CN113887657A - 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法 - Google Patents

一种基于GSA-Elman神经网络的电缆隧道告警系统及方法 Download PDF

Info

Publication number
CN113887657A
CN113887657A CN202111229423.7A CN202111229423A CN113887657A CN 113887657 A CN113887657 A CN 113887657A CN 202111229423 A CN202111229423 A CN 202111229423A CN 113887657 A CN113887657 A CN 113887657A
Authority
CN
China
Prior art keywords
layer
neural network
gsa
elman
data
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
CN202111229423.7A
Other languages
English (en)
Inventor
王孝敬
王一鸣
纪超
王亮
刘家兵
武健
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.)
Xi'an Jin Power Electrical Co ltd
Original Assignee
Xi'an Jin Power Electrical 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 Xi'an Jin Power Electrical Co ltd filed Critical Xi'an Jin Power Electrical Co ltd
Priority to CN202111229423.7A priority Critical patent/CN113887657A/zh
Publication of CN113887657A publication Critical patent/CN113887657A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

一种基于GSA‑Elman神经网络的电缆隧道告警系统及方法，包括采集层、数据处理层和应用层；采集层、数据处理层和应用层依次连接；采集层利用传感器将采集到的数据发送给数据处理层；数据处理层对实时监测到的数据进行险情预警；应用层查看监测装置发送过来的故障预警信息和采集的实时数据。本发明将GSA‑Elman智能算法嵌入到电缆隧道综合监测装置智能分析模块里面，通过及时告警和事故处理，实现了隧道区域自治和联动管理，本算法相比较于其它两种算法具有很快的收敛速度和较高的准确率，在使用该算法进行险情预警时，可以更快地获得结果。

Description

一种基于GSA-Elman神经网络的电缆隧道告警系统及方法
技术领域
本发明涉及电力设备安全监测领域，具体涉及一种基于GSA-Elman神经网络的电缆隧道告警系统及方法。
背景技术
电缆隧道安全监测的发展趋势是从现有的“预防性维修转为“预知性维修”，从“到期必修”“和故障维修”转为“该修则修”，即通过对电缆隧道工作环境参数在线监控和故障预测，在提前预知电缆故障隐患的前提下，实现对故障的及时、准确定位。
目前电缆隧道监测手段单一，并且有缺少智能控制单元实现区域自治等缺点。
发明内容
本发明的目的在于提供一种基于GSA-Elman神经网络的电缆隧道告警系统及方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于GSA-Elman神经网络的电缆隧道告警系统，包括采集层、数据处理层和应用层；采集层、数据处理层和应用层依次连接；采集层利用传感器将采集到的数据发送给数据处理层；数据处理层对实时监测到的数据进行险情预警；应用层查看监测装置发送过来的故障预警信息和采集的实时数据。
进一步的，采集层包括隧道环境采集装置、电缆温度和电流采集装置和隧道设备信息采集装置；
隧道环境采集装置包括温度传感器、湿度传感器和气体浓度传感器；
电缆温度和电流采集装置为电缆温度检测仪和电流检测仪；
隧道设备信息采集装置包括照明设备、安防设备和联动设备。
进一步的，数据处理层包括主光纤环网和GSA-Elman综合监测装置；隧道环境采集装置、电缆温度和电流采集装置和隧道设备信息采集装置均连接到GSA-Elman综合监测装置，GSA-Elman综合监测装置连接主光纤环网。
进一步的，应用层用于事故处理、信息管理、预警险情和信息查询。
进一步的，一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，包括以下步骤：
步骤1、电缆隧道历史故障数据样本获取与处理；
步骤2、故障模型的建立；
步骤3、构建ELMAN神经网络，初始化网络结构；
步骤4、万有引力算法优化ELMAN神经网络，找到最优位置的初始权值和阈值；
步骤5、得到GSA-Elman网络结构；
步骤6、进行故障诊断，并将诊断结果与其它预测方法诊断结果相比较。
进一步的，步骤1中，具体包括：
步骤1.1、结合历史故障数据，采集的历史故障数据参数有七种，包括温度、湿度、一氧化碳、硫化氢、氧气、水位和烟雾；
步骤1.2、对数据进行归一化处理，采用的归一化公式如下：
Figure BDA0003315443060000021
公式(1)中，xi为每个电缆隧道参数的第i个样本值，xmin表示这类参数的最小值，xmax表示这类参数的最大值，y为归一化处理后得到的数值，最终得到归一化至区间(0，1)内的数据。
进一步的，步骤2中，具体包括：
步骤2.1，将采集的电缆隧道险情类型按照顺序排列，得到7种险情模式，分别为Y1-Y7；
步骤2.2，对险情模式进行标识，在险情标识中，数字1代表了电缆隧道发生了险情，数字0代表电缆隧道未发生险情；
步骤2.3、对七种险情分别定义为：Y1火灾预警、Y2发生火灾，Y3内部过于潮湿、Y4水灾预警、Y5发生水灾、Y6氧气浓度不达标、Y7内部含有有毒气体，将电缆隧道的险情模式Y＝(Y1,Y2,Y3,Y4,Y5,Y6,Y7)作为神经网络的输出量，并用数字1到7表示：发生险情Y1神经网络输出数字1，发生险情Y2神经网络输出数字2，……，发生险情Y7神经网络输出数字7。
进一步的，步骤3中，具体包括：
步骤3.1、首先按照监测数据种类确定神经网络输入层的神经元个数为7，每种故障对应的输出模式为数字1～7，确定神经网络的输出层神经元个数为1，采用以下经验公式来做:
l＝random(1,n-1) (2)
Figure BDA0003315443060000031
Figure BDA0003315443060000032
公式(2)、(3)，m为输入节点数目，n为输出节点数目，a为1～10之间的整数；公式(4)中Ni表示输入层神经元个数，No代表输出层神经元个数，NS是训练集的样本数，a是可以自取的任意变量值，范围可取2～10；选取公式(3)计算隐含层神经元个数，l的取值范畴落在(1，12)这个区间上；
步骤3.2、对l从1至12逐个进行试验，计算每个节点数所对应的均方误差值，均方误差表达式为：
Figure BDA0003315443060000033
公式(5)中，n代表数据个数，y1表示数据的期望值，y2表示数据的预测值；
由经验公式得出隐含层节点数的大致范围，然后使用试凑法，通过多次尝试，选择其中输出误差最小的节点数作为隐含层的节点数；通过试凑法，得出隐含层节点数为10时具有最好的预测性能；
步骤3.3、确定Elman网络结构为(7-10-1)型，因此网络共有7×10+10×1＝80个权值，10+1＝11个阈值；Elman网络的数学模型为：
y(k)＝g(w2h(k)+by) (6)
h(k)＝f(w1u(k-1)+w3xc(k)+bh) (7)
xc(k)＝a·xc(k-1)+h(k-1) (8)
在公式(6)、(7)、(8)中，k代表迭代时间步，u为输入向量，y为输出向量，h为隐含层输出向量，xc为承接层输出向量；w1、w2、w3分别为网络输入层到隐含层、隐含层到输出层、承接层到隐含层的连接权值矩阵，by和bh分别代表输出层神经元和隐含层神经元的阈值矩阵；f(·)和g(·)分别代表隐含层神经元和输出层神经元的激活函数，常采用S函数，a代表自连接反馈增益因子，取值范围为0≤a≤1；
步骤3.4、确定均方误差mse作为适应度评价函数。
进一步的，步骤4中，具体包括：
万有引力算法优化Elman神经网络的初始值流程如下：
步骤4.1参数初始化；初始化算法中所有粒子的位置与加速度，并设置好迭代次数与算法中的各个参数；
步骤4.2适应度值；计算每个粒子的适应度值，并更新重力常数；
步骤4.3加速度；由得到的适应度值去计算每个粒子的惯性质量，进而求得每个粒子的加速度；
步骤4.4计算每个粒子的速度，然后再更新粒子的位置；
步骤4.5判断是否到终止条件，如果不符合的话则返回步骤；否则，将此次计算的最优解输出。
进一步的，步骤5根据得到GSA-Elman神经网络模型，利用模型进行训练和险情诊断；同时将险情诊断结果中的数据与传统Elman神经网络、BP神经网络诊断的准确率相比较。
与现有技术相比，本发明有以下技术效果：
本发明系统实现分层设计，对隧道环境参量进行监控，并在前端对采集到的数据处理分析最终进行运行状态评估，若出现险情告警则联动设备工作，本发明通过GSA-Elman算法模块进行险情预警并通过控制联动设备及时消除部分隐患，实现了电缆隧道区域自治。同时本设计还引入边缘计算思想，将所有电缆工作环境参数的计算在前端执行，避免数据传输到后端丢失，同时提高数据处理的效率。
本发明将GSA-Elman智能算法嵌入到电缆隧道综合监测装置智能分析模块里面，通过及时告警和事故处理，实现了隧道区域自治和联动管理，本算法相比较于其它两种算法具有很快的收敛速度和较高的准确率，在使用该算法进行险情预警时，可以更快地获得结果。
附图说明
图1是本发明硬件系统架构图；
图2是GSA-Elman算法流程图；
图3三种不同算法的输出结果图；
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明所采用的技术方案是，一种基于GSA-Elman神经网络的电缆隧道告警系统。
硬件系统和软件模块如下；
1、硬件系统架构如图1所示，内容具体为：
本发明采用分层设计，将系统架构分为采集层、数据处理层、应用层；
采集层利用传感器将采集到的数据发送给数据处理层；本发明在数据处理层嵌入了GSA-Elman神经网络算法模块，对实时监测到的数据进行险情预警；应用层可以查看监测装置发送过来的故障预警信息和采集的实时数据；
通过系统架构分层模式实现了在隧道内就能对事故进行判断和预测，若装置对采集数据处理后发生预警，则GSA-Elman综合监测装置控制联动设备进行工作，本发明实现了电缆隧道部分险情不需要人为协助，通过智能化模块分析、前端处理达到了区域自治的模式。
2、软件部分具体如下：
在数据处理层嵌入了GSA-Elman算法模块，此模块具体包括万有引力搜索算法(GSA)和Elman神经网络算法；构建GSA-Elman网络结构模型详细步骤如下：
步骤1、电缆隧道历史故障数据样本获取与处理；
步骤2、故障模型的建立；
步骤3、构建ELMAN神经网络，初始化网络结构；
步骤4、万有引力算法优化ELMAN神经网络，找到最优位置的初始权值和阈值；
步骤5、得到GSA-Elman网络结构；
步骤6、进行故障诊断，并将诊断结果与其它预测方法诊断结果相比较；
本发明的特点还在于，
步骤1、具体过程如下：
步骤1.1、结合历史故障数据，采集的历史故障数据参数有七种，包括温度(℃)、湿度(RH)、一氧化碳(ppm)、硫化氢(ppm)、氧气(VOL)、水位(m)、烟雾(obs/m)；
步骤1.2、对数据进行归一化处理，归一化是一种常用的数据处理方法，它可以将数据转化为(0，1)或者其他需要区间范围内的小数，并且可以把有量纲的量变更成无量纲的纯量。归一化方法的使用，提高了数据处理的方便程度，将数据映射到(0，1)区间可以使整个计算的过程更加便捷快捷，保证了程序计算的收敛速度，进而使程序的运行效率得以提升。本文所采用的归一化公式如下：
Figure BDA0003315443060000061
公式(1)中，xi为每个电缆隧道参数的第i个样本值，xmin表示这类参数的最小值，xmax表示这类参数的最大值，y为归一化处理后得到的数值，最终得到了归一化至区间(0，1)内的数据。
步骤2、具体过程如下：
步骤2.1将采集的电缆隧道险情类型按照顺序排列，得到7种险情模式，分别为Y1-Y7；
步骤2.2接下来对其进行标识，在险情标识中，数字1代表了电缆隧道发生了险情，数字0代表电缆隧道未发生险情；
步骤2.3、对七种险情分别定义为：Y1火灾预警、Y2发生火灾，Y3内部过于潮湿、Y4水灾预警、Y5发生水灾、Y6氧气浓度不达标、Y7内部含有有毒气体,将电缆隧道的险情模式Y＝(Y1,Y2,Y3,Y4,Y5,Y6,Y7)作为神经网络的输出量，并用数字1到7表示；如表1所示，即发生险情Y1神经网络输出数字1，发生险情Y2神经网络输出数字2，……，发生险情Y7神经网络输出数字7；
步骤3具体流程如下：
步骤3.1、首先按照监测数据种类确定神经网络输入层的神经元个数为7，由于每种故障对应的输出模式为数字1～7，因此可以确定神经网络的输出层神经元个数为1,由于对隐含层神经元个数的设置尚缺严格统一的理论指导，通常采用以下经验公式来做:
l＝random(1,n-1) (2)
Figure BDA0003315443060000071
Figure BDA0003315443060000072
公式(2)、(3)，m为输入节点数目，n为输出节点数目，a为1～10之间的整数；公式(4)中Ni表示输入层神经元个数，No代表输出层神经元个数，NS是训练集的样本数，a是可以自取的任意变量值，通常范围可取2～10。本发明选取公式(3)计算隐含层神经元个数，因此l的取值范畴落在(1，12)这个区间上。
步骤3.2、对l从1至12逐个进行试验，计算每个节点数所对应的均方误差值，均方误差表达式为：
Figure BDA0003315443060000073
公式(5)中，n代表数据个数，y1表示数据的期望值，y2表示数据的预测值。
由经验公式得出隐含层节点数的大致范围，然后使用试凑法，通过多次尝试，选择其中输出误差最小的节点数作为隐含层的节点数。通过试凑法，得出隐含层节点数为10时具有最好的预测性能；
步骤3.3、确定Elman网络结构为(7-10-1)型，因此网络共有7×10+10×1＝80个权值，10+1＝11个阈值；Elman网络的数学模型为：
y(k)＝g(w2h(k)+by) (6)
h(k)＝f(w1u(k-1)+w3xc(k)+bh) (7)
xc(k)＝a·xc(k-1)+h(k-1) (8)
在公式(6)、(7)、(8)中，k代表迭代时间步，u为输入向量，y为输出向量，h为隐含层输出向量，xc为承接层输出向量。w1、w2、w3分别为网络输入层到隐含层、隐含层到输出层、承接层到隐含层的连接权值矩阵，by和bh分别代表输出层神经元和隐含层神经元的阈值矩阵。f(·)和g(·)分别代表隐含层神经元和输出层神经元的激活函数，常采用S函数，a代表自连接反馈增益因子，取值范围为0≤a≤1。
步骤3.4、确定均方误差mse作为适应度评价函数；
步骤4万有引力算法优化Elman神经网络的初始值流程如下：
步骤4.1参数初始化；初始化算法中所有粒子的位置与加速度，并设置好迭代次数与算法中的各个参数。
步骤4.2适应度值；计算每个粒子的适应度值，并更新重力常数。
步骤4.3加速度；由得到的适应度值去计算每个粒子的惯性质量，进而求得每个粒子的加速度；
步骤4.4计算每个粒子的速度，然后再更新粒子的位置；
步骤4.5判断是否到终止条件，如果不符合的话则返回步骤；否则，将此次计算的最优解输出；
具体理论推导如下：
万有引力的普遍存在性，将粒子看成正在运动的东西，由于受到力的作用，导致运动的物体有了加速度，质量(适应度)较大的粒子惯性质量也较大引力就大，因此粒子就是这样向着大质量的靠近，从而一点一点的逼近最优解的位置；
GSA算法把粒子当成有质量的点，在解空间中，所有粒子都会受到其他粒子的作用力而产生运动，奔向质量更大的粒子，而质量就是由适应度所定义的，二者成正比例关系，因此在整个过程中，粒子都在逐渐逼近最优解的位置，物体的位置代表问题的解。设一个物体i在N维空间下的坐标表示为：
Figure BDA0003315443060000091
公式(9)中，
Figure BDA0003315443060000092
表示第i个为物体在第k维上面的位置；
物体质量的表达式与适应度有关，质量大那么就意味着适应度高，在符合式中第一条假设的前提条件下，粒子质量可以根据如下表达式求得：
Mai＝Mpi＝Mi (10)
Figure BDA0003315443060000093
Figure BDA0003315443060000094
其中，Mai表示作用物体的惯性质量，MPi表示被作用物体的惯性质量,fiti(t)表示第i个物体Xi适应度值。
在求解最小值问题中，best(t)和worst(t)定义如下：
Figure BDA0003315443060000095
然后，在特定的时刻t，物体i受到物体j的引力如下所示：
Figure BDA0003315443060000101
其中，ε表示一个小的常量；Maj(t)表示作用物体的惯性质量；MPi(t)表示被作用物体的惯性质量；G(t)为t时刻的万有引力常数，它的形式的变换如式(4.15)所示：
G(t)＝G0×e-at/T (15)
其中，G0一般取值为100；a一般取20；T为最大迭代次数。Rij(t)表示二者之间的欧式距离。
Rij(t)＝||Xi(t)-Xj(t)||2 (16)
在t时刻，对作用在i身上的所有引力求和，计算公式如下：
Figure BDA0003315443060000102
其中，randj是[0，1]区间内的一个随机数；计算出了力之后，那么则t时刻物体i在第k维上的加速度定义如下：
Figure BDA0003315443060000103
GSA中，物体位置和速度的更新式如下：
Figure BDA0003315443060000104
步骤5、得到GSA-Elman神经网络模型如图1所示，利用模型进行训练和险情诊断；
步骤6、具体流程如下：
步骤6.1、将险情诊断结果中的数据与传统Elman神经网络、BP神经网络诊断的准确率相比较；
步骤6.2、根据结果准确率可以制作出表格3；
由于电缆隧道险情数据有限，本发明选取了50组某城市的历史故障数据样本进行实验，本从表中可以看出，通过万有引力搜索算法优化后的Elman神经网络的诊断误差最小，其中传统Elman、BP的误差相近，GSA-Elman网络精度整体变化不大，更为稳定。
表1七种故障模式
Figure BDA0003315443060000111
表2三种方法结果比较
Figure BDA0003315443060000112
Figure BDA0003315443060000121

Claims (10)

1.一种基于GSA-Elman神经网络的电缆隧道告警系统，其特征在于，包括采集层、数据处理层和应用层；采集层、数据处理层和应用层依次连接；采集层利用传感器将采集到的数据发送给数据处理层；数据处理层对实时监测到的数据进行险情预警；应用层查看监测装置发送过来的故障预警信息和采集的实时数据。
2.根据权利要求1所述的一种基于GSA-Elman神经网络的电缆隧道告警系统，其特征在于，采集层包括隧道环境采集装置、电缆温度和电流采集装置和隧道设备信息采集装置；
隧道环境采集装置包括温度传感器、湿度传感器和气体浓度传感器；
电缆温度和电流采集装置为电缆温度检测仪和电流检测仪；
隧道设备信息采集装置包括照明设备、安防设备和联动设备。
3.根据权利要求2所述的一种基于GSA-Elman神经网络的电缆隧道告警系统，其特征在于，数据处理层包括主光纤环网和GSA-Elman综合监测装置；隧道环境采集装置、电缆温度和电流采集装置和隧道设备信息采集装置均连接到GSA-Elman综合监测装置，GSA-Elman综合监测装置连接主光纤环网。
4.根据权利要求1所述的一种基于GSA-Elman神经网络的电缆隧道告警系统，其特征在于，应用层用于事故处理、信息管理、预警险情和信息查询。
5.一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，基于权利要求1至4任意一项所述的一种基于GSA-Elman神经网络的电缆隧道告警系统，包括以下步骤：
步骤1、电缆隧道历史故障数据样本获取与处理；
步骤2、故障模型的建立；
步骤3、构建ELMAN神经网络，初始化网络结构；
步骤4、万有引力算法优化ELMAN神经网络，找到最优位置的初始权值和阈值；
步骤5、得到GSA-Elman网络结构；
步骤6、进行故障诊断，并将诊断结果与其它预测方法诊断结果相比较。
6.根据权利要求5所述的一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，步骤1中，具体包括：
步骤1.1、结合历史故障数据，采集的历史故障数据参数有七种，包括温度、湿度、一氧化碳、硫化氢、氧气、水位和烟雾；
步骤1.2、对数据进行归一化处理，采用的归一化公式如下：
Figure FDA0003315443050000021
公式(1)中，xi为每个电缆隧道参数的第i个样本值，xmin表示这类参数的最小值，xmax表示这类参数的最大值，y为归一化处理后得到的数值，最终得到归一化至区间(0，1)内的数据。
7.根据权利要求5所述的一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，步骤2中，具体包括：
步骤2.1，将采集的电缆隧道险情类型按照顺序排列，得到7种险情模式，分别为Y1-Y7；
步骤2.2，对险情模式进行标识，在险情标识中，数字1代表了电缆隧道发生了险情，数字0代表电缆隧道未发生险情；
步骤2.3、对七种险情分别定义为：Y1火灾预警、Y2发生火灾，Y3内部过于潮湿、Y4水灾预警、Y5发生水灾、Y6氧气浓度不达标、Y7内部含有有毒气体，将电缆隧道的险情模式Y＝(Y1,Y2,Y3,Y4,Y5,Y6,Y7)作为神经网络的输出量，并用数字1到7表示：发生险情Y1神经网络输出数字1，发生险情Y2神经网络输出数字2，……，发生险情Y7神经网络输出数字7。
8.根据权利要求5所述的一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，步骤3中，具体包括：
步骤3.1、首先按照监测数据种类确定神经网络输入层的神经元个数为7，每种故障对应的输出模式为数字1～7，确定神经网络的输出层神经元个数为1，采用以下经验公式来做:
l＝random(1,n-1) (2)
Figure FDA0003315443050000031
Figure FDA0003315443050000032
公式(2)、(3)，m为输入节点数目，n为输出节点数目，a为1～10之间的整数；公式(4)中Ni表示输入层神经元个数，No代表输出层神经元个数，NS是训练集的样本数，a是可以自取的任意变量值，范围可取2～10；选取公式(3)计算隐含层神经元个数，l的取值范畴落在(1，12)这个区间上；
步骤3.2、对l从1至12逐个进行试验，计算每个节点数所对应的均方误差值，均方误差表达式为：
Figure FDA0003315443050000033
公式(5)中，n代表数据个数，y1表示数据的期望值，y2表示数据的预测值；
由经验公式得出隐含层节点数的大致范围，然后使用试凑法，通过多次尝试，选择其中输出误差最小的节点数作为隐含层的节点数；通过试凑法，得出隐含层节点数为10时具有最好的预测性能；
步骤3.3、确定Elman网络结构为(7-10-1)型，因此网络共有7×10+10×1＝80个权值，10+1＝11个阈值；Elman网络的数学模型为：
y(k)＝g(w2h(k)+by) (6)
h(k)＝f(w1u(k-1)+w3xc(k)+bh) (7)
xc(k)＝a·xc(k-1)+h(k-1) (8)
在公式(6)、(7)、(8)中，k代表迭代时间步，u为输入向量，y为输出向量，h为隐含层输出向量，xc为承接层输出向量；w1、w2、w3分别为网络输入层到隐含层、隐含层到输出层、承接层到隐含层的连接权值矩阵，by和bh分别代表输出层神经元和隐含层神经元的阈值矩阵；f(·)和g(·)分别代表隐含层神经元和输出层神经元的激活函数，常采用S函数，a代表自连接反馈增益因子，取值范围为0≤a≤1；
步骤3.4、确定均方误差mse作为适应度评价函数。
9.根据权利要求5所述的一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，步骤4中，具体包括：
万有引力算法优化Elman神经网络的初始值流程如下：
步骤4.1参数初始化；初始化算法中所有粒子的位置与加速度，并设置好迭代次数与算法中的各个参数；
步骤4.2适应度值；计算每个粒子的适应度值，并更新重力常数；
步骤4.3加速度；由得到的适应度值去计算每个粒子的惯性质量，进而求得每个粒子的加速度；
步骤4.4计算每个粒子的速度，然后再更新粒子的位置；
步骤4.5判断是否到终止条件，如果不符合的话则返回步骤；否则，将此次计算的最优解输出。
10.根据权利要求5所述的一种基于GSA-Elman神经网络的电缆隧道告警方法，其特征在于，步骤5根据得到GSA-Elman神经网络模型，利用模型进行训练和险情诊断；同时将险情诊断结果中的数据与传统Elman神经网络、BP神经网络诊断的准确率相比较。
CN202111229423.7A 2021-10-21 2021-10-21 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法 Pending CN113887657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111229423.7A CN113887657A (zh) 2021-10-21 2021-10-21 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111229423.7A CN113887657A (zh) 2021-10-21 2021-10-21 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法

Publications (1)

Publication Number Publication Date
CN113887657A true CN113887657A (zh) 2022-01-04

Family

ID=79004343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111229423.7A Pending CN113887657A (zh) 2021-10-21 2021-10-21 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法

Country Status (1)

Country Link
CN (1) CN113887657A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754022A (zh) * 2023-08-22 2023-09-15 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN117499424A (zh) * 2023-08-23 2024-02-02 云南云岭高速公路交通科技有限公司 一种隧道水消防数据采集监测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754022A (zh) * 2023-08-22 2023-09-15 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN116754022B (zh) * 2023-08-22 2023-10-27 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN117499424A (zh) * 2023-08-23 2024-02-02 云南云岭高速公路交通科技有限公司 一种隧道水消防数据采集监测系统

Similar Documents

Publication Publication Date Title
CN111970309B (zh) 基于Spark车联网组合深度学习入侵检测方法及系统
CN113887657A (zh) 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法
CN111444953B (zh) 一种基于改进粒子群优化算法的传感器故障监测方法
CN111722174A (zh) 一种应用量子粒子群算法实现电能表异常诊断系统及方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN111823273B (zh) 一种工业机器人在线轨迹预测的运行监测系统及其监测方法
CN112906288A (zh) 基于正常样本数据的开关柜状态评估方法
CN115826454A (zh) 一种船舶大型隔振系统、边缘计算系统及方法
CN114565162A (zh) 一种飞行器运输状态监测与安全防护方法及系统
CN113705922A (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN103838210A (zh) 突发事件现场有毒气体远程无线监测系统和方法
CN117435936A (zh) 一种水冷式汽轮发电机冷却水温预警方法
CN117435956A (zh) 一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法
CN114973443B (zh) 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN114995164A (zh) 一种基于物联网的新能源汽车安全预警方法及装置
Dhakal et al. UAV Fault and Anomaly Detection Using Autoencoders
CN115718883A (zh) 电池储能系统热预警方法及装置
CN114417729A (zh) 一种基于bp神经网络的矿区环境安全预警方法
CN114897084A (zh) 一种基于图卷积神经网络的塔式起重机结构安全监测方法
CN114638379A (zh) 边缘侧多智能体opc ua信息解析和决策方法
CN114756026B (zh) 一种实验环境安全检查的巡视控制系统
Wang et al. Learn to Trace Odors: Robotic Odor Source Localization via Deep Learning Methods with Real-world Experiments
CN115884006B (zh) 基于AIoT的校园安全防控系统和方法
Ye et al. Driving Cycle Condition Identification Model Based on Long Short-Term Memory Algorithm [J]

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