一种径向基神经网络预测带电作业人员体表场强的方法技术

本发明专利技术公开一种径向基神经网络预测带电作业人员体表场强的方法，涉及特高压直流输电线路，解决现有技术存在的预测精度不够的问题；本发明专利技术先获取体表场强数据集并对数据集中的数据进行预处理；根据输入输出的维度，确定隐含层神经元的个数，从而确定

【技术实现步骤摘要】
一种径向基神经网络预测带电作业人员体表场强的方法


[0001]本专利技术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
。

技术介绍

[0002]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
。
[0003]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

[0004]为了解决上述现有技术中存在的问题，本专利技术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
。
[0005]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：
[0006]S1
：获取体表场强数据集并对数据集中的数据进行预处理；
[0007]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：
[0008]m
＝
M(n+1)
ꢀꢀꢀ
(1)
[0009]其中
M
为输出层节点数，
n
为输入层节点数；
[0010]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
。
[0011]优选的，所述
S3
包括如下步骤：
[0012]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；
[0013]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；
[0014]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；
[0015]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；
[0016]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
。
[0017]优选的，所述
S1
包括以下步骤：
[0018]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；
[0019]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：
[0020][0021]其中，
x
min
为某一维数据的最小值，
x
max
为某一维数据的最大值
。
[0022]优选的，所述
S33
中的位置迭代公式如下：
[0023]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；
[0024][0025]其中，
t
表示当前迭代的次数；
x
i
(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；
X
w
代表了当前种群所处的全局最差位置；
[0026][0027]其中，
θ
在0到
π
中随机选择，若或
π
，则不更新位置；
[0028]进行繁殖行为蜣螂的位置迭代公式如式
...

【技术保护点】

【技术特征摘要】
1.
一种径向基神经网络预测带电作业人员体表场强的方法，其特征在于，包括以下步骤：
S1
：获取体表场强数据集并对数据集中的数据进行预处理；
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：
m
＝
M(n+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中
M
为输出层节点数，
n
为输入层节点数；
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
。2.
根据权利要求1所述的一种径向基神经网络预测带电作业人员体表场强的方法，其特征在于，所述
S3
包括如下步骤：
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，而后随机初始化种群；
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；
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；
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；
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
。3.
根据权利要求1所述的一种径向基神经网络预测带电作业人员体表场强的方法，其特征在于，所述
S1
包括以下步骤：
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；
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：其中，
x
min
为某一维数据的最小值，
x
max
为某一维数据的最大值
。4.
根据权利要求2所述的一种径向基神经网络预测带电作业人员体表场强的方法，其特征在于，所述
S33
中的位置迭代公式如下：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；
其中，
t
表示当前迭代的次数；
x
i
(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；
X
w
代表了当前种群所处的全局最差位置；其中，
θ
在0到
π
中随机选择，若
θ
＝0，或
π
，则不更新位置；进行繁殖行为蜣螂的位置迭代公式如式
(5)
所示；其中，
X
*
表示当前局部最佳位置，
R
＝1‑
t/T
max
，
T
max
表示最大迭代次数，
L
b
和
U
b
分别表示优化问题的下界和上界；
B
i
(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...

【专利技术属性】
技术研发人员：李俭，张亚迪，陈钢，周林，孙文成，彭宇辉，任成君，李卓雯，张杰，陈钊，
申请(专利权)人：国家电网有限公司西南分部，
类型：发明
国别省市：