基于灰色神经网络组合模型的接地网腐蚀率预测方法与流程

本发明涉及一种基于灰色神经网络组合模型的接地网腐蚀率预测方法，属于电力系统接地
技术领域：
。
背景技术：
：接地网是一类重要的接地装置，安全可靠的接地网能在正常、事故或者遭受雷击的情况下将电气连接处的电位固定在某一允许范围内，保证电气设备的安全运行以及工作人员的人身安全。接地网的导体埋于地下将会受到环境中各种因素影响，比如土壤的腐蚀导致导体生锈被腐蚀，严重的甚至断裂，破坏了接地网的原有结构模式，使其性能变差、接地电阻相对变高。2008年西安市北郊330KV变电站因地网发生腐蚀，导致故障时中性点电位严重提高击毁了直流系统模式，造成多台主要机组设备严重损坏，全市大面积停电，给人民的生活带来了极大的不便。为了确保接地网的安全稳定运行，提高供电的可靠性，对接地网腐蚀预测展开相关的研究是迫在眉睫的。目前，大量学者已实现单独用灰色理论、神经网络、支持向量机法、模糊技术等法预测腐蚀率。部分学者还结合了遗传算法和神经网络实现组合预测，大大提高了预测精度。近几年，更有专家结合灰色理论和神经网络提出串联式灰色神经网络IGNN和嵌入式灰色神经SGNN网络，并实现对接地网腐蚀率的预测，预测精度有所提高，但预测结果不够稳定。技术实现要素：为了解决上述技术问题，本发明提供了。为了达到上述目的，本发明所采用的技术方案是：基于灰色神经网络组合模型的接地网腐蚀率预测方法，包括以下步骤，步骤1，对于给定的接地网腐蚀率时序数据，运用串联式灰色神经网络SGNN建模预测腐蚀率；步骤2，对于给定的接地网腐蚀率时序数据，运用嵌入式灰色神经网络IGNN建模预测腐蚀率；步骤3，将串联式灰色神经网络SGNN与嵌入式灰色神经网络IGNN的预测结果结合形成P-SIGNN预测法，根据各预测精度求得的权系数加权求和，得到最终预测值。步骤1中，运用串联式灰色神经网络SGNN建模预测腐蚀率的过程为，A1)定义给定的接地网腐蚀率时序数据为，X(0)(t)＝{x(0)(1),x(0)(2),…,x(0)(n)}其中，x(0)(i)为第i个时间点下的地网腐蚀率，i∈[1,n]并且i为整数；A2)对给定的接地网腐蚀率时序数据作一次累加，得k∈[1,n]并且k为整数，并由此建立一阶微分方程；一阶微分方程为，其中，x(1)表示累加生成的数列，a、b为待求参数，可利用最小二乘法求得；A3)对一阶微分方程进行求解，得到灰色预测的解函数A4)对进行累减，得到灰色预测最终计算值；所述灰色预测最终计算值包括过去时间段的腐蚀率模拟值和未来腐蚀率预测值；A5)将步骤A4)中过去时间段的腐蚀率模拟值作为BP神经网络的输入，给定的接地网腐蚀率时序数据作为网络的期望目标值，对BP神经网络进行训练，得到合适的网络权值和阀值，并可得到串联式灰色神经网络计算的过去时间段腐蚀率模拟值；A6)将步骤A4)中未来腐蚀率预测值作为上述训练好的BP神经网络的输入，输出则为串联式灰色神经网络的最终预测值。步骤2中，运用嵌入式灰色神经网络IGNN建模预测腐蚀率过程为，B1)对步骤1中的灰色预测的解函数两边同乘以B2)然后选取适当的权值和阈值，将式(3)映射到BP神经网络中；B3)用训练样本训练该BP神经网络，即寻找使式(3)计算结果误差最小的参数a、b；B4)由a、b计算得到对其进行一次累减，分别得到嵌入式灰色神经网络计算的过去时间段的腐蚀率模拟值和未来腐蚀率预测值。步骤3的具体过程为，C1)计算串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN过去时间段腐蚀率模拟值的精度序列；其中，j＝1,2，t∈[1,N]并且t为整数,N表示过去时间段腐蚀率模拟值个数，x(0)(t)为腐蚀率实际值，为串联式灰色神经网络SGNN模拟值，A1t为串联式灰色神经网络SGNN模拟值的精度序列，为嵌入式灰色神经网络IGNN模拟值，A2t为嵌入式灰色神经网络IGNN模拟值的精度序列；C2)计算Ajt构成的精度序列的均值Ej与均方差σj；C3)计算串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN模型的有效度；Sj＝Ej(1-σj)式(7)其中，S1为串联式灰色神经网络SGNN模型有效度，S2为嵌入式灰色神经网络IGNN模型有效度；C4)将S1、S2归一化作为加权系数K1、K2；其中，j′＝1,2；C5)最终预测值为；其中t′∈[1,M]并且t′为整数，M为预测数据总数，分别为串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN未来腐蚀率预测值。本发明所达到的有益效果：本发明结合了串联式和嵌入式灰色神经网络预测理论，能更好地解决传统预测结果不够稳定的问题，提高预测精度。附图说明图1为本发明的流程框图。图2为嵌入式灰色神经网络IGNN结构图。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。如图1所示，基于灰色神经网络组合模型的接地网腐蚀率预测方法，包括以下步骤：步骤1，对于给定的接地网腐蚀率时序数据，运用串联式灰色神经网络SGNN建模预测腐蚀率。运用串联式灰色神经网络SGNN建模预测腐蚀率的过程为，A1)定义给定的接地网腐蚀率时序数据为，X(0)(t)＝{x(0)(1),x(0)(2),…,x(0)(n)}其中，x(0)(i)为第i个时间点下的地网腐蚀率，i∈[1,n]并且i为整数；A2)对给定的接地网腐蚀率时序数据作一次累加，得k∈[1,n]并且k为整数，并由此建立一阶微分方程；一阶微分方程为，其中，x(1)表示累加生成的数列，a、b为待求参数，可利用最小二乘法求得；A3)对一阶微分方程进行求解，得到灰色预测的解函数A4)对进行累减，得到灰色预测最终计算值；所述灰色预测最终计算值包括过去时间段的腐蚀率模拟值和未来腐蚀率预测值；A5)将步骤A4)中过去时间段的腐蚀率模拟值作为BP神经网络的输入，给定的接地网腐蚀率时序数据作为网络的期望目标值，对BP神经网络进行训练，得到合适的网络权值和阀值，并可得到串联式灰色神经网络计算的过去时间段腐蚀率模拟值；A6)将步骤A4)中未来腐蚀率预测值作为输入上述训练好的BP神经网络，输出则为串联式灰色神经网络的最终预测值。步骤2，对于给定的接地网腐蚀率时序数据，运用嵌入式灰色神经网络IGNN建模预测腐蚀率。运用嵌入式灰色神经网络IGNN建模预测腐蚀率过程为，B1)对步骤1中的灰色预测的解函数两边同乘以B2)然后选取适当的权值和阈值，将式(3)映射到BP神经网络中；B3)用训练样本训练该BP神经网络，即寻找使式(3)计算结果误差最小的参数a、b；B4)由a、b计算得到对其进行一次累减，分别得到嵌入式灰色神经网络计算的过去时间段的腐蚀率模拟值和未来腐蚀率预测值。步骤3，将串联式灰色神经网络SGNN与嵌入式灰色神经网络IGNN的预测结果结合形成P-SIGNN预测法，根据各模型精度求得的权系数加权求和，得到最终预测值。具体过程为，C1)计算串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN过去时间段腐蚀率模拟值的精度序列；其中，j＝1,2，t∈[1,N]并且t为整数,N表示过去时间段腐蚀率模拟值个数，x(0)(t)为腐蚀率实际值，为串联式灰色神经网络SGNN模拟值，A1t为串联式灰色神经网络SGNN模拟值的精度序列，为嵌入式灰色神经网络IGNN模拟值，A2t为嵌入式灰色神经网络IGNN模拟值的精度序列；C2)计算Ajt构成的精度序列的均值Ej与均方差σj；C3)计算串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN模型的有效度；Sj＝Ej(1-σj)式(7)其中，S1为串联式灰色神经网络SGNN模型有效度，S2为嵌入式灰色神经网络IGNN模型有效度；C4)将S1、S2归一化作为加权系数K1、K2；其中，j′＝1,2；C5)最终预测值为；其中t′∈[1,M]并且t′为整数，M为预测数据总数，分别为串联式灰色神经网络SGNN和嵌入式灰色神经网络IGNN未来腐蚀率预测值。为了进一步说明上述方法，以福建某变电站在2007年12月至2008年9月检测得到的接地网导体腐蚀率数据为例，分别做了串联式灰色神经网络SGNN、嵌入式灰色神经网络IGNN、组合预测P-SIGNN三种预测计算，并对比分析计算结果。福建某变电站腐蚀率检测数据如表1，给出了2007.12.23到2008.9.23每个月检测的平均腐蚀率V，预测计算是通过前八组数据预测后两组数据，即由2007.12.23至2008.7.23的八组数据预测2008.8.23和2008.9.23的腐蚀率。表1腐蚀率数据根据步骤1的过程，计算得到灰色预测最终计算值，如表2。表2灰色预测最终计算值日期2007.12.232008.1.232008.2.232008.3.232008.4.23V(g/m2.h)0.1820000.2105730.1288380.0788290.048231日期2008.5.232008.6.232008.7.232008.8.232008.9.23V(g/m2.h)0.0295100.0180550.0110470.0067590.004136串联式灰色神经网络SGNN得到的前八个月腐蚀率模拟值和后两个月腐蚀率预测值及相应误差如表3。表3串联式灰色神经网络SGNN预测值和误差日期腐蚀率计算值相对误差2007.12.230.181990-0.01％2008.1.230.2190030.00％2008.2.230.1380140.01％2008.3.230.064945-0.08％2008.4.230.0472270.48％2008.5.230.031438-1.76％2008.6.230.0187344.08％2008.7.230.011648-2.93％2008.8.230.0081734.78％2008.9.230.00625620.31％根据步骤2的过程，建立如图2所示的嵌入式灰色神经网络IGNN，其中，K(m)(K＝0,1,...,7)为第K个输入样本值，共8个样本，m为网络训练次数，这里共训练了5000次，w31、w21、w43、w42、w54为两条神经元之间的权值，θy1为中间变量y1的阀值，y为网络输出的模拟值，dK(m)为输出实测值，eK(m)为输出误差。网络中LB层神经元激励函数取Sigmoid型函数，其他层激励选择线性函数。经过5000次迭代计算，网络参数a、b分别确定为0.1228、0.8001，最终嵌入式灰色神经网络IGNN计算结果见表4。表4嵌入式灰色神经网络IGNN预测值和误差根据步骤3的过程，得到P-SIGNN计算结果见表5。表5P-SIGNN预测计算值及误差日期腐蚀率计算值相对误差2008.8.230.0078360.46％2008.9.230.0052470.90％由上表可得，P-SIGNN组合预测平均误差为0.68％，误差平均值和误差最大值都在1％以内，相比于表3、表4结果，组合模型预测精度更高且预测结果更加稳定。综上所述，上述方法结合了串联式和嵌入式灰色神经网络预测理论，能更好地解决传统预测结果不够稳定的问题，提高预测精度。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页1 2 3