CN111507044A - 一种手工多芯线束rlcg参数矩阵预测方法 - Google Patents

一种手工多芯线束rlcg参数矩阵预测方法 Download PDF

Info

Publication number
CN111507044A
CN111507044A CN202010234816.6A CN202010234816A CN111507044A CN 111507044 A CN111507044 A CN 111507044A CN 202010234816 A CN202010234816 A CN 202010234816A CN 111507044 A CN111507044 A CN 111507044A
Authority
CN
China
Prior art keywords
parameter matrix
wire harness
core wire
manual multi
bpnn
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.)
Granted
Application number
CN202010234816.6A
Other languages
English (en)
Other versions
CN111507044B (zh
Inventor
王一凡
黄超
赵阳
颜伟
赵俊平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Yibang Power Technology Co ltd
Original Assignee
Jiangsu Yibang Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Yibang Power Technology Co ltd filed Critical Jiangsu Yibang Power Technology Co ltd
Priority to CN202010234816.6A priority Critical patent/CN111507044B/zh
Publication of CN111507044A publication Critical patent/CN111507044A/zh
Application granted granted Critical
Publication of CN111507044B publication Critical patent/CN111507044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本发明公开了一种手工多芯线束RLCG参数矩阵预测方法，基于BSAS‑BPNN建立了手工多芯线束横截面参数提取网络模型BPNN，能够预测高精度的手工多芯线束任意位置上的RLCG电磁参数矩阵。首先建立手工多芯线束的截面和几何模型，其次ANSYS‑Q3D软件平台提取代表性的参数样本，之后将参数样本进行导入BSAS优化后的BPNN中进行网络训练和测试，最后通过训练好的网络预测任意位置的RLCG参数矩阵。现有的传输线RLCG参数提取方法大都基于数值算法，对于手工线束类的多芯随机传输线缺乏处理能力，本发明所提方法基于智能算法，相较于传统方法具有高精度、高效率等优势，且能够较好地解决线芯数目过大情况下的电磁参数提取问题。

Description

一种手工多芯线束RLCG参数矩阵预测方法
技术领域
本发明属于电磁干扰技术领域，具体涉及一种手工多芯线束RLCG参数矩阵预测方法。
背景技术
通过手工捆扎的方式固定在一起的多芯电线束被广泛的应用于复杂系统间的电气互联，具有削弱电磁干扰的能力。但随着工作频率的上升和线束种类的增加，这些线束之间的串扰影响将不能忽视。已经有大量的学者对双绞线的串扰进行了预测研究，除此之外场对线耦合的电磁干扰也有相应的研究，但多芯线内的串扰并不容易获得。
现有的传输线RLCG参数提取方法大都基于数值算法，对于手工线束类的多芯随机传输线缺乏处理能力。同时，现有RLCG参数计算方法存在的计算量大和计算结果不够精确的问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种手工多芯线束RLCG参数矩阵预测方法，能够利用天牛群全局搜索算法(beetle swarm antennae search，BSAS)和反向传播神经网络算法(back propagation neural network，BPNN)来预测高精度的手工多芯线束任意位置上的RLCG参数矩阵。
为实现上述技术目的，本发明采取的技术方案为：
一种手工多芯线束RLCG参数矩阵预测方法，包括：
步骤(1)：建立手工多芯线束的截面和几何模型；
步骤(2)：处理RLCG参数矩阵样本；
步骤(3)：提取RLCG参数矩阵样本；
步骤(4)：构建关于RLCG参数矩阵训练的BPNN网络；
步骤(5)：基于BSAS算法优化BPNN；
步骤(6)：测试步骤(5)优化后的BPNN，并最终获取任意位置处高精度RLCG参数矩阵。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤(1)具体为以手工七芯线束为基础对手工多芯线束进行建模，建立的手工多芯线束的截面和几何模型如下：
Figure BDA0002430628330000021
其中θmax是横截面旋转的最大角度，Δz是相邻横截面之间的间距，α为修正常数，n为手工多芯线束中的线芯数目，D为线束直径。
上述的步骤(2)具体包括以下步骤：
步骤(2.1)：将无限大参考导电金属地面上的n芯导体传输线的参数矩阵表示为:
Figure BDA0002430628330000022
其中M代表初始截面R,L,C和G的参数矩阵，且参数矩阵M为对称矩阵。mij代表不同参数矩阵对应的具体电阻值rij,电感值lij,电容值cij和电导值gij；
步骤(2.2)：对不同线芯分布下相同截面模型的参数矩阵进行如下变换：
M′＝TijMTij (3)
其中M’代表不同线芯分布下相同截面模型的参数矩阵，Tij表示第i和j根线芯进行换位的变换矩阵；
步骤(2.3)：以矩阵M’的上三角元素作为研究对象，如下式：
Figure BDA0002430628330000023
Figure BDA0002430628330000024
将
Figure BDA0002430628330000025
和
Figure BDA0002430628330000026
写为列向量形式Y，得：
Figure BDA0002430628330000027
yi表示RLCG参数矩阵样本元素的数值，其中Y中元素总个数no＝2n(1+n)，n为芯数。
上述的步骤(3)具体为：基于ANSYS-Q3D仿真软件提取不同旋转角度的七芯均匀传输线的单位长度RLCG参数矩阵，从而获取BSAS-BPNN所需的样本参数矩阵及其相对应的作为网络输入的角度矩阵；之后再利用线芯随机换位获取相同截面不同线芯分布的参数矩阵。
上述的步骤(4)构建的BPNN网络模型结构为：输入层神经元个数为1(角度)，隐含层神经元个数nh，输出层神经元个数为no，搜索空间维度k＝1*nh+nh*no+1+nh+no。
上述的步骤(5)具体包括以下步骤：
步骤(5.1)：确定BPNN网络模型结构；
步骤(5.2)：设置步长因子δ，步长因子δ用来控制天牛的区域搜索能力；
步骤(5.3)：以测试数据的均方根误差MSE作为适应度函数，用于推进对空间区域的搜索；
步骤(5.4)：天牛位置初始化，并将天牛的初始位置保存在W中；
步骤(5.5)：根据适应度函数计算在初始位置时的适应度函数值，并保存在F中；
步骤(5.6)：随机产生M组天牛搜索方向，根据步骤(5.2)更新每组方向下的天牛位置坐标；
步骤(5.7)：判断适应度函数值是否达到设定的精度，如果满足条件则转步骤(5.9)，否则，转步骤(5.8)；
步骤(5.8)：天牛左右须位置更新，根据步骤(5.2)更新天牛左右须的位置坐标；
步骤(5.9)：根据天牛须算法中的左右须位置，分别求左右须的适应度函数值
Figure BDA0002430628330000031
和
Figure BDA0002430628330000032
比较其强度并更新天牛位置，即调整BPNN的权值和阈值，并计算在当前位置下的适应度函数值，若此时的适应度函数值优于F，更新W，F；
步骤(5.10)：判断迭代次数是否进行到最大次数，如果满足条件则转步骤(5.11)，否则，返回步骤(5.6)继续迭代；
步骤(5.11)：算法停止迭代时，W中的解为训练的最优解，即BPNN的最优初始权值和阈值；将最优解带入BPNN中进行二次训练学习，最终进行手工多芯线束RLCG参数矩阵预测。
上述的步骤(5.2)所设置的初始步长足以覆盖当前的搜索区域而不至于陷入局部极小。
上述的步骤(5.3)所述适应度函数为：
Figure BDA0002430628330000033
式中：f为适应度函数，N为训练集样本数，yj(i)为第i个样本的模型输出值；y′j(i)为第i个样本的实际值。
上述的步骤(5.4)所述天牛位置初始化时，初始参数取[-0.5，0.5]之间的k维随机数作为天牛须算法的初始解集，即天牛的初始位置。
上述的步骤(5.7)设定的精度，取为0.000001。
本发明具有以下有益效果：
1.本发明提出的一种手工多芯线束RLCG参数矩阵预测方法不局限于少量线束，对于大量手工组合在一起的线束仍然能够通过本方法获得精确的RLCG参数矩阵计算量更小；
2.本发明提出的手工多芯线束RLCG参数矩阵预测方法具有高精度、高鲁棒性以及高效率的优势，适用性良好，结合时域有限差分后可预测手工多芯线束的线间串扰和场线耦合噪声。
附图说明
图1为本发明实施例中的手工七芯线束换位处横截面和旋转角度的示意图；
图2为本发明实施例中的手工七芯线束分段模拟图；
图3为本发明BPNN的拓扑结构图；
图4为本发明BSAS优化BPNN流程图；
图5为本发明测试数据的相对平均误差分布直方图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本发明的一种手工多芯线束RLCG参数矩阵预测方法，包括：
步骤(1)：建立手工多芯线束的截面和几何模型；
实施例中，所述步骤(1)具体为以手工七芯线束为基础对手工多芯线束进行建模，建立的手工多芯线束的截面和几何模型如下：
Figure BDA0002430628330000041
其中θmax是横截面旋转的最大角度，Δz是相邻横截面之间的间距，α为修正常数，n为手工多芯线束中的线芯数目，D为线束直径。
沿着线束的轴向中心，线束由于手工编织会发生随机性的变化，表现为截面旋转特征。手工多芯线束实际上就是多组线芯的组合，且其横截面满足最大的旋转角度范围。
步骤(2)：处理RLCG参数矩阵样本；
实施例中，所述步骤(2)具体包括以下步骤：
步骤(2.1)：将无限大参考导电金属地面上的n芯导体传输线的参数矩阵表示为:
Figure BDA0002430628330000051
其中M代表初始截面R,L,C和G的参数矩阵，且参数矩阵M为对称矩阵。mij代表不同参数矩阵对应的具体电阻值rij,电感值lij,电容值cij和电导值gij；
步骤(2.2)：对不同线芯分布下相同截面模型的参数矩阵进行如下变换：
M′＝TijMTij (3)
其中M’代表不同线芯分布下相同截面模型的参数矩阵，Tij表示第i和j根线芯进行换位的变换矩阵；
步骤(2.3)：以矩阵M’的上三角元素作为研究对象，如下式：
Figure BDA0002430628330000052
Figure BDA0002430628330000053
将
Figure BDA0002430628330000054
和
Figure BDA0002430628330000055
写为列向量形式Y，得：
Figure BDA0002430628330000056
yi表示RLCG参数矩阵样本元素的数值，其中Y中元素总个数no＝2n(1+n)，n为芯数。
步骤(3)：提取RLCG参数矩阵样本；
参见图1，实施例中，从横截面看来，手工七芯线束任意位置的截面形状一致，只存在线束和地的相对位置变化。
参见图2，从轴向延伸的角度看，手工七芯线束可视为由沿轴向逆时针不断在最大旋转角度范围内旋转变化并随机进行线束换位的无限多个厚度无限小的横截面导体级联而成的多导体传输线。
因此，可以将手工七芯线束对地的相对位置转换成相应的旋转角度和线芯换位。手工七芯线束任一位置都对应有自己的RLCG参数矩阵和相应的旋转角度和线芯换位。针对手工七芯线束这一独特的性质，可以基于ANSYS-Q3D仿真软件提取不同旋转角度的七芯均匀传输线的单位长度RLCG参数矩阵，从而获取BSAS-BPNN所需的样本参数矩阵及其相对应的作为网络输入的角度矩阵；之后再利用线芯随机换位获取相同截面不同线芯分布的参数矩阵。
步骤(4)：构建关于RLCG参数矩阵训练的BPNN网络；
从数学角度来看，手工七芯线束截面模型中的RLCG参数与旋转角度，即距初始端口位置间存在一种高度非线性映射关系g，即
M＝g(θ) (7)
利用BPNN的非线性映射能力来拟合上述复杂的非线性关系，但BPNN存在易陷于局部极优和对初始权重依赖性大的问题。
参见图3，实施例中，所述步骤(4)构建的BPNN网络模型结构为：输入层神经元个数为1(角度)，隐含层神经元个数nh，输出层神经元个数为no，搜索空间维度k＝1*nh+nh*no+1+nh+no。
参见图4，步骤(5)：基于BSAS算法优化BPNN，解决上述问题，获取高精度、高鲁棒性的参数预测网络；
实施例中，所述步骤(5)具体包括以下步骤：
步骤(5.1)：确定BPNN网络模型结构；
步骤(5.2)：设置步长因子δ，步长因子δ用来控制天牛的区域搜索能力，初始步长应尽可能的大，使之足以覆盖当前的搜索区域而不至于陷入局部极小。
步骤(5.3)：以测试数据的均方根误差MSE作为适应度函数，用于推进对空间区域的搜索，所述适应度函数为：
Figure BDA0002430628330000061
式中：f为适应度函数，N为训练集样本数，yj(i)为第i个样本的模型输出值；y′j(i)为第i个样本的实际值。因此，算法迭代停止时适应度函数值最小的位置即为问题所求的最优解。
步骤(5.4)：天牛位置初始化，并将天牛的初始位置保存在W中；初始参数取[-0.5，0.5]之间的k维随机数作为天牛须算法的初始解集，即天牛的初始位置。
步骤(5.5)：根据适应度函数计算在初始位置时的适应度函数值，并保存在F中；
步骤(5.6)：随机产生M组天牛搜索方向，根据步骤(5.2)更新每组方向下的天牛位置坐标；
步骤(5.7)：判断适应度函数值是否达到设定的精度(取为0.000001)，如果满足条件则转步骤(5.9)，否则，转步骤(5.8)；
步骤(5.8)：天牛左右须位置更新，根据步骤(5.2)更新天牛左右须的位置坐标；
步骤(5.9)：根据天牛须算法中的左右须位置，分别求左右须的适应度函数值
Figure BDA0002430628330000071
和
Figure BDA0002430628330000072
，比较其强度并更新天牛位置，即调整BPNN的权值和阈值，并计算在当前位置下的适应度函数值，若此时的适应度函数值优于F，更新W，F；
步骤(5.10)：判断迭代次数是否进行到最大次数100代，如果满足条件则转步骤(5.11)，否则，返回步骤(5.6)继续迭代；
步骤(5.11)：算法停止迭代时，W中的解为训练的最优解，即BPNN的最优初始权值和阈值；将上述最优解带入BPNN中进行二次训练学习，最终进行手工多芯线束RLCG参数矩阵预测。
步骤(6)：测试步骤(5)优化后的BPNN，通过式(3)获得相同截面不同芯线排布的RLCG参数矩阵，并最终获取任意位置处高精度RLCG参数矩阵。
本发明通过对BSAS算法优化BPNN的研究，提出了一种基于该算法的手工多芯线束串扰预测方法。首先建立手工多芯线束的截面和几何模型，等效出线束的单位等效电路；然后提取RLCG参数矩阵，利用BSAS-BPNN算法获取任意位置的RLCG参数矩阵，最后将该网络与时域有限差分法(FDTD)结合，求解了多组实际的手工七芯线束模型的近端串扰和远端串扰，获得了最坏情况下的串扰幅值。
在提取手工七芯线束时，该参数矩阵提取网络展现了很高的计算精度和效率。参见图5，电磁参数矩阵提取网络的测试样本误差较低，主程序的训练时间也很短，相较于同类型的遗传BPNN算法和普通的BPNN算法，该算法在效率上提升了5倍以上。并且BSAS-BPNN算法有效避免了由线芯增加带来的网络局部最优解。
与现有优化算法相比，解决了训练时间长、收敛速度慢的问题，具有更好的鲁棒性和预测精度。
本发明以电磁场数值方法(TLM)求解的精确值和通过蒙特卡罗方法(MC)的统计结果作为参考值，对本发明提出方法进行对比验证。通过对比可知，电磁场数值方法(TLM)所求串扰结果均在本发明所提方法预测结果范围中，并且比蒙特卡罗方法(MC)预测的串扰结果范围更加宽。
因此，本发明提出一种新的算法--BSAS-BPNN算法来实现对RLCG参数矩阵的预测，BSAS-BPNN算法和上述两种方法相比，计算更加简便，结果更加精确。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，包括：
步骤(1)：建立手工多芯线束的截面和几何模型；
步骤(2)：处理RLCG参数矩阵样本；
步骤(3)：提取RLCG参数矩阵样本；
步骤(4)：构建关于RLCG参数矩阵训练的BPNN网络；
步骤(5)：基于BSAS算法优化BPNN；
步骤(6)：测试步骤(5)优化后的BPNN，并最终获取任意位置处高精度RLCG参数矩阵。
2.根据权利要求1所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(1)具体为以手工七芯线束为基础对手工多芯线束进行建模，建立的手工多芯线束的截面和几何模型如下：
Figure FDA0002430628320000011
其中θmax是横截面旋转的最大角度，Δz是相邻横截面之间的间距，α为修正常数，n为手工多芯线束中的线芯数目，D为线束直径。
3.根据权利要求1所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(2)具体包括以下步骤：
步骤(2.1)：将无限大参考导电金属地面上的n芯导体传输线的参数矩阵表示为:
Figure FDA0002430628320000012
其中M代表初始截面R,L,C和G的参数矩阵，且参数矩阵M为对称矩阵。mij代表不同参数矩阵对应的具体电阻值rij,电感值lij,电容值cij和电导值gij；
步骤(2.2)：对不同线芯分布下相同截面模型的参数矩阵进行如下变换：
M′＝TijMTij (3)
其中M’代表不同线芯分布下相同截面模型的参数矩阵，Tij表示第i和j根线芯进行换位的变换矩阵；
步骤(2.3)：以矩阵M’的上三角元素作为研究对象，如下式：
Figure FDA0002430628320000021
Figure FDA0002430628320000022
将
Figure FDA0002430628320000023
和
Figure FDA0002430628320000024
写为列向量形式Y，得：
Figure FDA0002430628320000025
yi表示RLCG参数矩阵样本元素的数值，其中Y中元素总个数no＝2n(1+n)，n为芯数。
4.根据权利要求1所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(3)具体为：基于ANSYS-Q3D仿真软件提取不同旋转角度的七芯均匀传输线的单位长度RLCG参数矩阵，从而获取BSAS-BPNN所需的样本参数矩阵及其相对应的作为网络输入的角度矩阵；之后再利用线芯随机换位获取相同截面不同线芯分布的参数矩阵。
5.根据权利要求1所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(4)构建的BPNN网络模型结构为：输入层神经元个数为1(角度)，隐含层神经元个数nh，输出层神经元个数为no，搜索空间维度k＝1*nh+nh*no+1+nh+no。
6.根据权利要求5所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(5)具体包括以下步骤：
步骤(5.1)：确定BPNN网络模型结构；
步骤(5.2)：设置步长因子δ，步长因子δ用来控制天牛的区域搜索能力；
步骤(5.3)：以测试数据的均方根误差MSE作为适应度函数，用于推进对空间区域的搜索；
步骤(5.4)：天牛位置初始化，并将天牛的初始位置保存在W中；
步骤(5.5)：根据适应度函数计算在初始位置时的适应度函数值，并保存在F中；
步骤(5.6)：随机产生M组天牛搜索方向，根据步骤(5.2)更新每组方向下的天牛位置坐标；
步骤(5.7)：判断适应度函数值是否达到设定的精度，如果满足条件则转步骤(5.9)，否则，转步骤(5.8)；
步骤(5.8)：天牛左右须位置更新，根据步骤(5.2)更新天牛左右须的位置坐标；
步骤(5.9)：根据天牛须算法中的左右须位置，分别求左右须的适应度函数值
Figure FDA0002430628320000026
和
Figure FDA0002430628320000027
比较其强度并更新天牛位置，即调整BPNN的权值和阈值，并计算在当前位置下的适应度函数值，若此时的适应度函数值优于F，更新W，F；
步骤(5.10)：判断迭代次数是否进行到最大次数，如果满足条件则转步骤(5.11)，否则，返回步骤(5.6)继续迭代；
步骤(5.11)：算法停止迭代时，W中的解为训练的最优解，即BPNN的最优初始权值和阈值；将最优解带入BPNN中进行二次训练学习，最终进行手工多芯线束RLCG参数矩阵预测。
7.根据权利要求6所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(5.2)所设置的初始步长足以覆盖当前的搜索区域而不至于陷入局部极小。
8.根据权利要求7所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，步骤(5.3)所述适应度函数为：
Figure FDA0002430628320000031
式中：f为适应度函数，N为训练集样本数，yj(i)为第i个样本的模型输出值；y′j(i)为第i个样本的实际值。
9.根据权利要求8所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，步骤(5.4)所述天牛位置初始化时，初始参数取[-0.5，0.5]之间的k维随机数作为天牛须算法的初始解集，即天牛的初始位置。
10.根据权利要求9所述的一种手工多芯线束RLCG参数矩阵预测方法，其特征在于，所述步骤(5.7)设定的精度，取为0.000001。
CN202010234816.6A 2020-03-30 2020-03-30 一种手工多芯线束rlcg参数矩阵预测方法 Active CN111507044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010234816.6A CN111507044B (zh) 2020-03-30 2020-03-30 一种手工多芯线束rlcg参数矩阵预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010234816.6A CN111507044B (zh) 2020-03-30 2020-03-30 一种手工多芯线束rlcg参数矩阵预测方法

Publications (2)

Publication Number Publication Date
CN111507044A true CN111507044A (zh) 2020-08-07
CN111507044B CN111507044B (zh) 2023-10-20

Family

ID=71874453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010234816.6A Active CN111507044B (zh) 2020-03-30 2020-03-30 一种手工多芯线束rlcg参数矩阵预测方法

Country Status (1)

Country Link
CN (1) CN111507044B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232204A (zh) * 2019-04-23 2019-09-13 南京师范大学镇江创新发展研究院 一种基于bp-fdtd算法的多绞线串扰预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232204A (zh) * 2019-04-23 2019-09-13 南京师范大学镇江创新发展研究院 一种基于bp-fdtd算法的多绞线串扰预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈馨凝等: "基于BAS-BP模型的电缆阻水性评估研究" *

Also Published As

Publication number Publication date
CN111507044B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Pietrenko‐Dabrowska et al. Computationally‐efficient design optimisation of antennas by accelerated gradient search with sensitivity and design change monitoring
CN110135019A (zh) 一种电力电缆损耗及线芯温度预测方法
CN109086531B (zh) 基于神经网络的天线设计方法
CN113780436B (zh) 一种基于综合度的复杂网络关键节点识别方法
CN111177925A (zh) 一种基于bas-bp算法的绞线rlcg参数提取方法
CN103048563B (zh) 一种直角地面上方线缆束终端串扰的快速预测方法
Huang et al. A new method for predicting crosstalk of random cable bundle based on BAS-BP neural network algorithm
CN112487658B (zh) 一种电网关键节点的识别方法、装置及系统
CN106991285A (zh) 一种短期风速多步预测方法及装置
CN110611305B (zh) 考虑配网电压越限风险的光伏接入规划方法
CN114386700A (zh) 考虑风光相关性的输电系统规划方法、装置及存储介质
CN110503064B (zh) 一种电网覆冰微地形自动识别方法及系统
CN112380762A (zh) 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法
Ciccolella et al. Stochastic prediction of wire coupling interference
CN111507044A (zh) 一种手工多芯线束rlcg参数矩阵预测方法
CN111737885A (zh) 复杂线束电磁耦合效应分析方法和装置
CN116629625A (zh) 一种基于神经网络模型的电网线损预测方法
CN115221833B (zh) 一种pcb板布线排序方法、系统、装置及可读存储介质
CN110232204A (zh) 一种基于bp-fdtd算法的多绞线串扰预测方法
Xiao et al. Crosstalk prediction in twisted-wire pairs based on beetle swarm optimization algorithm
Fei et al. Sensitivity analysis of cable crosstalk to uncertain parameters using stochastic reduced order models
Huang et al. Analysis of crosstalk problem in multi-twisted bundle of multi-twisted wire based on BSAS-BP neural network algorithm and multilayer transposition method
Lee A note on mass lumping in the finite element time domain method
Fei et al. Crosstalk variations caused by uncertainties in three-conductor transmission lines
Ji et al. A New Method for Crosstalk Prediction Between Triple-twisted Strand (Uniform and Non-uniform) and Signal Wire based on CDBAS-BPNN Algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant