CN116306893B - 一种接触网覆冰预警方法 - Google Patents
一种接触网覆冰预警方法 Download PDFInfo
- Publication number
- CN116306893B CN116306893B CN202310587382.1A CN202310587382A CN116306893B CN 116306893 B CN116306893 B CN 116306893B CN 202310587382 A CN202310587382 A CN 202310587382A CN 116306893 B CN116306893 B CN 116306893B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- data
- network model
- sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 239000011248 coating agent Substances 0.000 claims abstract description 16
- 238000000576 coating method Methods 0.000 claims abstract description 16
- 238000011478 gradient descent method Methods 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000001994 activation Methods 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 abstract description 15
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000036626 alertness Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Emergency Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种接触网覆冰预警方法，该方法通过构建多层次结构的神经网络模型，利用其中的预处理层得到中间最优权重和中间最优阈值，能够避免神经网络反向传递过程陷入反向优化和局部最优的困境，缩短神经网络优化的时间，提高接触网覆冰预警的精度和速度，以及抗环境干扰的能力；将各数据传感器的维度数据通过神经网络模型的输入层进行归一化处理，以得到各维度数据所对应的预处理修正序列集，能够减小环境因素对传感器数据的扰动，降低系统报警信号误触概率；利用梯度下降法进行神经网络反向传递，进一步优化神经网络模型的权值和阈值，缩短了接触网覆冰的预测时间，提高模型预测结果的正确率。
Description
技术领域
本发明涉及接触网检测技术领域，特别是涉及一种接触网覆冰预警方法。
背景技术
接触网是铁路电能传输的主要部件，接触网的正常、安全运行是避免铁路运输发生重大事故的重要保障，而覆冰事故是电气化铁路比较常见的自然灾害。接触网覆冰可能会造成接触线磨损、断线故障，严重情况下，甚至会导致接触网供电异常，从而使电力机车列车停运。此外覆冰的接触网在风中舞动快，幅度大，容易造成设备损坏。接触网覆冰影响范围广、危害大、抢修难度高，严重覆冰会造成供电中断，列车停运，给铁路系统的安全稳定运行造成严重威胁。
为了防止接触网覆冰对铁路系统造成重大损坏，通常会采取人工巡检和覆冰监测系统。而现有技术中的覆冰监测系统由于其内部的传感器的局限性、方法的局限性，经常无法准确预警，抗干扰能力差，从而覆冰初期发生时很难做到及时发现以及有效控制。
发明内容
本发明的目的在于提供一种接触网覆冰预警方法，以解决现有技术无法准确预警、抗干扰能力差的问题。
一种接触网覆冰预警方法，应用于接触网覆冰预警装置，所述接触网覆冰预警装置上设有多个数据传感器，所述接触网覆冰预警方法包括以下步骤：
步骤S1，构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括预处理层，输入层，中间层，输出层；
步骤S2，将所述神经网络模型的权值和阈值随机初始化，将初始化的权值和阈值输入至预处理层进行神经网络模型优化，其中，利用适应度分配函数计算初始化种群的适应度，适应度分配函数F的表达式为：
其中，q为输出层节点个数，m表示第m个输出层节点，y m为神经网络模型的期望输出值，x m神经网络模型的实际输出结果；
步骤S3，获取各数据传感器的维度数据，并分别将各维度数据输入至输入层进行数据处理，以得到各维度数据对应的预处理序列，将各预处理序列组合进行归一化处理后得到预处理修正序列集，预处理修正序列集的表达式为：
其中，表示数据传感器编号，j表示数据传感器的采样时刻，y表示数据传感器的采样日期，D表示数据传感器的采样年份，/>表示第/>个传感器的预处理修正序列集，表示第/>个传感器在第1采样时刻的预处理修正序列，/>表示第/>个传感器在第2采样时刻的预处理修正序列，/>表示第/>个传感器在第3采样时刻的预处理修正序列，/>表示第/>个传感器在第j采样时刻的预处理修正序列，/>表示第/>个传感器在一天内不同时刻的维度数据组成的序列，/>表示理想传感器数据序列，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的均方值，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的中位数；
步骤S4，将预处理修正序列集通过中间层中的隐层模块进行激活处理和数据处理，以得到中间数据集；
步骤S5，将中间数据集输入至输出层，获得实际输出，并通过全局误差函数计算网络全局误差，利用梯度下降法进行神经网络反向传递，对输入层、中间层、输出层的层次结构逐层计算权值和阈值的下降梯度，进一步优化神经网络模型的权值和阈值；
步骤S6，判断步骤S5的输出结果是否达到设定要求，若未达到，则将各维度数据按照上述步骤S3至步骤S5进行反复迭代，直至输出结果达到设定要求，并输出迭代后的概率值；
步骤S7，判断迭代后的概率值是否达到预设的接触网覆冰概率阈值，若迭代后的概率值达到预设的接触网覆冰概率阈值，则发出覆冰报警信号。
根据本发明提供的接触网覆冰预警方法，具有以下有益效果：
（1）通过构建多层次结构的神经网络模型，利用其中的预处理层得到中间最优权重和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化，能够避免神经网络反向传递过程陷入反向优化和局部最优的困境，缩短神经网络优化的时间，提高接触网覆冰预警的精度和速度，以及抗环境干扰的能力；
（2）将每个样本对应的q+1改进型实际值均方差值的倒数作为适应度，从而提高适应度较小的个体的适应度和被选择概率，进而避免在迭代初期，种群的选择过程被适应度值较高的个体控制，使全局优化陷入局部最优解，进而影响神经网络模型的预测结果；
（3）将各数据传感器的维度数据通过神经网络模型的输入层进行归一化处理，以得到各维度数据所对应的预处理修正序列集，通过改进z-score归一化来去除现有技术中传感器产生的粗大误差，随机误差，能有效的抑制传感器采集的异常数据对预测结果的影响，增强预处理修正序列的鲁棒性，增强数据的可靠性、以及仪器对恶性天气的适用性，防止在相对较差环境下对接触网覆冰进行监测报警时，经常产生误判，错判，致使监控人员对报警失去警觉，同时还能够移除环境因素对传感器数据的扰动，减小误报率；
（4）将预处理修正序列集通过中间层中的隐层模块进行数据处理得到中间数据集，利用输出层得到实际输出以及网络全局误差，利用梯度下降法进行神经网络反向传递，进一步优化神经网络模型的权值和阈值，能够有效的防止层激活输出在神经网络的反向传递过程中爆炸或消失，缩短了接触网覆冰的预测时间，提高模型预测结果的正确率；最后将各维度数据在神经网络模型中反复迭代，输出迭代后的概率值，进而根据获得的概率值自动判断是否需要发出覆冰报警信号。
附图说明
图1为一实施例的接触网覆冰预警方法的流程示意图；
图2为步骤S202的详细流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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做出创造性劳动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。
本发明的实施例提供一种接触网覆冰预警方法，应用于接触网覆冰预警装置，所述接触网覆冰预警装置包括可拆卸移动监测端以及接触网覆冰预警端，所述可拆卸移动监测端用于实时监测接触网的情况，所述接触网覆冰预警端用于处理设置在所述移动监测端上的多个数据传感器所传递的数据。在本申请中，移动监测端可以固定安装在接触网支架上，进而实现实时监测的功能，装置的可拆卸也方便移动转移。
在本实施例中，所述数据传感器包括风速风向一体传感器、雨量检测传感器、湿度传感器、气压传感器、温度传感器以及结冰传感器，风速风向一体传感器用于监测设备所处环境的风速和风向，雨量检测传感器用于监测设备所处环境的降雨量，湿度传感器用于监测接触网周围的湿度，气压传感器用于进行大气压的感知和监测，温度传感器用于获取环境温度，结冰传感器用于获取接触网的覆冰厚度。
可以理解的，示例而非限定，在其他实施例中，所述数据传感器还可以包括其他能够获取到接触网的数据传感器，例如：图像传感器等。
所述移动监测端包括SMT32型MCU模块、GPS北斗双模定位模块、MS21SF1无线传输模块以及锂电池模块和太阳能板。SMT32型MCU模块用于存储预处理各数据传感器采集的数据，GPS北斗双模定位模块采用基于ATGM336H-5N的高性能BDS/GNSS定位导航模块，用于将设备位置的经纬度传递给SMT32型MCU模块，实现设备的定位，MS21SF1无线传输模块用于发送传感器采集的数据，MS21SF1无线传输模块是选用了无线半双工收发芯片SX1262进行数据发送，同时采用OGC300系列工业级LoRa网关进行数据接收，实现远距离传输，锂电池模块和太阳能板用于给设备供电，同时太阳能板可提高移动端的续航能力。
所述接触网覆冰预警端包括上位机、下位机，LoRa网关。所述LoRa网关采用OGC300系列工业级LoRa网关，可接收多个接触网沿线子站无线信号发射组件发送的数据，同时通过云服务器向上位机发送接触网覆冰数据。所述下位机采用SMT32系列高性能MCU模块作为数据处理模块，建立网络模型，可对接触网覆冰进行及时预警。所述上位机安装相应的应用软件，通过云服务器获取相应数据，可实时监测接触网沿线子站情况。
基于上述接触网覆冰预警装置，请参阅图1，所述接触网覆冰预警方法具体包括步骤S1至S7：
步骤S1，构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括预处理层，输入层，中间层，输出层。
在具体实施时，创建多层次结构的神经网络模型（包括预处理层，输入层，中间层以及输出层），其中，预处理层用于优化神经网络模型的权值和阈值，进而提升神经网络模型的训练速度和精度；
输入层用于获取各数据传感器的维度数据，并分别将各维度数据输入至输入层进行趋势分解，以得到各维度数据所对应的预处理序列，将各所述预处理序列组合进行归一化处理得到预处理修正序列集；
中间层用于将所述预处理修正序列集输入中间层，设置中间层激活函数为sigmoid函数，得到中间数据集；
输出层用于将所述中间数据集输入至所述输出层，得到实际输出数据。
步骤S2，将所述神经网络模型的权值和阈值随机初始化，将初始化的权值和阈值输入至预处理层进行神经网络模型优化。
其中，步骤S2具体包括：
S201，将所述神经网络模型的权值和阈值随机初始化，初始化的权值和阈值满足正态分布；
具体的，将输入层与中间层之间的权值和阈值、中间层与输出层之间的权值和阈值都随机初始化，初始化的权值和阈值满足正态分布。
需要说明的是，权重和阈值两个数值可以由用户执行设定，也可以通过系统自动生成。
S202，将初始化的权值和阈值输入至预处理层，输出中间最优权值和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化。
将初始化的权值和阈值输入预处理层，进行种群初始化、适应度计算，对所述种群进行选择运算、交叉运算和变异运算的迭代，直至完成迭代次数，输出中间最优权值和中间最优阈值对神经网络模型进行优化。
具体的，请参阅图2，步骤S202包括步骤S2021~S2025：
S2021，分别对初始化的权值和阈值使用实数编码公式进行编码，随机生成规模为N个个体的初始化种群，确定进化迭代数、交叉概率以及变异概率；
其中，所述实数编码公式的表达式为：
；
式中，为实数编码总数，H为中间层节点个数，I为输入层节点个数，O为输出层节点个数，/>为总节点数。
在本实例中，H为13，I为6，O为1，为14，权值为91，阈值b为14，N选择40个，最大进化迭代数选择200次，交叉概率为0.8，变异概率为0.02。
S2022，利用适应度分配函数计算上述初始化种群的适应度，获得初始化种群的适应度大小排列；
其中，适应度分配函数F的表达式为：
其中，q为输出层节点个数，m表示第m个输出层节点，y m为神经网络模型的期望输出值，x m神经网络模型的实际输出结果。
S2023，对上述初始化种群的适应度进行选择运算、交叉运算以及变异运算，获得新种群；
其中，步骤S2023具体包括：
对初始化种群的适应度采用随机遍历抽样的选择运算，等间距选择k个个体（本实施例中，k为10），获得待定个体集；
将上述待定个体集两两分组进行单点交叉，单点位置利用随机选取，交叉概率为0.8，获得交叉个体集；
将上述交叉个体集进行变异运算，变异位置利用随机选取，变异概率为0.02，获得新种群。
S2024，对所述新种群重复执行上述步骤S2021至S2023，将每代的适应度最优个体存储记录，直到满足优化标准为止，输出最优值；
本实施例中，对新种群进行迭代，重复执行上述步骤S2021至S2023，将每代的适应度最优个体存储记录，若新种群最优个体与上一代最优个体差值小于0.01，否则继续迭代，直至最大进化迭代数大于等于200次。
S2025，通过所述最优值优化所述神经网络模型的权值和阈值，得到中间最优权值和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化。
具体的，比较存储的历史最优个体，输出其中的最优个体优化权值和阈值。
可以理解的，本实施例通过利用正态分布随机数初始化权值和阈值来提高神经网络模型的优化效率，从而提高接触网覆冰预警的可靠性，在其他实施例中，个体数N、最大进化迭代数、交叉概率、变异概率可以由用户执行设定，也可以通过系统自动生成。
本实施例中，利用预处理层，将初始化的权值和阈值进行实数编码，获得初始化种群，将初始化种群进行选择、交叉和变异运算得到新种群，将新种群进行反复迭代，以得到适应度最大的中间最优权重和中间最优阈值，将所获得的中间最优权重和中间最优阈值输出优化神经网络模型，能够避免神经网络反向传递过程陷入反向优化和局部最优的困境，缩短神经网络优化的时间，进一步提高接触网覆冰预警的精度和速度，以及抗环境干扰的能力。
步骤S3，获取各数据传感器的维度数据，并分别将各维度数据输入至输入层进行数据处理，以得到各维度数据对应的预处理序列，将各预处理序列组合进行归一化处理后得到预处理修正序列集。
其中，预处理修正序列集的表达式为：
其中，表示数据传感器编号，j表示数据传感器的采样时刻，y表示数据传感器的采样日期，D表示数据传感器的采样年份，/>表示第/>个传感器的预处理修正序列集，表示第/>个传感器在第1采样时刻的预处理修正序列，/>表示第/>个传感器在第2采样时刻的预处理修正序列，/>表示第/>个传感器在第3采样时刻的预处理修正序列，/>表示第/>个传感器在第j采样时刻的预处理修正序列，/>表示第/>个传感器在一天内不同时刻的维度数据组成的序列，/>表示理想传感器数据序列，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的均方值，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的中位数。
可以理解的，本实施例通过归一化处理来去除现有技术中传感器产生的粗大误差，随机误差，增强数据的可靠性、以及仪器对恶心天气的适用性，防止在相对较差环境下对接触网覆冰进行监测报警时，经常产生误判，错判，致使监控人员对报警失去警觉，同时还能够移除环境因素对传感器数据的扰动，减小误报率。
步骤S4，将预处理修正序列集通过中间层中的隐层模块进行激活处理和数据处理，以得到中间数据集。
其中，将上述得到的预处理修正序列集与中间层节点阈值加权输入至隐层模块，进而得到中间输出值/>：
其中，zm表示中间层的个数，zi表示第zi个中间层，表示第zi个中间层的权值，表示第zi个中间层的阈值。
隐层模块激活处理的激活函数的表达式为：
其中，表示隐层模块的输入值。
进一步的，得到由激活函数加权处理后的中间数据集B i：
其中，f表示激活函数。
本实施例通过在隐层模块的数据处理，得到中间数据集，为下一步骤做准备。
步骤S5，将中间数据集输入至输出层，获得实际输出，并通过全局误差函数计算网络全局误差，利用梯度下降法进行神经网络反向传递，对输入层、中间层、输出层的层次结构逐层计算权值和阈值的下降梯度，进一步优化神经网络模型的权值和阈值。
在具体实施中，根据上述所得到的中间数据集，输入输出层加权输出，获得实际输出，/>的运算公式如下：
式中，是输出层节点数，ip表示第ip个输出层节点数，v ip为输出层权值，/>为输出层阈值，f表示激活函数。
进一步的计算出网络全局误差，所述全局误差函数E的表达式为：
其中，x表示第x次训练样本，M为总的训练次数，Y P表示期望输出值，O Px表示实际输出值，为输出补偿值，在本实施例中，/>取值为0.05。
进一步的，所述梯度下降法采用AdaMax算法，对神经网络模型进行优化，对输出层、中间层，输出层层次结构逐层计算权值和阈值的下降梯度，进一步优化神经网络模型的权值和阈值。
步骤S6，判断步骤S5的输出结果是否达到设定要求，若未达到，则将各维度数据按照上述步骤S3至步骤S5进行反复迭代，直至输出结果达到设定要求，并输出迭代后的概率值。
在具体实施中，在迭代过程中，神经网络模型设置最小训练批量为50，最大训练次数为2000次，训练目标为0.01，学习速率为0.1，采用自反馈的实施方式，找到局部最优解，上述四个数据可以由人为设定，也可以由系统自动生成。
可以理解的，本实施例通过AdaMax算法优化所述神经网络的权值和阈值，有效的防止层激活输出在神经网络的反向传递过程中爆炸或消失，缩短了接触网覆冰的预测时间，实现了更快的收敛速度和更高的准确性，减小了覆冰误报率。
步骤S7，判断迭代后的概率值是否达到预设的接触网覆冰概率阈值，若迭代后的概率值达到预设的接触网覆冰概率阈值，则发出覆冰报警信号。
在具体实施时，判断上述得到的迭代后的概率值是否达到预设的接触网覆冰概率阈值，若达到预设的接触网覆冰概率阈值，即接触网上的覆冰已达到预警临界值，此时，发送对应的报警信息，通知工作人员及时对接触网采取除冰措施。
综上，根据上述的接触网覆冰预警方法，通过构建多层次结构的神经网络模型，利用其中的预处理层得到中间最优权重和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化，能够避免神经网络反向传递过程陷入反向优化和局部最优的困境，缩短神经网络优化的时间，提高接触网覆冰预警的精度和速度，以及抗环境干扰的能力；将各数据传感器的维度数据通过神经网络模型的输入层进行归一化处理，以得到各维度数据所对应的预处理修正序列集，能够减小环境因素对传感器数据的扰动，降低系统报警信号误触概率；将预处理修正序列集通过中间层中的隐层模块进行数据处理得到中间数据集，利用输出层得到实际输出以及网络全局误差，利用梯度下降法进行神经网络反向传递，进一步优化神经网络模型的权值和阈值，能够有效的防止层激活输出在神经网络的反向传递过程中爆炸或消失，缩短了接触网覆冰的预测时间，提高模型预测结果的正确率；最后将各维度数据在神经网络模型中反复迭代，输出迭代后的概率值，进而根据获得的概率值自动判断是否需要发出覆冰报警信号。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种接触网覆冰预警方法，应用于接触网覆冰预警装置，所述接触网覆冰预警装置上设有多个数据传感器，其特征在于，所述接触网覆冰预警方法包括以下步骤：
步骤S1，构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括预处理层，输入层，中间层，输出层；
步骤S2，将所述神经网络模型的权值和阈值随机初始化，将初始化的权值和阈值输入至预处理层进行神经网络模型优化，其中，利用适应度分配函数计算初始化种群的适应度，适应度分配函数F的表达式为：
其中，q为输出层节点个数，m表示第m个输出层节点，y m为神经网络模型的期望输出值，x m神经网络模型的实际输出结果；
步骤S3，获取各数据传感器的维度数据，并分别将各维度数据输入至输入层进行数据处理，以得到各维度数据对应的预处理序列，将各预处理序列组合进行归一化处理后得到预处理修正序列集，预处理修正序列集的表达式为：
其中，表示数据传感器编号，j表示数据传感器的采样时刻，y表示数据传感器的采样日期，D表示数据传感器的采样年份，/>表示第/>个传感器的预处理修正序列集，/>表示第/>个传感器在第1采样时刻的预处理修正序列，/>表示第/>个传感器在第2采样时刻的预处理修正序列，/>表示第/>个传感器在第3采样时刻的预处理修正序列，表示第/>个传感器在第j采样时刻的预处理修正序列，/>表示第/>个传感器在一天内不同时刻的维度数据组成的序列，/>表示理想传感器数据序列，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的均方值，/>表示第/>个传感器在D年内每天第j时刻得到的传感器数据的中位数；
步骤S4，将预处理修正序列集通过中间层中的隐层模块进行激活处理和数据处理，以得到中间数据集；
步骤S5，将中间数据集输入至输出层，获得实际输出，并通过全局误差函数计算网络全局误差，利用梯度下降法进行神经网络反向传递，对输入层、中间层、输出层的层次结构逐层计算权值和阈值的下降梯度，进一步优化神经网络模型的权值和阈值；
步骤S6，判断步骤S5的输出结果是否达到设定要求，若未达到，则将各维度数据按照上述步骤S3至步骤S5进行反复迭代，直至输出结果达到设定要求，并输出迭代后的概率值；
步骤S7，判断迭代后的概率值是否达到预设的接触网覆冰概率阈值，若迭代后的概率值达到预设的接触网覆冰概率阈值，则发出覆冰报警信号；
其中，步骤S2具体包括：
S201，将所述神经网络模型的权值和阈值随机初始化，初始化的权值和阈值满足正态分布；
S202，将初始化的权值和阈值输入至预处理层，输出中间最优权值和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化；
步骤S202具体包括：
S2021，分别对初始化的权值和阈值使用实数编码公式进行编码，随机生成规模为N个个体的初始化种群，确定进化迭代数、交叉概率以及变异概率；
S2022，利用适应度分配函数计算上述初始化种群的适应度，获得初始化种群的适应度大小排列；
S2023，对上述初始化种群的适应度进行选择运算、交叉运算以及变异运算，获得新种群；
S2024，对所述新种群重复执行上述步骤S2021至S2023，将每代的适应度最优个体存储记录，直到满足优化标准为止，输出最优值；
S2025，通过所述最优值优化所述神经网络模型的权值和阈值，得到中间最优权值和中间最优阈值，通过中间最优权值和中间最优阈值对神经网络模型进行优化。
2.根据权利要求1所述的接触网覆冰预警方法，其特征在于，步骤S2021中，所述实数编码公式的表达式为：
；
式中，为实数编码总数，H为中间层节点个数，I为输入层节点个数，O为输出层节点个数，/>为总节点数。
3.根据权利要求2所述的接触网覆冰预警方法，其特征在于，步骤S2023具体包括：
对初始化种群的适应度采用随机遍历抽样的选择运算，等间距选择k个个体，获得待定个体集；
将上述待定个体集两两分组进行单点交叉，单点位置利用随机选取，交叉概率为0.8，获得交叉个体集；
将上述交叉个体集进行变异运算，变异位置利用随机选取，变异概率为0.02，获得新种群。
4.根据权利要求1所述的接触网覆冰预警方法，其特征在于，步骤S4中，隐层模块激活处理的激活函数的表达式为：
其中，表示隐层模块的输入值。
5.根据权利要求1所述的接触网覆冰预警方法，其特征在于，步骤S5中，所述梯度下降法采用AdaMax算法。
6.根据权利要求1所述的接触网覆冰预警方法，其特征在于，步骤S5中，全局误差函数E的表达式为：
其中，x表示第x次训练样本，M为总的训练次数，Y P表示期望输出值，O Px表示实际输出值，为输出补偿值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587382.1A CN116306893B (zh) | 2023-05-24 | 2023-05-24 | 一种接触网覆冰预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587382.1A CN116306893B (zh) | 2023-05-24 | 2023-05-24 | 一种接触网覆冰预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306893A CN116306893A (zh) | 2023-06-23 |
| CN116306893B true CN116306893B (zh) | 2023-07-28 |
Family
ID=86785473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587382.1A Active CN116306893B (zh) | 2023-05-24 | 2023-05-24 | 一种接触网覆冰预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306893B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446525A (zh) * | 2019-09-05 | 2021-03-05 | 中国电力科学研究院有限公司 | 一种输电导线舞动预警方法及装置 |
| CN115081592A (zh) * | 2022-06-13 | 2022-09-20 | 华设设计集团股份有限公司 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
| WO2022252408A1 (zh) * | 2021-06-01 | 2022-12-08 | 国网重庆市电力公司电力科学研究院 | 基于多传感器数据融合的自供电输电线路在线监测系统 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7502768B2 (en) * | 2004-02-27 | 2009-03-10 | Siemens Building Technologies, Inc. | System and method for predicting building thermal loads |
| US8762306B2 (en) * | 2008-08-14 | 2014-06-24 | The University Of Toledo | Neural network for glucose therapy recommendation |
| CN103673960B (zh) * | 2012-08-30 | 2016-12-21 | 国际商业机器公司 | 用于预测输电线路上的覆冰状态的方法和装置 |
| CN105139274A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 基于量子粒子群与小波神经网络的输电线路覆冰预测方法 |
| CN106595551B (zh) * | 2016-12-13 | 2019-01-04 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
| KR102027252B1 (ko) * | 2017-12-28 | 2019-10-01 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
| CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
| CN110188397B (zh) * | 2019-05-06 | 2022-07-19 | 南瑞集团有限公司 | 一种架空输电线路覆冰预测模型和方法 |
| CN112329359B (zh) * | 2020-11-12 | 2022-07-08 | 天津工业大学 | 一种明冰条件下风力机翼型气动性能的神经网络预测方法 |
| CN113095477B (zh) * | 2021-03-17 | 2024-02-09 | 西安理工大学 | 基于de-bp神经网络的风电功率预测方法 |
| CN113642653B (zh) * | 2021-08-16 | 2023-02-07 | 苏州大学 | 基于结构优化算法的复值神经网络的信号调制识别方法 |
| CN113687654A (zh) * | 2021-08-24 | 2021-11-23 | 迪比（重庆）智能科技研究院有限公司 | 一种基于进化算法的神经网络训练方法及路径规划方法 |
| CN113917566B (zh) * | 2021-09-28 | 2023-06-27 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
| CN114648102B (zh) * | 2022-05-24 | 2022-08-05 | 华东交通大学 | 火灾报警方法、系统、可读存储介质及计算机设备 |
| CN115422995A (zh) * | 2022-08-03 | 2022-12-02 | 沈阳化工大学 | 一种改进社交网络和神经网络的入侵检测方法 |
| CN115718970A (zh) * | 2022-10-08 | 2023-02-28 | 三峡大学 | 一种基于ga-bp神经网络的架空输电线覆冰厚度预测方法 |
| CN115994604A (zh) * | 2022-10-08 | 2023-04-21 | 三峡大学 | 基于gwo-ga优化网络的架空线输电线路短期覆冰厚度预测方法 |
-
2023
- 2023-05-24 CN CN202310587382.1A patent/CN116306893B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446525A (zh) * | 2019-09-05 | 2021-03-05 | 中国电力科学研究院有限公司 | 一种输电导线舞动预警方法及装置 |
| WO2022252408A1 (zh) * | 2021-06-01 | 2022-12-08 | 国网重庆市电力公司电力科学研究院 | 基于多传感器数据融合的自供电输电线路在线监测系统 |
| CN115081592A (zh) * | 2022-06-13 | 2022-09-20 | 华设设计集团股份有限公司 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于GA-BP与多隐层BP网络模型的水质预测及比较分析;王泽平;;水资源与水工程学报(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306893A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102682573B (zh) | 一种基于时间序列分析的风暴潮灾害预警系统 | |
| CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN103020740A (zh) | 一种基于微气象数据的电力线路覆冰厚度预测方法 | |
| Hou et al. | A hybrid prediction model for damage warning of power transmission line under typhoon disaster | |
| Wei | Development of Stacked Long Short‐Term Memory Neural Networks with Numerical Solutions for Wind Velocity Predictions | |
| Huang et al. | Short‐term ice accretion forecasting model for transmission lines with modified time‐series analysis by fireworks algorithm | |
| CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
| Wang et al. | CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas | |
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| CN117391244A (zh) | 一种融合多源信息的船舶轨迹预测方法 | |
| CN117436351B (zh) | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 | |
| CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
| Wang et al. | Hybrid model for prediction of carbon monoxide and fine particulate matter concentrations near a road intersection | |
| CN116306893B (zh) | 一种接触网覆冰预警方法 | |
| Zhao et al. | Traffic flow prediction based on optimized hidden Markov model | |
| CN116699731B (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
| Tang et al. | Sensing technologies and artificial intelligence for subsea power cable asset management | |
| CN116523152B (zh) | 漂浮物的漂移预测方法、装置、设备和介质 | |
| Gricius et al. | Advanced approach of multiagent based buoy communication | |
| Lei et al. | Comprehensive prediction method for failure rate of transmission line based on multi‐dimensional cloud model | |
| Wei et al. | An early warning model for damage of power grid under typhoon disaster | |
| Santos et al. | Performance of a fuzzy ARTMAP artificial neural network in characterizing the wave regime at the Port of Sines (Portugal) | |
| Li et al. | Marine Drifting Trajectory Prediction Based on LSTM‐DNN Algorithm |
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 |