一种基于人工神经网络的雷电流反演方法技术

本发明专利技术是关于一种基于人工神经网络的雷电流反演方法，所述方法包括：获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集；对所述训练样本集中的训练数据进行小波降噪和光滑等预处理，得到训练矩阵和训练目标矩阵；建立Elman人工神经网络，通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化，得到所述Elman人工神经网络的网络参数：连接权值；对所述测试样本集中的测试数据进行预处理和合并，并通过优化后的所述Elman人工神经网络进行测试，计算得到雷电流结果。本发明专利技术提供的得到雷电流的方法相比直接测量更方便，且无需对每个地区建立一个精确的电磁场‑雷电流模型，适用范围更广。

A lightning current inversion method based on artificial neural network

The present invention relates to a lightning current inversion method based on artificial neural network, the method comprises: acquiring electromagnetic field data, and the data field is divided into training set and test set of training data; the training sample set of wavelet denoising and smoothing preprocessing, training matrix and the training target matrix; establish Elman artificial neural network was trained by the training matrix optimization and training target matrix Elman for the artificial neural network, network parameters of the Elman neural network connection weights;: pretreatment and consolidation on the test data of the test samples, and tested by optimization after the Elman artificial neural network, the calculated results of lightning current. Method of lightning current provided by the invention is compared with the direct measurement is more convenient, and there is no need to set up an accurate electromagnetic lightning current model for each region, wide application range.

【技术实现步骤摘要】
一种基于人工神经网络的雷电流反演方法
本专利技术涉及雷电监测
，尤其涉及一种基于人工神经网络的雷电流反演方法。
技术介绍
雷电是十大自然灾害之一。它瞬间产生的大电流、高电压和强电磁场，不仅会造成人畜伤亡，对人类赖以生存的自然资源和人类创造的物质财富有巨大的破坏作用，而且还常给电力、通信、石油化工、航空航天、铁道交通，乃至金融证券等国民经济部门的设备设施带来损坏。因此，雷电现象、雷电物理、雷电预警与防护等问题仍是大气电学、电力系统、放电物理等领域的热点研究问题。通过对自然雷电流的获取，可以帮助确定电力设备或通信设备的防雷等级，国内外对自然雷电流的获得做了大量的研究，其实现途径主要可分为两个：1)直接测量得到；2)利用反演算法得到。在直接测量方法中，利用安装在引雷塔顶端的电流测量线圈获得雷电流。另一方面，雷电流还可以通过测量得到的电磁场数据，建立电磁场-雷电流模型计算得到雷电流，M.Izadia于2013年在他的文章《Evaluationoflightningcurrentusinginverseprocedurealgorithm》中提出了一种利用雷电流精确计算闪电产生的电磁场的模型，从而使得在已知闪电产生的电磁场时，可以通过粒子群算法寻优，得到雷电流。但是，利用电流测量装置对雷电流进行直接测量相对较困难，只有当雷电击在安装有电流测量装置的杆塔上时，雷电流才能被直接测量到，然而雷电的雷击点是随机的，故不能保证雷电每次击在安装有电流测量装置的杆塔上；利用反演算法获得雷电流时，必须保证利用雷电流精确计算闪电产生的电磁场的模型十分准确，而电磁场在传播的过程中会有折射和反射等现象，故不同地区电磁场-雷电流模型将会很不一样，计算得到电磁场-雷电流模型的难度也很大。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供一种基于人工神经网络的雷电流反演方法。为了解决上述技术问题，本专利技术提供如下技术方案：本专利技术提供的一种基于人工神经网络的雷电流反演方法，所述方法包括:获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集；对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵；建立Elman人工神经网络，通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化，得到所述Elman人工神经网络的网络参数：连接权值；对所述测试样本集中的测试数据进行预处理和合并，并通过优化后的所述Elman人工神经网络进行测试，得到雷电流结果。优选地，上述基于人工神经网络的雷电流反演方法中，所述获取电磁场数据，具体包括：通过闪电光电磁同步观测系统中的电场和电磁场传感器，获得闪电时的电场数据B和磁场数据E；通过电流测量装置获得电流数据；从每组电场、磁场中切出长度为400个采样点的波形段。优选地，上述基于人工神经网络的雷电流反演方法中，所述对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵，具体包括：从所述训练样本集中取出n组训练数据，其中n不小于5；将一组所述训练数据中的电磁场数据进行小波降噪和光滑处理，得到2×400的训练矩阵，通过n组数据的组合，得到2×400×n的训练矩阵BE；将一组所述训练数据中的电流数据进行小波降噪和光滑处理，得到1×400的训练矩阵，通过n组数据的组合，得到1×400×n的训练目标矩阵I。优选地，上述基于人工神经网络的雷电流反演方法中，所述Elman人工神经网络包括输入层、隐含层、承接层和输出层，所述输入层、承接层和输出层分别与所述隐含层连接。优选地，上述基于人工神经网络的雷电流反演方法中，所述输入层有2个节点，所述隐含层有2个节点，所述承接层有2个节点，所述输出层有1个节点，所述输入层、隐含层、承接层和输出层通过所述节点相互连接。优选地，上述基于人工神经网络的雷电流反演方法中，所述对所述测试样本集中的测试数据进行预处理和合并，具体包括：从所述测试样本集中取出n组测试数据，其中n不小于5；将一组所述测试数据中的电磁场数据进行小波降噪和光滑处理，得到2×400的矩阵，通过n组数据的组合，得到2×400×n的电磁场输入矩阵BEtest。优选地，上述基于人工神经网络的雷电流反演方法中，所述利用优化后的所述Elman人工神经网络进行测试，得到雷电流结果，具体包括：将所述电磁场输入矩阵BEtest作为输入值X，并将输入值X输入已得到所述连接权值的Elman人工神经网络中，得到雷电流结果Y。本专利技术提供的技术方案可以包括以下有益效果：本专利技术提供的基于人工神经网络的雷电流反演方法包括：获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集；对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵；建立Elman人工神经网络，通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化，得到所述Elman人工神经网络的网络参数：连接权值；对所述测试样本集中的测试数据进行预处理和合并，并通过优化后的所述Elman人工神经网络进行测试，得到雷电流结果。本专利技术基于Elman人工神经网络，通过测量得到的电场数据和电磁场数据，计算得到雷电流数据；且本专利技术方法计算雷电流时，无需对每个地区建立一个精确的电磁场—雷电流模型，适用范围更广。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法的流程示意图；图2为本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S100的详细流程示意图；图3为本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S200的详细流程示意图；图4为本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法中Elman人工神经网络的结构示意图；图5为本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S400的详细流程示意图；图6为本专利技术实施例提供的基于人工神经网络的雷电流反演方法得到的雷电流结果与直接测量的雷电流结果的比较图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。参见图1，该图示出了本专利技术实施例提供的一种基于人工神经网络的雷电流反演方法的具体流程图。S100：获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集。具体地，获取电磁场数据后，将电磁场数据分为训练样本集和测试样本集，训练样本集用于训练优化Elman人工神经网络，使得Elman人工神经网络适应于闪电时采集到的电磁场数据；测试样本集作为输入数据，通过Elman人工神经网络计算本文档来自技高网...

【技术保护点】
一种基于人工神经网络的雷电流反演方法，其特征在于，所述方法包括：获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集；对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵；建立Elman人工神经网络，通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化，得到所述Elman人工神经网络的网络参数：连接权值；对所述测试样本集中的测试数据进行预处理和合并，并通过优化后的所述Elman人工神经网络进行测试，得到雷电流结果。

【技术特征摘要】
1.一种基于人工神经网络的雷电流反演方法，其特征在于，所述方法包括：获取电磁场数据，并将所述电磁场数据分为训练样本集和测试样本集；对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵；建立Elman人工神经网络，通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化，得到所述Elman人工神经网络的网络参数：连接权值；对所述测试样本集中的测试数据进行预处理和合并，并通过优化后的所述Elman人工神经网络进行测试，得到雷电流结果。2.根据权利要求1所述的基于人工神经网络的雷电流反演方法，其特征在于，所述获取电磁场数据，具体包括：通过闪电光电磁同步观测系统中的电场和电磁场传感器，获得闪电时的电场数据B和磁场数据E；通过电流测量装置获得电流数据；从每组电场、磁场中切出长度为400个采样点的波形段。3.根据权利要求2所述的基于人工神经网络的雷电流反演方法，其特征在于，所述对所述训练样本集中的训练数据进行预处理，得到训练矩阵和训练目标矩阵，具体包括：从所述训练样本集中取出n组训练数据，其中n不小于5；将一组所述训练数据中的电磁场数据进行小波降噪和光滑处理，得到2×400的训练矩阵，通过n组数据的组合，得到2×400×n的训练矩阵BE；将一组所述训练数据中的电流数据...

【专利技术属性】
技术研发人员：周仿荣，马仪，邹德旭，钱国超，黄修乾，马御棠，申元，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南,53