所述步骤(3-2 -10);否则,继续下一步;
(3-3-12)修改各子区间上的信息量;取函数值小的num个解,将其分量值插入相应的子区间的候选组中,t=t+1,M=M+1;
(3-3-13)如果蚁群全部收敛到一条路径,或达到结束条件,则结束算法,输出当前解;否则,以当前解代替随机数,返回到所述步骤(3-1-2),进入下一轮循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310554004.XA CN104636801B (zh) | 2013-11-08 | 2013-11-08 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310554004.XA CN104636801B (zh) | 2013-11-08 | 2013-11-08 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636801A CN104636801A (zh) | 2015-05-20 |
CN104636801B true CN104636801B (zh) | 2018-03-16 |
Family
ID=53215528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310554004.XA Active CN104636801B (zh) | 2013-11-08 | 2013-11-08 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636801B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162868A (zh) * | 2016-06-08 | 2016-11-23 | 南京理工大学 | 基于位置指纹的高效室内定位方法 |
CN106250686B (zh) * | 2016-07-27 | 2018-11-02 | 哈尔滨工业大学 | 一种并行程序的集合通信函数建模方法 |
CN106960086A (zh) * | 2017-03-09 | 2017-07-18 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种基于大坝监控数据评估防渗帷幕可靠性的方法 |
CN107085646B (zh) * | 2017-04-28 | 2020-10-09 | 国家电网公司 | 一种输电线路下地面场强测量方法 |
CN107192898B (zh) * | 2017-05-25 | 2020-07-03 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
CN107292387A (zh) * | 2017-05-31 | 2017-10-24 | 汪薇 | 一种基于bp识别蜂蜜质量的方法 |
CN107309213B (zh) * | 2017-08-16 | 2020-01-17 | 吉林省农业科学院 | 基于bp神经网络的红枣超声波清洗机控制方法 |
CN109491253B (zh) * | 2017-09-11 | 2021-12-21 | 安徽师范大学 | 一种在线学习型个性化智能家居系统及其控制方法 |
CN110162807B (zh) * | 2018-02-12 | 2023-09-12 | 沈阳理工大学 | 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 |
CN108488954B (zh) * | 2018-03-16 | 2021-06-04 | 江门日野电机有限公司 | 一种除湿机 |
CN108668254B (zh) * | 2018-05-15 | 2022-01-04 | 福州大学 | 基于改进BP神经网络的WiFi信号特征的区域定位方法 |
CN109242294A (zh) * | 2018-08-29 | 2019-01-18 | 国网河南省电力公司电力科学研究院 | 改进模糊神经网络的电力通信性能预警方法及装置 |
CN109083887B (zh) * | 2018-09-13 | 2020-04-21 | 西安建筑科技大学 | 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 |
CN109360604B (zh) * | 2018-11-21 | 2021-09-24 | 南昌大学 | 一种卵巢癌分子分型预测系统 |
CN109376956A (zh) * | 2018-11-29 | 2019-02-22 | 西安电子科技大学 | 社交网络中公共危机信息的预测方法 |
CN109738807B (zh) * | 2019-01-03 | 2021-03-30 | 温州大学 | 基于蚁群算法优化后的bp神经网络来估算soc的方法 |
CN110322072A (zh) * | 2019-07-09 | 2019-10-11 | 程新宇 | 一种基于神经网络的经济预测方法 |
CN110674996B (zh) * | 2019-09-27 | 2022-06-10 | 河南大学 | 一种城市交通噪声预测方法 |
CN111817767B (zh) * | 2020-06-30 | 2022-07-26 | 山西省信息产业技术研究院有限公司 | 一种基于动态优化策略的mvdr波束成形方法 |
CN115840094B (zh) * | 2022-12-20 | 2023-10-03 | 国网河南省电力公司电力科学研究院 | 输电走廊的横向可听噪声模型的构造方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567781A (zh) * | 2011-12-20 | 2012-07-11 | 西北师范大学 | 一种基于神经网络的网络行为预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285531B2 (en) * | 2007-04-19 | 2012-10-09 | Smith International, Inc. | Neural net for use in drilling simulation |
-
2013
- 2013-11-08 CN CN201310554004.XA patent/CN104636801B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567781A (zh) * | 2011-12-20 | 2012-07-11 | 西北师范大学 | 一种基于神经网络的网络行为预测方法 |
Non-Patent Citations (1)
Title |
---|
应用BP神经网络的超高压输电线路可听噪声预测;李静雅等;《电网技术》;20110205;第35卷(第2期);第173-177页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636801A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
Tan et al. | Ultra-short-term wind power prediction by salp swarm algorithm-based optimizing extreme learning machine | |
CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
Gupta et al. | Comparison of Heuristic techniques: A case of TSP | |
CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN109324291A (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
Zou et al. | Mobile device training strategies in federated learning: An evolutionary game approach | |
CN108898249A (zh) | 一种电网故障预测方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域系统负荷预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
Dong et al. | Combination of genetic algorithm and ant colony algorithm for distribution network planning | |
CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN110532057A (zh) | 一种容器的资源使用量预测方法 | |
CN115186954A (zh) | 一种基于多模型的绿色技术选择辅助决策方法和系统 | |
Guo et al. | An chaotic firefly algorithm to solve quadratic assignment problem | |
Guo et al. | Short-term wind power prediction based on genetic algorithm to optimize RBF neural network | |
CN115526092A (zh) | 一种电力负荷预测方法及装置 | |
Tan | Research on sustainable carrying capacity of urban tourism environment based on multi objective optimization algorithm |
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 |