CN108182514A - 一种电网覆冰舞动风险预测方法、系统及存储介质 - Google Patents

Abstract

本发明涉及电力系统的气象灾害技术领域，公开了一种电网覆冰舞动风险预测方法、系统及存储介质，以减轻电网输电线路遭受的舞动灾害，提高电网输电线路应对覆冰舞动灾害的能力和安全稳定的运行水平；本发明根据训练样本数据集初始化受限玻尔兹曼机算法的参数值，然后反复学习与更新参数值，直至受限玻尔兹曼机算法满足训练样本数据集的收敛性，并通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg不在预先设定精度以内，则继续更新参数，直至满足预测精度；进一步建立基于反向传播算法的电网覆冰舞动预测模型，最后根据反向传播算法对电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型。

Description

一种电网覆冰舞动风险预测方法、系统及存储介质

技术领域

本发明涉及电力系统的气象灾害技术领域，尤其涉及一种电网覆冰舞动风险预测方法、系统及存储介质。

背景技术

输电线路舞动是指在冬季当水平高方向的风因线路覆冰而变为非圆截面的导线上时，将产生一定的空气动力，因此会诱发导线产生一种低频率、大振幅的非线性自激振动。线路一旦发生舞动，由于线路的舞动能量很大，将会造成其频繁跳闸与停电，断线、倒塔，导致安全运行危害很大，且造成重大的经济损失和社会影响。输电线路舞动问题已成为当前威胁线路安全的最大威胁之一。而我国是一个舞动多发国家，由于受复杂地形特点、微气象条件等因素的影响，输电线路舞动事故屡有发生，在我国东北、华北、华中等地区的输电线路都发生过不同程度的线路舞动，如2003年3月5日清晨500kV龙斗线、斗双线、斗白线等线路发生大面积舞动，舞动时间持续约10小时。因此，对输电线路舞动分析预测的研究将具有重要的意义和工程实用价值。

目前，国内外学者已开展了输电线路舞动灾害影响的相关研究，其中包括舞动激发机理、计算仿真及舞动措施等。有关输电线路舞动预测方法的研究主要体现在舞动振幅法、气象阈值法以及气象振幅混合方法，其中舞动振幅法主要通过图像、影像资料分析结果或者拉力传感器数值的变化情况判断舞动振幅对输电线路安全稳定运行的影响，一旦舞动振幅超过预设定的阈值，则判断为舞动预测；气象阈值法则根据专业气象台站发布的天气要素数据，判断未来的天气要素是否满足舞动发生时的气象要素阈值区间，若要素在区间范围内，则产生舞动预测；气象振幅混合方法则是一种既考虑舞动天气过程持续时间、又考虑舞动振幅大小的舞动预测方法，主要通过收集并整理输电线路相关数据以及舞动气象要素数据，建立合理的输电线路舞动风险模型，根据气象要素的预测模拟输电线路的运行状态，从而预测舞动破坏趋势。然而，气象阈值法、气象振幅混合方法均未考虑历史舞动的气象特征因素信息，且气象阈值法无法做到舞动天过程持续时间的长短、舞动振幅大小的影响，导致舞动预测的客观性有所降低的缺点；舞动振幅法虽然可以估算舞动振幅的大小，由于其根据监测数据反馈的图像数据而来，但数据的实时性不能保证，这样会导致舞动预测时间不及时，从而效果不理想。

针对上述方法存在的问题，迫切需要一种主动性更强、智能程度更高、应用范围更广的输电线路舞动风险预测方法，以减轻输电线路遭受的舞动灾害，提高输电线路应对舞动灾害的能力和安全稳定运行水平。此外，随着近年来气象预报的精细化程度和准确度均有提升，输电线路舞动计算仿真通过数值模拟技术的实现得到了可靠保证，它为输电线路舞动风险预测方法提供了可行的、科学的研究通道。

发明内容

本发明目的在于公开一种电网覆冰舞动风险预测方法、系统及存储介质，以减轻电网输电线路遭受的舞动灾害，在实现主动性更强，智能程度更高，考虑因素更全面细致的基础上，提高电网输电线路应对覆冰舞动灾害的能力和安全稳定的运行水平。

为实现上述目的，本发明公开了一种电网覆冰舞动风险预测方法，包括以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数；

S5：根据所述反向传播算法对所述电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

优选地，所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i表示隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg的计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

与上述方法相对应的，本发明还公开一种电网覆冰舞动风险预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_j}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数；

S5：根据所述反向传播算法对所述电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

优选地，所述处理器执行所述程序时，还包括：

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

同理，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述所述方法的步骤。

本发明具有以下有益效果：

本发明公开一种电网覆冰舞动风险预测方法、系统及存储介质，利用深度学习中的受限玻尔兹曼机算法构建能进行无监督学习电网覆冰舞动特征提取的模型，并通过有监督的反向传播算法进行调整，得到电网覆冰舞动预测模型，以更全面更精确地考虑影响覆冰舞动的因素，减轻电网输电线路遭受的舞动灾害，在实现主动性更强，智能程度更高，考虑因素更全面细致的基础上进一步提高电网输电线路应对覆冰舞动灾害的能力和安全稳定的运行水平。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的电网覆冰舞动风险预测方法的流程示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

参见图1，本实施例公开一种电网覆冰舞动风险预测方法，包括以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将初始样本数据集分为训练样本数据集和验证样本数据集，并根据训练样本数据集初始化受限玻尔兹曼机算法的参数值。

具体地，选取中国2010年-2016年的36组历史覆冰舞动相关数据作为初始样本数据集，每组数据分别包括气象特征要素数据、地形地势数据、以及电网线路结构数据。将前32组数据作为训练样本数据集，后4组数据作为验证样本数据集。其中，气象特征要素数据包括风速、风向对导线轴向的夹角、温度、湿度等，地形地势数据包括冷冻地带、风口地区等，电网线路结构数据包括线路类型(单导线、分裂导线)、线路截面积(大、中、小)、线路档距(大、中、小)，它们共同构成的输入数据将作为输电线路覆冰舞动初始训练样本集：

A＝{(X₁,y₁,z₁),(X₂,y₂,z₂),...,(X₃₆,y₃₆,z₃₆)}；

其中，X_i为第i个输电线路覆冰舞动样本特征因素向量，y_i＝{-1,1}为第i个样本的发生覆冰舞动标记，其中，-1表示输电线路未发生覆冰舞动，1表示输电线路发生覆冰舞动，z_i＝{0,1,2,3,...}为第i个输电线路覆冰发生舞动持续时间，具体地，以天数为覆冰舞动持续时间的单位。

进一步地，初始化受限玻尔兹曼机算法的参数，将显示层中的节点变量值初为v＝{v_i|i＝0,...,M}，将隐藏层中的节点变量值初始为h＝{h_j|j＝0,...,N}，将显示层和隐藏层相互之间的权重初始为ω＝{ω_ji|j＝0,...,N,i＝0,...,M}，其中，N表示隐藏的神经元个数，M表示显示层的神经元个数。具体地，本实施例中具体取值为N＝20，M＝20。

S2：反复学习与更新参数值，直至受限玻尔兹曼机算法满足训练样本数据集的收敛性。

进一步地，根据训练样本数据集的收敛性对受限玻尔兹曼机算法进行迭代判断，若该受限玻尔兹曼机算法不满足该训练样本数据集的收敛性，则修改该受限玻尔兹曼机算法的参数。具体地，计算显示层和隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数。

然后，根据显示层和隐藏层的条件概率更新显示层偏置a_i、隐藏层偏置b_j以及两层相互之间的权重ω_ji直至该受限玻尔兹曼机算法满足该训练集样本的收敛性。

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2。

具体地，将显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji记为θ＝{a_i,b_j,ω_ji}，则偏置和连接层权重的计算公式为：

式中，T表示训练样本数据集的个数，v^t表示第t个输入样本，L(θ)表示训练样本数据集上的对数似然函数，该函数的具体计算公式如下：

进一步地，利用更新参数后的玻尔兹曼机算法对验证样本数据集中的数据进行预测，并将预测值与验证样本数据集中的实际值进行比较，当预测精度E_avg<0.5时，继续进行下一步，反之，返回步骤S2。其中，预测精度计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

S4：从训练样本数据集中选取8个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x₈}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数。

S5：根据反向传播算法对电网覆冰舞动预测模型的参数进行调整，并得到电网覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

具体地，当通过上述预测模型计算出的覆冰舞动日数在4天以内，则认为该次覆冰舞动造成的影响在正常范围以内；当通过上述预测模型计算出的覆冰舞动日数在4天-8天，则认为该次覆冰舞动即将造成一定程度地危害，需要提前备好救灾物资等准备以减轻输电线路遭受的舞动灾害；当通过上述预测模型计算出的覆冰舞动日数在超过8天，则认为该次覆冰舞动即将造成很大程度地危害，需要提高注意力，提前做好充足地防灾准备。

实施例2

与上述方法相对应的，本实施例还公开一种电网覆冰舞动风险预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将初始样本数据集分为训练样本数据集和验证样本数据集，并根据训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新参数值，直至受限玻尔兹曼机算法满足训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_K}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数；

S5：根据反向传播算法对电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

优选地，处理器执行程序时，还包括：

步骤S2中的反复学习与更新参数值具体包括以下步骤：

(1)分别计算受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至受限玻尔兹曼机算法满足训练集样本的收敛性；

步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

同理，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现上述方法的步骤。

如上所述，本发明公开一种电网覆冰舞动风险预测方法、系统及存储介质，利用深度学习中的受限玻尔兹曼机算法构建能进行无监督学习电网覆冰舞动特征提取的模型，并通过有监督的反向传播算法进行调整，得到电网覆冰舞动预测模型，以更全面更精确地考虑影响覆冰舞动的因素，减轻电网输电线路遭受的舞动灾害，在实现主动性更强，智能程度更高，考虑因素更全面细致的基础上进一步提高电网输电线路应对覆冰舞动灾害的能力和安全稳定的运行水平。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种电网覆冰舞动风险预测方法，其特征在于，包括以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数；

S5：根据所述反向传播算法对所述电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

2.根据权利要求1所述的电网覆冰舞动风险预测方法，其特征在于，

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i表示隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg的计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

3.一种电网覆冰舞动风险预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

S1：选取历史覆冰舞动相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_j}，并建立基于反向传播算法的电网覆冰舞动预测模型：

式中，λ_i表示i神经元的阈值，ω_1i,ω_2i,...,ω_ji分别表示i神经元对{x₁,x₂,...,x_k}的权值连接，x_j表示第j个神经元变量，T表示训练样本中的样本总个数；

S5：根据所述反向传播算法对所述电网覆冰舞动预测模型的参数进行调整，并得到覆冰舞动预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的覆冰舞动日数，ψ_ji表示i,j神经元对应的覆冰舞动日数，ω_ji表示i,j神经元之间的影响权重。

4.根据权利要求3所述的电网覆冰舞动风险预测系统，其特征在于，所述处理器执行所述程序时，还包括：

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路覆冰舞动实际值；Y_i表示第i个样本中输电线路覆冰舞动预测值。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1或2所述方法的步骤。