CN112308214A - 一种用于冷源致灾物灾害预测的深度学习改进算法 - Google Patents

一种用于冷源致灾物灾害预测的深度学习改进算法 Download PDF

Info

Publication number
CN112308214A
CN112308214A CN202011238338.2A CN202011238338A CN112308214A CN 112308214 A CN112308214 A CN 112308214A CN 202011238338 A CN202011238338 A CN 202011238338A CN 112308214 A CN112308214 A CN 112308214A
Authority
CN
China
Prior art keywords
disaster
data
sample data
cold source
algorithm
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.)
Pending
Application number
CN202011238338.2A
Other languages
English (en)
Inventor
赵龙
陈伟民
朱上
赖世富
钟铮
杨子谦
柴雨森
高峣峰
郑文龙
高卫东
杜红彪
魏华
许磊
张高明
林莉
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.)
Hainan Nuclear Power Co Ltd
Original Assignee
Hainan Nuclear Power 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 Hainan Nuclear Power Co Ltd filed Critical Hainan Nuclear Power Co Ltd
Priority to CN202011238338.2A priority Critical patent/CN112308214A/zh
Publication of CN112308214A publication Critical patent/CN112308214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于冷源致灾物灾害预测的深度学习改进算法，该算法包括：对影响冷源致灾物灾害关联因素进行统计分类，运用数据归一化函数将多源异构数据进行归一化处理，获得分组样本数据；建立深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；预估冷源致灾物灾害等级。本发明通过采用深度学习的改进算法，有效提高了网络学习效率，同时降低了预测的误差收敛率，很好地解决了非线性、时变性和不确定性并存的海洋致灾物灾害预测问题。

Description

一种用于冷源致灾物灾害预测的深度学习改进算法
技术领域
本发明属于海洋灾害预警技术领域，具体涉及一种用于冷源致灾物灾害预测的深度学习改进算法。
背景技术
近年来，随着海洋环境变化，大量垃圾、水母、鱼类、海藻、海草等随潮汐、风浪至滨海核电厂冷源取水口，严重时将导致核电厂机组降功率运行甚至停堆。为减小海洋异物对滨海核电厂的安全运行造成的威胁，滨海核电厂取水口周边海域灾害预测已成为核电厂冷源安全亟待解决的问题。
发明内容
本发明的目的在于提供一种用于冷源致灾物灾害预测的深度学习改进算法，根据多源采集数据可以准确地预测出潜在影响滨海核电厂致灾海灾害等级，更好地满足了滨海核电厂取水口潜在风险的早期预测。
本发明的技术方案是这样实现的：
一种用于冷源致灾物灾害预测的深度学习改进算法，包括以下步骤：
1）收集已发生冷源致灾物灾害历史样本数据，历史样本数据包括发生致灾物灾害的具体时间，以及每次发生灾害时一段时间内对应的多源异构关联因子数据，对样本数据进行归类汇总；
2）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
3）构建深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；
4）通过将待预测区域某段时期的多源异构关联因子数据代入确定的网络模型，获得灾害显著水平值V，根据不同V值所在区间进行对应的预警等级划分。
进一步的技术方案是，所述样本数据主要包括致灾物灾害关联因素（季节、温度、风速、风向、波高、洋流、台风到达时间）。
进一步的技术方案是，所述数据归一化处理函数为：
Figure 465782DEST_PATH_IMAGE002
其中，xg是归一化后的数据，x为原始数据，xmax，xmin为同一种样本数据中的最大值和最小值。
进一步的技术方案是，所述深度信念网络包括以下步骤：
1）根据节点选取经验公式来确定隐含层神经元的个数，隐含节点数估计公式为：
Figure 832785DEST_PATH_IMAGE004
其中，num为隐含层神经元个数，k为样本输入特征维数，l为样本输出特征维数，c是在[0，10]区间的整数；
2）在步骤1）的基础上，采用显示层和隐含层均服从伯努利分布的RBM能量函数为：
Figure 630976DEST_PATH_IMAGE006
其中：
Figure 100002_DEST_PATH_IMAGE007
={wij，αi，bj}即为所求参数；其中RBM有n个可见单元和m个隐含单元，vi表示第i 个可见单元状态，hj表示第j个隐含单元状态，wij表示可见单元i和隐含单元j之间的连接权 重，αi表示可见单元i个偏置，bj表示隐含单元j个偏置；当参数确定时，可以得到（v，h）的联 合概率分布：
Figure 100002_DEST_PATH_IMAGE009
3）根据RBM结构性质可知，对于给定的可见单元和各个隐含层单元的激活状态之间是相互独立的，第j个隐含层单元和第i个可见单元激活状态的条件概率分别为：
Figure 100002_DEST_PATH_IMAGE011
其中
Figure 100002_DEST_PATH_IMAGE013
的激活函数；
4）采用对比散度算法逐层求解步骤3）的对数似然函数的负梯度来获得每层RBM的θ最优解，即L(θ)对各个参数的偏导数，则其参数更新规则:
Figure 100002_DEST_PATH_IMAGE015
其中：L(θ)是训练样本的似然函数，ε是学习率；
5）根据步骤4）为加速梯度沿着尺寸下降学习，并提高误差精度，引入动量改进算法，其新的更新规则为：
Figure 580609DEST_PATH_IMAGE016
其中τ=1，2，……为迭代次数；α为动量参数且0≤α<1；Δθ={Δwij，Δai，Δbj }；f为单位修正因子向量；引入单位修正向量和动量的梯度衰减累积加速了收敛速度，增强了网络在单个样本训练过程中的抗震荡能力，同时在梯度计算之前施加动量校正因子αf，提高了动量误差收敛率；
6）循环步骤5），进行下一组样本数据的训练，直至所有样本数据训练完成为止。
本发明的有益效果在于：
1、利用样本数据，通过深度信念网络迭代训练，搭建海洋灾害预测模型，提高滨海核电厂取水口海洋灾害预测精度。
2、改进算法通过添加动量项后使本次参数值修改的方向不完全由当前样本似然函数梯度方向决定，而是由前期累计梯度方向共同决定，两者梯度方向相同时加速训练过程，方向相反时降低单个样本对网络引起的震荡，提高系统稳定性。
3、改进算法在梯度计算之前施加动量校正因子，提高了动量误差收敛率，其精度由1/k提高至1/k2。
4、通过对滨海核电厂取水口海洋致灾物灾害显著水平值V的预估，发布对应等级的灾害级别，获得直观的灾害威胁程度。
5、本发明可应用于各种海洋地理环境，根据各滨海核电厂不同的监测样本数据得到该厂址相应的网络映射结构，网络适应性强。
附图说明
图1为本发明的网络流程图；
图2为传统算法与改进算法网络误差对比曲线。
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
参见图1至图2，本发明提供的一种用于冷源致灾物灾害预测的深度学习改进算法，主要包括以下步骤：
1）根据已知海洋灾害样本数据，对影响滨海核电厂海洋致灾物的因素进行权重分析，构建滨海核电厂海洋致灾物灾害预测模型；
2）收集已有滨海核电厂海洋灾害样本数据，对样本数据进行归类汇总，如表1所示；
表1 样本数据汇总
Figure DEST_PATH_IMAGE018A
4）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
具体的，将表1中n组样本数据运用数据归一化函数批量处理，所述数据归一化处理函数为：
Figure DEST_PATH_IMAGE019
其中，xg是归一化后的数据，x为原始数据，xmax，xmin为同一种样本数据中的最大值和最小值。以气象和水文参数为参考获得如下表2所示的样本数据归一化处理后的结果统计表。
表2部分样本数据归一化统计表
Figure DEST_PATH_IMAGE021
5）构建4层网络结构的深度信念改进算法网络，将多组样本数据进行数据的反复迭代训练，得到滨海核电厂海洋致灾物灾害预测模型，该模型利用已有的多组样本数据预测灾害显著水平值V，当0<V≤30%时为三级预警；30%<V≤50%为二级预警；当50%<V为一级预警。
6）采用传统网络和改进网络模型训练，对比两种方法，其中改进算法可以获得更高的预测精度，如图2所示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (4)

1.一种用于冷源致灾物灾害预测的深度学习改进算法，其特征在于，包括以下步骤：
1）收集已发生冷源致灾物灾害历史样本数据，历史样本数据包括发生致灾物灾害的具体时间，以及每次发生灾害时一段时间内对应的多源异构关联因子数据，对样本数据进行归类汇总；
2）运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
3）构建深度信念网络，采用基于动量学习率深度信念网络改进算法，结合多组样本数据进行模型参数的反复迭代训练，得到深度信念网络输入输出之间确定的映射关系；
4）通过将待预测区域某段时期的多源异构关联因子数据代入确定的网络模型，获得灾害显著水平值V，根据不同V值所在区间进行对应的预警等级划分。
2.根据权利要求1所述的一种用于冷源致灾物灾害预测的深度学习改进算法，所述样本数据主要包括致灾物灾害关联因素（季节、温度、风速、风向、波高、洋流、台风到达时间）。
3.根据权利要求1所述的一种用于冷源致灾物灾害预测的深度学习改进算法，其特征在于，所述数据归一化处理函数为：
Figure 459744DEST_PATH_IMAGE002
其中，xg是归一化后的数据，x为原始数据，xmax，xmin为同一种样本数据中的最大值和最小值。
4.根据权利要求1所述的一种用于冷源致灾物灾害预测的深度学习改进算法，其特征在于，所述深度信念网络包括以下步骤：
1）根据节点选取经验公式来确定隐含层神经元的个数，隐含节点数估计公式为：
Figure 580146DEST_PATH_IMAGE004
其中，num为隐含层神经元个数，k为样本输入特征维数，l为样本输出特征维数，c是在[0，10]区间的整数；
2）在步骤1）的基础上，采用显示层和隐含层均服从伯努利分布的RBM能量函数为：
Figure 828725DEST_PATH_IMAGE006
其中：
Figure DEST_PATH_IMAGE007
={wij，αi，bj}即为所求参数；其中RBM有n个可见单元和m个隐含单元，vi表示第i个可见单元状态，hj表示第j个隐含单元状态，wij表示可见单元i和隐含单元j之间的连接权重，αi表示可见单元i个偏置，bj表示隐含单元j个偏置；当参数确定时，可以得到（v，h）的联合概率分布：
Figure DEST_PATH_IMAGE009
3）根据RBM结构性质可知，对于给定的可见单元和各个隐含层单元的激活状态之间是相互独立的，第j个隐含层单元和第i个可见单元激活状态的条件概率分别为：
Figure DEST_PATH_IMAGE011
其中
Figure DEST_PATH_IMAGE013
的激活函数；
4）采用对比散度算法逐层求解步骤3）的对数似然函数的负梯度来获得每层RBM的θ最优解，即L(θ)对各个参数的偏导数，则其参数更新规则:
Figure DEST_PATH_IMAGE015
其中：L(θ)是训练样本的似然函数，ε是学习率；
5）根据步骤4）为加速梯度沿着尺寸下降学习，并提高误差精度，引入动量改进算法，其新的更新规则为：
Figure 394573DEST_PATH_IMAGE016
其中τ=1，2，……为迭代次数；α为动量参数且0≤α<1；Δθ={Δwij，Δai，Δbj }；f为单位修正因子向量；引入单位修正向量和动量的梯度衰减累积加速了收敛速度，增强了网络在单个样本训练过程中的抗震荡能力，同时在梯度计算之前施加动量校正因子αf，提高了动量误差收敛率；
6）循环步骤5），进行下一组样本数据的训练，直至所有样本数据训练完成为止。
CN202011238338.2A 2020-11-09 2020-11-09 一种用于冷源致灾物灾害预测的深度学习改进算法 Pending CN112308214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011238338.2A CN112308214A (zh) 2020-11-09 2020-11-09 一种用于冷源致灾物灾害预测的深度学习改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011238338.2A CN112308214A (zh) 2020-11-09 2020-11-09 一种用于冷源致灾物灾害预测的深度学习改进算法

Publications (1)

Publication Number Publication Date
CN112308214A true CN112308214A (zh) 2021-02-02

Family

ID=74326597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011238338.2A Pending CN112308214A (zh) 2020-11-09 2020-11-09 一种用于冷源致灾物灾害预测的深度学习改进算法

Country Status (1)

Country Link
CN (1) CN112308214A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114018266A (zh) * 2021-10-28 2022-02-08 北京信息科技大学 基于fpga和dsp的多串口通信导航计算装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN109063247A (zh) * 2018-06-26 2018-12-21 西安工程大学 基于深度信念网络的滑坡灾害预报方法
CN110232435A (zh) * 2019-04-30 2019-09-13 沈阳化工大学 一种自适应深度置信网络滚动轴承故障诊断方法
CN110991730A (zh) * 2019-11-28 2020-04-10 中国船舶重工集团公司第七一九研究所 一种基于神经网络的滨海核电站海洋致灾物量化预估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN109063247A (zh) * 2018-06-26 2018-12-21 西安工程大学 基于深度信念网络的滑坡灾害预报方法
CN110232435A (zh) * 2019-04-30 2019-09-13 沈阳化工大学 一种自适应深度置信网络滚动轴承故障诊断方法
CN110991730A (zh) * 2019-11-28 2020-04-10 中国船舶重工集团公司第七一九研究所 一种基于神经网络的滨海核电站海洋致灾物量化预估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114018266A (zh) * 2021-10-28 2022-02-08 北京信息科技大学 基于fpga和dsp的多串口通信导航计算装置
CN114018266B (zh) * 2021-10-28 2023-11-17 北京信息科技大学 基于fpga和dsp的多串口通信导航计算装置

Similar Documents

Publication Publication Date Title
Ju et al. A model combining convolutional neural network and LightGBM algorithm for ultra-short-term wind power forecasting
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN109214566A (zh) 基于长短期记忆网络的风电功率短期预测方法
Duan et al. A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error
CN111260126A (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN112329979A (zh) 一种基于自适应深度残差网络的超短期风电功率预测方法
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
CN112508279B (zh) 基于空间相关性的区域分布式光伏预测方法及系统
Eseye et al. Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANFIS approach
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN114006369A (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN112308214A (zh) 一种用于冷源致灾物灾害预测的深度学习改进算法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
Su et al. A new data mining model for hurricane intensity prediction
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
Huan et al. A hybrid model of empirical wavelet transform and extreme learning machine for dissolved oxygen forecasting
Luo et al. Research on prediction of photovoltaic power generation probability interval based on Gaussian mixture model
CN112949936A (zh) 基于相似日小波变换和多层感知机的短期光伏功率预测方法
Yin et al. Prediction model of dissolved oxygen in marine pasture based on hybrid gray wolf algorithm optimized support vector regression
Ma et al. Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering
Peng et al. A novel smart grid fault diagnosis algorithm based on optimized BP neural network
CN111458143A (zh) 一种风电机组主轴承温度故障诊断方法
CN116777135B (zh) 一种基于高效优化算法的水库-蓄滞洪区精细化防洪联合调度方法

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