CN116861694A - 一种基于人工智能的电缆温度预测方法 - Google Patents
一种基于人工智能的电缆温度预测方法 Download PDFInfo
- Publication number
- CN116861694A CN116861694A CN202310910298.9A CN202310910298A CN116861694A CN 116861694 A CN116861694 A CN 116861694A CN 202310910298 A CN202310910298 A CN 202310910298A CN 116861694 A CN116861694 A CN 116861694A
- Authority
- CN
- China
- Prior art keywords
- cable
- data
- layer
- model
- artificial intelligence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 241000283153 Cetacea Species 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的电缆温度预测方法，涉及人工智能技术领域，该方法包括获取电缆历史数据模块、数据相关性分析模块、构建原始电缆线芯温度预测模型模块、联合算法光滑因子σ的寻优模块和最终温度预测模型构建模块。通过GRNN神经网络模型拟合各种复杂的非线性关系，因为电缆温度往往受到多种因素的影响，使用GRNN模型可以更好地捕捉这些复杂的非线性关系，提高预测准确性。同时，GRNN模型是基于数据的机器学习模型，不受主观因素的影响，它通过学习训练数据的模式来进行预测，因此可以提供客观、一致的预测结果，帮助工程师和科学家更好地理解和控制电缆温度，提高电缆的使用效率和可靠性。
Description
技术领域
本发明涉及人工智能技术领域，具体为一种基于人工智能的电缆温度预测方法。
背景技术
电力电缆是电力系统重要的部件之一，而电力电缆线芯温度是判断电缆是否正常运行的关键因素，受限于电缆运行状况及目前温度检测手段，电缆线芯的温度难以直接测量。
电缆温度计算方法主要有数值法和热路法。热路法采用的是等效模型原理，在电缆复杂敷设环境下计算误差较大，且不能计算电缆的温度分布。相比较来说，有限元法则具有仿真计算精度高、可模拟复杂环境等优点；但是在相同电缆模型下，有限元计算所需要的时间也会大幅增加，在涉及电缆多物理场建模与实时仿真数字孪生框架下的模型驱动方面，有限元计算难以满足电缆在数字孪生应用中的实时性要求。
为此，本发明提供了一种基于人工智能的电缆温度预测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于人工智能的电缆温度预测方法，通过鲸鱼算法优化GRNN神经网络模型，实现光滑因子σ的寻优；同时使用遗传算法解决鲸鱼算法在接近最优解时出现停滞的问题；本发明通过构建GRNN神经网络模型以实现对电缆温度的预测，在整体运算过程中,影响GRNN性能的关键参数为光滑因子σ，当σ取值过大,会使拟合结果更加趋近于样本因变量平均值，当σ取值过小，会使拟合结果接近训练样本值，减少了网络的泛化能力，降低了模型稳定性；因此,对于GRNN模型预测能力的提升,实质上转变成对光滑因子σ的寻优问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的电缆温度预测方法，包括获取电缆历史数据模块、数据相关性分析模块、构建原始电缆线芯温度预测模型模块、联合算法光滑因子σ的寻优模块、和最终温度预测模型构建模块，具体步骤如下：
首先获取电缆历史运行数据，具体为：
明确要收集的电缆历史运行数据的类型和参数，包括：电缆表面温度、电缆环境温度、电缆的环境湿度、电缆负荷电流和电缆的负载电压；
进一步的，部署SCADA系统：该系统包括服务器、数据库和监控终端组成部分，提供数据采集和管理功能；
进一步的，在电缆系统中安装相应的传感器和仪表设备，测量和监测不同参数；
进一步的，通过SCADA系统的配置界面，设置传感器和仪表的采样间隔、数据传输方式和其他相关参数；
进一步的，将采集到的电缆运行数据使用关系型数据库PostgreSQL及其设计工具来进行存储和相关处理；
进一步的，基于SCADA系统提供电缆参数的实时监控界面，操作员可以随时查看电缆的运行状态和各项参数；同时，系统还可以提供报警功能，一旦电缆出现异常，警报将自动触发；
进一步的，将获取的历史运行数据进行相关性分析，从而确定最终的数据集，具体包括以下内容：
通过皮尔逊相关系数衡量两个连续变量之间的线性相关性；
进一步的，使用斯皮尔曼相关系数衡量连续变量和有序变量之间的单调相关性，通过将每个变量的原始值转换为它们的秩次来计算相关性；
进一步的，构建原始电缆线芯温度预测模型，具体包括以下内容：
对收集到的数据进行预处理，包括数据清洗、去除异常值和填补缺失值操作；
进一步的，从收集到的数据中提取有用的特征，包括时间、电缆的负载电流、电压、环境温度数据；
进一步的，将数据划分为训练集和测试集；训练集用于模型的训练和参数优化，测试集用于评估模型的性能和泛化能力；
进一步的，构建由输入层、模式层、求和层和输出层构成的GRNN神经网络模型，具体内容如下：
输入层神经元数目为输入向量的维数，接收电缆的特征数据，包括电流、电压、环境温度等，每个输入单元对应一个特征，各个输入向量由输入层直接向前传递给模式层，该层的节点数为输入数据的特征维度；
进一步的，模式层神经元数目为输入样本数，每个模式单元代表一个“模式”或“记忆”，与训练集中的样本相对应，不同的神经元对应不同的学习样本；模式层第i个神经元的传递函数为：
式中xi为训练样本；xj为神经元i所对应的学习样本；σ为平滑因子；
进一步的，求和层包含第一类神经元和第二类神经元；第一类神经元用于对所有模式层的输出进行算数求和，假设输出样本维度为k，则该层节点数为k+1，其中一个节点输出S_D为模式层输出的算术和，其余节点输出S_Ni均为模式层输出的加权和，具体的计算公式如下：
第一类神经元的计算公式为：
上述一类神经元公式对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
第二类计算公式为：
第二类神经元对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yj中的第j个元素，传递函数为：
式中，Wij为加权系数；
输出层节点数为输出样本维度，主要根据求和层求出的算术和与加权和进行计算输出，计算公式如下：
进一步的，对GRNN神经网络模型进行非线性回归分析；
进一步的，联合鲸鱼算法和遗传算法优化GRNN神经网络模型实现光滑因子σ的寻优，具体步骤如下：
鲸鱼算法流程如下：
(1)初始化参数：即鲸鱼种群规模大小SN，最大迭代次数Tmax；
(2)算法初始化鲸鱼种群的位置；
(3)计算每一头鲸鱼相应的适应度值，根据适应度值的大小排序，并选取SN个作为初始种群；
(4)计算出SN个个体适应度值的大小，找出适应度值最小的个体位置作为最优位置；
(5)更新下一代的位置；
(6)若达到终止条件，则输出最优个体，即算法找到的最优解；否则，返回步骤(4)
进一步的，使用遗传算法来寻找最优解，解决鲸鱼算法在接近最优解时出现停滞的问题，具体包括以下操作：
首先通过选择操作在原有群体的基础上以一定概率选择个体到新种群中，该概率通过适应度值大小决定；
进一步的，使用交叉操作从群体中选择两个个体，通过染色体的交换来产生新的优秀个体，不同的编码方式对应不同的交叉方法；
进一步的，基于变异操作从群体中任选一个个体，选择染色体中的一点进行变异，从而产生更优的个体；
通过选择、交叉和变异等操作，使得遗传算法具有良好的全局寻优能力，减少了陷入局部最优的可能性；
进一步的，构建最终的BAS-GRNN模型，作为电缆线芯温度预测模型，对待监测的电缆进行电缆线芯温度实时预测。
(三)有益效果
本发明提供了一种基于人工智能的电缆温度预测方法，具备以下有益效果：
1、通过GRNN神经网络模型拟合各种复杂的非线性关系，因为电缆温度往往受到多种因素的影响，使用GRNN模型可以更好地捕捉这些复杂的非线性关系，提高预测准确性。
2、GRNN模型是基于数据的机器学习模型，不受主观因素的影响，它通过学习训练数据的模式来进行预测，因此可以提供客观、一致的预测结果，在电缆温度预测中具有高效性、准确性、灵活性和客观性，帮助工程师和科学家更好地理解和控制电缆温度，提高电缆的使用效率和可靠性。
附图说明
图1为本发明中电缆温度预测方法流程示意图。
具体实施方式
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。
参阅图1所示，本发明提供一种基于人工智能的电缆温度预测方法，包括如下步骤：
步骤一、获取电缆历史运行数据，具体包括以下步骤：
步骤101：确定所需数据；首先，明确要收集的电缆历史运行数据的类型和参数，包括：电缆表面温度、电缆环境温度、电缆的环境湿度、电缆负荷电流和电缆的负载电压；
步骤102：部署SCADA系统：该系统包括服务器、数据库和监控终端组成部分，确保系统能够稳定运行，并提供数据采集和管理功能；
步骤103：安装传感器和仪表：在电缆系统中安装相应的传感器和仪表设备，测量和监测不同参数，包括用于监测电缆表面温度和环境温度的温度传感器、监测电缆环境湿度的湿度传感器及监测电缆负荷电流和负载电压的绝缘电阻测试仪；
这些设备与SCADA系统连接，实时监测和记录电缆的各项参数，对电缆的运行状态进行监控并能够向系统传输数据；
步骤104：配置数据采集：通过SCADA系统的配置界面，设置传感器和仪表的采样间隔、数据传输方式和其他相关参数，确保系统按照设定的频率采样并记录电缆的参数数据；
步骤105：数据存储与管理：将采集到的电缆运行数据使用关系型数据库PostgreSQL及其设计工具来进行存储和相关处理，包括：通过DataGrip协助简化管理多个数据库，使用pgBouncer阻止未经授权的访问，使用Amazon的RDS提供的云关系型数据库作为托管服务，使用Stolon提供诸如对Kubernetes的原生支持以及自动化服务发现的功能；
步骤106：监控和运行维护：SCADA系统向操作员提供电缆参数的实时监控界面，操作员可以随时查看电缆的运行状态和各项参数；同时，系统还可以提供报警功能，一旦电缆出现异常，警报将自动触发；
采用以上的数据管理技术和方法，通过数据去重及数据归档，确保数据的安全性和可访问性，以便后续的数据分析和使用。
步骤二、将获取的历史运行数据进行相关性分析，从而确定最终的数据集，具体包括以下步骤：
步骤201：通过皮尔逊相关系数衡量两个连续变量之间的线性相关性：它的取值范围在-1到+1之间，当系数接近+1时，表示两个变量之间呈正相关关系；当系数接近-1时，表示两个变量之间呈负相关关系；当系数接近0时，表示两个变量之间没有线性相关性；
步骤202：使用斯皮尔曼相关系数衡量连续变量和有序变量之间的单调相关性，通过将每个变量的原始值转换为它们的秩次来计算相关性；斯皮尔曼相关系数的取值范围也在-1到+1之间。
步骤三、构建原始电缆线芯温度预测模型，具体包括如下步骤：
步骤301：数据预处理：对收集到的数据进行预处理，包括数据清洗、去除异常值和填补缺失值操作，确保数据的质量和完整性；
步骤302：特征工程：从收集到的数据中提取有用的特征，包括时间、电缆的负载电流、电压、环境温度等，这些特征应该是能够对电缆温度产生影响的因素；
步骤303：数据划分：将数据划分为训练集和测试集；通常，训练集用于模型的训练和参数优化，测试集用于评估模型的性能和泛化能力；
步骤304：构建GRNN神经网络模型，具体包括如下步骤：
GRNN神经网络包括输入层、模式层、求和层和输出层；
输入层神经元数目为输入向量的维数，接收电缆的特征数据，包括电流、电压、环境温度等，每个输入单元对应一个特征，各个输入向量由输入层直接向前传递给模式层，该层的节点数为输入数据的特征维度；
模式层神经元数目为输入样本数，每个模式单元代表一个“模式”或“记忆”，与训练集中的样本相对应，不同的神经元对应不同的学习样本；模式层第i个神经元的传递函数为：
式中xi为训练样本；xj为神经元i所对应的学习样本；σ为平滑因子；
求和层包含第一类神经元和第二类神经元；第一类神经元用于对所有模式层的输出进行算数求和，假设输出样本维度为k，则该层节点数为k+1，其中一个节点输出S_D为模式层输出的算术和，其余节点输出S_Ni均为模式层输出的加权和，具体的计算公式如下：
第一类神经元的计算公式为：
上述一类神经元公式对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为为：
第二类计算公式为：
第二类神经元对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yj中的第j个元素，传递函数为：
式中，Wij为加权系数；
输出层节点数为输出样本维度，主要根据求和层求出的算术和与加权和进行计算输出，计算公式如下：
步骤305：对GRNN神经网络模型进行非线性回归分析，具体包括如下步骤：
非独立变量Y相对于独立变量X的回归分析实际上是计算具有最大概率值的Y设随机变量X和随机变量Y的联合概率密度函数为f(x,y)，已知X的观测值为X，应用Parzen非参数估计，可由样本数据集Xi,yi估算密度函数fx,y，计算公式如下：
式中，Xi，Yi，为随机变量X和Y的样本观测值，n为样本容量，p为随机变量x的维数；σ为高斯函数的宽度系数，即光滑因子；
替换fx,y代入式，并交换积分与加和的顺序：
由于对两个积分进行计算后可得网络的输出Y(X)为：
估计值Y(X)为所有样本观测值Yi的加权平均，每个观测值Yi的权重因子为相应的样本Xi与X之间Euclid距离平方的指数。
步骤四、当光滑因子σ非常大的时候，Y(X)近似于所有样本因变量的均值，相反，当光滑因子σ趋向于0的时候，Y(X)和训练样本非常接近，当需预测的点被包含在训练样本集中时，公式求出的因变量的预测值会和样本中对应的因变量非常接近，而一旦碰到样本中未能包含进去的点，有可能预测效果会非常差，这种现象说明网络的泛化能力差；当σ取值适中，求预测值Y(X)时，所有训练样本的因变量都被考虑了进去，与预测点距离近的样本点对应的因变量被加了更大的权。
因此，对于GRNN模型预测能力的提升，实质上转变成对光滑因子σ的寻优问题，在此通过联合鲸鱼算法和遗传算法优化GRNN神经网络模型实现光滑因子σ的寻优；
鲸鱼优化算法(whale optimization algorithm,WOA)是模仿模拟座头鲸特有的气泡网觅食策略行为进而提出的一种新型启发式优化算法；在WOA算法中，每只座头鲸的位置代表一个可行解，在海洋活动中，座头鲸有着一种特殊的狩猎方法，这种觅食行为称为bubble-net捕食策略，其狩猎行为如图1所示，具体步骤如下：
步骤401：包围猎物，具体内容如下；
由于最优问题求解并不是先验已知，鲸鱼算法会通过随机假设个体所处位置，在搜索过程中不断更新自身位置，其数学模型为：
D＝|C→·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
式中，t为当前迭代次数；X为当前个体坐标向量；X*为当前位置最优解向量；A、C为系数向量，其公式为：
A＝2a·r1-a
C＝2·r2
式中，a为收敛因子，随着迭代次数从2线性减小到0；r1和r2为[0,1]传声的随机数，$A和$C由下式可得：
A＝2ar1-a
C＝r2
式中，r1和r2是(0,1)中的随机数，a的值从2到0线性下降；t表示当前的迭代次数，Tmax为最大迭代次数；
步骤402：气泡网攻击狩猎行为，具体内容如下：
鲸鱼通常以气泡网攻击的方式进行捕食，为了从数学角度更好地解读这种觅食行为，设计了收缩包围机制和螺旋更新位置两种方法，具体方法如下：
根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：
X(t+1)＝X*(t)+Dpeblcsc(2πl)
其中，Dp＝|X*(t)-X(t)|，表示鲸鱼和猎物之间的距离；X*(t)表示目前为止最好的位置向量；b是一个常数，用来定义螺线的形状；l是(-1,1)中的随机数；
值得注意的是，鲸鱼以螺旋形状游向猎物的同时还要收缩包围圈，因此在这种同步行为模型中，假设有Pi的概率选择收缩包围机制和l—Pi的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：
攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随$a下降；在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A<1时，鲸鱼向猎物发起攻击；
步骤403：搜索猎物，具体内容如下：
除了上述步骤402气泡网攻击以外，鲸鱼会随机搜索猎物，系数A>1时，表示鲸鱼在收缩包围圈外游动，此时鲸鱼个体根据彼此位置进行随机搜索，其搜索时的数学模型如下：
D＝CXrand-Xt
Xt+1＝Xrand-AD
式中，Xrand是随机选择的鲸鱼位置向量，算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其他鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索；
步骤五、WOA算法随机初始化一组解，每一次迭代过程中都会根据最优解更新自身位置；在寻优过程中，收敛因子a很大程度上会影响算法的效率；过大的收敛因子虽然可以提升全局搜索的能力，但搜索速度慢；较小的收敛因子会增加局部搜索的能力，但容易陷入局部最优，导致收敛精度不高，进而无法高效地寻求最优解，因此，步骤五使用遗传算法来寻找最优解，具体为：
遗传算法是一种仿生物学算法，通过模拟自然选择来寻找最优解，在遗传算法的执行过程中，利用个体对环境的适应能力决定染色体的淘汰或者保留；基本遗传算法主要由选择(Selection)、交叉(Crossover)、变异(Mutation)3种算子组成，具体步骤如下：
步骤501：选择操作：通过选择操作在原有群体的基础上以一定概率选择个体到新种群中，这种概率往往通过适应度值大小决定；
步骤502：交叉操作：使用交叉操作从群体中选择两个个体，通过染色体的交换来产生新的优秀个体，不同的编码方式对应不同的交叉方法；
步骤503：变异操作：基于变异操作从群体中任选一个个体，选择染色体中的一点进行变异，从而产生更优的个体；
通过选择、交叉和变异等操作，使得遗传算法具有良好的全局寻优能力，减少了陷入局部最优的可能性；同时求解时间也进一步缩短，增强了局部搜索最优解的能力，从而解决了鲸鱼算法在接近最优解时出现停滞的问题；
步骤六、构建最终的BAS-GRNN模型，作为原始电缆线芯温度预测模型，具体内容如下：
步骤601：采用步骤二得到的最终数据集，对步骤三构建的原始电缆线芯温度预测模型进行训练，从而得到电缆线芯温度预测模型；
步骤602：采用步骤601得到的电缆线芯温度预测模型，对待监测的电缆进行电缆线芯温度实时预测。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的电缆温度预测方法，其特征在于，包括以下步骤：
获取电缆历史运行数据，包括：电缆表面温度、电缆环境温度、电缆的环境湿度、电缆负荷电流和电缆的负载电压；
将获取的历史运行数据进行相关性分析，确定最终的数据集；构建原始电缆线芯温度预测模型；使用鲸鱼算法优化GRNN神经网络模型实现光滑因子σ的寻优；
使用遗传算法来寻找最优解，以解决鲸鱼算法在接近最优解时出现的停滞；构建最终的BAS-GRNN模型，作为电缆线芯温度预测模型。
2.根据权利要求1所述的一种基于人工智能的电缆温度预测方法，其特征在于，明确要收集的电缆历史运行数据的类型和参数，包括：电缆表面温度、电缆环境温度、电缆的环境湿度、电缆负荷电流和电缆的负载电压；
部署SCADA系统，提供数据采集和管理功能；安装传感器和仪表：在电缆系统中安装相应的传感器和仪表设备，测量和监测电缆表面温度、电缆环境温度、电缆的环境湿度、电缆负荷电流及电缆的负载电压参数；
通过SCADA系统的配置界面，设置传感器和仪表的采样间隔、数据传输方式；将采集到的电缆运行数据使用关系型数据库PostgreSQL及其设计工具来进行存储和相关处理；基于SCADA系统提供电缆参数的实时监控界面。
3.根据权利要求1所述的一种基于人工智能的电缆温度预测方法，其特征在于，通过皮尔逊相关系数衡量两个连续变量之间的线性相关性；使用斯皮尔曼相关系数衡量连续变量和有序变量之间的单调相关性，通过将每个变量的原始值转换为它们的秩次来计算相关性。
4.根据权利要求1所述的一种基于人工智能的电缆温度预测方法，其特征在于，对收集到的数据进行预处理，包括数据清洗、去除异常值和填补缺失值操作；从收集到的数据中提取有用的特征，包括时间、电缆的负载电流、电压、环境温度数据；将数据划分为训练集和测试集；训练集用于模型的训练和参数优化，测试集用于评估模型的性能和泛化能力，构建GRNN神经网络模型。
5.根据权利要求4所述的一种基于人工智能的电缆温度预测方法，其特征在于，构建GRNN神经网络模型的步骤具体包括：
输入层中，神经元数目为输入向量的维数，接收电缆的特征数据，包括电流、电压、环境温度等，每个输入单元对应一个特征，各个输入向量由输入层直接向前传递给模式层，该层的节点数为输入数据的特征维度；
模式层神经元数目为输入样本数，每个模式单元代表一个“模式”或“记忆”，与训练集中的样本相对应，不同的神经元对应不同的学习样本；模式层第i个神经元的传递函数为：
式中xi为训练样本；xj为神经元i所对应的学习样本；σ为平滑因子；
求和层包含第一类神经元和第二类神经元；第一类神经元用于对所有模式层的输出进行算数求和，假设输出样本维度为k，则该层节点数为k+1，其中一个节点输出S_D为模式层输出的算术和，其余节点输出S_Ni均为模式层输出的加权和，具体的计算公式如下：
第一类神经元的计算公式为：
上述一类神经元公式对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
第二类计算公式为：
第二类神经元对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yj中的第j个元素，传递函数为：
式中，Wij为加权系数；
输出层节点数为输出样本维度，主要根据求和层求出的算术和与加权和进行计算输出，计算公式如下：
对GRNN神经网络模型进行非线性回归分析，具体包括如下步骤：
非独立变量Y相对于独立变量X的回归分析实际上是计算具有最大概率值的Y设随机变量X和随机变量Y的联合概率密度函数为f(x,y)，已知X的观测值为X，应用Parzen非参数估计，可由样本数据集Xi,yi估算密度函数f(x,y)，计算公式如下：
式中，Xi，Yi，为随机变量X和Y的样本观测值，n为样本容量，p为随机变量x的维数；σ为高斯函数的宽度系数，即光滑因子；
替换f(x,y)代入式，并交换积分与加和的顺序：
由于对两个积分进行计算后可得网络的输出Y(X)为：
估计值Y(X)为所有样本观测值Yi的加权平均，每个观测值Yi的权重因子为相应的样本Xi与X之间Euclid距离平方的指数。
6.根据权利要求1所述的一种基于人工智能的电缆温度预测方法，其特征在于，鲸鱼算法具体流程为：随机假设个体所处位置，在搜索过程中更新自身位置，其数学模型为：
D＝|C→·X*(t)-X(t)|
X(t+1)＝X*(t)-A·D
式中，t为当前迭代次数；X为当前个体坐标向量；X*为当前位置最优解向量；A、C为系数向量，其公式为：
A＝2a·r1-a
C＝2·r2
式中，a为收敛因子，随着迭代次数从2线性减小到0；r1和r2为[0,1]传声的随机数，$A和$C由下式可得：
A＝2ar1-a
C＝r2
式中，r1和r2是(0,1)中的随机数，a的值从2到0线性下降；t表示当前的迭代次数，Tmax为最大迭代次数。
7.根据权利要求6所述的一种基于人工智能的电缆温度预测方法，其特征在于，依照如下数学模型：
X(t+1)＝X*(t)+Dpeblcsc(2πl)
其中，Dp＝|X*(t)-X(t)|，表示鲸鱼和猎物之间的距离；X*(t)表示目前为止最好的位置向量；b是一个常数，用来定义螺线的形状；l是(-1,1)中的随机数。
8.根据权利要求7所述的一种基于人工智能的电缆温度预测方法，其特征在于，假设有Pi的概率选择收缩包围机制和l—Pi的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：
减小a的值，A的波动范围也随$a下降；当a的值从2到0下降时，A是在[-a,a]内的随机值；
当系数A>1时，搜索时的数学模型如下：
D＝|CXrand-Xt|
X(t+1)＝Xrand-AD
式中，Xrand是随机选择的鲸鱼位置向量。
9.根据权利要求6所述的一种基于人工智能的电缆温度预测方法，其特征在于，遗传算法具体流程为：通过选择操作在原有群体的基础上以一定概率选择个体到新种群中，该概率通过适应度值大小决定；使用交叉操作从群体中选择两个个体，通过染色体的交换来产生新的优秀个体，不同的编码方式对应不同的交叉方法；基于变异操作从群体中任选一个个体，选择染色体中的一点进行变异，产生更优的个体。
10.根据权利要求9所述的一种基于人工智能的电缆温度预测方法，其特征在于，根据最终数据集，对原始电缆线芯温度预测模型进行训练，从而得到电缆线芯温度预测模型；采用得到的电缆线芯温度预测模型，对待监测的电缆进行电缆线芯温度实时预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910298.9A CN116861694A (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的电缆温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910298.9A CN116861694A (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的电缆温度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861694A true CN116861694A (zh) | 2023-10-10 |
Family
ID=88234053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310910298.9A Pending CN116861694A (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的电缆温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861694A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057258A (zh) * | 2023-10-12 | 2023-11-14 | 西安热工研究院有限公司 | 基于权重分配相关系数的黑启动过电压预测方法及系统 |
| CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
| 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 |
| CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
| CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
| CN115808311A (zh) * | 2022-08-24 | 2023-03-17 | 厦门理工学院 | 改进的基于pnn的轴承故障诊断方法、装置和存储介质 |
| CN116008706A (zh) * | 2023-01-05 | 2023-04-25 | 广东电网有限责任公司 | 一种多维相关性的三芯电缆动态载流量预测方法及系统 |
-
2023
- 2023-07-24 CN CN202310910298.9A patent/CN116861694A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
| 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 |
| CN112861418A (zh) * | 2020-12-25 | 2021-05-28 | 三峡大学 | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 |
| CN113486573A (zh) * | 2021-06-18 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 电缆线芯温度预测方法 |
| CN115808311A (zh) * | 2022-08-24 | 2023-03-17 | 厦门理工学院 | 改进的基于pnn的轴承故障诊断方法、装置和存储介质 |
| CN116008706A (zh) * | 2023-01-05 | 2023-04-25 | 广东电网有限责任公司 | 一种多维相关性的三芯电缆动态载流量预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 孔国利 等: "遗传算法的广义回归神经网络建模方法", 《计算机工程与设计》, vol. 38, no. 2, pages 488 - 493 * |
| 曾庆煜: "基于机器学习的配网电力电缆接头温度预测及预警研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 1 - 72 * |
| 毛梦婷 等: "基于BAS-GRNN模型的电力电缆线芯温度预测方法研究", 《2022年江西省电机工程学会年会论文集》, pages 158 - 162 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057258A (zh) * | 2023-10-12 | 2023-11-14 | 西安热工研究院有限公司 | 基于权重分配相关系数的黑启动过电压预测方法及系统 |
| CN117057258B (zh) * | 2023-10-12 | 2023-12-12 | 西安热工研究院有限公司 | 基于权重分配相关系数的黑启动过电压预测方法及系统 |
| CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
| CN117613430B (zh) * | 2024-01-22 | 2024-04-12 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210383041A1 (en) | In-situ thermodynamic model training | |
| CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
| Huang et al. | Bayesian reliability analysis for fuzzy lifetime data | |
| CN111324993B (zh) | 一种湍流场更新方法、装置及其相关设备 | |
| CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN113569457A (zh) | 一种基于数字孪生的需求功能模型构建方法及系统 | |
| Ma et al. | An estimating combination method for interval forecasting of electrical load time series | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| Shirajuddin et al. | Optimization problems in water distribution systems using Non-dominated Sorting Genetic Algorithm II: An overview | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN112016241B (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
| Lin et al. | An explainable probabilistic model for health monitoring of concrete dam via optimized sparse bayesian learning and sensitivity analysis | |
| CN112096693B (zh) | 水下生产液压控制系统在线诊断与校验方法、存储介质和控制终端 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| 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 | |
| Malykhina et al. | Spatial-temporal digital twin models as a direction for the development of cross-cutting digital technologies | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| 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 | |
| CN114662009A (zh) | 一种基于图卷积的工业互联网工厂协同推荐算法 | |
| Carnero et al. | A new metaheuristic based approach for the design of sensor networks | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| Bilgili et al. | Machine learning approaches for one-day ahead soil temperature forecasting | |
| 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 |
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 |