一种基于改进PSO-ANN的电缆缆芯温度预测方法

技术领域

本发明涉及人工智能领域，尤其涉及一种基于改进PSO-ANN的电缆缆芯温度预测方法。

背景技术

随着国民经济的高速增长，我国的电力需求越来越大，电缆作为电力传输的主要载体之一，其使用也越发广泛。对于投入实际运行的电缆线路，随着运行年限的增长，其绝缘材料的性能会发生不可逆转的降低，且绝缘老化速度主要取决于电缆缆芯温度的大小。当电缆缆芯温度长时间超过绝缘长期耐受温度时，电缆使用寿命会大大缩短，严重时可能引发火灾。因此，准确获取电缆的缆芯温度对保障电缆线路安全可靠运行至关重要。

发明内容

有鉴于此，有必要提供一种基于改进PSO-ANN的电缆缆芯温度预测方法，用以对电缆缆芯温度进行预测，为电缆温度检测提供预警，对于电缆的运行维护起到防护作用。

本发明提供一种基于改进PSO-ANN的电缆缆芯温度预测方法，包括如下步骤：

获得影响电缆缆芯温度相关的历史数据，并将其分为训练集数据和测试集数据，其中，影响电缆缆芯温度相关的历史数据主要为：环境温度、负荷电流、外护套温度、CO浓度、CH

将所述历史数据作为输入变量，并对其进行归一化处理，以电缆缆芯温度作为输出变量；

建立改进后的PSO-BP神经网络模型，并初始化改进后的PSO-BP神经网络，对改进后的PSO-BP神经网络进行训练，得到基于改进PSO-BP的电缆缆芯温度预测模型；

将归一化的历史数据输入基于改进PSO-BP的电缆缆芯温度预测模型中，获得预测的电缆缆芯温度。

进一步的，所述归一化处理包括：

对历史数据进行归一化处理，归一化公式如下：

其中，x

进一步的，所述初始化改进后的PSO-BP神经网络，对改进后的PSO-BP神经网络进行训练，得到基于改进PSO-BP的电缆缆芯温度预测模型，具体包括：

在步骤S31中，初始化模型的参数，所述参数包含BP网络算法的网络层数、训练次数、学习速率，以及粒子群算法的种群规模、迭代次数，惯性权重；

在步骤S32中，根据BP神经网络的各层节点数计算网络的权值和阈值的总个数，即粒子的长度；

在步骤S33中，根据BP神经网络的权值和阈值按二进制编码方式编码成对应的粒子；

在步骤S34中，初始化粒子群，包括种群规模N，每个粒子的位置x

在步骤S35中，利用适应度函数计算初始粒子群中每个粒子的适应度；

在步骤S36中，分别记录粒子群的个体极值和全局极值；

在步骤S37中，更新粒子的速度和位置；

在步骤S38中，计算新粒子群中每个粒子的适应度；

在步骤S39中，对每个个体极值进行更新；

在步骤S310中，对粒子群的全局极值进行更新；

在步骤S311中，如果满足结束条件或迭代次数达到最大循环迭代次数，则退出循环，否则返回S36；

在步骤S312中，输出问题的最优解，并将最优解赋值给BP神经网络进行预测。

进一步的，所述建立改进后的PSO-BP神经网络模型，具体包括：

首先，在BP网络的输入层至隐含层，隐含层至输出层的权值和阈值修正公式中引入前一时刻的权值阈值修正变量以提高收敛速度，有效避免修正值为0，使得神经网络输出从局部最小值跳出；

其次，将粒子群算法中惯性权重由常用的线性递减改为随机权重，让粒子历史速度对当前速度所造成的影响是随机的，部分避免线性递减的惯性权值存在的不足，减小陷入局部最优的概率；

最后，在PSO算法迭代优化过程中引入变异算子，提高粒子群算法的全局优化能力。

进一步的，，所述引入前一时刻的权值阈值修正变量以提高收敛速度，具体包括：

在修正公式中引入前一时刻的权重阈值修正变量，从而传递每一次的权值变化，能够促使权值的调节向着误差曲面底部的平均方向变化，有助于使网络从误差曲面的局部最小值中跳出，改进后的权值阈值修正公式为：

式中，m

从而有效避免修正值为0，能够使得神经网络输出从局部极小值跳出。

进一步的，所述将粒子群算法中惯性权重由常用的线性递减改为随机权重，具体包括：

改进粒子群算法在速度更新方程中引入惯性权重对粒子速度进行调节：

对上式中惯性权重引入随机权重，权值公式改进为：

w＝μ+δ*N(0,1)(7)

μ＝μ

式中δ为用来表示惯性权重与其数学期望之间的偏离程度的值，取δ＝0.3，该项是为了控制取值中的权重误差，使惯性权重向有利于期望权重方向进化。

进一步的，所述在PSO算法迭代优化过程中引入变异算子，具体包括；

在迭代优化过程中，引入变异算子，其实现步骤如下：

pos＝unidrnd(numsum)；

ifrand>0.95

pop(j,pos)＝3*rands(1,1)；

式中，pos是种群发生变异的位置，unidrnd是产生随机整数的函数，numsum是粒子长度。

进一步的，BP神经网络的隐含层节点个数使用下列经验公式来确定：

式中，q为隐含层的节点个数，m为输入层的节点个数，n为输出层的节点个数，a∈{1,2,…,10}为调节常数。

进一步的，所述步骤S35中适应度函数包括：

式中，n为样本个数，y

进一步的，还包括步骤：对改进PSO-BP的电缆缆芯温度预测模型的预测效果采用平均绝对误差MAE、均方根误差RMSE进行评价，其中MAE是指电缆缆芯温度预测误差绝对值的平均值，能够反映预测值误差的实际情况，计算公式如下：

而RMSE是指电缆缆芯温度预测误差的均方根值，能够很好地反映出测量的精密度，计算公式如下：

式中，n为样本个数，y

与现有技术相比，本发明提供了一种基于改进PSO-ANN的电缆缆芯温度预测方法，用以对电缆缆芯温度进行预测，为电缆温度检测提供预警，解决了缆芯温度无法直接测量的问题，对于电缆的运行维护起到至关重要的作用。

附图说明

图1为本发明提供的改进PSO-BP的电缆缆芯温度预测方法的流程示意图；

图2为本发明提供的改进PSO-BP网络训练过程的流程示意图；

图3为本发明实施例1提供的预测结果图；

图4为本发明实施例1提供的预测误差图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

实施例1

本发明实施例提供了一种基于改进PSO-ANN的电缆缆芯温度预测方法，结合图1来看，图1为本发明提供的基于改进PSO-ANN的电缆缆芯温度预测方法的流程示意图，包括步骤S1至步骤S5，其中：

在步骤S1中，获得影响电缆缆芯温度相关的历史数据，并将其分为训练集数据和测试集数据，由原始数据可得对应的652组原始数据，其中，604组数据为训练集，48组数据为测试集，其中，影响电缆缆芯温度相关的历史数据主要为：环境温度、负荷电流、外护套温度、CO浓度、CH

在步骤S2中，将上述历史数据作为输入变量，并对其进行归一化处理，以电缆缆芯温度作为输出变量；

优选地，归一化处理包括：

由于数据的单位或数量级的不同，可能导致网络收敛速度变慢、训练时间变长等问题，因此，要对样本数据进行归一化处理。归一化公式如下：

其中，x

在步骤S3中，建立改进后的PSO-ANN神经网络模型，BP神经网络是人工神经网络的一种，也即PSO-BP神经网络模型，并初始化改进后的PSO-BP神经网络，对改进后的PSO-BP神经网络进行训练，得到基于改进PSO-BP的电缆缆芯温度预测模型，输入输出数据可见表1，时间间隔1h；

表1输入输出数据

优选地，结合图2来看，图2为本发明提供的改进PSO-BP神经网络模型训练的基本流程示意图，上述步骤S3中网络初始化、训练步骤包括步骤S31至步骤S312，其中：

在步骤S31中，初始化模型的参数；

在步骤S32中，根据BP神经网络的各层节点数计算网络的权值和阈值的总个数(即粒子的长度)；

在步骤S33中，根据BP神经网络的权值和阈值按二进制编码方式编码成对应的粒子；

在步骤S34中，初始化粒子群，包括种群规模N，每个粒子的位置x

在步骤S35中，利用适应度函数计算初始粒子群中每个粒子的适应度；

在步骤S36中，分别记录粒子群的个体极值和全局极值；

在步骤S37中，更新粒子的速度和位置；

在步骤S38中，计算新粒子群中每个粒子的适应度；

在步骤S39中，对每个个体极值进行更新；

在步骤S310中，对粒子群的全局极值进行更新；

在步骤S311中，如果满足结束条件或迭代次数达到最大循环迭代次数，则退出循环，否则返回S36；

在步骤S312中，输出问题的最优解，并将最优解赋值给BP神经网络进行预测。

优选地，对PSO-BP神经网络的改进点包括：

1)引入动量向提高收敛速度：

在传统BP神经网络算法中，权值阈值的修正仅考虑了当前时刻的梯度下降，即仅考虑了误差因素的影响而没有考虑以前时刻的梯度方向，这容易导致学习过程发生振荡、陷入局部最小值、且收敛速度较慢。

对此，在修正公式中引入前一时刻的权重阈值修正变量，从而传递每一次的权值变化，能够促使权值的调节向着误差曲面底部的平均方向变化，有助于使网络从误差曲面的局部最小值中跳出。改进后的权值阈值修正公式为：

式中，m

从而有效避免了修正值为0，能够使得神经网络输出从局部极小值跳出。

2)将粒子群算法中惯性权重改为随机权重：

为了提升性能，改进粒子群算法在速度更新方程中引入惯性权重对粒子速度进行调节：

对上式中惯性权重引入随机权重，权值公式改进为：

w＝μ+δ*N(0,1)(7)

μ＝μ

式中δ为用来表示惯性权重与其数学期望之间的偏离程度的值，取δ＝0.3，该项是为了控制取值中的权重误差，使惯性权重向有利于期望权重方向进化。

3)引入变异算子：

在迭代优化过程中，引入变异算子，其实现步骤如下：

pos＝unidrnd(numsum)；

ifrand>0.95

pop(j,pos)＝3*rands(1,1)；

式中，pos是种群发生变异的位置，unidrnd是产生随机整数的函数，numsum是粒子长度。

优选地，步骤S31对改进后的PSO-BP神经网络模型参数初始化，其中：

BP网络模型参数设置的具体过程如下所示：

(1)确定BP网络层数。BP神经网络一般设置为三层网络；

(2)确定各层神经元个数。对于一个三层BP神经网络，各层要选择合适的输入节点数，以保证网络模型的预测性能。对于输入/输出层而言，其神经元个数为对于向量维数。对于输入层而言，选取环境温度、负荷电流、外护套温度、CO浓度、CH

(3)设定训练次数。网络的训练次数决定网络的训练学习时间，需依据实际问题选择合适的训练次数。该实施例中选取的训练次数为100。

(4)确定学习速率。在通常情况下学习速率的取值范围设定为0.01～0.8。该实施例中选取的学习速率值为0.01。

(5)确定训练目标值。在网络模型的训练过程中，当训练精度达到训练目标值时，结束对网络的训练过程。该实施例中选取的训练目标值为0.0001。

(6)确定隐含层、输出层传递函数。该实施例中隐含层传递函数为tan-sigmoid，输出层传递函数为Linear函数。

粒子群算法的主要参数设置过程如下所示：

(1)种群规模m，表示群体中包含的微粒数目。它的设定应根据具体情况而定，一般设为20至40之间。该实施例选取种群规模m为30。

(2)迭代次数，表示算法终止运行的次数。当算法运行到最大迭代次数

时，算法停止迭代运算，输出结果。该参数的设定需要根据实际问题，考虑算法的优化效果等多方面因素。该实施例中选取迭代次数为100。

(3)微粒最大速度是一个重要的参数，其决定了算法的搜索力度。结合实际温度，该实施例中选取为1。

(4)惯性权重能够使微粒保持运动惯性，其决定了算法的搜索能力，取值范围为[0.2,1.2]。该实施例设定权重最大值为0.9，最小值为0.1。

(5)加速常数c

优选地，所述步骤S35中适应度函数为：

式中，n为样本个数，y

在步骤S4中，将归一化的历史数据输入基于改进PSO-BP的电缆缆芯温度预测模型中，获得预测的电缆缆芯温度，输入输出数据可见表1后48组；

在步骤S5中，由上一步获得预测的电缆缆芯温度，与实际电缆缆芯温度进行对比评估，预测性能则如图3、图4所示。

优选地，为了更好分析模型的预测效果，将采用一些预测误差的评估指标去评价模型的预测性能，包括平均绝对误差(MAE)、均方根误差(RMSE)，该预测模型的评价指标结果如表2所示，其中：

MAE是指电缆缆芯温度预测误差绝对值的平均值，能够反映预测值误差的实际情况，计算公式如下：

而RMSE是指电缆缆芯温度预测误差的均方根值，能够很好地反映出测量的精密度，计算公式如下：

式中，n为样本个数，y

表2模型评价指标

优选地，结合图3、4可看出：

电缆缆芯的实际温度与模型预测温度拟合度较高，平均绝对误差为0.1126，均方根误差为0.1327，由这些数值可以进一步的说明该预测方法的有效性。

在本发明实施例中，首先，对影响电缆缆芯温度相关的历史数据进行有效的获取，并对数据进行预处理；然后，针对PSO-BP神经网络模型，进行改进，并加以训练，便于后续进行电缆缆芯温度预测，具体的，首先，引入动量向提高收敛速度，有效避免了修正值为0，使得神经网络输出从局部最小值跳出；其次，将粒子群算法中惯性权重由常用的线性递减改为随机权重，让粒子历史速度对当前速度所造成的影响是随机的，这一方法可以部分避免线性递减的惯性权值存在的不足，减小陷入局部最优的概率；最后，引入变异算子，提高粒子群算法的全局优化能力；接着，将测试集输入到改进好的PSO-BP神经网络模型中，获得预测温度；最后，对比实际温度与预测温度，得出：该模型能有效的为电缆温度检测提供预警，解决了缆芯温度无法直接测量的问题。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。