CN105574616A - 一种架空输电线路动态容量预测方法 - Google Patents

Abstract

本发明公开了一种架空输电线路动态容量预测方法，通过过安装在铁塔处的风速传感器测量导线附近实时风速，通过温度传感器测量实时日照辐射温度和环境温度，利用RBM深度学习机预测未来1小时、2小时、4小时的风速和日照辐射温度，通过张力计和张力-温度拟合曲线得到导线实时温度，将风速、日照辐射温度预测值和导线实时温度带入导线容量计算模型，得出导线未来1小时、2小时、4小时的容量预测值。与现有神经网络等预测方法相比，有效提高了预测的精度。解决了现有神经网络预测方法输入量极为有限的问题，极大提高了输入量的维度，未来电网大数据分析提供了理论基础。

Description

一种架空输电线路动态容量预测方法

技术领域

本发明涉及输电线路动态容量预测领域，尤其涉及一种架空输电线路动态容量预测方法。

背景技术

输电线路动态增容是实现智能电网输电智能化核心价值和目标的关键技术之一。在线预测输电线路的动态热容量，合理安排负荷高峰时期运行方式和调度管理，对输电线路的安全和经济运行具有重要意义，同时也对增加风电等间歇式可再生能源的接入容量有很好的作用。

现有预测方法如神经网络方法存在预测效果各异，难以保证精度，且输入数据规模很有限，很难适应于当前电网的海量数据分析。

发明内容

本发明的目的就是为了解决上述问题，提供一种架空输电线路动态容量预测方法，利用受限玻尔兹曼机实现风速和日照辐射温度的预测，提高了预测的精度，解决了现有神经网络预测方法输入量极为有限的问题，极大提高了输入量的维度。

为了实现上述目的，本发明采用如下技术方案：

一种架空输电线路动态容量预测方法，包括以下步骤：

步骤一，利用铁塔上的风速传感器采集的风速数据及国家气象信息中心提供的气象预测风速数据训练风速RMB深度学习机；

步骤二，将铁塔上的风速传感器采集的当前时刻的风速和气象预测风速输入风速RMB深度学习机，预测出未来多个时刻的风速；

步骤三，利用铁塔上的温度传感器采集的日照辐射温度、环境温度及国家气象信息中心提供的环境温度预报值训练日照辐射温度RMB深度学习机；

步骤四，将铁塔上的温度传感器采集的当前时刻的日照辐射温度、环境温度和气象预测环境温度输入日照辐射温度RMB深度学习机，预测出未来多个时刻的日照辐射温度；

步骤五，利用安装在导线连接金具处的张力计测得导线的实时张力及实验测得的张力-温度拟合曲线求出导线的实时温度Tc；

步骤六，将所述步骤二预测的风速值、步骤四预测的日照辐射温度值及步骤五求得的导线的实时温度Tc带入导线容量公式，动态预测出导线未来多个时刻的容量。

所述步骤一包括：铁塔上的风速传感器测量目标地点的某一时刻t导线附近的风速v_t，同时记录国家气象信息中心提供的目标地点的未来1小时、2小时及4小时的天气预报数据v’_t+1、v’_t+2、v’_t+4，作为风速RMB深度学习机输入层的4个神经元{v_t，v’_t+1，v’_t+2，v’_t+4}；输出层设置为3个神经元{v_t+1，v_t+2，v_t+4}，v_t+1，v_t+2，v_t+4分别表示t+1、t+2及t+4时刻的风速预测值；利用48小时的数据训练学习机。

利用迭代计算风速RMB总能量，直到风速RMB总能量对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

风速RMB深度学习机训练的方法为：

(1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本；

(2)对W、b、c三个参数的偏导进行初始化，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重；

(3)可见层和隐藏层节点的权重初始设定为1；

(4)对风速RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

(5)重新调整可见层、隐藏层各节点权重(1或0)，反复迭代，当对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

所述步骤三包括：利用安装在铁塔上的温度传感器测量t时刻的日照辐射温度T_st及环境温度T_at，从国家气象信息中心读取目标地区未来1小时、2小时及4小时的环境温度预报值T’_at+1、T’_at+2及T’_at+4，将日照辐射温度RBM深度学习机的输入层设置为5个神经元{T_st，T_at，T’_at+1，T’_at+2，T’_at+4}；将日照辐射温度RBM深度学习机的输出层设置为3个神经元{T_st+1，T_st+2，T_st+4}，T_st+1，T_st+2，T_st+4分别表示t时刻之后1小时、2小时及4小时的日照辐射温度预测值；利用48小时的历史数据训练日照辐射温度RBM深度学习机。

利用迭代计算日照辐射温度RMB总能量，直到日照辐射温度RMB总能量对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成。

日照辐射温度RMB深度学习机训练的方法为：

1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本；

2)对W、b、c三个参数的偏导进行初始化，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重；

3)可见层和隐藏层节点的权重初始设定为1；

4)对日照辐射温度RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

5)重新调整可见层、隐藏层各节点权重(1或0)，反复迭代，当对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成。

本发明的有益效果：

1)本发明通过安装在铁塔处的风速传感器测量导线附近实时风速，通过温度传感器测量实时日照辐射温度和环境温度，利用RBM深度学习机预测未来1小时、2小时、4小时的风速和日照辐射温度，通过张力计和张力-温度拟合曲线得到导线实时温度，将风速、日照辐射温度预测值和导线实时温度带入导线容量计算模型，得出导线未来1小时、2小时、4小时的容量预测值。

2)本发明与现有神经网络等预测方法相比，有效提高了预测的精度。

与神经网络等预测方法相比，二者的相同在于本方法采用了神经网络相似的分层结构，系统由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个逻辑回归模型；这种分层结构，是比较接近人类大脑的结构的。但是，为了克服神经网络训练中的问题，本发明采用了与神经网络很不同的训练机制。传统神经网络中，采用的是反向传播的方式进行，利用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和标记值之间的差去改变前面各层的参数，直到收敛(整体是一个梯度下降法)。而本方法整体上是一个逐层优化的训练机制。这样做的原因是因为，如果采用反向传播的机制，对于一个深度网络(7层以上)，残差传播到最前面的层已经变得太小，出现所谓的梯度扩展。

区别与现有神经网络等预测学习方法，本方法的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。

3)本发明解决了现有神经网络预测方法输入量极为有限的问题，极大提高了输入量的维度，未来电网大数据分析提供了理论基础。

对于现有神经网络方法，当网络层数增多时，反向传播算法将产生很差的效果，因此制约着神经网络的隐含层数的选取，一般为1-2层，即浅层神经网络。然而，浅层的神经网络往往需要数目巨大的神经元数目。以布尔函数为例，浅层网络其隐含层单元的个数随着输入的大小成指数增长；而对于本发明中的深度神经网络，神经元个数只需要多项式级别的增长。同时，对于复杂的非线性映射问题，浅层神经网络很难学到这种关系，而本发明中的深度神经网络具有更加强大的学习能力。

附图说明

图1为受限玻尔兹曼机模型；

图2为架空输电线路动态评估过程示意图；

图3为本发明安装示意图；

图4为风速RBM学习机动态预测流程图。

其中，1.风速传感器，2.温度传感器，3.张力计。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

一种架空输电线路动态容量预测方法，包括以下步骤：

步骤一，如图3所示，利用铁塔上的风速传感器3采集的风速数据及国家气象信息中心提供的气象预测风速数据训练风速RMB深度学习机，利用迭代计算风速RMB总能量，直到风速RMB总能量对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成；

步骤二，将铁塔上的风速传感器3采集的当前时刻的风速和气象预测风速输入风速RMB深度学习机，预测出未来1小时、2小时及4小时的风速；

步骤三，如图3所示，利用铁塔上的温度传感器2采集的日照辐射温度、环境温度及国家气象信息中心提供的环境温度预报值训练日照辐射温度RMB深度学习机，利用迭代计算日照辐射温度RMB总能量，直到日照辐射温度RMB总能量对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成；

步骤四，将铁塔上的温度传感器2采集的当前时刻的日照辐射温度、环境温度和气象预测环境温度输入日照辐射温度RMB深度学习机，预测出未来1小时、2小时及4小时的日照辐射温度；

步骤五，利用安装在导线连接金具处的张力计3测得导线的实时张力及实验测得的张力-温度拟合曲线求出导线的实时温度Tc；

步骤六，将所述步骤二预测的风速值、步骤四预测的日照辐射温度值及步骤五求得的导线的实时温度Tc带入导线容量公式 $I=\sqrt{\frac{Q_f(T_c,T_s,V)+Q_r(T_c,T_s)}{R\left(T_c\right)}},$ 其中Q_r为辐射散热功率，Q_f为对流散热功率，R(T_c)为导线的交流电阻，T_S为日照辐射温度，V为导线垂直方向的风速，动态预测出导线未来1小时、2小时及4小时的容量。

所述步骤一包括：铁塔上的风速传感器3测量目标地点的某一时刻t导线附近的风速v_t，同时记录国家气象信息中心提供的目标地点的未来1小时、2小时和4小时的天气预报数据v’_t+1、v’_t+2、v’_t+4，作为风速RMB深度学习机输入层的4个神经元{v_t，v’_t+1，v’_t+2，v’_t+4}；输出层设置为3个神经元{v_t+1，v_t+2，v_t+4}，v_t+1，v_t+2，v_t+4分别表示t+1、t+2及t+4时刻的风速预测值；利用48小时的数据训练学习机；

如图4所示，风速RMB深度学习机训练的方法为：设置RBM网络初始结构，包括可见变量和隐藏变量；分别调整可见层和隐藏层节点的权重；对RBM学习机的参数求导，求取其三个参数W，c，b；反复迭代，直到风速RMB总能量对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

(1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本；其中隐层节点共有m个，可视层节点共有n个；

(2)对W、b、c三个参数的偏导进行初始化(初始化为0)，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重，与公式(10)相对应；

(3)可见层和隐藏层节点的权重初始设定为1；

(4)对风速RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

(5)重新调整可见层、隐藏层各节点权重(1或0)，反复迭代，当对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

所述步骤三包括：利用安装在铁塔上的温度传感器2测量t时刻的日照辐射温度T_st及环境温度T_at，从国家气象信息中心读取目标地区未来1小时、2小时及4小时的环境温度预报值T’_at+1、T’_at+2及T’_at+4，将日照辐射温度RBM深度学习机的输入层设置为5个神经元{T_st，T_at，T’_at+1，T’_at+2，T’_at+4}；将日照辐射温度RBM深度学习机的输出层设置为3个神经元{T_st+1，T_st+2，T_st+4}，T_st+1，T_st+2，T_st+4分别表示t时刻之后1小时、2小时及4小时的日照辐射温度预测值；利用48小时的历史数据训练日照辐射温度RBM深度学习机。

日照辐射温度RMB深度学习机训练的方法为：

1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本，其中隐层节点共有m个，可视层节点共有n个；

2)对W、b、c三个参数的偏导进行初始化(初始化为0)，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重，与公式(10)相对应；；

3)可见层和隐藏层节点的权重初始设定为1；

4)对日照辐射温度RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

5)重新调整可见层、隐藏层各节点权重(1或0)，反复迭代，当对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成。

1)导线容量计算

架空输电线路的载流量主要与环境因素以及导线温度、导线材料尺寸等导线自身因素有关。其计算主要根据导线的稳态热平衡方程，如下

Q_r+Q_f＝Q_s+I²R(T_c)(1)

其中Q_r为辐射散热功率，Q_f为对流散热功率，Q_s为日照吸热功率，I²R(T_c)为导线交流电阻的发热功率。在确定导线型号即导线各项参数后，(1)式中四种功率的物理意义和计算如下。

辐射散热功率Q_r表示了导线表面的热辐射功率，与导线自身参数、导线温度T_c、环境温度T_a有关，具体计算见下式。

Q_r＝πDE₁S₁[(T_c+273)⁴-(T_a+273)⁴](2)

其中，D为导线外径；E₁为导线表面的热辐射散热系数，我国标准中，一般取0.9；S₁为斯特凡—包尔茨曼常数，取5.67×10^-8，W/m²；T_a、T_c为导线温度和环境温度，℃。

对流散热功率Q_f表示了导线通过附近空气进行对流冷却的情况。当导线温度大于周围气温时，靠近导线表面的空气被加热，密度变小，最终产生气体热对流，从而带走导线的部分热量。对流散热功率可通过下式计算。

Q_c＝0.57πλ_fθRe^0.485(3)

其中，λ_f为导线表面附近空气层的传热系数，W/m℃，见(4)式；Re为雷诺数，见(5)式。

λ_f＝2.42×10^-2+7(T_a+(T_c-T_a)/2)×10^-5(4)

Re＝VD/υ(5)

上两式中，V为导线垂直方向的风速，m/s；υ为导线表面空气层运动粘度，m²/s，可通过下式计算。

υ＝1.32×10^-5+9.6(T_a+(T_c-T_a)/2)×10^-8(6)

日照吸热功率Q_s表示了导线对日照辐射吸收的功率，与导线的尺寸和日照强度有关。

Q_s＝α_SJ_SD(7)

其中，α_S为导线表面的吸热系数，我国标准中，一般与导线辐射系数相等；J_s为日照强度，保守起见，我国标准中，一般取为1000W/m²。

导线交流电阻的发热功率I²R(T_c)由导线的稳态载流量I和导线的交流电阻R(T_c)计算而来。导线温度为T_c时的交流电阻R(T_c)与导线温度T_c有关：

R(T_c)＝(1+k)R₂₀[1+α₂₀(T_c-20)](8)

其中，k为导线的集肤效应系数，与导线的横截面积有关，当横截面积不大于400mm²时，取k＝0.0025大于400mm²时，取k＝0.01；R₂₀为导线20℃时的材料温度系数，对于铝材料，可以取0.00403/℃。

日照辐射温度T_S定义为导线负荷电流为零，只有日照辐射输入情况下的导线温度。日照辐射的监测采用“净辐射传感器”来监测日照辐射温度取代对日照辐射的直接监测。该净辐射传感器由一小段与被监测导线相同新旧的材料、尺寸和走向的导线以及热电偶温度传感器2组成，安装在待测耐张端的导线末端。具有与被监测导线相同的吸收率和反射率，能够用来取代日照辐射的直接监测。

利用导线负荷电流I＝0和I≠0时的导线气候模型，可以消去环境温度，通过日照辐射温度表征环境温度和日照强度对导线的综合影响。最终，导线容量计算式如下：

$I=\sqrt{\frac{Q_f(T_c,T_s,V)+Q_r(T_c,T_s)}{R\left(T_c\right)}}---\left(9\right)$

2)受限的玻尔兹曼机(RBM)

本发明利用受限的玻尔兹曼机实现风速和日照辐射温度的预测。

受限玻尔兹曼机可以看作是一个无向图模型。它由可视层和隐层构成。可视层与隐层单元互相连接，而两个层内各个单元之间无连接，如图1所示。

隐层单元共有m个，可视层单元共有n个。h_i表示第i个隐层节点状态；v_j表示第j个可视层节点状态；W_ij表示h_i和v_j两个节点之间连接的权重值；c_i表示第i个隐层节点的偏置；b_j表示第j个可视层节点的偏置。受统计力学的启发，能量函数的概念被引入进来。利用能量函数描述所研究系统的状态的一种测度。系统的能量与系统本身的熵有关。系统有序性愈高或者概率分布集中，那么系统整体的能量就会愈小。因此，为了求得受限玻尔兹曼机权重和各个单元的偏置，采用能量函数最小进行求解计算计算。

受限玻尔兹曼机作为一个系统，其所具备的能量表示为

$E(v,h)=-\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{v}_y{W}_{ij}{h}_j-\underset{j=1}{\overset{m}{\Σ}}{b}_j{v}_j-\underset{i=1}{\overset{n}{\Σ}}{c}_i{h}_i---\left(10\right)$

上式中，W_ij，v_j，h_i是受限玻尔兹曼机的参数，v_j,h_i∈{0,1}。

根据能量公式，可视层节点和隐层节点的联合概率为

$p(v,h)=\frac{e^{-E(v,h)}}{\underset{v,h}{\Σ}{e}^{-E(v,h)}}---\left(11\right)$

受限玻尔兹曼机在给定模型参数情况下，对于观测数据的可视层单元分布计算如下式表示

$p\left(v\right)=\frac{1}{\underset{v,h}{\Σ}{e}^{-E(v,h)}}\underset{h}{\Σ}p(v,h)---\left(12\right)$

由受限玻尔兹曼机层内单元没有连接，层间单元有连接可知，对于给定可见层单元的状态，隐层单元的状态是相互对立的，反之亦然。故而，第i个隐层单元取值为1的概率为

$p(h_i=1|v)=\mathrm{\σ}(\underset{j=1}{\overset{m}{\Σ}}{W}_{ij}{v}_j+c_i)---\left(13\right)$

第j个可见层单元取值为1的概率为

$p(v_j=1|h)=\mathrm{\σ}(\underset{i=1}{\overset{n}{\Σ}}{W}_{ij}{h}_i+b_j)---\left(14\right)$

其中， $\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-x}}.$

设θ＝{W_ij,c_i,b_j}为受限玻尔兹曼机所求参数，根据上述公式，利用极大似然求解。

$\frac{\∂\ln P\left(v\right)}{\∂W_{ij}}=P(h_j=1|v)v_i-\underset{v}{\Σ}P\left(v\right)\left(P\right(h_j=1|v\left)v_i\right)$

$\frac{\∂\ln P\left(v\right)}{\∂c_j}=P(h_j=1|v)-\underset{v}{\Σ}P\left(v\right)\left(P\right(h_j=1|v\left)\right)$

$\frac{\∂\ln P\left(v\right)}{\∂b_i}=v_i-\underset{v}{\Σ}P\left(v\right)v_i$

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种架空输电线路动态容量预测方法，其特征是，包括以下步骤：

步骤一，利用铁塔上的风速传感器采集的风速数据及国家气象信息中心提供的气象预测风速数据训练风速RMB深度学习机；

步骤二，将铁塔上的风速传感器采集的当前时刻的风速和气象预测风速输入风速RMB深度学习机，预测出未来多个时刻的风速；

步骤三，利用铁塔上的温度传感器采集的日照辐射温度、环境温度及国家气象信息中心提供的环境温度预报值训练日照辐射温度RMB深度学习机；

步骤四，将铁塔上的温度传感器采集的当前时刻的日照辐射温度、环境温度和气象预测环境温度输入日照辐射温度RMB深度学习机，预测出未来多个时刻的日照辐射温度；

步骤五，利用安装在导线连接金具处的张力计测得导线的实时张力及实验测得的张力-温度拟合曲线求出导线的实时温度Tc；

步骤六，将所述步骤二预测的风速值、步骤四预测的日照辐射温度值及步骤五求得的导线的实时温度Tc带入导线容量公式，动态预测出导线未来多个时刻的容量。

2.如权利要求1所述一种架空输电线路动态容量预测方法，其特征是，所述步骤一包括：铁塔上的风速传感器测量目标地点的某一时刻t导线附近的风速v_t，同时记录国家气象信息中心提供的目标地点的未来1小时、2小时及4小时的天气预报数据v’_t+1、v’_t+2、v’_t+4，作为风速RMB深度学习机输入层的4个神经元{v_t，v’_t+1，v’_t+2，v’_t+4}；输出层设置为3个神经元{v_t+1，v_t+2，v_t+4}，v_t+1，v_t+2，v_t+4分别表示t+1、t+2及t+4时刻的风速预测值；利用48小时的数据训练学习机。

3.如权利要求1或2所述一种架空输电线路动态容量预测方法，其特征是，利用迭代计算风速RMB总能量，直到风速RMB总能量对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

4.如权利要求1或2所述一种架空输电线路动态容量预测方法，其特征是，风速RMB深度学习机训练的方法为：

(1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本；

(2)对W、b、c三个参数的偏导进行初始化，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重；

(3)可见层和隐藏层节点的权重初始设定为1；

(4)对风速RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

(5)重新调整可见层、隐藏层各节点权重，反复迭代，当对于每个学习样本都达到最小值时，风速RMB深度学习机训练完成。

5.如权利要求4所述一种架空输电线路动态容量预测方法，其特征是，W、b、c三个参数的偏导初始化0。

6.如权利要求1所述一种架空输电线路动态容量预测方法，其特征是，所述步骤三包括：利用安装在铁塔上的温度传感器测量t时刻的日照辐射温度T_st及环境温度T_at，从国家气象信息中心读取目标地区未来1小时、2小时及4小时的环境温度预报值T’_at+1、T’_at+2及T’_at+4，将日照辐射温度RBM深度学习机的输入层设置为5个神经元{T_st，T_at，T’_at+1，T’_at+2，T’_at+4}；将日照辐射温度RBM深度学习机的输出层设置为3个神经元{T_st+1，T_st+2，T_st+4}，T_st+1，T_st+2，T_st+4分别表示t时刻之后1小时、2小时及4小时的日照辐射温度预测值；利用48小时的历史数据训练日照辐射温度RBM深度学习机。

7.如权利要求1或6所述一种架空输电线路动态容量预测方法，其特征是，利用迭代计算日照辐射温度RMB总能量，直到日照辐射温度RMB总能量对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成。

8.如权利要求1或6所述一种架空输电线路动态容量预测方法，其特征是，日照辐射温度RMB深度学习机训练的方法为：

1)设置RBM网络初始结构，包括可见变量和隐藏变量，输入样本；

2)对W、b、c三个参数的偏导进行初始化，其中b为深度学习机中可视层节点的偏置，c为深度学习机中隐藏层节点的偏置，W为连接可视层节点与隐藏层节点的权重；

3)可见层和隐藏层节点的权重初始设定为1；

4)对日照辐射温度RMB深度学习机的三个参数W，c，b求导，计算RBM总能量E(v，h)；

5)重新调整可见层、隐藏层各节点权重，反复迭代，当对于每个学习样本都达到最小值时，日照辐射温度RMB深度学习机训练完成。