一种径向基神经网络预测带电作业人员体表场强的方法

技术领域

本发明涉及特高压直流输电线路领域，具体涉及一种径向基神经网络预测带电作业人员体表场强的方法。

背景技术

特高压直流输电系统输送容量大，传输距离远，在中国得到了飞速的发展。带电作业不影响电力系统的正常运行，已经成为保证特高压直流输电系统供电稳定性的重要手段，但带电作业存在较大安全风险。若带电作业人员的体表场强大于一定值时，将会引起作业人员刺痛感，严重时将导致带电作业人员跌落事故的发生，因此体表场强是带电作业重要的安全指标。对特高压直流输电线路进行带电作业时，带电作业人员的体表场强主要受合成场的影响。合成场是特高压直流输电线路特有的现象。当特高压直流输电线路未发生电晕放电并且不计其产生的离子时，特高压直流输电线路仅存在“静电场”。当导线发生电晕时，离子在电场力的作用下，向反极性的导线和地面运动。导致两极导线和极导线对地存在离子，产生电场，并与“静电场”叠加产生合成场。然而当气象条件发生变化时，输电线路的起晕电场、离子迁移率、扩散率等参数都会随之发生变化，导致合成场发生变化，进而引起体表场强的变化。由于实际进行带电作业时的气象条件千变万化，作业人员的体表场强也有较大不同，对不同气象条件下作业人员的体表场强进行预测，将为带电作业人员的安全评估提供有效依据。

径向基(Radial Basis Function,RBF)神经网络因其拓扑结构简单，相比其它人工神经网络如具有收敛速度快的优点。同时其具有很强的非线性拟合能力，可以任意精度逼近任意函数。因此现有技术使用RBF神经网络作为体表场强预测的基础模型，而影响RBF神经网络性能的关键是基函数中心的选取，传统的RBF神经网络一般使用HCM(Hard C－Means)算法选取基函数中心，但HCM对样本的数据要求较高，少量的离群点和噪声点可能对算法求取中心产生极大影响，从而影响RBF神经网络的性能。

发明内容

为了解决上述现有技术中存在的问题，本发明拟提供了一种径向基神经网络预测带电作业人员体表场强的方法，拟解决体表场强预测方法精度不够的问题。

一种径向基神经网络预测带电作业人员体表场强的方法，包括以下步骤：

S1：获取体表场强数据集并对数据集中的数据进行预处理；

S2：根据输入输出的维度确定隐含层神经元的个数，从而确定RBF神经网络的预测模型的结构；其中所述输入输出维度为RBF神经网络输入层和输出层的节点数量，所述确定隐含层神经元的个数的公式如下：

m＝M(n+1) (1)

其中M为输出层节点数，n为输入层节点数；

S3：通过IDBO优化算法利用S1预处理得到的数据优化RBF神经网络的参数得到RBF神经网络预测模型。

优选的，所述S3包括如下步骤：

S31：设定蜣螂种群的规模、子种群的比例以及最大迭代次数；根据RBF神经网络的结构确定需要的优化参数的个数进而确定蜣螂位置信息的维度，而后初始化种群；

S32：将初始种群的位置信息作为参数带入RBF神经网络，以RBF神经网络的输出误差作为适应度值，获取初始种群的适应度信息；适应度值越小代表蜣螂所处的位置越好，据此获取当前蜣螂种群的最佳位置与最差位置；

S33：按照IDBO算法的位置迭代公式对蜣螂种群的位置进行迭代更新，并获取更新后的种群的适应度信息，记录当前蜣螂种群的最佳位置与最差位置；

S34：判断是否达到最大迭代次数；若达到最大迭代次数，则退出循环，输出种群的最佳位置，即改进蜣螂优化算法得到的RBF神经网络的最优参数；若不满足条件，则返回步骤6，继续对蜣螂种群进行迭代更新；

S35：将S34所得RBF神经网络的最优参数带入RBF神经网络，得到RBF神经网络预测模型。

优选的，所述S1包括以下步骤：

S11：建立合理的有限元仿真模型从而获得不同气象条件下带电作业不同身体部位的仿真数据作为数据集；

S12：将S11中获得的数据集进行归一化处理至[0,1]区间，将各维数据归一化至同一数量级，并可以避免神经元出现过饱和，加快收敛速度；计算公式如下：

其中，x

优选的，所述S33中的位置迭代公式如下：

蜣螂优化算法将蜣螂种群分为了具有4种行为模式的蜣螂子种群分别为滚球、繁殖、觅食、偷窃；其中滚球分为无障碍模式和有障碍模式，两种滚球模式的迭代公式分别如式(3)和式(4)所示；

其中，t表示当前迭代的次数；x

其中，θ在0到π中随机选择，若

进行繁殖行为蜣螂的位置迭代公式如式(5)所示；

其中，X

进行觅食行为的蜣螂的位置迭代公式如式(6)所示；

其中X

偷窃行为的蜣螂的位置迭代公式如式(7)所示；

x

其中g是服从正态分布的1×D维随机向量，S是一个常值，通常取S＝0.5。

优选的，所述S31中运用singer混沌映射改进种群初始化方式，所述Singer映射的表达形式如下：

其中μ∈(0.9，1.08)，x∈[0，1]。

优选的，所述S33中利用双面镜反射理论边界优化、黄金正弦算法和柯西变异对位置更新方式进行改进。

优选的，所述双面镜反射理论边界优化用于解决蜣螂优化算法边界处理分布不均匀的问题，计算公式如下：

其中ub代表上界，lb代表下界；

所述黄金正弦算法用于提高蜣螂优化算法求解的速度，计算公式如下：

其中，r

其中τ是黄金分割系数，取值为

所述柯西变异用于增加算法脱离局部最优的概率，个体变异的概率计算：

p＝w

其中w

个体的位置扰动公式为：

其中X为蜣螂个体当前的位置信息，

优选的，所述S3还包括如下步骤：

使用均方误差MSE作为RBF神经网络预测模型预测精度评价指标，计算公式如下：

其中

一种径向基神经网络预测带电作业人员体表场强的系统，包括数据收集处理模块、模型构建模块和模型训练模块；

所述数据收集处理模块用于获取体表场强数据集并对数据集中的数据进行预处理；

所述模型构建模块用于根据输入输出的维度，确定隐含层神经元的个数，从而确定RBF神经网络的预测模型的结构；其中所述输入输出维度为RBF神经网络输入层和输出层的节点数量，所述确定隐含层神经元的个数的公式如下：

m＝M(n+1)(1)

其中M为输出层节点数，n为输入层节点数；

所述模型训练模块用于利用IDBO优化算法优化RBF神经网络的参数得到RBF神经网络预测模型。

本发明的有益效果包括：

本发明提出了一种改进蜣螂优化算法的方法，并在16个经典测试函数上取得了比蜣螂优化算法更加优秀的结果，表明改进蜣螂优化算法拥有更加优秀的搜寻能力，与跳出局部最优的能力。并在改进蜣螂优化算法上提出了一种IDBO-RBF体表场强预测模型，并通过仿真实例表明，IDBO-RBF相比RBF体表场强预测模型更加强大的泛化能力，预测结果更加精准。

传统的RBF神经网络一般使用HCM(Hard C－Means)算法选取基函数中心，但HCM对样本的数据要求较高，少量的离群点和噪声点可能对算法求取中心产生极大影响，从而影响RBF神经网络的非线性拟合能力。本发明首先对蜣螂优化算法进行改进，改进后的蜣螂优化算法拥有比蜣螂优化算法更强的搜索能力，而后将改进蜣螂优化算法与RBF神经网络相结合，使用改进蜣螂优化算法对RBF神经网络的各个参数进行寻优，充分发挥改进蜣螂优化算法在收敛速度、求解精度和稳定性方面的优势与RBF神经网络的非线性拟合能力。

本发明利用singer混沌映射对随机初始化种群进行优化；同时针对蜣螂优化算法的位置迭代中的边界处理分布不均匀的问题利用双面镜反射理论边界进行优化；并且利用黄金正弦算法提高蜣螂优化算法求解的速度；除此之外，利用柯西变异增加蜣螂优化算法脱离局部最优的概率；从而整体实现对蜣螂优化算法的改进，极大提高了蜣螂优化算法的搜索能力。

附图说明

图1为实施例1涉及的一种径向基神经网络预测带电作业人员体表场强的方法流程图。

图2为实施例1涉及的带电作业仿真模型。

图3为实施例1涉及的带电作业仿真模型的网格划分。

图4为实施例1涉及的带电作业仿人员各部位体表场强。

图5为实施例1涉及的混沌映射迭代图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1

下面结合附图1-5对本发明的具体实施例做详细的说明；

一种径向基神经网络预测带电作业人员体表场强的方法，包括以下步骤：

S1：获取体表场强数据集并对数据集中的数据进行预处理；

S11：建立合理的有限元仿真模型从而获得不同气象条件下带电作业不同身体部位的仿真数据作为数据集；

S12：将S11中获得的数据集进行归一化处理至[0,1]区间，将各维数据归一化至同一数量级，并可以避免神经元出现过饱和，加快收敛速度；计算公式如下：

其中，x

S2：根据输入输出的维度确定隐含层神经元的个数，从而确定RBF神经网络的预测模型的结构；其中所述输入输出维度为RBF神经网络输入层

和输出层的节点数量，所述确定隐含层神经元的个数的公式如下：

m＝M(n+1)(1)

其中M为输出层节点数，n为输入层节点数；

S3：通过IDBO优化算法利用S1预处理得到的数据优化RBF神经网络的参数得到RBF神经网络预测模型。

S31：设定蜣螂种群的规模为30、子种群的比例为6:6:7:11，以及最大迭代次数为500。根据RBF神经网络的结构确定需要的优化参数的个数进而确定蜣螂位置信息的维度，而后利用singer混沌映射随机初始化种群；所述Singer映射的表达形式如下：

其中μ∈(0.9，1.08)，x∈[0，1]。Singer映射迭代200次的分布如图5所示，从图5可以看出Singer映射均匀分布在[0,1]之间，利用这个特性可以使蜣螂优化算法的搜索更加均匀，增加蜣螂种群的均匀性和多样性，从而增加算法的全局搜索能力。

S32：将初始种群的位置信息作为参数带入RBF神经网络，以RBF神经网络的输出误差作为适应度值，获取初始种群的适应度信息；适应度值越小代表蜣螂所处的位置越好，据此获取当前蜣螂种群的最佳位置与最差位置；

S33：按照IDBO算法的位置迭代公式对蜣螂种群的位置进行迭代更新，并获取更新后的种群的适应度信息，记录当前蜣螂种群的最佳位置与最差位置；

位置迭代公式如下：

蜣螂优化算法将蜣螂种群分为了具有4种行为模式的蜣螂子种群分别为滚球、繁殖、觅食、偷窃；其中滚球分为无障碍模式和有障碍模式，两种滚球模式的迭代公式分别如式(3)和式(4)所示；进行繁殖行为蜣螂的位置迭代公式如式(5)所示，进行觅食行为的蜣螂的位置迭代公式如式(6)所示，偷窃行为的蜣螂的位置迭代公式如式(7)所示；

其中，t表示当前迭代的次数；x

其中，θ在0到π中随机选择，若

其中，X

其中X

x

其中g是服从正态分布的1×D维随机向量，S是一个常值，通常取S＝0.5。

在上述公式的基础上利用双面镜反射理论边界优化、黄金正弦算法和柯西变异对位置更新方式进行改进。

所述双面镜反射理论边界优化用于解决蜣螂优化算法边界处理分布不均匀的问题，计算公式如下：

其中ub代表上界，lb代表下界；

所述黄金正弦算法用于提高蜣螂优化算法求解的速度，计算公式如下：

其中，r

其中τ是黄金分割系数，取值为

所述柯西变异用于增加算法脱离局部最优的概率，个体变异的概率计算：

p＝w

其中w

个体的位置扰动公式为：

其中X为蜣螂个体当前的位置信息，

S34：判断是否达到最大迭代次数；若达到最大迭代次数，则退出循环，输出种群的最佳位置，即改进蜣螂优化算法得到的RBF神经网络的最优参数；若不满足条件，则返回步骤6，继续对蜣螂种群进行迭代更新；

S35：将S34所得RBF神经网络的最优参数带入RBF神经网络，得到RBF神经网络预测模型。

为了验证IDBO算法的有效性，通过16个经典测试函数来验证IDBO算法的搜索性能，并与DBO算法对比，16经典测试函数如表1所示。IDBO算法与DBO算法拥有相同的参数设置，设定蜣螂种群数N＝30，最大迭代次数为500次，k和λ取0.1，b取0.3，S取0.5。每个测试函数共运行30次，求取均值，测试的结果如表2所示。

表1 16个经典测试函数

Tab.1 16 classic test functions

表2实验结果

Tab.2 experimental result

从表1与表2中可知，除F8、F12、F13、F14和F15外，DBO与IDBO算法都能寻找到最小值外，IDBO算法在其它测试函数的表现上都优于DBO算法。表明IDBO算法的搜索能力明显好于DBO算法。

使用均方误差MSE作为预测模型预测精度评价指标，计算公式如下：

其中

具体实施过程如下：

在有限元仿真软件中搭建了如图2所示的±800kV特高压直流输电线路带电作业人员体表场强仿真模型。该模型模拟静电物理场与电荷传输物理场对带电作业人员体表场强进行迭代求解，描述了电荷载流子在传输区域中的传输，其中传输以迁移为主，通过设置不同的传递属性及导线起晕场强来反映不同的气象条件。分析的气象条件包括压强、温度、相对湿度、以及风速，并设置压强变化范围为50-101.325kPa，温度变化范围为-20-40℃，相对湿度变化范围为30-80％，风速方向设定为横向风、迎风吹，大小设定范围为0-8m/s。在进行带电作业时作业人员一般采用吊篮法进入等电位，因此人员模型选择坐姿，人员位置设置在距离导线水平向左5m处；

以压强为101.325kPa，温度为35℃，相对湿度为60％，风速为2m/s为例，运用建立的仿真模型仿真计算带电作业人员的体表场强。在计算前，需要对导线周围采用足够细密的自由三角形单元网格剖分，如图3所示，总共包含15860个计算单元，最小质量：0.519；平均质量为0.867。带电作业人员各部位的体表场强如图4所示；

按照上述的气象参数范围，对不同气象条件下带电作业人员胸部、头部、膝盖、手部、脚部5个部位的场强进行大量仿真，每个部位得到了1638组数据，并按照8：2的比例划分训练集与测试集，训练集共1310组数据，测试集共328组数据。

为了验证IDBO-RBF体表场强预测模型的有效性，使用均方误差(MSE)作为模型预测精度评价指标，如公式(14)所示。

其中

表3是传统RBF神经网络算法和IDBO-RBF模型算法对带电作业人员在不同气象条件下预测体表场强的MSE结果对比。

表3各部位不同方法预测的MSE结果对比

Tab.3 Comparison of predicted results of different methods

从表3中可以看到IDBO-RBF体表场强预测模型在5个部位的体表场强预测性能上均优于RBF体表场强预测模型。对比IDBO-RBF模型和RBF模型，IDBO-RBF模型的预测性能在头部提升了16.3％，胸部提升了16.2％，手部提升了17.9％，膝盖提升了18.3％，脚部提升了15.6％。表明IDBO-RBF体表场强预测模型比RBF体表场强预测模型拥有更好的泛化能力和更高的预测精度，能够为特高压直流输电系统带电作业的安全评估提供有效依据，减少带电作业安全事故的发生。

实施例2

一种径向基神经网络预测带电作业人员体表场强的系统，应理解，该系统与上述附图1方法实施例对应，能够执行附图1方法实施例涉及的各个步骤，该系统具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。

一种径向基神经网络预测带电作业人员体表场强的系统，包括数据收集处理模块、模型构建模块和模型训练模块；

所述数据收集处理模块用于获取体表场强数据集并对数据集中的数据进行预处理；

所述模型构建模块用于根据输入输出的维度，确定隐含层神经元的个数，从而确定RBF神经网络的预测模型的结构；其中所述输入输出维度为RBF神经网络输入层和输出层的节点数量，所述确定隐含层神经元的个数的公式如下：

m＝M(n+1)(1)

其中M为输出层节点数，n为输入层节点数；

所述模型训练模块用于利用IDBO优化算法优化RBF神经网络的参数得到RBF神经网络预测模型。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，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。