CN115577618B - 高压换流阀厅环境因子预测模型构建方法与预测方法 - Google Patents
高压换流阀厅环境因子预测模型构建方法与预测方法 Download PDFInfo
- Publication number
- CN115577618B CN115577618B CN202211148759.5A CN202211148759A CN115577618B CN 115577618 B CN115577618 B CN 115577618B CN 202211148759 A CN202211148759 A CN 202211148759A CN 115577618 B CN115577618 B CN 115577618B
- Authority
- CN
- China
- Prior art keywords
- individual
- converter valve
- environmental factor
- valve hall
- optimal
- 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.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 120
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 106
- 238000004590 computer program Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 45
- 238000013178 mathematical model Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 244000038280 herbivores Species 0.000 claims description 17
- 244000054334 omnivore Species 0.000 claims description 17
- 235000020912 omnivore Nutrition 0.000 claims description 17
- 241001466804 Carnivora Species 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种高压换流阀厅环境因子预测模型构建以及高压换流阀厅环境因子预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取高压换流阀厅内部的历史环境因子数据;根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;提取初始Elman神经网络模型中各层之间的权值及阈值;基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。整个模型构建过程,在初始Elman神经网络模型的基础上引入AEO算法优化模型各层之间的权值及阈值,构建能精准预测高压换流阀厅环境因子的Elman神经网络预测模型。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种高压换流阀厅环境因子预测模型构建方法、装置、计算机设备、存储介质和计算机程序产品;另外,还涉及一种高压换流阀厅环境因子预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
高压换流阀厅主要用于布置换流阀及有关设备的建筑物,是换流站建筑物的核心。当有设备出现异常状态时,高压换流阀厅内的温、湿度会出现变化,因此可以通过监测高压换流阀厅内的温、湿度,来间接反映高压换流阀厅内部设备的运行状态。在实际工程中,通过对高压换流阀厅内的温、湿度进行预测,提前发现故障并向运维人员报警,从而避免发生不可挽回的损失。
Elman神经网络预测模型各层之间的权值及阈值对模型精度的影响较大,传统Elman神经网络预测模型的初始权值及阈值一般由伪随机数确定,随机性过强,并且模型采用梯度下降法进行训练,容易陷入局部最小值,难以达到全局最优的效果,使得环境因子预测精度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种支持高精度预测的高压换流阀厅环境因子预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品;另外,还提供一种能够提高预测精度的高压换流阀厅环境因子预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种高压换流阀厅环境因子预测模型构建方法。所述方法包括:
获取高压换流阀厅内部的历史环境因子数据;
根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取初始Elman神经网络模型中各层之间的权值及阈值;
基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
在其中一个实施例中,根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型包括:
根据高压换流阀厅内部的历史环境因子数据分别构建不同环境因子的样本数据集;
对样本数据集中的所有数据进行归一化处理;
基于样本数据集中的训练集数据建立初始Elman神经网络模型。
在其中一个实施例中,基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值包括:
设定初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;
随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;
选择适应度值最低的个体作为最优个体,将最优个体作为生产者,根据AEO算法中生产者算子数学模型更新生产者的位置;
将生产者之外的个体作为消费者,根据生成随机数的大小将消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新消费者的位置;
根据AEO算法的适应度函数计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;
根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体;
判断最优个体的适应度值是否达到预设条件,若达到预设条件,则输出最优个体的适应度值;
选取最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值。
在其中一个实施例中,上述基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值还包括:
若最优个体的适应度值未达到预设条件,则重复执行将适应度值最低的个体作为生产者,更新生产者的位置;
将生产者之外的个体作为消费者,更新消费者的位置;
计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;
根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至最优个体的适应度值达到预设条件并输出达到预设条件的适应度值。
在其中一个实施例中,上述基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值还包括:
AEO算法的适应度函数为将权值及阈值赋给初始Elman神经网络模型后,初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和。
第二方面,本申请提供了一种高压换流阀厅环境因子预测方法。所述方法包括:
获取高压换流阀厅内部当前时间段对应的环境因子数据;
采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
第三方面,本申请还提供了一种高压换流阀厅环境因子预测模型构建装置。所述装置包括:
模型数据获取模块,用于获取高压换流阀厅内部的历史环境因子数据;
初始模型构建模块,用于根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
模型参数提取模块,用于提取初始Elman神经网络模型中各层之间的权值及阈值;
模型参数优化模块,用于基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
优化模型构建模块,用于采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
第四方面,本申请还提供了一种高压换流阀厅环境因子预测装置。所述装置包括:
数据获取模块,用于获取高压换流阀厅内部当前时间段对应的环境因子数据;
数据处理模块,用于采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
第五方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取高压换流阀厅内部的历史环境因子数据;
根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取初始Elman神经网络模型中各层之间的权值及阈值;
基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
第六方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取高压换流阀厅内部的历史环境因子数据;
根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取初始Elman神经网络模型中各层之间的权值及阈值;
基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
第七方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取高压换流阀厅内部的历史环境因子数据;
根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取初始Elman神经网络模型中各层之间的权值及阈值;
基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
第八方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取高压换流阀厅内部当前时间段对应的环境因子数据;
采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
第九方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取高压换流阀厅内部当前时间段对应的环境因子数据;
采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
第十方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取高压换流阀厅内部当前时间段对应的环境因子数据;
采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
上述高压换流阀厅环境因子预测模型构建方法、装置、计算机设备、存储介质和计算机程序产品,获取高压换流阀厅内部的历史环境因子数据;根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;提取初始Elman神经网络模型中各层之间的权值及阈值;基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。整个模型构建过程,在初始Elman神经网络模型的基础上引入AEO算法优化模型各层之间的权值及阈值,构建能精准预测高压换流阀厅环境因子的Elman神经网络预测模型。
上述高压换流阀厅环境因子预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,获取高压换流阀厅内部当前时间段对应的环境因子数据;采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。整个高压换流阀厅环境因子预测过程,基于高压换流阀厅内部当前时间段对应的环境因子数据,建立高压换流阀厅环境因子预测模型,实现了准确、有效的环境因子预测。
附图说明
图1为一个实施例中高压换流阀厅环境因子的预测模型构建方法以及预测方法的应用环境图;
图2为一个实施例中高压换流阀厅环境因子预测模型构建方法的流程示意图;
图3为初始Elman神经网络模型的架构示意图;
图4为一个实施例中S400的子流程示意图;
图5为一个具体应用实施例中高压换流阀厅环境因子预测方法的流程示意图;
图6为一个实施例中高压换流阀厅环境因子预测模型构建装置的结构框图;
图7为一个实施例中高压换流阀厅环境因子预测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的高压换流阀厅环境因子的预测模型构建方法以及预测方法,可以应用于如图1所示的应用环境中。
其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。在具体应用场景中,本申请技术方案具体可以包括构建模型阶段和预测阶段,用户在终端102侧操作,终端102响应用户操作。
在构建模型阶段,终端102获取高压换流阀厅内部的历史环境因子数据,通过通信网络将高压换流阀厅内部的历史环境因子数据发送至服务器104。服务器104根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;提取初始Elman神经网络模型中各层之间的权值及阈值;基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型,将高压换流阀厅环境因子预测模型保存至数据存储系统。
在预测阶段,终端102获取高压换流阀厅内部当前时间段对应的环境因子数据,通过通信网络将高压换流阀厅内部的历史环境因子数据发送至服务器104,同时服务器104获取保存至数据存储系统的高压换流阀厅环境因子预测模型,采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑和物联网设备,物联网设备可为高压换流阀厅环境因子监测设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种高压换流阀厅环境因子预测模型构建方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S100:获取高压换流阀厅内部的历史环境因子数据。
其中,高压换流阀厅内部的历史环境因子数据包括高压换流阀厅内部的温、湿度数据,具体可以是获取高压换流阀厅内部的温湿度传感器按固定时间间隔采集到的数据。
本实施例中,在高压换流阀厅直流输电功率1000MW、阀厅内污秽等级为1级且等值盐密为0.01mg/cm2、阀厅内空调设备的能效比为3.6的情况下,从实际工程中收集了2899组高压换流阀厅2021年内的温湿度数据作为历史环境因子数据。
S200:根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型。
其中,建立初始Elman神经网络模型是指建立最基本的Elman神经网络模型,建立初始Elman神经网络模型后可以确定模型的拓扑结构。
Elman神经网络是一种在BP人工神经网络基本结构的基础上发展而来的动态神经元网络,其主要结构为前馈连接,包括输入层(Input layer)、隐含层(Hidden layer)和输出层(Output layer),还有一个特殊的反馈层(Feedback layer)。反馈层的建立目的主要是实现层内和层间的反馈联结,从而能够使得网络能够准确表达输入和输出在时间上的延迟,其功能相当于一个延时算子,使得网络具有动态记忆功能,非常适合时间序列预测问题。本实施例中对高压换流阀厅环境因子的预测需要考虑到时间的有效性,选用Elman神经网络模型能达到很好的预测效果。
初始Elman神经网络模型的架构示意图如图3所示,Elman神经网络各层间的传递函数如下式(2)~(4)所示。其中,t为时刻,神经网络各层的神经元序号用i=1,2,…,k表示。ui(t)为输入向量,xi(t)为隐含层向量,yi(t)为输出向量,ci(t)为反馈层输入向量,xc,i(t)为反馈层输出向量,ω1为反馈层到隐含层连接权值,ω2为输入层到隐含层连接权值,ω3为隐含层到输出层连接权值,a为反馈增益因子,b1为输入层阈值,b2为隐含层阈值,xc,i(t)为反馈层到隐含层的传递函数,x(t)为隐含层神经元的传递函数,y(t)为输出层神经元的传递函数。
xc,i(t)=a·xc(t-1)+x(t-1),i=1,2,…,k (2)
x(t)=f(w1xc(t)+w2(u(t-1))+b1) (3)
y(t)=g(w3x(t)+b2) (4)
在实际应用中,初始Elman神经网络各层之间的初始权值及阈值一般由伪随机数确定,且在模型训练过程中采用梯度下降法不断优化上述初始权值及阈值。
S300:提取初始Elman神经网络模型中各层之间的权值及阈值。
其中,初始Elman神经网络模型中各层之间的权值及阈值指初始Elman神经网络模型采用伪随机数确定的初始权值和阈值,具体包括:反馈层到隐含层连接权值w1、输入层到隐含层连接权值w2、输入层到隐含层连接权值w3、输入层阈值b1以及隐含层阈值b2。
S400:基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值。
其中,AEO(Artificial Ecosystem-Based Optimization,人工生态系统优化)算法是一种通过模拟地球生态系统中能量流动来求解优化问题的算法。由于Elman神经网络各层之间的初始权值及阈值对模型预测精确度的影响较大,如果仅采用伪随机数确定初始权值和阈值并通过梯度下降法优化上述权值和阈值,会使得权值和阈值的随机性过强且优化结果容易陷入局部最小值而难以达到全局最优,从而导致模型的训练和预测精度不够稳定。因此,通过AEO算法来优化初始Elman神经网络模型各层之间的权值及阈值,即ω1、ω2、ω3和b1、b2,使其初始取值避免过于随机性,提高Elman神经网络的全局寻优性能。
S500:采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
其中,最优权值与最优阈值是指经过AEO算法优化后的权值与阈值,对初始Elman神经网络模型进行优化是指采用经过AEO算法优化后的权值与阈值代替由伪随机数确定的初始权值及阈值,得到高压换流阀厅环境因子预测模型。
上述高压换流阀厅环境因子预测模型构建方法,获取高压换流阀厅内部的历史环境因子数据;根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;提取初始Elman神经网络模型中各层之间的权值及阈值;基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。整个模型构建过程,在初始Elman神经网络模型的基础上引入AEO算法优化模型各层之间的权值及阈值,构建能精准预测高压换流阀厅环境因子的Elman神经网络预测模型。
在其中一个实施例中,根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型包括:根据高压换流阀厅内部的历史环境因子数据分别构建不同环境因子的样本数据集;对样本数据集中的所有数据进行归一化处理;基于样本数据集中的训练集数据建立初始Elman神经网络模型。
构建不同环境因子的样本数据集是指使用实际工程中收集的温、湿度数据分别构建温度和湿度样本数据集。采用生成滑动序列的方式从收集到的环境因子序列中抽取数据构建样本,并将样本数据集中前80%划分为训练集,后20%划分为测试集。预测时,以训练集为例,抽取x1~xN组成第一个样本,其中(x1,x2,…,xN-1)为自变量,xN为目标函数;同理,随机抽取x2~xN+1组成第二个样本,其中(x2,x3,…,xN)为自变量,xN+1为目标函数,以此类推,最终形成训练矩阵如下式(5)所示:
本实施例中,采用前16个时间点的环境因子数据预测第17个时间点的环境因子数据。例如,将x1~x16作为第一个训练样本的特征值,x17作为第一个训练样本的目标值;同理,将x2~x17作为第二个训练样本的特征值,x18作为第二个训练样本的目标值,以此类推,最终形成所有的训练样本。
另外,为了消除数据量纲的影响,使不同规格的数据转换到统一规格,还需要对样本数据集中的所有数据进行归一化处理。具体地,需要对样本数据集中的训练集数据和测试集数据分别进行归一化处理。数据归一化的公式如下式(6)所示,其中,x′为归一化后的数据,x为原始数据,xmin和xmax分别为原始数据中的最小值和最大值。
在其中一个实施例中,如图4所示,基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值包括:
S401:设定初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;
S402:随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;
S403:选择适应度值最低的个体作为最优个体,将最优个体作为生产者,根据AEO算法中生产者算子数学模型更新生产者的位置;
S404:将生产者之外的个体作为消费者,根据生成随机数的大小将消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新消费者的位置;
S405:根据AEO算法的适应度函数计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;
S406:根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体;
S407:判断最优个体的适应度值是否达到预设条件,若达到预设条件,则输出最优个体的适应度值;
S408:选取最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值。
通过对自然界中生态系统能量流动关系的模拟,AEO算法开发出三种算符,分别是生产者算子、消费者算子和分解者算子。其中,生产者算子旨在加强AEO算法全局勘探和局部开发之间的平衡能力,消费者算子用于改进AEO算法的全局探索能力,分解者算子旨在提升AEO算法的局部开发性能。在AEO算法中,遵循以下三个准则:
(1)生态系统作为一个种群,包括三种生物,分别是生产者,消费者和分解者。并且种群中只有一个生产者和一个分解者,其他均为消费者;
(2)消费者的每一个个体都以相同的概率被选择为食肉动物、草食动物或杂食动物;
(3)种群中每个个体的能量水平由其函数适应度值来评估。总体按照函数适应度值降序排序,函数适应度值越高表示最小化问题的能量级别越高。
本实施例中,AEO算法的寻优原理是将待优化的权值及阈值看作生产者、消费者和分解者中的一种,基于三者的能量传递机制得到最优权值与最优阈值。AEO算法中生产者、消费者与分解者算子的数学模型如下:
(1)生产者算子数学模型:
在AEO算法中,种群中的生产者需要根据搜索空间的上下界以及分解者进行更新,更新后的个体会引导种群中的其他个体,包括草食动物和杂食动物去寻找不同的区域。生产算子允许AEO算法在最佳个体(xn)和搜索空间中随机产生的一个个体(xrand)之间随机产生一个新个体来替换之前的个体。生产算子的数学模型可以表示为:
其中,n为种群数量,T为最大迭代次数,U和L分别为搜索空间的上下界。r1为[0,1]内的随机数,r为[0,1]内的随机向量,a为线性权重因子。xrand为搜索空间中随机产生的个体位置。
如式(7)所示,随着迭代次数的增加,生产者算子利用权重系数a,将个体从随机产生的位置线性漂移到最佳个体的位置。并且在迭代初期(t较小时),x1(t+1)引导其他个体在搜索空间中进行广泛的探索,在迭代后期(t较大时),x1(t+1)引导其他个体在最好个体xn附近进行深入的开发。因此,生产者算子可以很好的平衡算法的全局探索和局部开发的能力。
(2)消费者算子数学模型:
生产者完成生产操作后,所有消费者都可以进行消费操作。为了获得食物能量,每个消费者可以吃一个随机选择的能量水平较高的消费者或生产者,或两者都吃。所以对于消费者,被随机分为三种类型:
1)如果某一个消费者xi(t)被随机选择为食草动物,它只会吃生产者。食草动物的这种消费行为的数学模型可以表示为:
xi(t+1)=xi(t)+C·(xi(t)-x1(t)),i=2,3,…,n (8)
2)如果某一个消费者xi(t)被随机选择为食肉动物,它只能随机吃一个具有较高能量水平的其他消费者。食肉动物消费行为的数学模型方程如下式(9)所示,其中randi表示取整:
3)如果某一个消费者xi(t)被随机选择为杂食动物,它可以吃掉一个随机的能量水平较高的消费者和生产者。杂食动物消费行为的数学模型方程表示如式(10)所示,其中,r2为[0,1]内的一个随机数。
在上式(8)~(10)中,C是消费因子,为Levy飞行。Levy飞行是一种随机漫步,长用其来模仿许多动物的食物搜寻,它可以有效地探索搜索空间。Levy飞行的表达式如下:
v1~N(0,1),v2~N(0,1) (12)
在上式(12)中,v1和v2分别为服从标准正态分布的两个随机向量。
(3)分解者算子数学模型:
为提高算法的开发性能,AEO算法允许每个个体的下一个位置围绕最佳个体(xn)进行更新,并通过调节分解因子D和权重系数e、h来更新群体中第i个消费者的空间位置。其模拟分解行为的数学模型为:
xi(t+1)=xn(t)+D·(e·xn(t)-h·xi(t)),i=1,2,…,n (13)
D=3u,u~N(0,1) (14)
e=r3·randi([1 2])-1 (15)
h=2r3-1 (16)
在上式(16)中,r3为[0,1]内的一个随机数。
本实施例中,根据生产者、消费者和分解者算子的数学模型,不断更新种群中待优化个体的位置,基于三者的能量传递机制得到适应度函数值最小的个体作为最优权值与最优阈值,从而达到优化初始Elman神经网络模型各层之间的权值及阈值的效果。
在其中一个实施例中,上述基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值还包括:若最优个体的适应度值未达到预设条件,则重复执行将适应度值最低的个体作为生产者,更新生产者的位置;将生产者之外的个体作为消费者,更新消费者的位置;计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至最优个体的适应度值达到预设条件并输出达到预设条件的适应度值。
在本实施例中,若最优个体的适应度值未达到预设条件则继续使用AEO算法进行优化。具体地,仍然将种群中适应度值最低的个体作为生产者,将生产者之外的个体作为消费者,根据生产者算子模型和消费者算子模型更新上述生产者和消费者的位置,并根据上述生产者和消费者的适应度值更新适应度值最优的个体为最优个体,然后采用分解者算子模型更新每个个体的位置、并再次计算种群中每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至最优个体的适应度值达到预设条件并输出达到预设条件的适应度值。
在其中一个实施例中,上述基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值还包括:AEO算法的适应度函数为将权值及阈值赋给初始Elman神经网络模型后,初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和。
本实施例中,AEO算法的适应度函数取为初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和,通过计算预测值和实际观测值之间的绝对误差和量化模型的预测效果,从而使用AEO算法找到初始Elman神经网络模型中权值和阈值的最优解。适应度函数的具体表示如式(17)所示,
其中,predictedi为训练集中第i个个体的预测值,observedi为第i个个体的实际观测值。
在其中一个实施例中,本申请还提供了一种高压换流阀厅环境因子预测方法。所述方法包括:
S600:获取高压换流阀厅内部当前时间段对应的环境因子数据。
其中,当前时间段是指待预测时间点前的一段时间;环境因子数据与训练集中每一个训练样本形式保持一致。
本实施例中,采用待预测时间点前的16个时间点的环境因子数据预测第1个待预测时间点的环境因子数据。在获取第1个待预测时间点的环境因子数据后,还可以采用待预测时间点前的15个时间点的环境因子数据以及上述第1个待预测时间点的环境因子数据预测第2个待预测时间点的环境因子数据,以此类推,逐点向前预测,最终可以获取所有待预测时间点的环境因子数据。
S700:采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;其中,高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
其中,当前时间段对应的环境因子数据在输入至上述高压换流阀厅环境因子预测模型前,同样需要进行归一化处理;下一时间点对应的环境因子数据由模型中输出值进行反归一化后得到。
本实施例中,将当前时间段对应的数据进行预处理后输入至高压换流阀厅环境因子预测模型,将模型输出的预测数据进行反归一化后得到高压换流阀厅内部下一时间点对应的环境因子数据,从而使用基于AEO算法优化后的Elman神经网络模型,实现了对高压换流阀厅环境因子更精准的预测。
为详细说明本申请高压换流阀厅环境因子的预测模型构建方法以及预测方法的技术方案,下面将采用具体应用实例并结合图5说明整个处理过程,其具体包括以下步骤:
1、获取高压换流阀厅内部温湿度传感器按固定时间间隔采集到的温、湿度数据,即为高压换流阀厅内部的历史环境因子数据。
2、根据采集到的历史环境因子数据构建样本数据集,样本数据集采用生成滑动序列的方式从采集到的环境因子数据序列中抽取得到,每一个样本采用前16个时间点的历史环境因子数据预测第17个时间点的环境因子数据。
3、将样本数据集中前80%划分为训练集,后20%划分为测试集,分别对训练集和测试集中的数据进行归一化处理。
4、建立初始Elman神经网络模型,确定初始Elman神经网络模型的拓扑结构并初始化各层间的权值及阈值。
5、提取初始Elman神经网络模型中各层之间的权值及阈值,基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值,具体进行如下处理:
a)、设定初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数。
b)、随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值。
c)、选择适应度值最低的个体作为最优个体,将最优个体作为生产者,根据AEO算法中生产者算子数学模型更新生产者的位置。
d)、将生产者之外的个体作为消费者,根据生成随机数的大小将消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新消费者的位置。
e)、根据AEO算法的适应度函数计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体。
f)、根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体;
g)、判断最优个体的适应度值是否达到预设条件,若达到预设条件,则输出最优个体的适应度值;若未达到预设条件,则重复执行c)~f)直至最优个体的适应度值达到预设条件,输出最优个体的适应度值。
6、选取最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值,得到高压换流阀厅环境因子预测模型,基于测试集数据验证高压换流阀厅环境因子预测模型的准确性。
7、获取高压换流阀厅内部当前时间段对应的环境因子数据;
8、采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于高压换流阀厅环境因子预测模型构建方法的发明构思,如图6所示,本申请实施例还提供了一种用于实现上述所涉及的高压换流阀厅环境因子预测模型构建方法的高压换流阀厅环境因子预测模型构建装置。装置包括:
模型数据获取模块601,用于获取高压换流阀厅内部的历史环境因子数据;
初始模型构建模块602,用于根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
模型参数提取模块603,用于提取初始Elman神经网络模型中各层之间的权值及阈值;
模型参数优化模块604,用于基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
优化模型构建模块605,用于采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
上述高压换流阀厅环境因子预测模型构建装置,获取高压换流阀厅内部的历史环境因子数据;根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;提取初始Elman神经网络模型中各层之间的权值及阈值;基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。整个模型构建过程,在初始Elman神经网络模型的基础上引入AEO算法优化模型各层之间的权值及阈值,构建能精准预测高压换流阀厅环境因子的Elman神经网络预测模型。
在其中一个实施例中,初始模型构建模块602还用于根据高压换流阀厅内部的历史环境因子数据分别构建不同环境因子的样本数据集;对样本数据集中的所有数据进行归一化处理;基于样本数据集中的训练集数据建立初始Elman神经网络模型。
在其中一个实施例中,模型参数优化模块604还用于设定初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;选择适应度值最低的个体作为最优个体,将最优个体作为生产者,根据AEO算法中生产者算子数学模型更新生产者的位置;将生产者之外的个体作为消费者,根据生成随机数的大小将消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新消费者的位置;根据AEO算法的适应度函数计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体;判断最优个体的适应度值是否达到预设条件,若达到预设条件,则输出最优个体的适应度值;选取最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值。
在其中一个实施例中,模型参数优化模块604还用于在最优个体的适应度值未达到预设条件时,重复执行将适应度值最低的个体作为生产者,更新生产者的位置;将生产者之外的个体作为消费者,更新消费者的位置;计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至最优个体的适应度值达到预设条件并输出达到预设条件的适应度值。
在其中一个实施例中,模型参数优化模块604还用于获取AEO算法的适应度函数,AEO算法的适应度函数为将权值及阈值赋给初始Elman神经网络模型后,初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和。
基于高压换流阀厅环境因子预测方法的发明构思,如图7所示,本申请实施例还提供了一种用于实现上述所涉及的高压换流阀厅环境因子预测方法的高压换流阀厅环境因子预测装置。装置包括:
数据获取模块701,用于获取高压换流阀厅内部当前时间段对应的环境因子数据;
数据处理模块702,用于采用高压换流阀厅环境因子预测模型对当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;其中,所述高压换流阀厅环境因子预测模型采用上述高压换流阀厅环境因子预测模型构建方法构建得到。
上述高压换流阀厅环境因子预测模型构建装置以及高压换流阀厅环境因子预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高压换流阀厅环境因子预测模型构建方法以及高压换流阀厅环境因子预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取高压换流阀厅内部的历史环境因子数据;
根据高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取初始Elman神经网络模型中各层之间的权值及阈值;
基于AEO算法优化初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
采用最优权值与最优阈值对初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据高压换流阀厅内部的历史环境因子数据分别构建不同环境因子的样本数据集;对样本数据集中的所有数据进行归一化处理;基于样本数据集中的训练集数据建立初始Elman神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:设定初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;选择适应度值最低的个体作为最优个体,将最优个体作为生产者,根据AEO算法中生产者算子数学模型更新生产者的位置;将生产者之外的个体作为消费者,根据生成随机数的大小将消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新消费者的位置;根据AEO算法的适应度函数计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体;判断最优个体的适应度值是否达到预设条件,若达到预设条件,则输出最优个体的适应度值;选取最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若最优个体的适应度值未达到预设条件,则重复执行将适应度值最低的个体作为生产者,更新生产者的位置;将生产者之外的个体作为消费者,更新消费者的位置;计算当前每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新每个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至最优个体的适应度值达到预设条件并输出达到预设条件的适应度值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取AEO算法的适应度函数,AEO算法的适应度函数为将权值及阈值赋给初始Elman神经网络模型后,初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种高压换流阀厅环境因子预测模型构建方法,其特征在于,所述方法包括:
获取高压换流阀厅内部的历史环境因子数据;
根据所述高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
提取所述初始Elman神经网络模型中各层之间的权值及阈值;
设定所述初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;
随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;
选择适应度值最低的个体作为最优个体,将所述最优个体作为生产者,根据AEO算法中生产者算子数学模型更新所述生产者的位置;
将所述生产者之外的个体作为消费者,根据生成随机数的大小将所述消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新所述消费者的位置;
根据AEO算法的适应度函数计算当前所述每个个体的适应度值,更新适应度值最低的个体作为最优个体;
根据分解者算子的数学模型更新所述每个个体的位置并根据AEO算法的适应度函数计算所述每个个体的适应度值,更新适应度值最低的个体作为最优个体;
判断所述最优个体的适应度值是否达到预设条件,若达到预设条件,则输出所述最优个体的适应度值;
选取所述最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值;
采用所述最优权值与最优阈值对所述初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型包括:
根据所述高压换流阀厅内部的历史环境因子数据分别构建不同环境因子的样本数据集;
对所述样本数据集中的所有数据进行归一化处理;
基于所述样本数据集中的训练集数据建立初始Elman神经网络模型。
3.根据权利要求1所述的方法,其特征在于,还包括:
若所述最优个体的适应度值未达到预设条件,则重复执行将所述适应度值最低的个体作为生产者,更新所述生产者的位置;
将所述生产者之外的个体作为消费者,更新所述消费者的位置;
计算当前所述每个个体的适应度值,更新适应度值最低的个体作为最优个体;
根据分解者算子的数学模型更新所述每个个体的位置并根据AEO算法的适应度函数计算所述每个个体的适应度值,更新适应度值最低的个体作为最优个体,直至所述最优个体的适应度值达到预设条件,输出所述达到预设条件的适应度值。
4.根据权利要求1所述的方法,其特征在于,所述AEO算法的适应度函数为将所述权值及阈值赋给初始Elman神经网络模型后,所述初始Elman神经网络模型的预测值和实际观测值之间的绝对误差和。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述初始Elman神经网络模型中各层之间的权值及阈值包括:反馈层到隐含层连接权值w1、输入层到隐含层连接权值w2、输入层到隐含层连接权值w3、输入层阈值b1以及隐含层阈值b2。
6.一种高压换流阀厅环境因子预测方法,其特征在于,所述方法包括:
获取高压换流阀厅内部当前时间段对应的环境因子数据;
采用高压换流阀厅环境因子预测模型对所述当前时间段对应的环境因子数据进行处理,预测所述高压换流阀厅内部下一时间点对应的环境因子数据;
其中,所述高压换流阀厅环境因子预测模型采用如权利要求1至5中任一项所述的高压换流阀厅环境因子预测模型构建方法构建得到。
7.一种高压换流阀厅环境因子预测模型构建装置,其特征在于,所述装置包括:
模型数据获取模块,用于获取高压换流阀厅内部的历史环境因子数据;
初始模型构建模块,用于根据所述高压换流阀厅内部的历史环境因子数据,建立初始Elman神经网络模型;
模型参数提取模块,用于提取所述初始Elman神经网络模型中各层之间的权值及阈值;
模型参数优化模块,用于基于AEO算法优化所述初始Elman神经网络模型各层之间的权值及阈值,得到最优权值与最优阈值;
优化模型构建模块,用于采用所述最优权值与最优阈值对所述初始Elman神经网络模型进行优化,得到高压换流阀厅环境因子预测模型
模型参数优化模块,还用于设定所述初始Elman神经网络模型各层之间的权值及阈值的搜索范围以及AEO算法的种群数量和最大迭代次数;随机初始化AEO算法中各个个体的位置并根据AEO算法的适应度函数计算每个个体的适应度值;选择适应度值最低的个体作为最优个体,将所述最优个体作为生产者,根据AEO算法中生产者算子数学模型更新所述生产者的位置;将所述生产者之外的个体作为消费者,根据生成随机数的大小将所述消费者分配为食草动物、食肉动物和杂食动物,根据AEO算法中食草动物、食肉动物和杂食动物算子数学模型更新所述消费者的位置;根据AEO算法的适应度函数计算当前所述每个个体的适应度值,更新适应度值最低的个体作为最优个体;根据分解者算子的数学模型更新所述每个个体的位置并根据AEO算法的适应度函数计算所述每个个体的适应度值,更新适应度值最低的个体作为最优个体;判断所述最优个体的适应度值是否达到预设条件,若达到预设条件,则输出所述最优个体的适应度值;选取所述最优个体的适应度值作为Elman神经网络模型的最优权值与最优阈值。
8.一种高压换流阀厅环境因子预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取高压换流阀厅内部当前时间段对应的环境因子数据;
数据处理模块,用于采用高压换流阀厅环境因子预测模型对所述当前时间段对应的环境因子数据进行处理,预测高压换流阀厅内部下一时间点对应的环境因子数据;
其中,所述高压换流阀厅环境因子预测模型采用如权利要求1至5中任一项所述的高压换流阀厅环境因子预测模型构建方法构建得到。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148759.5A CN115577618B (zh) | 2022-09-21 | 2022-09-21 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148759.5A CN115577618B (zh) | 2022-09-21 | 2022-09-21 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115577618A CN115577618A (zh) | 2023-01-06 |
CN115577618B true CN115577618B (zh) | 2024-04-09 |
Family
ID=84581082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148759.5A Active CN115577618B (zh) | 2022-09-21 | 2022-09-21 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577618B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
WO2021027139A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于小波神经网络的交通流数据预测方法和装置 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
CN114202111A (zh) * | 2021-11-19 | 2022-03-18 | 华南理工大学 | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 |
CN114647933A (zh) * | 2022-03-10 | 2022-06-21 | 中电普瑞电力工程有限公司 | 一种换流阀的状态检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6901391B2 (en) * | 2001-03-21 | 2005-05-31 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
-
2022
- 2022-09-21 CN CN202211148759.5A patent/CN115577618B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
WO2021027139A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于小波神经网络的交通流数据预测方法和装置 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
CN114202111A (zh) * | 2021-11-19 | 2022-03-18 | 华南理工大学 | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 |
CN114647933A (zh) * | 2022-03-10 | 2022-06-21 | 中电普瑞电力工程有限公司 | 一种换流阀的状态检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于PSO-Elman神经网络的短期电力负荷预测;陈杰;高翠云;胡;;安徽建筑大学学报(第01期);85-89 * |
高压直流输电工程换流阀水冷系统模拟与分析;王辉;闰兴龙;王强;姜海波;;科技风(第36期);235 * |
Also Published As
Publication number | Publication date |
---|---|
CN115577618A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dey et al. | Metamodel based high-fidelity stochastic analysis of composite laminates: A concise review with critical comparative assessment | |
CN110232444B (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
KR102430483B1 (ko) | 반도체 소자의 배치를 평가하는 방법 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Ling et al. | An intelligent sampling framework for multi-objective optimization in high dimensional design space | |
CN113065013A (zh) | 图像标注模型训练和图像标注方法、系统、设备及介质 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN114912578A (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
CN117250914A (zh) | 制造过程捕获的测量数据训练机器学习模型的方法和系统 | |
Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN115577618B (zh) | 高压换流阀厅环境因子预测模型构建方法与预测方法 | |
CN115392594B (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN111612246A (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
CN116682506A (zh) | 数据处理方法、训练方法、确定方法、设计方法和装置 | |
CN116608551A (zh) | 冷负荷预测方法和装置、电子设备及存储介质 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
Dan et al. | Application of machine learning in forecasting energy usage of building design | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
Ling et al. | Efficient robust design optimization using Gaussian process and intelligent sampling | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
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 |