技术摘要：
本发明提供了一种基于GA优化串行式BP网络的电缆接头导线温度预测方法，包括如下步骤：相关数据的选取及归一化处理；训练模型的建立；利用训练好的模型进行预测。本发明的创新之处在于建模过程中串行式地建立了两个BP神经网络，对反映因子数据和预测结果分别进行训练学  全部
背景技术：
遗传算法(GA)是基于生物界优胜劣汰自然选择现象的一种模型，1975年由美国 Holland教授提出用于解决优化问题，又称进化算法。遗传算法过程简单，易于操作，它使用 群体搜索技术，所操作的对象以及问题的解均为种群。通过对当前种群施加一系列遗传操 作来产生新一代种群，其中包括优选强势个体的选择、个体间交换基因片段产生新个体的 交叉以及基因信息突变而产生新个体的变异等。以此逐步迭代进化直到产生最优解。因此 多用于函数优化，智能算法优化，数据挖掘等，但在多约束条件下收敛速度减慢，收敛精度 不高等也成为其局限点。 人工神经网络是对人脑神经网络的一种简化提取、抽象处理及模拟训练使用，它 在一定程度上模仿了人脑神经系统对信息的检索、处理及存储功能。Rumelhart等人于1985 年提出的BP神经网络，也称为反向传播神经网络，一般是由输入层、隐含层、输出层及层间 节点组成的。它实现了层间神经元的全连接，而层内神经元无连接。它利用实际输出与目标 输出的误差来估计输出层的直接前导层的误差，类此反传，直至获得所有层的误差估计，并 按照误差最小的原则去修改BP神经网络的权值和阈值，以达实际输出和目标输出的无限接 近。 在电力传输系统中，电缆是非常重要的设备，而电缆接头却是较为薄弱的环节。现 阶段电缆检测设备灵敏度较低且维修养护费较高，更重要的是一旦发生故障将会导致个别 电力系统无法正常运转甚至严重瘫痪。目前电缆接头研究的一个关键手段是接头导线温度 检测，这是因为无论是电缆老化引起的泄漏电流增大或是过负荷触发的损耗增加都会通过 温度升高体现出来，而温度升高是引发电缆接头故障的主要因素。电缆接头温度可由其他 表层可触及的部位温度来进行预测，例如环境温度，接头绝缘层温度等等。本研究选取部分 表层可触及部分温度反映因子来对导线温度进行精准预测，以实现实时降温或是维修处 理，保证电路系统正常安全运行。
技术实现要素：
本发明提供了一种基于GA优化串行式BP神经网络的电缆接头导线温度预测，包括 如下步骤：相关数据的选取及归一化处理；训练模型的建立；利用训练好的模型进行预测。 本发明的创新之处在于建模过程中串行式地建立了两个BP神经网络，对反映因子数据和预 测结果分别进行训练学习，并用遗传算法对两个网络的权值和阈值均进行优化，即该预测 模型使用网络1训练反映因子数据得对应时刻温度值，继而由网络2训练连续三个时刻的反 映因子数据预测结果得第四个时刻温度值，以达在无反映因子数据的情况下，仍可较为精 准地预测出该组目标值。该模型既具有遗传算法优良的全局搜索能力，又结合了BP神经网 5 CN 111598231 A 说　明　书 2/7 页 络强大的学习能力，同时两个BP神经网络的串行式融合也使得该模型的预测性能更为强 大。 本发明提供基于GA优化串行式BP神经网络的电缆接头导线温度预测方法，其技术 方案如下。 在对电缆接头导线温度相关反映因子分析的基础上，采用遗传算法优化串行式BP 神经网络来建立一个有效的预测模型，进而实现对电力传输系统中电缆接头处导线温度的 预测，包括如下步骤： (1)数据选取及处理； (2)训练模型的建立； (3)利用训练好的模型进行预测。 本发明中第一步数据的选取及处理包括如下步骤。 (1)相关数据的选取：本发明中选取了9个接头导线温度反映因子，包括：环境温 度、右护套温度、左护套温度、接头处绝缘层温度、电缆表皮最左端温度、电缆表皮最左端和 中部之间的温度、电缆表皮中部温度、电缆表皮最右端和中部之间的温度、电缆表皮最右端 温度；本发明所用数据为某电缆项目温度监测终端服务中心提供的一天之中8:00-24:00这 17个整点时刻的各温度值数据。 (2)数据的处理：数据的处理是指为方便网络计算，要对原始因素数据样本进行归 一化处理，使得处理后的数据均匀分布在[-1,1]的范围内，本发明的网络模型要用premnmx 函数实现归一化操作。 本发明中第二步训练模型的建立，是指本发明串行式地建立了两个BP神经网络， 对反映因子数据和预测结果分别进行训练学习，其中网络1的输出向量作为网络2的输入向 量，并用遗传算法对两个BP神经网络的权值和阈值均进行优化，从而仅靠前三个时刻的反 映因子数据即可得到第四个时刻的温度值。包括如下步骤。 (1)网络1的建立：网络1训练反映因子数据，用8:00至21:00的反映因子数据及目 标值作为训练对象；网络1将9个反映因子数据作为输入向量，对应时刻的实际温度值作为 目标输出，即输入层神经元个数为9，输出层神经元个数为1，隐含层神经元个数d和输入层 神经元个数N之间近似符合d=2N 1，则隐含层节点数为19，隐含层的传递函数为双曲正切S 形函数tansig，输出层的传递函数为线性函数purelin，网络1采用梯度下降动量和自适应 lr的BP算法训练函数，学习率为0.035，最大迭代次数为10000次，目标误差为10-6，性能函数 为mse函数，每运行50次显示一次训练过程，其它各值均为默认值。 (2)网络2的建立：网络2使用前三个时刻的反映因子数据预测结果作为输入向量， 用第四个时刻的反映因子数据预测结果作为目标输出，即输入8:00，9:00，10:00的反映因 子数据预测结果，预测11:00的反映因子数据预测结果，再将此处预测与11:00的实际温度 值进行对比，以此类推，直至用18:00，19:00，20:00的反映因子数据预测结果来预测21:00 的反映因子数据预测结果，用这11组进行网络2的训练学习，故网络2输入层神经元个数为 3，输出层神经元个数为1，隐含层神经元个数d和输入层神经元个数N之间近似符合d=2N 1， 则隐含层节点数为7，隐含层的传递函数为双曲正切S形函数tansig，输出层的传递函数为 对数S形函数logsig，网络2采用梯度下降动量和自适应lr的BP算法训练函数，学习率为 0.05，最大迭代次数为30000次，目标误差为10-5，性能函数为mse函数，每运行50次显示一次 6 CN 111598231 A 说　明　书 3/7 页 训练过程，其它各值均为默认值。 (3)用遗传算法对两个BP神经网络的权值和阈值均进行优化，基本步骤如下： (3.1)种群初始化： 遗传算法对BP神经网络的优化主要体现在遗传算法对BP神经网络的权值和阈值的优 化，本发明中使用实数编码进行个体编码，每个个体包含了整个BP神经网络所有权值和阈 值，也即种群中每个个体均由输入层与隐含层连接权值，隐含层阈值，隐含层与输出层连接 权值，输出层阈值四部分组成，下面计算种群个体的编码长度： 设R为输入层节点数，S1为隐含层节点数，S2为输出层节点数， 权值个数：R  *  S1  S1*S2； 阈值个数：S1 S2； 故个体编码长度为：S=  S1*R S2*S1   S1 S2； 优化网络1的遗传算法种群规模设置为250，进化次数为1000；优化网络2的遗传算法种 群规模为50，进化次数为1000； (3.2)适应度函数： 适应度函数可以评价遗传算法对BP神经网络权值和阈值优化的程度，本发明中适应度 函数设为神经网络误差平方和倒数：val=1/SE； (3.3)遗传操作： ①选择：本发明采用“轮盘赌”选择法从第t代群体中选择出一些适应度值高的优秀个 体遗传到下一代群体中，该方法简单实用又不失精确性，这种选择基于比例来进行：若个体 i个适应度为fi，种群大小为NP，则个体i被选择的概率为： ②交叉：本发明采用“君主方案“进行交叉操作，首先选择适应度值最低的染色体作为 君主染色体，放在整个种群的奇数位，与其靠后一位的偶数位构成一对，接着根据交叉概率 Pc确定交叉点的个数(  Pc=0.8)，确定规则为：n=round(S*Pc)，其中S为染色体的维数，然后 按交叉点个数根据随机生成的交叉位将每对染色体进行交换片段，得到新种群； ③变异：变异保证了种群基因的多样性，变异概率此处不应太大  Pm=0.2，否则基因突 变的可能性较大，从交叉后得到的种群中按变异概率Pm随机选一些进行变异的个体，确定 变异位后将该位的二进制取反，生成一个新个体。 新产生的个体返回第(3.2)步，对个体适应度值进行多轮循环优化，直至迭代次数 达设定值或适应度值达设定目标，此时得出最优权值和阈值，再带入BP神经网络中。 本发明中第三步利用训练好的模型进行预测，是指本发明使用未参与模型训练的 22:00，23:00，24:00的数据作为检验数据来验证预测的精准性，详细过程如下：输入19:00， 20:00，21:00的反映因子数据，用网络1得对应时刻的预测结果，再利用网络2由这三个时刻 的反映因子数据预测结果去预测22:00的值，整个过程不出现22:00的反映因子数据，以此 类推。 7 CN 111598231 A 说　明　书 4/7 页 附图说明 图1是实施方式的总体流程图。 图2是实施方式中网络1算法流程图。 图3是实施方式中网络2算法流程图。 图4是实施方式中遗传算法优化BP神经网络算法流程图。 图5是BP算法的训练结果显示。 图6是GA-BP算法的训练结果显示。 图7是BP算法与GA-BP算法的预测结果对比。