一种径向基神经网络预测带电作业人员体表场强的方法与流程

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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、s1：获取体表场强数据集并对数据集中的数据进行预处理；

4、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：

5、m＝m(n+1)   (1)

6、其中m为输出层节点数，n为输入层节点数；

7、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。

8、优选的，所述s3包括如下步骤：

9、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；

10、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；

11、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；

12、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；

13、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。

14、优选的，所述s1包括以下步骤：

15、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；

16、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：

17、

18、其中，xmin为某一维数据的最小值，xmax为某一维数据的最大值。

19、优选的，所述s33中的位置迭代公式如下：

20、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；

21、

22、其中，t表示当前迭代的次数；xi(t)表示第i只蜣螂第t次迭代的位置信息；k取0.1；取b为0.3；α是采用概率法赋值为-1或1的自然系数；xw代表了当前种群所处的全局最差位置；

23、

24、其中，θ在0到π中随机选择，若或π，则不更新位置；

25、进行繁殖行为蜣螂的位置迭代公式如式(5)所示；

26、

27、其中，x*表示当前局部最佳位置，r＝1-t/tmax，tmax表示最大迭代次数，lb和ub分别表示优化问题的下界和上界；bi(t)为第i个卵球在第t次迭代时的位置，b1和b2为两个大小为1×d的随机向量，d为优化问题的维数；

28、进行觅食行为的蜣螂的位置迭代公式如式(6)所示；

29、

30、其中xb为全局最佳位置，c1表示一个服从正态分布的随机数，即c1～n(0，1)，c2表示属于(0，1)的1×d维随机向量；

31、偷窃行为的蜣螂的位置迭代公式如式(7)所示；

32、xi(t+1)＝xb+s×g×(|xi(t)-x*|+|xi(t)-xb|)    (5)

33、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。

34、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：

35、

36、其中μ∈(0.9，1.08)，x∈[0，1]。

37、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。

38、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：

39、

40、其中ub代表上界，lb代表下界；

41、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：

42、

43、其中，r1是0至2π间的随机数，r2是0至π之间的随机数，x1和x2是采用黄金分割法后产生的系数；

44、

45、其中τ是黄金分割系数，取值为a和b是黄金分割搜索方法的范围，其中a＝2-2×(2×t)/t，b取1；

46、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：

47、p＝w2-w1×(t-t)/t  (12)

48、其中w2，w1取值分别为0.5和0.1，t为最大迭代次数，t为当前迭代次数；

49、个体的位置扰动公式为：

50、

51、其中x为蜣螂个体当前的位置信息，为经柯西变异后的蜣螂个体位置，rcauchy为柯西随机数；通过适应度函数计算变异后的适应度与原本的适应度做对比，若是效果更好，则保留；反之，则舍弃，保持原本的结果。

52、优选的，所述s3还包括如下步骤：

53、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：

54、

55、其中为带电作业人员第i个部位在第j个气象条件下的预测值，yij是对应的实际值，n为数据集的数量。

56、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；

57、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；

58、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：

59、m＝m(n+1)(1)

60、其中m为输出层节点数，n为输入层节点数；

61、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。

62、本发明的有益效果包括：

63、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。

64、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。

65、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。