一种基于PSO-BP算法预测杂散电流腐蚀预测的方法技术

本发明专利技术属于杂散电流预测技术领域，涉及一种基于PSO

【技术实现步骤摘要】
一种基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法


[0001]本专利技术属于杂散电流预测
，涉及一种基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法。

技术介绍

[0002]随着城市轨道交通的飞速发展，城镇化基础设施建设也越来越完善，为满足市民在出行时的便捷性与快速性需求，了解和监视交通系统中发生的杂散电流腐蚀的过程尤为重要。在理想的情况下，系统中的行走轨与大地是完全绝缘的，在这种情况下不需要考虑杂散电流；但在实际使用中，行走轨与大地之间无法达到理想情况下的完全绝缘，必然会存在杂散电流。
[0003]杂散电流是指沿着其他非专用电流的组成部分介质流动的电流，在系统运行时会有一定数量的牵引回流通过轨道流入地下，从而产生杂散电流。杂散电流可能来自电动牵引系统、海上结构、海洋平台、阴极保护系统等；且杂散电流会在一些基础设施上引起电化学腐蚀，例如滑轨、地下管道和混凝土结构，从而降低了公交系统的安全性能。再加上大多数管道是由碳钢组成的，腐蚀就成为这些系统最常见的威胁之一。在某些极端情况下，杂散电流泄漏甚至会导致严重的结构损坏。
[0004]为此，对杂散电流的监测十分重要。而杂散电流防护中不能忽略的一个重要因素就是过渡电阻值，现有技术中通过工程人员实地测量过渡电阻过于繁琐，且地铁沿线因地形不同，轨道过渡电阻可能会不均匀，更加增加了测量难度。现有中国专利文献(公开号：CN111027224A，公开日2020.04.17)中公开了一种基于BP神经网络在线预测地铁过渡电阻的方法，该方法虽然能够捕获输入和输出腐蚀数据集之间的非线性关系，但是BP神经网络的应用还存在全局搜索能力弱，鲁棒性差等问题，很容易陷入局部最小值。

技术实现思路

[0005]本专利技术的目的在于克服上述现有技术的缺点，提供一种基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，以解决BP神经网络在面对部分数据时出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。
[0006]为实现上述目的，本专利技术提供了如下技术方案：
[0007]这种基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，具体包括以下步骤：
[0008]步骤1、获取目标位置的采样数据，定义所述采样数据中80％的数据为训练数据集，20％的数据为测试数据集；
[0009]步骤2、分别对所述训练数据集、测试数据集进行预处理得到预处理训练数据集、预处理测试数据集；
[0010]步骤3、构建基于PSO
‑
BP算法的杂散电流预测模型；
[0011]步骤4、采用所述预处理训练数据集对基于PSO
‑
BP算法的杂散电流预测模型进行训练；
[0012]步骤5、从预处理测试数据集中选出一组数据，用训练好的基于PSO
‑
BP算法的杂散电流预测模型对预处理测试数据集进行测试，得出杂散电流的预测值。
[0013]进一步，所述步骤1中的采样数据为目标位置的电压数据和电流数据；所述电压数据包括轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据；所述电流数据包括排流网与埋地金属、埋地金属与大地、轨道与排流网之间的电流数据。
[0014]进一步，所述步骤2中的预处理包括：先去除无效或测量错误的数据，再根据多重插补法对测量正确的数据进行补全，且只补全缺失值不超过15％的数据，超过15％的数据直接去除。
[0015]进一步，所述步骤4具体包括如下步骤：
[0016]步骤4.1、对基于PSO
‑
BP算法的杂散电流预测模型进行网格初始化处理；
[0017]步骤4.2、通过迭代运算确定个体适应度，并根据结果更新速度与位置的参数；
[0018]步骤4.3、判断所述杂散电流预测模型迭代是否结束：若迭代次数到达最大值或迭代后计算的均方误差MSE小于设定的极限均方误差MSE
′
时，则迭代结束，否则，返回步骤4.2进行迭代。
[0019]进一步，所述步骤4.1具体为：
[0020]所述网格初始化处理，其初始化对象为使用PSO算法优化的参数个数、优化所使用的粒子总数、最大迭代次数、各粒子的上下界、各粒子的学习因子以及用于判断是否结束使用的可接受的均方误差。
[0021]进一步，所述步骤4.2具体包括：
[0022]首先，基于PSO
‑
BP算法初始化预处理训练数据集；
[0023]然后，通过迭代运算寻求最优解，确定PSO
‑
BP算法中处于第一位置pbest的个体极值数据，处于第二位置gbest的全局极值数据；
[0024]最后，进行个体适应度计算，PSO
‑
BP算法中的数据i根据式(1)和式(2)来更新其速度和位置，定义数据i的信息用D维向量表示，位置为X
i
＝(x
i1
，x
i2
，...，x
iD
)T，速度为V
i
＝(v
i1
，v
i2
，...，v
iD
)T，则速度和位置更新方程为：
[0025][0026][0027]式(1)中，是数据i在第k次迭代中第d维的速度，c1，c2是加速度系数，且c1＝c2＝2，rand1，rand2是[0，1]之间的随机数，pbest
id
是数据i在第d维的个体极值点的位置，gbest
d
是整个训练数据集在第d维的全局极值点的位置；
[0028]式(2)中，是数据i在第k次迭代中第d维的当前位置。
[0029]进一步，所述步骤4.3中判断所述杂散电流预测模型迭代是否结束的方法具体如下：
[0030]每利用PSO算法寻求一次最优解后，计算每次优化后的BP网络预测的均方误差MSE，若BP网络预测的均方误差MSE小于设定的极限均方误差MSE
′
则停止迭代；或者，当迭代次数达到了最大值，则停止迭代；否则，返回步骤4.2重新迭代。
[0031]与现有技术相比，本专利技术提供的技术方案包括以下有益效果：与基于BP神经网络的预测算法相比，若计算能力较为充裕，使用本专利技术的技术方案可以解决BP神经网络在面对部分数据时会出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。而且，运算中只使用处于第一位置pbest的个体极值数据与处于第二位置gbest的全局极值数据，pbest能够保留每个粒子探索更优的全局极值点的可能性，gbest能够保留已经找到的全局极值点，确保最后算法能够收敛。
附图说明
[0032]此处的附图被并入说明书中并构成本说明书的一部分，与说明书一起用于解释本专利技术的原理。
[0033]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，其特征在于，具体包括以下步骤：步骤1、获取目标位置的采样数据，定义所述采样数据中80％的数据为训练数据集，20％的数据为测试数据集；步骤2、分别对所述训练数据集、测试数据集进行预处理得到预处理训练数据集、预处理测试数据集；步骤3、构建基于PSO
‑
BP算法的杂散电流预测模型；步骤4、采用所述预处理训练数据集对基于PSO
‑
BP算法的杂散电流预测模型进行训练；步骤5、从预处理测试数据集中选出一组数据，用训练好的基于PSO
‑
BP算法的杂散电流预测模型对预处理测试数据集进行测试，得出杂散电流的预测值。2.根据权利要求1所述的基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤1中的采样数据为目标位置的电压数据和电流数据；所述电压数据包括轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据；所述电流数据包括排流网与埋地金属、埋地金属与大地、轨道与排流网之间的电流数据。3.根据权利要求1所述的基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤2中的预处理包括：先去除无效或测量错误的数据，再根据多重插补法对测量正确的数据进行补全，且只补全缺失值不超过15％的数据，超过15％的数据直接去除。4.根据权利要求1所述的基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤4具体包括如下步骤：步骤4.1、对基于PSO
‑
BP算法的杂散电流预测模型进行网格初始化处理；步骤4.2、通过迭代运算确定个体适应度，并根据结果更新速度与位置的参数；步骤4.3、判断所述杂散电流预测模型迭代是否结束：若迭代次数到达最大值或迭代后计算的均方误差MSE小于设定的极限均方误差MSE
′
时，则迭代结束，否则，返回步骤4.2进行迭代。5.根据权利要求4所述的基于PSO
‑
BP算法预测杂散电流腐蚀预测的方法，...

【专利技术属性】
技术研发人员：李国锋，王子升，牛一疆，孟昭亮，
申请(专利权)人：西安中车永电电气有限公司，
类型：发明
国别省市：