CN112580855A - 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 - Google Patents
基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 Download PDFInfo
- Publication number
- CN112580855A CN112580855A CN202011360602.XA CN202011360602A CN112580855A CN 112580855 A CN112580855 A CN 112580855A CN 202011360602 A CN202011360602 A CN 202011360602A CN 112580855 A CN112580855 A CN 112580855A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature rise
- steady
- state temperature
- cable
- 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
Links
Images
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种基于自适应变异PSO‑BP神经网络的电缆群稳态温升预测方法,包括以下步骤:1)构建原始电缆群稳态温升数据集,并进行归一化处理;2)设置输入层、隐含层和输出层节点个数,构建BP神经网络;3)将BP神经网络的阈值和权重作为粒子,并初始化粒子群参数,确定全局最优、个体最优、个体最优适应度值与全局最优适应度值,采用PSO算法训练BP神经网络,最终得到最优的粒子,即最优的BP神经网络的阈值和权重值;4)将待预测的数据输入到BP神经网络中,得到输出的预测值,完成电缆群稳态温升的预测,与现有技术相比,本发明具有快速准确等优点。
Description
技术领域
本发明涉及电力电缆运行技术领域,尤其是涉及一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法。
背景技术
电缆进出变电站多采用沟槽方式,其散热特点为:靠近地面、易受到环境温度影响,且沟槽内部对流传热与辐射传热存在非线性,因此沟槽电缆的发热问题相对复杂。
由于电力电缆运行的特殊性,一般不可能通过直接测量获得电缆线芯温度,特别是线芯实时的暂态温度,一般采用基于试验结果的工程公式法、数值算法或间接测量方法来掌握线芯温度,其中,经验公式法主要用于计算典型敷设的稳态温升,适用范围不足,数值计算法在模拟实际多工况电缆温升时计算量大,计算时间长,无法及时获得温升变化,间接测量法首先要加装光纤测温或其他装置获取电缆表皮温度,进而推算线芯温度,可靠性与经济性较差,因此,构建便捷快速的方法来预测沟槽电缆的稳态温升,对现有资源的充分利用、设备安全运行等具有重要意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,包括以下步骤:
1)构建原始电缆群稳态温升数据集,并进行归一化处理;
2)设置输入层、隐含层和输出层节点个数,构建BP神经网络;
3)将BP神经网络的阈值和权重作为粒子,并初始化粒子群参数,确定全局最优、个体最优、个体最优适应度值与全局最优适应度值,采用PSO算法训练BP神经网络,最终得到最优的粒子,即最优的BP神经网络的阈值和权重值;
4)将待预测的数据输入到BP神经网络中,得到输出的预测值,完成电缆群稳态温升的预测。
所述的步骤1)具体为:
对于电缆群的截面,建立沟槽电缆群稳态温升有限元计算模型,随机选取多组各电缆电流、边界温度后,获得各工况下的电缆稳态温升数据,将各电缆缆芯电流、外界环境温度和各电缆缆芯温度一起形成原始电缆群稳态温升数据集,环境温度的取值范围根据实际设定为0-50℃。
所述的归一化处理具体为:
其中,xm为归一化后的数据,x为原始电缆群稳态温升数据集中的数据,xmin为该组数据中的最小值,xmax为该组数据的最大值。
所述的步骤2)中,BP神经网络的输入层节点数m、输出层节点数p与隐含层节点数n的计算关系为:
其中,a为常数,其取值范围为1-10。
所述的输入层节点数为5,输出层节点数为4,隐含层节点数为10,构建的BP神经网络结构为5-10-4。
所述的步骤3)中,采用PSO算法训练BP神经网络过程中,引入自适应变异,扩大粒子搜索空间,迭代寻找群最优值。
所述的步骤3)中,采用PSO算法训练BP神经网络过程中,当当前迭代次数达到最大迭代次数,或者误差达到期望值后,完成训练。
所述的最大迭代次数设置为100。
所述的BP神经网络的权重范围为[-5,5]。
所述的步骤4)中,以各电缆缆芯电流和外界环境温度作为BP神经网络的输入,以各电缆缆芯温度作为BP神经网络的输出。
与现有技术相比,本发明具有以下优点:
本发明建立了以环境温度、各电缆电流为输入,各电缆线芯温升为输出的BP神经网络,并引入PSO算法优化BP神经网络的权重和阈值求解算法,提高PSO算法寻找最优值的可能性,进而实现了沟槽电缆群多工况稳态温升的快速准确的计算。
附图说明
图1为四回路沟槽电缆物理模型
图2为适应度曲线。
图3自适应PSO-BP网络预测样本误差。
图4为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提供一种基于自适应变异PSO-BP神经网络的沟槽电缆群稳态温升预测方法。
1、本发明的原理介绍如下:
BP神经网络在预测领域被广泛运用,其权重和阈值对BP神经网络预测的准确性影响较大,若随机选择权重和阈值容易造成其陷入局部最优,为避免这种情况发生,引入PSO算法优化BP神经网络的权重和阈值,引入变异思想,扩大其搜索范围,提高PSO算法寻找最优值的可能性,因此,本发明采用自适应PSO-BP神经网络对沟槽电缆稳态温升进行预测,该方法具有较好的稳定性和较高的正确性。
(1)BP神经网络
采用BP神经网络计算需要先将输入输出样本进行归一化处理,归一化后的样本分为训练样本和测试样本,将收集到的计算数据通过归一化公式映射到(0,1)区间,数据地归一化公式为:
式中,xm为归一化后的数值,x为收集到的计算数据,xmin为该组数据中的最小值,xmax为该组数据的最大值。
BP神经网络根据系统输入输出序列确定网络输入节点数为n个,隐含层节点数为l个,输出层节点数为m个,其中输入层到隐含层传递公式H为:
隐含层到预测输出的传递公式O为:
式中,ωij,ωjk分别为输入层与隐含层神经元之间连接权重和隐含层与输出层之间的连接权重,aj为隐含层阈值,bk为输出层阈值。
根据经验公式来确定隐含层节点数的范围,经验公式为:
式中,n为隐含层节点数,m为输入层节点数,p为输出层节点数,a的范围为1~10。
(2)PSO算法
借鉴遗传算法中的变异思想,在PSO算法中引入比变异操作,在粒子每次更新后,随意产生随机数,当随机数大于某一值时,重新初始化粒子。
自适应变异PSO算法,先假设再一个D维的搜索空间中,有n个粒子组成的种群X=(X1,X2,…,Xn),其中,第i个粒子表示为一个D维向量Xi=[xi1,xi1,…,xiD]T,代表第i个粒子在D维搜索空间中的位置,亦代表问题的一个潜在解,根据目标函数即可计算出每个粒子位置Xi对应的适应度值。
粒子适应度值计算,表达式如下:
式中,x为预测样本的实际值,x′为预测样本的预测值,n为预测样本个数。
在每一次迭代过程中,粒子通过个体极值和全局极值更新自身的速度V和位置P,则有:
式中,ω为惯性权重;c1,c2为加速因子;r1,r2为分布于[0,1]之间的随机数。
惯性权重ω体现的是粒子当前速度多大程度上继承先前的速度,为了更好地平衡算法的全局搜索与局部搜索能力,采用线性递减惯性权重,即:
式中,ωstart为始初惯性权重;ωend为迭代至最大次数的惯性权重;k为当前迭代次数;Tmax为最大迭代次数。
2、预测流程
如图4所示,本发明的预测流程包括以下步骤:
(1)针对某一截面,建立沟槽电缆群稳态温升计算模型(本例中采用有限元计算,实际应用中也可采用其他数值计算或成熟商业软件);
(2)随机选取若干组各电缆电流、边界温度,计算各工况下的电缆稳态温升;
(3)设置输入层、隐含层和输出层节点个数,对输入输出样本数据进行归一化处理,构建BP神经网络;
(4)初始化粒子群参数,确定全局最优、个体最优、个体最优适应度值与全局最优适应度值;
(5)引入自适应变异,扩大粒子搜索空间,迭代寻找群最优值;
(6)判断当前迭代次数是否达到最大迭代次数或者误差是否达到期望值,是则输出最优阈值和权重,更新BP神经网络的阈值和权重,否则返回步骤(5);
(7)当环境温度与各电缆电流变化时,利用BP神经网络实现稳态温升的快速计算。
3、应用实例
本例以四回路三相沟槽电缆为例,主要预测步骤如下:
(1)有限元建模
如图1所示,采用四回路三相沟槽电缆物理模型,土壤计算区域选择5m×7m,空气选用理想气体模型,土壤平均导热系数为1.0W/(m·K),混凝土平均导热系数为0.5W/(m·K),电缆选择8.7/15KV YJV 1×400的XLPE电缆。
(2)不同土壤温度、各电缆电流组合条件下的,各电缆线芯稳态温升的求取
计算工况随机选择环境温度为0-50℃。由于训练神经网络需要大量的样本,因此计算120组样本数据。
(3)基于PSO算法的BP神经网络构建
以四回路缆芯电流和外界环境温度为输入参数,四回路缆芯温度为输出参数,对每组试验数据归一化处理,各组数据分为120组训练样本集,如表1所示。
表1四回路沟槽电缆计算结果
本算例中,BP神经网络的输入层节点数为5,输出层节点数为4,用试错法确定最佳隐含层节点数为10,BP神经网络结构为“5-10-4”,粒子种群个数为30,ωstart取0.9,ωend取0.4,Tmax取100。
迭代计算次数达到最大迭代次数100,输出最优解作为BP神经网络的权值和阈值,权重范围在[-5,5]之间,适应度曲线如图2所示:
式(2)中的权重计算结果如表2所示,阈值计算结果如表3所示。
表2输入层与隐含层之间的权重ωij
注:第i行第j列值代表输入层第i节点与隐含层第j个节点之间的权重ωij。
表3隐含层的阈值aj
j=1 | -0.71878182 | j=6 | 0.83557419 |
j=2 | -1.51677101 | j=7 | -0.50871339 |
j=3 | -0.96388809 | j=8 | -0.56784744 |
j=4 | 0.678357293 | j=9 | -0.08678125 |
j=5 | 0.14014362 | j=10 | 0.321345948 |
式(3)中的权重计算结果如表4所示,阈值计算结果如表5所示。
表4隐含层与输出层之间的权重ωjk
回路一缆芯温度 | 回路二缆芯温度 | 回路三缆芯温度 | 回路四缆芯温度 |
0.162526 | 0.789156 | 0.361826 | -0.78704 |
0.267955 | 0.763484 | -0.12389 | 0.352246 |
-1.45541 | -1.38984 | -0.5767 | 0.06188 |
0.60882 | -0.38255 | -1.97985 | 0.92217 |
-0.1652 | -0.85526 | 1.46075 | 1.321033 |
-0.58624 | 1.770603 | -0.69006 | 0.511565 |
-0.5237 | -0.93529 | -0.12568 | 0.195435 |
0.857266 | 1.648463 | 0.262109 | -0.86893 |
0.736885 | -0.04831 | -0.10337 | 0.304991 |
-0.1821 | -0.24558 | -0.52748 | -1.3404 |
注:第k行第j列值代表隐含层第i节点与输入层权重ωjk
表5输出层的阈值bj
回路一缆芯温度 | 回路二缆芯温度 | 回路三缆芯温度 | 回路四缆芯温度 |
-1.096241422 | -0.586003137 | 0.595427074 | 0.37314 |
(4)基于PSO算法的BP神经网络的应用
变换环温和电缆电流组合,利用有限元直接与本发明分别计算多组种不同工况下的稳态温升,结果如表9所示。本发明算法与有限元直接计算方法的结果比较如表6所示,误差如表7所示,误差统计如表8所示。
表6本发明算法与直接有限元计算结果的比较
表7本发明算法与直接有限元计算结果的误差汇总
表8本发明算法与直接有限元计算结果的误差统计
N | 极小值 | 极大值 | 均值 | 标准差 | |
线芯误差 | 80 | -1.94 | 2.00 | 0.027 | 0.878 |
表9四回路沟槽电缆预测验算工况计算结果
如图3所示,图3是分别使用本发明算法快速预测四回路沟槽电缆稳态温升与有限元直接计算结果的误差图,从图3中可以看出最大误差不超过3K,比较结果表明,采用自适应PSO算法优化过的神经网络,选择了最优的阈值和权重,得到的BP神经网络,可以精准预测沟槽电缆的稳态温升。
Claims (10)
1.一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,包括以下步骤:
1)构建原始电缆群稳态温升数据集,并进行归一化处理;
2)设置输入层、隐含层和输出层节点个数,构建BP神经网络;
3)将BP神经网络的阈值和权重作为粒子,并初始化粒子群参数,确定全局最优、个体最优、个体最优适应度值与全局最优适应度值,采用PSO算法训练BP神经网络,最终得到最优的粒子,即最优的BP神经网络的阈值和权重值;
4)将待预测的数据输入到BP神经网络中,得到输出的预测值,完成电缆群稳态温升的预测。
2.根据权利要求1所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的步骤1)具体为:
对于电缆群的截面,建立沟槽电缆群稳态温升有限元计算模型,随机选取多组各电缆电流、边界温度后,获得各工况下的电缆稳态温升数据,将各电缆缆芯电流、外界环境温度和各电缆缆芯温度一起形成原始电缆群稳态温升数据集,环境温度的取值范围根据实际设定为0-50℃。
5.根据权利要求4所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的输入层节点数为5,输出层节点数为4,隐含层节点数为10,构建的BP神经网络结构为5-10-4。
6.根据权利要求1所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的步骤3)中,采用PSO算法训练BP神经网络过程中,引入自适应变异,扩大粒子搜索空间,迭代寻找群最优值。
7.根据权利要求6所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的步骤3)中,采用PSO算法训练BP神经网络过程中,当当前迭代次数达到最大迭代次数,或者误差达到期望值后,完成训练。
8.根据权利要求7所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的最大迭代次数设置为100。
9.根据权利要求7所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的BP神经网络的权重范围为[-5,5]。
10.根据权利要求2所述的一种基于自适应变异PSO-BP神经网络的电缆群稳态温升预测方法,其特征在于,所述的步骤4)中,以各电缆缆芯电流和外界环境温度作为BP神经网络的输入,以各电缆缆芯温度作为BP神经网络的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360602.XA CN112580855A (zh) | 2020-11-27 | 2020-11-27 | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360602.XA CN112580855A (zh) | 2020-11-27 | 2020-11-27 | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580855A true CN112580855A (zh) | 2021-03-30 |
Family
ID=75124054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011360602.XA Pending CN112580855A (zh) | 2020-11-27 | 2020-11-27 | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580855A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868916A (zh) * | 2021-09-29 | 2021-12-31 | 国网上海市电力公司 | 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法 |
CN116127858A (zh) * | 2023-04-13 | 2023-05-16 | 南昌工程学院 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
CN109919374A (zh) * | 2019-03-01 | 2019-06-21 | 杭州电子科技大学 | 基于apso-bp神经网络的股票价格预测方法 |
CN111598231A (zh) * | 2020-03-23 | 2020-08-28 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于ga优化串行式bp网络的电缆接头导线温度预测 |
-
2020
- 2020-11-27 CN CN202011360602.XA patent/CN112580855A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
CN109919374A (zh) * | 2019-03-01 | 2019-06-21 | 杭州电子科技大学 | 基于apso-bp神经网络的股票价格预测方法 |
CN111598231A (zh) * | 2020-03-23 | 2020-08-28 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于ga优化串行式bp网络的电缆接头导线温度预测 |
Non-Patent Citations (2)
Title |
---|
刘国建: "计算电缆导体暂态温度的粒子群优化的BP神经网络新方法", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 02, pages 1 - 60 * |
郭文强 等: "基于有限元的电力电缆缆芯温度预测方法研究", 《电子器件》, vol. 43, no. 1, pages 46 - 51 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868916A (zh) * | 2021-09-29 | 2021-12-31 | 国网上海市电力公司 | 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法 |
CN116127858A (zh) * | 2023-04-13 | 2023-05-16 | 南昌工程学院 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
CN116127858B (zh) * | 2023-04-13 | 2023-06-27 | 南昌工程学院 | 基于改进沙猫算法优化的gis设备温升预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113051831B (zh) | 机床热误差自学习预测模型建模方法及热误差控制方法 | |
Tong et al. | Optimal sensor placement for mode shapes using improved simulated annealing | |
CN109063355A (zh) | 基于粒子群优化与Kriging模型的近似优化方法 | |
CN112580855A (zh) | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
CN113065268A (zh) | 一种基于代理模型快速多目标空间反射镜优化设计方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
Wu et al. | A novel classification method to random samples for efficient reliability sensitivity analysis | |
Du et al. | Super Resolution Generative Adversarial Networks for Multi-Fidelity Pressure Distribution Prediction | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN116956744A (zh) | 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法 | |
CN110210072B (zh) | 基于近似模型及差分进化算法求解高维优化问题的方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN113392591B (zh) | 一种基于硅微结构分析的mems加速度计温漂误差估计方法 | |
CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
Amrit et al. | Efficient multi-objective aerodynamic optimization by design space dimension reduction and co-kriging | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
CN113868916B (zh) | 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法 | |
Yang et al. | Joints parameters identification in numerical modeling of structural dynamics | |
CN113987806B (zh) | 一种基于代理模型的大气模式优化方法 | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
CN116401974B (zh) | 基于多维的发动机的冷却性能评估方法、装置及设备 | |
CN117253209B (zh) | 自动驾驶点云检测方法、装置、通信设备及存储介质 |
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 |