CN113743003A - 考虑温度、湿度影响的高压线路对地电场强度计算方法 - Google Patents
考虑温度、湿度影响的高压线路对地电场强度计算方法 Download PDFInfo
- Publication number
- CN113743003A CN113743003A CN202110972904.0A CN202110972904A CN113743003A CN 113743003 A CN113743003 A CN 113743003A CN 202110972904 A CN202110972904 A CN 202110972904A CN 113743003 A CN113743003 A CN 113743003A
- Authority
- CN
- China
- Prior art keywords
- electric field
- value
- intensity
- output
- neural network
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及高压线路对地电场强度计算技术,具体涉及考虑温度、湿度影响的高压线路对地电场强度计算方法,构建基于BP神经网络的对地电场强度计算模型;对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度不同数据进行归一化;采用遗传算法对计算模型的初始连接权值及阈值进行优化;对BP神经网络工频电场强度预测值与实际值进行判断;如果满足误差要求,则计算结束;否则,进入步骤3优化权值,继续计算;将对地电场强度预测值上传数据库,与实际值进行对比,进行修正补偿得到对地电场强度计算值。该方法提高了高压线路电场强度计算的精度,实现了不同高度的电场强度计算,将为环境评估和管理提供支撑。
Description
技术领域
本发明属于高压线路对地电场强度计算技术领域,特别涉及考虑温度、湿度影响的高压线路对地电场强度计算方法。
背景技术
由于能源禀赋与负荷中心呈逆向分布特征,将建成多回特高压交直流输电线路。与此同时,高压线路工频电磁场的影响也成为关注重点。目前,特高压输电线路工频电场强度研究主要基于实验室理想试验数据开展,实际上在工程实际中温度、湿度等环境因素均可能对工频电场强度产生影响。彭湃著的“基于有限元和模拟电荷法的输电线路工频电磁场的数值计算与研究,广东工业大学,2016”采用有限元和模拟电荷法对输电线路工频电磁场数值进行了计算,但没有考虑温度、湿度的影响。俞集辉、郑亚利、徐禄文著的“湿度、温度对工频电场强度的影响,重庆大学学报,2009,32(2):136-140。”得出在温度不变的条件下,工频电场随湿度的增大而增加;在湿度不变的条件下,温度对工频电场的影响规律还需进一步研究。郭菲著的“复杂地势下超高压交流输电线路的工频电场仿真计算,山东大学,2019”针对复杂地势下的高压交流线路的工频电场进行了计算,但没有考虑温度、湿度的影响。综上,目前对于高压线路电场强度计算存在方法精度不高、考虑影响因素单一等问题。
发明内容
针对背景技术存在的问题,本发明提供一种考虑温、湿度影响的高压线路对地电场强度计算方法。
为解决上述技术问题,本发明采用如下技术方案:考虑温度、湿度影响的高压线路对地电场强度计算方法,包括以下步骤:
步骤1、构建基于BP神经网络的对地电场强度计算模型;包括BP神经网络预测模型的输入层、隐含层和输出层模型;
步骤2、对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度不同数据进行归一化处理;
步骤3、采用遗传算法对步骤1所构建的对地电场强度计算模型的初始连接权值及阈值进行优化;括编码产生初始种群、设计适应度函数、选择遗传算子、以及迭代计算;
步骤4、根据步骤1所构建的对地电场强度计算模型和经骤2归一化处理的数据,结合步骤3遗传算法的计算结果,对BP神经网络工频电场强度预测值与实际值进行判断;如果满足误差要求,则计算结束;否则,进入步骤3优化权值,继续计算;
步骤5、将基于遗传算法与BP神经网络计算的对地电场强度预测值上传数据库,通过和数据库中同样电场、环境等条件下的对地电场强度实际值与预测值进行对比,根据实际值与预测值之差进行修正补偿,得到最终的对地电场强度计算值。
在上述考虑温度、湿度影响的高压线路对地电场强度计算方法中,步骤1的实现包括:
步骤1.1、高压线路对地电场强度影响因素包括对BP神经网络中不同输入变量等效负荷法计算值、电压、电流、对地高度、温度、湿度,将这些值作为BP神经网络的输入层变量Xk,Xk=[xk1,xk2,...,xkm];
其中,Xk表示第K个学习样本,xk1,xk2...分别表示第K个学习样本中的等效负荷法计算值,电压,电流和温度、湿度,m表示第m个影响因素;
步骤1.2、分别建立隐含层和输出层;其中,隐含层的神经元个数为J,输出层为E;则输入层和隐含层之间的权重用wmj表示,隐含层与输出层之间权重用wje表示;则隐含层J第j个神经元的输入量为:
隐含层J第j个神经元的输出量为:
输出层神经元输入量e为:
输出侧神经元输出量E工频电场强度预测值为:
输出层神经元第n次迭代的输出误差为:
Dke(n)=dke(n)-Ek(n) (5)
其中,n表示迭代次数,dke为样本实际测试工频电场强度值。
在上述考虑温度、湿度影响的高压线路对地电场强度计算方法中,步骤2对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度不同数据进行归一化处理公式为;
其中,X表示归一化处理结果;X*表示原始数据,Xmax和Xmin分别表示数据的最大值和最小值。
在上述考虑温度、湿度影响的高压线路对地电场强度计算方法中,步骤3的实现具体步骤如下:
步骤3.1、编码产生初始种群;在进行遗传算法之前,随机生成一个初始种群,该种群数量大于BP神经网络所有神经元数量之和;并采用实数编码方式对BP神经网络所有参数进行编码,使得种群内每个个体都包含所有的连接权值和阈值;
步骤3.2、设计适应度函数;引入适应度函数,计算种群中每个个体的适应度值,从而选择出最优个体,得到相应的连接权值和阈值;则建立适应度函数如下式:
式中,c是目标函数f(x)的界限保守估计值;目标函数f(x)为预测输出值相对于期望输出值的绝对误差,即
式中,Y*为期望输出值;Y1、Y2分别为隐含层、输出层的预测输出值,用权值和阈值可表示为:
其中,Y1j表示隐含层第j个节点的预测输出值;αj为隐含层第j个节点的阈值;β为输出层节点的阈值;
步骤3.3、选择遗传算子;随机挑选初始种群中的部分神经元运行若干个锦标赛,则每个锦标赛的冠军被选择到子代种群;采用实数交叉法对任意两染色体的某两个基因进行交叉:
上式表示第i个染色体Ri与第z个染色体Rz在k位进行交叉操作,其中m为[0,1]的随机数;同样地,对第k个染色体Rk的第i个基因进行变异操作:
式中:Cmax、Cmin分别表示基因的上、下界;g(n)为表征迭代次数的系数;r为[0,1]的随机数;
步骤3.4、迭代计算;通过步骤3.3算法产生新一代种群,对新一代种群进行误差评价;如果总误差ξ满足精度要求,算法结束;若不满足精度要求,则将该种群作为父代种群,再次迭代以上算法,直到误差达到精度要求,即ξ<ε,ε为误差门槛值:
在上述考虑温度、湿度影响的高压线路对地电场强度计算方法中,步骤4的实现包括:根据步骤1所构建的对地电场强度计算模型和经骤2归一化处理的数据,结合步骤3遗传算法的计算结果,对BP神经网络工频电场强度预测值与实际值进行判断;如果Dke(n)满足误差门槛值ε,则计算结束,输出层输出预测值为工频电场强度预测初步值;如果Dke(n)不满足误差门槛值ε,则进入步骤3计算新的权值,继续计算。
在上述考虑温度、湿度影响的高压线路对地电场强度计算方法中,步骤5具体实现包括:根据步骤4获得的工频电场强度预测值,寻找数据库中同一条件下的工频电场强度实际值Es与预测值Ey,对数据库中同一条件下的工频电场强度实际值与预测值的差值进行修正,公式如下:
得到最终的工频电场强度预测值E'k。
本发明的有益效果:本发明考虑了等效负荷法计算值、电压、电流、温度、湿度等因素的影响,提高了高压线路电场强度计算的精度,实现了对高压线路在不同高度的电场强度计算,将为环境评估和管理提供支撑。
附图说明
图1是本发明实施例提供的考虑温、湿度影响的高压线路对地电场强度计算方法流程图;
图2是本发明实施例构建的考虑温度、湿度影响的高压线路工频电场强度BP神经网络模型示意图;
图3是本发明实施例高压线路工频电场强度预测值与工频电场强度实测值的比较示意图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施例提出一种考虑温、湿度影响的高压线路对地电场强度计算方法,实现对高压线路在不同高度的电场强度计算,将为环境评估和管理提供支撑。
本实施例是通过以下技术方案来实现的,考虑温度、湿度影响的高压线路对地电场强度计算方法,具体包括以下步骤:
步骤1)分析与高压线路对地电场强度影响因素,构建基于BP神经网络的对地电场强度初步计算模型,包括建立BP神经网络预测模型的输入变量(环境因素),以及输出层模型(工频电场强度预测值);
步骤2)对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度等不同数据进行归一化处理;
步骤3)采用遗传算法(GA算法)步骤1)中构建的对地电场强度计算模型的初始连接权值及阈值进行优化,包括编码产生初始种群、设计适应度函数、选择遗传算子,以及迭代计算等;
步骤4)根据步骤1)中模型,步骤2)中归一化处理数据,结合步骤3)的遗传算法计算结果,对BP神经网络工频电场强度预测值与实际值进行判断;如果满足误差要求,则计算结束;否则,进入步骤3)优化权值,继续计算。
步骤5)将基于GA算法与BP神经网络计算的对地电场强度预测值上传数据库,通过和数据库中同样电场、环境等条件下的对地电场强度实际值与预测值进行对比,根据实际值与预测值之差进行修正补偿,得到最终的对地电场强度计算值。
并且,步骤1)的实现具体为:
根据高压线路对地电场强度影响因素,构建基于BP神经网络的对地电场强度初步计算模型,包括建立BP神经网络预测模型的输入变量(环境因素),以及输出层模型(工频电场强度预测值);
影响高压线路对地电场强度的影响因素包括等效负荷法计算值,电压、电流、对地高度、温度、湿度等,将这些值作为BP神经网络的输入层变量Xk,Xk=[xk1,xk2,...,xkm]。其中,Xk表示第K个学习样本,xk1,xk2...分别表示第K个学习样本中的等效负荷法计算值,电压,电流和温度、湿度等,m表示第m个影响因素。
在此基础上,分别建立隐含层和输出层。其中,隐含层的神经元个数为J,输出层为E。则输入层和隐含层之间的权重用wmj表示,隐含层与输出层之间权重用wje表示。可以得到,隐含层J第j个神经元的输入量为:
隐含层J第j个神经元的输出量为:
输出层神经元输入量e为:
输出侧神经元输出量E工频电场强度预测值为:
输出层神经元第n次迭代的输出误差为:
Dke(n)=dke(n)-Ek(n) (5)
其中,n表示迭代次数,dke为样本实际测试工频电场强度值。
并且,步骤2)对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度等不同数据进行归一化处理;
其中,X表示归一化处理结果;X*表示原始数据,Xmax和Xmin分别表示数据的最大值和最小值。
并且,步骤3)实现的具体步骤如下:
1)编码产生初始种群。在进行遗传算法之前,随机生成一个初始种群,该种群数量要大于BP神经网络所有神经元数量之和。并采用实数编码方式对BP神经网络所有参数进行编码,使得种群内每个个体都包含所有的连接权值和阈值。
2)设计适应度函数。引入适应度函数,计算种群中每个个体的适应度值,从而选择出最优个体,得到相应的连接权值和阈值。则建立适应度函数如下。
式中,c是目标函数f(x)的界限保守估计值。目标函数f(x)为预测输出值相对于期望输出值的绝对误差,即
式中:Y*为期望输出值;Y1、Y2分别为隐含层、输出层的预测输出值,用权值和阈值可表示为
其中,Y1j表示隐含层第j个节点的预测输出值;αj为隐含层第j个节点的阈值;β为输出层节点的阈值。
3)遗传算子。遗传算法是模拟生物进化过程中的自然选择、优胜劣汰的过程,遗传算子则是实现该过程的核心步骤。随机挑选初始种群中的部分神经元去运行若干个“锦标赛”,则每个锦标赛的冠军(适应度值最高的神经元)被选择到子代种群。采用实数交叉法对任意两染色体的某两个基因进行交叉。
上式表示第i个染色体Ri与第z个染色体Rz在k位进行交叉操作,其中m为[0,1]的随机数。同样地,对第k个染色体Rk的第i个基因进行变异操作:
式中:Cmax、Cmin分别表示基因的上、下界;g(n)为表征迭代次数的系数;r为[0,1]的随机数。
4)迭代计算。通过上述算法产生新一代种群,对新一代种群进行误差评价。如果总误差ξ满足精度要求,算法结束;若不满足精度要求,则将该种群作为父代种群,再次迭代以上算法,直到误差达到精度要求,即ξ<ε,ε为误差门槛值;
并且,步骤4)包括:根据步骤1)中模型,步骤2)中归一化处理数据,结合步骤3)的遗传算法计算结果,对步骤5)进行判断;如果Dke(n)满足误差门槛值ε则计算结束,输出层输出预测值为工频电场强度预测初步值;如果Dke(n)不满足误差门槛值ε,则进入步骤3)计算新的权值,继续计算。
并且,步骤5)具体包括:根据步骤4)获得的工频电场强度预测值,寻找数据库中同一条件下的工频电场强度实际值Es与预测值Ey,根据数据库中同一条件下的工频电场强度实际值与预测值的差值进行修正,公式为
得到最终的工频电场强度预测值E'k。
具体实施时,考虑温、湿度影响的高压线路对地电场强度计算方法,其流程如图1所示,具体包括如下步骤:
S1:初始化网络,建立高压线路对地电场强度的神经网络输入层、隐含层和输出层模型、设定训练次数;
具体的,等效负荷法计算值,电压、电流、对地高度、温度、湿度为BP神经网络的输入层变量Xk,Xk=[xk1,xk2,...,xkm]。其中,Xk表示第K个学习样本,xk1,xk2...分别表示第K个学习样本中的等效负荷法计算值,电压,电流和温度、湿度等,m表示第m个影响因素。
在此基础上,分别建立隐含层和输出层。其中,隐含层J的神经元个数为q,输出层为E。其中,隐含层J的个数根据经验公式获得。其中,q为隐含层神经元数;m为输入层神经元数;n为输出层神经元数;a为1~10的常数。本实施例中为m=6个,n为1,a取8,则q=15。因此,本实施例预测模型网络结构为6-15-1,允许误差ε=0.1%,迭代次数最大为15000次。
输入层和隐含层之间的权重用wmj表示,隐含层与输出层之间权重用wje表示。可以得到,隐含层J第j个神经元的输入量为:
隐含层J第j个神经元的输出量为:
输出层神经元输入量e为:
输出侧神经元输出量E工频电场强度预测值为:
输出层神经元第n次迭代的输出误差为:
Dke(n)=dke(n)-Ek(n) (5)
其中,n表示迭代次数,dke为样本实际测试工频电场强度值。
S2:对BP神经网络中不同输入变量等效负荷法计算值、电压、电流、对地高度、温度及湿度等不同数据进行归一化处理;
其中,X表示归一化处理结果;X*表示原始数据,Xmax和Xmin分别表示数据的最大值和最小值。
S3:采用GA算法对S1中构建的对地电场强度计算模型的初始连接权值及阈值进行优化,包括编码产生初始种群、设计适应度函数、选择遗传算子,以及进行迭代计算。具体如下:
i、编码产生初始种群。在进行遗传算法之前,随机生成一个初始种群,该种群数量要大于BP神经网络所有神经元数量之和。并采用实数编码方式对BP神经网络所有参数进行编码,使得种群内每个个体都包含所有的连接权值和阈值。
ii、设计适应度函数。引入适应度函数,计算种群中每个个体的适应度值,从而选择出最优个体,得到相应的连接权值和阈值。则建立适应度函数如下。
式中,c是目标函数f(x)的界限保守估计值。目标函数f(x)为预测输出值相对于期望输出值的绝对误差,即
式中:Y*为期望输出值;Y1、Y2分别为隐含层、输出层的预测输出值,用权值和阈值可表示为
其中,Y1j表示隐含层第j个节点的预测输出值;αj为隐含层第j个节点的阈值;β为输出层节点的阈值。
iii、遗传算子。遗传算法是模拟生物进化过程中的自然选择、优胜劣汰的过程,遗传算子则是实现该过程的核心步骤。随机挑选初始种群中的部分神经元去运行若干个“锦标赛”,则每个锦标赛的冠军(适应度值最高的神经元)被选择到子代种群。采用实数交叉法对任意两染色体的某两个基因进行交叉。
上式表示第i个染色体Ri与第z个染色体Rz在k位进行交叉操作,其中m为[0,1]的随机数。同样地,对第k个染色体Rk的第i个基因进行变异操作:
式中:Cmax、Cmin分别表示基因的上、下界;g(n)为表征迭代次数的系数;r为[0,1]的随机数。
iv、迭代计算。通过上述算法产生新一代种群,对新一代种群进行误差评价。如果总误差ξ满足精度要求,算法结束;若不满足精度要求,则将该种群作为父代种群,再次迭代以上算法,直到误差达到精度要求,即ξ<ε,ε为误差门槛值取0.1%.
S4包括:根据S1所构建的模型,S2归一化处理数据,结合S3的遗传算法计算结果,对S5进行判断;如果Dke(n)满足误差门槛值ε,则计算结束,输出层输出预测值为工频电场强度预测初步值;如果Dke(n)不满足误差门槛值ε,则进入S3计算新的权值,继续计算。
S5具体包括:根据S4获得的工频电场强度预测值,寻找数据库中同一条件下的工频电场强度实际值Es与预测值Ey,根据数据库中同一条件下的工频电场强度实际值与预测值的差值进行修正,公式如下:
得到最终的工频电场强度预测值E'k。
如图1所示,为考虑温、湿度影响的高压线路对地电场强度计算方法步骤示意图。
图2为考虑温度、湿度影响的高压线路工频电场强度BP神经网络模型示意图。
图3是采用本实施例方案的高压线路工频电场强度预测值与工频电场强度实测值的比较,从图3可以看出,通过本实施例提出的考虑温度和湿度影响的高压线路对地电场强度计算方法,较好的考虑了温度和湿度对电场强度的影响,将为高压线路对地电场强度计算提供指导。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (6)
1.考虑温度、湿度影响的高压线路对地电场强度计算方法,其特征在于:包括以下步骤:
步骤1、构建基于BP神经网络的对地电场强度计算模型;包括BP神经网络预测模型的输入层、隐含层和输出层模型;
步骤2、对BP神经网络中不同输入变量等效负荷法计算值、温度及湿度不同数据进行归一化处理;
步骤3、采用遗传算法对步骤1所构建的对地电场强度计算模型的初始连接权值及阈值进行优化;括编码产生初始种群、设计适应度函数、选择遗传算子、以及迭代计算;
步骤4、根据步骤1所构建的对地电场强度计算模型和经骤2归一化处理的数据,结合步骤3遗传算法的计算结果,对BP神经网络工频电场强度预测值与实际值进行判断;如果满足误差要求,则计算结束;否则,进入步骤3优化权值,继续计算;
步骤5、将基于遗传算法与BP神经网络计算的对地电场强度预测值上传数据库,通过和数据库中同样电场、环境等条件下的对地电场强度实际值与预测值进行对比,根据实际值与预测值之差进行修正补偿,得到对地电场强度计算值。
2.根据权利要求1所述考虑温度、湿度影响的高压线路对地电场强度计算方法,其特征在于:步骤1的实现包括:
步骤1.1、高压线路对地电场强度影响因素包括对BP神经网络中不同输入变量等效负荷法计算值、电压、电流、对地高度、温度、湿度,将这些值作为BP神经网络的输入层变量Xk,Xk=[xk1,xk2,...,xkm];
其中,Xk表示第K个学习样本,xk1,xk2...分别表示第K个学习样本中的等效负荷法计算值,电压,电流和温度、湿度,m表示第m个影响因素;
步骤1.2、分别建立隐含层和输出层;其中,隐含层的神经元个数为J,输出层为E;则输入层和隐含层之间的权重用wmj表示,隐含层与输出层之间权重用wje表示;则隐含层J第j个神经元的输入量为:
隐含层J第j个神经元的输出量为:
输出层神经元输入量e为:
输出侧神经元输出量E工频电场强度预测值为:
输出层神经元第n次迭代的输出误差为:
Dke(n)=dke(n)-Ek(n) (5)
其中,n表示迭代次数,dke为样本实际测试工频电场强度值。
4.根据权利要求1所述考虑温度、湿度影响的高压线路对地电场强度计算方法,其特征在于:步骤3的实现具体步骤如下:
步骤3.1、编码产生初始种群;在进行遗传算法之前,随机生成一个初始种群,该种群数量大于BP神经网络所有神经元数量之和;并采用实数编码方式对BP神经网络所有参数进行编码,使得种群内每个个体都包含所有的连接权值和阈值;
步骤3.2、设计适应度函数;引入适应度函数,计算种群中每个个体的适应度值,从而选择出最优个体,得到相应的连接权值和阈值;则建立适应度函数如下式:
式中,c是目标函数f(x)的界限保守估计值;目标函数f(x)为预测输出值相对于期望输出值的绝对误差,即
式中,Y*为期望输出值;Y1、Y2分别为隐含层、输出层的预测输出值,用权值和阈值可表示为:
其中,Y1j表示隐含层第j个节点的预测输出值;αj为隐含层第j个节点的阈值;β为输出层节点的阈值;
步骤3.3、选择遗传算子;随机挑选初始种群中的部分神经元运行若干个锦标赛,则每个锦标赛的冠军被选择到子代种群;采用实数交叉法对任意两染色体的某两个基因进行交叉:
上式表示第i个染色体Ri与第z个染色体Rz在k位进行交叉操作,其中m为[0,1]的随机数;同样地,对第k个染色体Rk的第i个基因进行变异操作:
式中:Cmax、Cmin分别表示基因的上、下界;g(n)为表征迭代次数的系数;r为[0,1]的随机数;
步骤3.4、迭代计算;通过步骤3.3算法产生新一代种群,对新一代种群进行误差评价;如果总误差ξ满足精度要求,算法结束;若不满足精度要求,则将该种群作为父代种群,再次迭代以上算法,直到误差达到精度要求,即ξ<ε,ε为误差门槛值.:
5.根据权利要求1所述考虑温度、湿度影响的高压线路对地电场强度计算方法,其特征在于:步骤4的实现包括:根据步骤1所构建的对地电场强度计算模型和经骤2归一化处理的数据,结合步骤3遗传算法的计算结果,对BP神经网络工频电场强度预测值与实际值进行判断;如果Dke(n)满足误差门槛值ε,则计算结束,输出层输出预测值为工频电场强度预测初步值;如果Dke(n)不满足误差门槛值ε,则进入步骤3计算新的权值,继续计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972904.0A CN113743003B (zh) | 2021-08-24 | 2021-08-24 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972904.0A CN113743003B (zh) | 2021-08-24 | 2021-08-24 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743003A true CN113743003A (zh) | 2021-12-03 |
CN113743003B CN113743003B (zh) | 2023-01-17 |
Family
ID=78732460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110972904.0A Active CN113743003B (zh) | 2021-08-24 | 2021-08-24 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743003B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613896A (zh) * | 2023-07-21 | 2023-08-18 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
-
2021
- 2021-08-24 CN CN202110972904.0A patent/CN113743003B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
Non-Patent Citations (1)
Title |
---|
郭一军等: "基于遗传优化的BP神经网络水泥强度预测", 《南通大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613896A (zh) * | 2023-07-21 | 2023-08-18 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
CN116613896B (zh) * | 2023-07-21 | 2024-01-16 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743003B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN104636985B (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
CN106650988B (zh) | 一种高压配电网规划项目模糊组合优化方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
CN113743003B (zh) | 考虑温度、湿度影响的高压线路对地电场强度计算方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN110737998B (zh) | 一种基于有限元和深度信念网络的均压环优化设计方法 | |
CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
CN110826798B (zh) | 一种储能系统定容选址方法 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114066250A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN105426960A (zh) | 基于bp神经网络与mbfo算法的铝电解节能减排控制方法 | |
CN113884936A (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN109829574A (zh) | 基于acde和bp神经网络的电力负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |