CN104636985A - 一种改进bp神经网络的输电线路无线电干扰预测方法 - Google Patents

Abstract

本发明涉及一种改进BP神经网络的输电线路无线电干扰预测方法，该方法包括以下步骤：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，采用遗传算法和模拟退火算法对BP神经网络进行优化训练，再利用该网络对输电线路无线电干扰进行预测。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，对输电线路无线电干扰预测及降低无线电干扰研究具有很好的指导意义。

Description

一种改进BP神经网络的输电线路无线电干扰预测方法

技术领域：

本发明涉及一种无线电干扰预测方法，更具体涉及一种改进BP神经网络的输电线路无线电干扰预测方法。

背景技术：

随着输电线路电压等级的提高，输电线路产生的无线电干扰引起了人们的广泛关注。减少输电线路电磁环境影响，降低线路周边无线电干扰是各国设计工作者一直研究的工作，而如何对线路无线电干扰进行准确预测是研究工作的前提。目前，输电线路无线电干扰是根据CISPR推荐的经验公式法和激发函数法进行预测。但是，无线电干扰产生的机理很复杂，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。

CISPR推荐了输电线路无线电干扰的两种计算方法，即经验法和激发函数法。经验法只适合于4分裂导线及以下的高压线路无线电干扰计算，而激发函数法适合于所有高压输电线路的无线电干扰计算。由于输电线路无线电干扰的大小还受环境及地理位置因素的影响，而这些影响因素对无线电干扰值的影响表现出高度的非线性和不确定性，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。

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无线电干扰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无线电干扰值，节约大量的人力、物力。

遗传算法(Genetic Algorithm，GA)是近几年发展起来的一种新的全局优化算法，它借用生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现了各个个体的适应性的提高。用遗传算法解决问题时，首先要对待解决问题的模型结构和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。

模拟退火算法(Simulated Annealing，SA)来源于固体退火原理，先随机产生一个解，对当前解重复“产生新解-计算目标函数差-接受或舍弃”的迭代，如果新解的函数差小，则用新解代替旧解，否则也不是绝对舍弃，而是以一定的概率来接受它，正是这一点，使得模拟退火算法比遗传算法得到最优解更具有全局性。

发明内容：

本发明的目的是提供一种改进BP神经网络的输电线路无线电干扰预测方法，该方法较高的预测精度，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，对输电线路无线电干扰预测及降低无线电干扰研究具有很好的指导意义。

为实现上述目的，本发明采用以下技术方案：一种改进BP神经网络的输电线路无线电干扰预测方法，包括以下步骤：

（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）采用遗传算法和模拟退火算法改进BP神经网络进行训练和测试；

（4）通过改进后的BP神经网络对输电线路无线电干扰进行预测。

本发明提供的一种改进BP神经网络的输电线路无线电干扰预测方法，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。

本发明提供的一种改进BP神经网络的输电线路无线电干扰预测方法，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改进BP神经网络的输电线路无线电干扰预测方法，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改进BP神经网络的输电线路无线电干扰预测方法，所述步骤中（3）采用遗传算法和模拟退火算法改进BP神经网络进行训练和测试的步骤为：

（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，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，并根据所述遗传算法和模拟退火算法控制此差值逐层递归调节权值和阈值，使所述差值逐渐减小，直到满足精度要求。

本发明提供的又一优选的一种改进BP神经网络的输电线路无线电干扰预测方法，所述步骤（4）中对输电线路无线电干扰进行预测步骤为：

（4-1）将输入数据参数进行归一化处理，归一化后输入改进的所述BP神经网络进行预测，得到归一化的预测结果；

（4-2）将所述预测结果进行反归一化，得到高压所述输电线路无线电干扰预测值。

本发明提供的又一优选的一种改进BP神经网络的输电线路无线电干扰预测方法，

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；

输入net＝x₁w₁+x₂w₂+…+x_nw_n；

输出 $y=f\left(\mathrm{net}\right)=\frac{1}{{1+e}^{-\mathrm{net}}};$

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；

变量定义

输入向量：x＝(x₁,x₂,…,x_n)；

隐含层输入向量：hi＝(hi₁,hi₂,…,hi_n)；

隐含层输出向量：ho＝(ho₁,ho₂,…,ho_n)；

输出层输入向量：yi＝(yi₁,yi₂,…,yi_n)；

输出层输出向量：yo＝(yo₁,yo₂,…,yo_n)；

期望输出向量：d_o＝(d₁,d₂,…,d_n)；

输入层与中间层的连接权值：w_ih；

隐含层与输出层的连接权值：w_ho；

隐含层各神经元的阈值：b_h；

输出层各神经元的阈值：b_o；

样本数据个数：k＝1，2，…m；

激活函数：f(X)；

误差函数： $e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2.$

本发明提供的又一优选的一种改进BP神经网络的输电线路无线电干扰预测方法，所述步骤（3-1）正向传播过程为：

（3-1-1）初始化BP神经网络：其包括一个输入层、一个隐层和一个输出层；所述输入层的神经元个数依据无线电干扰预测影响因素个数选择，所述输出层的神经元为无线电干扰值，所述隐层神经元的个数取输入层个数的0.5倍以上；所述连接权值为分别区间（-1，1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；

（3-1-2）确定遗传算法中种群个体：采用实数编码，若输入P是P×Q的矩阵，所述隐含层和输出层神经元个数分别为S₁和S₂，则染色体的结构为和其中，和分别表示第n层中第i个神经元到第j个输入之间的权值和阈值，由此可以得出染色体的长度S＝R×S₁+S₁×S₂+S₁+S₂；其中n为1或2；

（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),…,x_n(k))

d(k)＝(d₁(k),d₂(k),…,d_n(k))；

（3-1-4）确定适应度函数：通过所述差值平方和的倒数确定个体的适应度，所述个体为b，则b的适应度函数为：

$f\left(b\right)=\mathrm{eval}=\frac{1}{e}$

$e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2$

其中d_o是期望输出，yo是实际输出；

（3-1-5）初始化种群：根据种群规模popsize，染色体长度和基因的取值范围，随机产生popsize个长度为S的一维数组，就形成了第一个种群oldpop；

（3-1-6）计算隐含层各神经元的输入和输出：

${\mathrm{hi}}_h=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h,h=\mathrm{1,2},...,p$

ho_h(k)＝f(hi_h(k))  h＝1,2,…,p

${\mathrm{yi}}_o\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o,o=\mathrm{1,2},...,p$

yo_o(k)＝f(yi_o(k))  o＝1,2,…,p。

本发明提供的又一优选的一种改进BP神经网络的输电线路无线电干扰预测方法，所述步骤（3-2）反向传播过程为：

（3-2-1）通过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δ_o(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂\left(\frac{1}{2}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(d_i\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2\right)}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))y_o^{\′}\left(k\right)$

$=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f\left({\mathrm{yi}}_o\left(k\right)\right)=-{\mathrm{\δ}}_o\left(k\right)$

（3-2-2）通过所述隐含层到输出层的连接权值、所述输出层的δ_o(k)和所述隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f\left({\mathrm{yi}}_o\left(k\right)\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f(\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{\∂{\mathrm{ho}}_h\left(k\right)}{\∂{\mathrm{hi}}_h\left(k\right)}$

$=-\underset{o=1}{\overset{q}{\mathrm{\Σ}}}\left(d_o\left(k\right){\mathrm{yo}}_o\left(k\right)\right)f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)w_{\mathrm{ho}}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=-\left(\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\δ}}_o\left(k\right)w_{\mathrm{ho}}\right)f^{\′}\left({\mathrm{hi}}_h\left(k\right)\right)=-{\mathrm{\δ}}_h\left(k\right)$

（3-2-3）通过所述输出层各神经元的δ_o(k)和所述隐含层各神经元的输出来修正连接权值w_ho(k)：

${\mathrm{\Δw}}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ho}}}={\mathrm{\μ\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+{\mathrm{\η\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

其中μ为输入层神经元个数，N为1……N；

（3-2-4）通过所述隐含层各神经元的δ_h(k)和所述输入层各神经元的输入修正连接权：

${\mathrm{\Δw}}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+{\mathrm{\η\δ}}_h\left(k\right)x_i\left(k\right)$

（3-2-5）选择操作：确定所述种群中每条染色体b_i的适应度函数值f(b_i)，其中i为1……popsize；采用轮盘赌转法从当代种群中选取两条染色体b_i和b_j，如果f(b_i)＞f(b_j)，则在新种群newpop中取newpop(k)＝b_i，其中k为1……popsize；否则，概率exp((f(b_i)-f(b_j))/t)接受b_i，所述t是此时的退火温度，如果没有接受，则newpop(k)＝b_j。如此选取，直到选出popsize个个体为止；

（3-2-6）交叉操作：在newpop中，将第一个染色体和第二个染色体、第二个染色体和第三个染色体，……如此两两进行交叉，如果popsize是偶数，则刚好配对；如果是奇数，最后一个不变：

将所述b_i和b_i+1交叉，产生随机数rand，如果交叉概率P_c＜rand，则对newpop(b_i)和newpop(b_i+1)进行算术交叉，得到新个体a和b，如果f(a)＞f(newpop(b_i))，则用a代替newpop(b_i)；否则先以概率exp((f(a)-f(newpop(b_i)))/t)接受a，如果没有接受则不变，对于newpop(b_i+1)和b作同样处理：处理完之后，把newpop中的个体进行随机排列；

（3-2-7）变异操作：对每一所述染色体b，以变异概率P随机选取染色体中的某一基因a_i实施非均匀变异操作，得到新的染色体b′，其中i为1……n；如果f(b′)＞f(b)，则用b′代替b，否则概率exp((f(b′)-f(b))/t)接受b′，如果不接受，则不变；

（3-2-8）对所述步骤（3-1-6）～（3-2-7）循环L次，这里L是退火算法中的迭代次数，结束后进行所述步骤（3-2-9）；

（3-2-9）模拟退火：t＝α×t，所述α是降温系数，0＜α＜1，若t＜t_end所述t_end是最终温度，结束退火循环，进行所述步骤（3-2-10），否则重新进行所述步骤（3-1-6）～（3-2-7）；

（3-2-10）遗传代数gen＝gen+1，若gen＞gen_max，所述gen_max是最大遗传代数，则算法结束，否则从所述步骤（3-1-6）开始再进入循环。

本发明提供的又一优选的一种改进BP神经网络的输电线路无线电干扰预测方法，所述模拟退火算法为改进式模拟退火算法，其过程为：

1）给定出温t₀，随机产生初始状态S，令初始最优解S^*＝S，当前状态为S(0)＝S，i＝p＝0；

2）令t＝t_i，以t，S^*和S(i)调用改进的抽样过程，返回其所得最优解S^*′和当前状态S′(k)，令当前状态S(i)＝S′(k)；

3）判断是否目标函数C(S^*)＜C(S^*′)，若是，令p＝p+1；否则，令S^*＝S^*′，p＝0；

4）退温t_i+1＝update(t_i)，t＝t+1；

5）判断是否p＞m₂，m₂为阀值，若是，则转第（6）步；否则，返回第（2）步；

6）以最优解S^*作为最终解输出，停止算法；

改进的抽样过程：

1-1）令k＝0时的初始当前状态为S′(0)＝S(i)，q＝0；

1-2）由状态S通过状态产生函数产生新状态S′，计算目标函数增量ΔC′＝C(S′)-C(S)；

1-3）若ΔC′＜0，则接受S′作为当前解，并判断C(S^*′)＞C(S′)

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、本发明的方法输电线路无线电干扰的准确预测，对进一步研究降低输电线路无线电干扰的方法及措施，以及对输电线路设计具有重要的意义；

2、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；

3、本发明中本发明采用遗传算法和模拟退火算法对BP神经网络进行优化训练，具有很强的鲁棒性和搜索较好解的能力，易于并行实现，可以搜寻全局最优解，改善BP神经网络的性能。

附图说明

图1为本发明基于BP神经网络的拓扑结构示意图；

图2为本发明的方法流程示意图。

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：获取对输电线路无线电干扰Y有影响的因素作为输入数据，包括：电压X₁、电流X₂、导线直径X₃、导线截面X₄、分裂数X₅、分裂间距X₆、土壤电阻率X₇、导线对地距离X₈、导线距测量点距离X₉、温度X₁₀、湿度X₁₁、气压X₁₂、海拔X₁₃；

所述输入数据包含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。

1.改进模拟退火算法

改进的退火过程步骤：

1）给定出温t₀，随机产生初始状态S，令初始最优解S^*＝S，当前状态为S(0)＝S，i＝p＝0；

2）令温度t＝t_i，以t，S^*和S(i)调用改进的抽样过程，返回其所得最优解S^*′和当前状态S′(k)，令当前状态S(i)＝S′(k)；

3）判断是否目标函数C(S^*)＜C(S^*′)，若是，令p＝p+1；否则，令S^*＝S^*′，p＝0；

4）退温t_i+1＝update(t_i)，t＝t+1；

5）判断是否p＞m₂，m₂为阈值，若是，则转第（6）步；否则，返回第（2）步；

6）以最优解S^*作为最终解输出，停止算法。

改进的抽样过程：

1’）令k＝0时的初始当前状态为S′(0)＝S(i)，q＝0；

2’）由状态S通过状态产生函数产生新状态S′，计算目标函数增量ΔC′＝C(S′)-C(S)；

3’）若ΔC′＜0，则接受S′作为当前解，并判断C(S^*′)＞C(S′)。

2.建立BP神经网络

使用S型激活函数时BP网络输入与输出关系；

输入net＝x₁w₁+x₂w₂+…+x_nw_n

输出 $y=f\left(\mathrm{net}\right)=\frac{1}{{1+e}^{-\mathrm{net}}}$

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；

变量定义

输入向量：x＝(x₁,x₂,…,x_n)；

隐含层输入向量：hi＝(hi₁,hi₂,…,hi_n)；

隐含层输出向量：ho＝(ho₁,ho₂,…,ho_n)；

输出层输入向量：yi＝(yi₁,yi₂,…,yi_n)；

输出层输出向量：yo＝(yo₁,yo₂,…,yo_n)；；

期望输出向量：d_o＝(d₁,d₂,…,d_n)；

输入层与中间层的连接权值：w_ih；

隐含层与输出层的连接权值：w_ho；

隐含层各神经元的阈值：b_h；

输出层各神经元的阈值：b_o；

样本数据个数：k＝1，2，…m；

激活函数：f(X)；

误差函数： $e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2;$

3.本发明实施例提出的采用改进模拟退火算法结合遗传算法优化BP神经网络算法的训练步骤如下：

3-1）初始化网络，采用只有一个输入层、一个隐层和一个输出层的BP神经网络，理论已经证明这种神经网络结构可以逼近任何一个具有有限间断点的非线性函数，所述输入层的神经元个数和输出层的神经元个数由实际情况而定，即所述输入层的神经元个数依据无线电干扰预测影响因素个数选择，所述输出层的神经元为无线电干扰值，所述隐层神经元的个数取输入层个数的0.5～1.5倍或更多，个数越多，逼近精度越高，但是计算时间越长。将连接权值分别赋一个区间（-1，1）内的随机数，权值和阈值的初始值采用(-0.1,0.1)的随机数，设定误差函数e，设定计算精度值和最大学习次数M。

3-2）确定染色体，即遗传算法中种群个体的确定。本发明实施例提出的算法是要优化神经网络的权值和阈值，所以把所述BP神经网络中的所有权值和阈值作为一个个体。采用实数编码实现，如果输入P是P×Q的矩阵，所述隐含层和输出层神经元个数分别为S₁和S₂，则所述染色体的结构如和的格式。其中，和分别表示第n层中第i个神经元到第j个输入之间的权值和阚值，由此可以得出染色体的长度S＝R×S₁+S₁×S₂+S₁+S₂。

3-3）随机选取第k个输入样本及对应期望输出：

x(k)＝(x₁(k),x₂(k),…,x_n(k))

d(k)＝(d₁(k),d₂(k),…,d_n(k))

3-4）确定适应度函数，用误差平方和的倒数作为个体的适应度，如果b表示个体，则b的适应度用公式表示：

$f\left(b\right)=\mathrm{eval}=\frac{1}{e}$

$e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2$

其中d_o是期望输出，yo是实际输出。

3-5）初始化种群，根据种群规模popsize，染色体长度和基因的取值范围，随机产生popsize个长度为S的一维数组，就形成了第一个种群oldpop，即初始种群。

3-6）计算隐含层各神经元的输入和输出：

${\mathrm{hi}}_h=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h,h=\mathrm{1,2},...,p$

ho_h(k)＝f(hi_h(k))  h＝1,2,…,p

${\mathrm{yi}}_o\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o,o=\mathrm{1,2},...,p$

yo_o(k)＝f(yi_o(k))  o＝1,2,…,p

3-7）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δ_o(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂\left(\frac{1}{2}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(d_i\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2\right)}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))y_o^{\′}\left(k\right)$

$=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f\left({\mathrm{yi}}_o\left(k\right)\right)=-{\mathrm{\δ}}_o\left(k\right)$

3-8）利用隐含层到输出层的连接权值、输出层的δ_o(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δ_h(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f\left({\mathrm{yi}}_o\left(k\right)\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f(\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{\∂{\mathrm{ho}}_h\left(k\right)}{\∂{\mathrm{hi}}_h\left(k\right)}$

$=-\underset{o=1}{\overset{q}{\mathrm{\Σ}}}\left(d_o\left(k\right){\mathrm{yo}}_o\left(k\right)\right)f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)w_{\mathrm{ho}}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=-\left(\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\δ}}_o\left(k\right)w_{\mathrm{ho}}\right)f^{\′}\left({\mathrm{hi}}_h\left(k\right)\right)=-{\mathrm{\δ}}_h\left(k\right)$

3-9）利用所述输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)：

${\mathrm{\Δw}}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ho}}}={\mathrm{\μ\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+{\mathrm{\η\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

其中μ为输入层神经元个数，N为1……N；

3-10）利用所述隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权：

${\mathrm{\Δw}}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+{\mathrm{\η\δ}}_h\left(k\right)x_i\left(k\right)$

3-11）进行选择操作；根据适应度函数的定义，分别计算种群中每条染色体b_i(i＝1,…,popsize)的适应度函数值f(b_i)。采用轮盘赌转法从当代种群中选取两条染色体b_i和b_j，如果f(b_i)＞f(b_j)，则在新种群newpop中取newpop(k)＝b_i(k＝1,…,popsize)；否则，先以概率exp((f(b_i)-f(b_j))/t)接受b_i(t是此时的退火温度)，如果没有接受，则newpop(k)＝b_j。如此选取，直到选出popsize个个体为止。

3-12）进行交叉操作；在newpop中，第一个染色体和第二个染色体、第二个染色体和第三个染色体、……如此两两进行交叉，如果popsize是偶数，则刚好配对；如果是奇数，最后一个不变。以b_i和b_i+1为例，先产生一个随机数rand，如果交叉概率P_c＜rand，则对newpop(b_i)和newpop(b_i+1)进行算术交叉，得到新个体a和b，如果f(a)＞f(newpop(b_i))，则用a代替newpop(b_i)；否则先以概率exp((f(a)-f(newpop(b_i)))/t)接受a，如果没有接受则不变，对于newpop(b_i+1)和b作同样处理。处理完之后，把newpop中的个体进行随机排列，进一步保证交叉配对的随机性，而且如果popsize是奇数，也可以避免最后一个个体无法参与交叉的情况。

3-13）进行变异操作；对每一染色体b，以变异概率P随机选取染色体中的某一基因a_i(i＝1,…,n)实施非均匀变异操作，得到新的染色体b′。如果f(b′)＞f(b)，则用b′代替b，否则先以概率exp((f(b′)-f(b))/t)接受b′，如果不接受，则不变。

14）对所述步骤3-6）～3-13）循环L次，这里L是退火算法中的迭代次数，结束后进行步骤3-15）。

15）进行模拟退火：t＝α×t(α是降温系数，0＜α＜1)，若t＜t_end(t_end是最终温度)，结束退火循环，进行步骤3-16），否则重新运行所述步骤3-6）～3-13）。

16）遗传代数gen＝gen+1，若gen＞gen_max(gen_max是最大遗传代数)，则算法结束，否则从所述步骤3-6）开始再进入循环。

4.神经网络预测

用训练好的BP神经网络进行输电线路无线电干扰预测，输入影响因素神经元，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无线电干扰预测值。

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 (10)

1.一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：包括以下步骤：

（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）采用遗传算法和模拟退火算法改进BP神经网络进行训练和测试；

（4）通过改进后的BP神经网络对输电线路无线电干扰进行预测。

2.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：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。

3.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，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。

4.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：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。

5.如权利要求4所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：所述步骤中（3）采用遗传算法和模拟退火算法改进BP神经网络进行训练和测试的步骤为：

（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，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，并根据所述遗传算法和模拟退火算法控制此差值逐层递归调节权值和阈值，使所述差值逐渐减小，直到满足精度要求。

6.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：所述步骤（4）中对输电线路无线电干扰进行预测步骤为：

（4-1）将输入数据参数进行归一化处理，归一化后输入改进的所述BP神经网络进行预测，得到归一化的预测结果；

（4-2）将所述预测结果进行反归一化，得到高压所述输电线路无线电干扰预测值。

7.如权利要求4所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：

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；

输入net＝x₁w₁+x₂w₂+…+x_nw_n；

输出 $y=f\left(\mathrm{net}\right)=\frac{1}{{1+e}^{-\mathrm{net}}};$

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；

变量定义

输入向量：x＝(x₁,x₂,…,x_n)；

隐含层输入向量：hi＝(hi₁,hi₂,…,hi_n)；

隐含层输出向量：ho＝(ho₁,ho₂,…,ho_n)；

输出层输入向量：yi＝(yi₁,yi₂,…,yi_n)；

输出层输出向量：yo＝(yo₁,yo₂,…,yo_n)；

期望输出向量：d_o＝(d₁,d₂,…,d_n)；

输入层与中间层的连接权值：w_ih；

隐含层与输出层的连接权值：w_ho；

隐含层各神经元的阈值：b_h；

输出层各神经元的阈值：b_o；

样本数据个数：k＝1，2，…m；

激活函数：f(X)；

误差函数： $e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2.$

8.如权利要求5所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：所述步骤（3-1）正向传播过程为：

（3-1-1）初始化BP神经网络：其包括一个输入层、一个隐层和一个输出层；所述输入层的神经元个数依据无线电干扰预测影响因素个数选择，所述输出层的神经元为无线电干扰值，所述隐层神经元的个数取输入层个数的0.5倍以上；所述连接权值为分别区间（-1，1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；

（3-1-2）确定遗传算法中种群个体：采用实数编码，若输入P是P×Q的矩阵，所述隐含层和输出层神经元个数分别为S₁和S₂，则染色体的结构为和其中，和分别表示第n层中第i个神经元到第j个输入之间的权值和阈值，由此可以得出染色体的长度S＝R×S₁+S₁×S₂+S₁+S₂；其中n为1或2；

（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),…,x_n(k))

d(k)＝(d₁(k),d₂(k),…,d_n(k))；

（3-1-4）确定适应度函数：通过所述差值平方和的倒数确定个体的适应度，所述个体为b，则b的适应度函数为：

$f\left(b\right)=\mathrm{eval}=\frac{1}{e}$

$e=\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2$

其中d_o是期望输出，yo是实际输出；

（3-1-5）初始化种群：根据种群规模popsize，染色体长度和基因的取值范围，随机产生popsize个长度为S的一维数组，就形成了第一个种群oldpop；

（3-1-6）计算隐含层各神经元的输入和输出：

${\mathrm{hi}}_h=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h,h=\mathrm{1,2},...,p$

ho_h(k)＝f(hi_h(k))  h＝1,2,…,p

${\mathrm{yi}}_o\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o,o=\mathrm{1,2},...,p$

yo_o(k)＝f(yi_o(k))  o＝1,2,…,p。

9.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：所述步骤（3-2）反向传播过程为：

（3-2-1）通过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δ_o(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂\left(\frac{1}{2}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(d_i\left(k\right)-{\mathrm{yo}}_i\left(k\right))}^2\right)}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))y_o^{\′}\left(k\right)$

$=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f\left({\mathrm{yi}}_o\left(k\right)\right)=-{\mathrm{\δ}}_o\left(k\right)$

（3-2-2）通过所述隐含层到输出层的连接权值、所述输出层的δ_o(k)和所述隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)：

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

$\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f\left({\mathrm{yi}}_o\left(k\right)\right))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=\frac{\∂\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-f(\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o))}^2\right)}{{\∂\mathrm{ho}}_h\left(k\right)}\frac{\∂{\mathrm{ho}}_h\left(k\right)}{\∂{\mathrm{hi}}_h\left(k\right)}$

$=-\underset{o=1}{\overset{q}{\mathrm{\Σ}}}\left(d_o\left(k\right){\mathrm{yo}}_o\left(k\right)\right)f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)w_{\mathrm{ho}}\frac{{\∂\mathrm{ho}}_h\left(k\right)}{{\∂\mathrm{hi}}_h\left(k\right)}$

$=-\left(\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\δ}}_o\left(k\right)w_{\mathrm{ho}}\right)f^{\′}\left({\mathrm{hi}}_h\left(k\right)\right)=-{\mathrm{\δ}}_h\left(k\right)$

（3-2-3）通过所述输出层各神经元的δ_o(k)和所述隐含层各神经元的输出来修正连接权值w_ho(k)：

${\mathrm{\Δw}}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ho}}}={\mathrm{\μ\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+{\mathrm{\η\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

其中μ为输入层神经元个数，N为1……N；

（3-2-4）通过所述隐含层各神经元的δ_h(k)和所述输入层各神经元的输入修正连接权：

${\mathrm{\Δw}}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+{\mathrm{\η\δ}}_h\left(k\right)x_i\left(k\right)$

（3-2-5）选择操作：确定所述种群中每条染色体b_i的适应度函数值f(b_i)，其中i为1……popsize；采用轮盘赌转法从当代种群中选取两条染色体b_i和b_j，如果f(b_i)＞f(b_j)，则在新种群newpop中取newpop(k)＝b_i，其中k为1……popsize；否则，概率exp((f(b_i)-f(b_j))/t)接受b_i，所述t是此时的退火温度，如果没有接受，则newpop(k)＝b_j。如此选取，直到选出popsize个个体为止；

（3-2-6）交叉操作：在newpop中，将第一个染色体和第二个染色体、第二个染色体和第三个染色体，……如此两两进行交叉，如果popsize是偶数，则刚好配对；如果是奇数，最后一个不变：

将所述b_i和b_i+1交叉，产生随机数rand，如果交叉概率P_c＜rand，则对newpop(b_i)和newpop(b_i+1)进行算术交叉，得到新个体a和b，如果f(a)＞f(newpop(b_i))，则用a代替newpop(b_i)；否则先以概率exp((f(a)-f(newpop(b_i)))/t)接受a，如果没有接受则不变，对于newpop(b_i+1)和b作同样处理：处理完之后，把newpop中的个体进行随机排列；

（3-2-7）变异操作：对每一所述染色体b，以变异概率P随机选取染色体中的某一基因a_i实施非均匀变异操作，得到新的染色体b′，其中i为1……n；如果f(b′)＞f(b)，则用b′代替b，否则概率exp((f(b′)-f(b))/t)接受b′，如果不接受，则不变；

（3-2-8）对所述步骤（3-1-6）～（3-2-7）循环L次，这里L是退火算法中的迭代次数，结束后进行所述步骤（3-2-9）；

（3-2-9）模拟退火：t＝α×t，所述α是降温系数，0＜α＜1，若t＜t_end所述t_end是最终温度，结束退火循环，进行所述步骤（3-2-10），否则重新进行所述步骤（3-1-6）～（3-2-7）；

（3-2-10）遗传代数gen＝gen+1，若gen＞gen_max，所述gen_max是最大遗传代数，则算法结束，否则从所述步骤（3-1-6）开始再进入循环。

10.如权利要求1所述的一种改进BP神经网络的输电线路无线电干扰预测方法，其特征在于：所述模拟退火算法为改进式模拟退火算法，其过程为：

1）给定出温t₀，随机产生初始状态S，令初始最优解S^*＝S，当前状态为S(0)＝S，i＝p＝0；

2）令t＝t_i，以t，S^*和S(i)调用改进的抽样过程，返回其所得最优解S^*′和当前状态S′(k)，令当前状态S(i)＝S′(k)；

3）判断是否目标函数C(S^*)＜C(S^*′)，若是，令p＝p+1；否则，令S^*＝S^*′，p＝0；

4）退温t_i+1＝update(t_i)，t＝t+1；

5）判断是否p＞m₂，m₂为阀值，若是，则转第（6）步；否则，返回第（2）步；

6）以最优解S^*作为最终解输出，停止算法；

改进的抽样过程：

1-1）令k＝0时的初始当前状态为S′(0)＝S(i)，q＝0；

1-2）由状态S通过状态产生函数产生新状态S′，计算目标函数增量ΔC′＝C(S′)-C(S)；

1-3）若ΔC′＜0，则接受S′作为当前解，并判断C(S^*′)＞C(S′)。