[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112116160B - 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 - Google Patents

一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 Download PDF

Info

Publication number
CN112116160B
CN112116160B CN202011021322.6A CN202011021322A CN112116160B CN 112116160 B CN112116160 B CN 112116160B CN 202011021322 A CN202011021322 A CN 202011021322A CN 112116160 B CN112116160 B CN 112116160B
Authority
CN
China
Prior art keywords
cell
monitoring
disaster
data
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011021322.6A
Other languages
English (en)
Other versions
CN112116160A (zh
Inventor
金铭
张小军
王永强
庄文兵
赵蓂冠
郑子梁
许永新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
North China Electric Power University
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202011021322.6A priority Critical patent/CN112116160B/zh
Publication of CN112116160A publication Critical patent/CN112116160A/zh
Application granted granted Critical
Publication of CN112116160B publication Critical patent/CN112116160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，属于重要输电通道灾害监测领域，包括如下步骤：S1、通过监测资源、气象部门和电网气象站点，进行数据采集；S2、对步骤S1中的数据进行存储和预处理；S3、基于层次分析法确定元胞状态；S4、通过采用余弦相似度获取RBF神经网络数据中心，采用IWD算法优化隐含层至输出层权重，提高网络精确度，采用RBF神经网络模型进行训练学习；S5、根据该规则对当前监测数据进行预测评估，得到元胞状态即灾害预测评估等级，形成监测区域当前整体灾害状态等级分布图，结合重要输电通道走向和拓扑结构，对经过灾害等级异常和严重区域的线路进行针对性巡检，消除灾害隐患。

Description

一种基于优化神经网络改进元胞自动机的重要输电通道灾害 监测方法
技术领域
本发明涉及重要输电通道灾害监测领域，更具体地说，涉及一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法。
背景技术
随着电力建设的迅速发展，电网规模的不断扩大，以750kV为主的重要输电通道在电网中的重要性越来越集中体现，在现代社会中，它是重要的能源大动脉。因此，当有大规模电网事故发生时，不仅会造成巨大的经济损失，还可能造成很大的政治、社会影响乃至人身伤亡。重要输电线路缺陷的危害性虽然小于故障的危害程度，但是发生的频率要远高于线路故障，而且，缺陷可以由量变发展为质变成为严重故障，导致重要输电通道的电网故障的因素不仅包括由设备故障、人为操作引起、还可能由极端自然灾害导致。因此，为了保障复杂地形条件下重要输电线路的正常运行，必须加强线路本体、周边环境以及气象参数的监测工作，从而对缺陷防患于未然。
目前对于电网重要输电通道已经建立有电网气象站点、输电监测装置、气象部门站点等立灾害监测预报平台，但线路数量众多，监测设备和数据类型多元化，现有技术和手段缺乏对已有监测数据的有效整合与利用，不能及时有效地掌握重要通道线路的风险状态，对运维检修工作支撑力度有限。同时，由于不同地区的监测方式通信存在一定的壁垒，导致在现有监测设备的基础上存在监测盲区，重要通道输电线路倒塌、断线、跳闸现象时有发生。
元胞自动机在模拟复杂时空现象、行为和过程方面具有很好的优势，因此，广泛用于灾害监测领域。而神经网络在挖掘数据间的非线性关系方面有着重要的优势，因此，可通过神经网络结合元胞自动机模型，对重要输电通道，建立输电线路的全工况、全方位的灾害监测方法，着重对重要输电通道，尤其是灾害多发区的环境参数和运行状态进行集中监测和风险评估，实现区域电网重要输电线路的安全预警和灾害预测，实现输电线路多参数数据融合及智能分析。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，它针对现有重要输电通道灾害监测的不足之处，提出一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，通过监测终端、电网气象站以及气象站点进行数据采集和预处理，然后对灾害监测区域进行大小相同的网格划分，每个网格作为一个单独的元胞，然后根据现有输电线路监测历史信息对单个元胞进行层次分析法确定元胞状态；通过余弦相似度结合均值聚类算法确定RBF神经网络的基；将改进的智能水滴算法(IWD)用于优化神经网络隐含层至输出层之间的权值，经过训练获取元胞转换规则，根据元胞转换规则对现有重要输电通道进行灾害等级评估预测，运维人员可结合输电通道拓扑结构和灾害评估结果对脆弱地区承载体采取针对性策略，从而实现重要通道实时灾害监测与预警评估，保障重要输电通道安全。
2.技术方案
为解决上述问题，本发明采用如下的技术方案：
一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，包括如下步骤：
S1、通过监测资源、气象部门和电网气象站点，进行数据采集；
S2、对步骤S1中的数据进行存储和预处理；
S3、基于层次分析法确定元胞状态；
S4、通过采用余弦相似度获取RBF神经网络数据中心，采用IWD算法优化隐含层至输出层权重，提高网络精确度，采用RBF神经网络模型进行训练学习，通过邻居元胞的状态得到当前元胞下一时刻状态转换规则；
S5、根据该规则对当前监测数据进行预测评估，得到元胞状态即灾害预测评估等级，形成监测区域当前整体灾害状态等级分布图，结合重要输电通道走向和拓扑结构，对经过灾害等级异常和严重区域的线路进行针对性巡检，消除灾害隐患。
作为本发明的一种优选方案，在步骤S3中，结合地理信息系统对监测区域进行元胞划分，以3km*3km大小为一个元胞，通过历史数据和专家经验对监测区域单个元胞进行层次分析，确定元胞状态。
作为本发明的一种优选方案，在步骤S3中，包括如下步骤：
S301、数据预处理、归一化；
S302、形成层次结构图；
S303、根据专家经验获取判断矩阵；
S304、一致性检验；
S305、根据权重矩阵计算得分。
作为本发明的一种优选方案，在步骤S301中，将重要输电通道以地理信息系统为基础，进行网格划分，每一个网格作为一个元胞，根据布置在元胞范围内的在线监测终端、电网气象站点和气象部门站点进行数据采集，并将数据进行归一化处理，采用如下公式进行归一化：
其中xi为某一监测数据实际监测量，a，b为该监测量评估指标的阈值，归一化后的数据越大，代表该监测量偏离正常状态越严重，每个指标的阈值根据相关专家参考规程和导则设定。
作为本发明的一种优选方案，在步骤S302中，构建层次分析模型，包括目标层M、准则层C和方案层P，其中：目标层M为灾害风险得分；考虑到影响该区域灾害模型的因素，将准则层C划分为气候因素、地形因素、杆塔因素3个部分；方案层P为需要考虑的具体影响因素。
作为本发明的一种优选方案，在步骤S305中，根据层次分析模型，利用层次分析法评价结果，最终得到的灾害风险得分，根据历史经验将其划分为三个等级，分别为“正常”、“异常”和“严重”。
作为本发明的一种优选方案，在步骤S4中，构建元胞自动机模型；元胞自动机模型可用公式描述如下：
A＝(C,S,N,R) 公式(2)
式中，C为元胞空间，即灾害监测区域全体元胞；S是元胞状态集合，根据层次分析法结果，将元胞状态分为三类，“正常”为“0”，“异常”为“1”，“严重”为“2”，所以元胞状态集合S＝{0,1,2}；r表示元胞自动机的格位，Sk(r,t)表示格位r上的元胞在t时刻的第k个状态；N代表以r为中心的元胞的邻居，采用Moore型元胞邻居模型，即每个元胞周围含有8个邻居，N＝{N1,N2,…,Nq}，Nq表示元胞r的第q个邻居相对于r的位置；R为元胞的转化规则，即S(r,t)→S(r,t+1)R＝(R1,R2,…Rm)，Rm为第m个转化规则，它只与t时刻的该元胞周围的8个邻居元胞的状态有关，由于灾害的复杂性以及不确定性，因此无法找到具体的元胞转换函数规则，所以通过历史数据进行数据挖掘，采用优化的RBF神经网络模型获取元胞转化规则。
作为本发明的一种优选方案，在步骤S4中，包括如下步骤：
S401：随机均匀选取元胞历史数据中的k个数据作为样本中心；
S402：计算每个样本与第k个中心的余弦相似度，计算公式为
其中，j表示向量i和k中的元素；
S403：计算第k个中心点的所有样本的余弦相似度的平均值ρ；公式为
S404：判断第i个样本与第k个中心的cos(i,k)是否小于ρk；
S405：若S404为是，则第i个样本属于第k类，继续遍历；
S406：若S404为否，则增加第i个向量为第k+1个样本中心，继续遍历，直至整个数据集。
作为本发明的一种优选方案，还包括采用智能水滴算法优化RBF神经网络隐含层至输出层权重，包括如下步骤：
S407：根据S406结果得到隐含层的中心向量和隐含层个数，设置RBF网络参数，基于levy分布产生l个k维的随机数向量，作为初始权重；
S408：初始化IWD算法参数；
S409：每个水滴都会以较大的概率向泥土量较小的路径流动，假设水滴在结点a，流向下一个结点b的概率为：
其中，f(soil(a,b))为结点a到b之间的泥土量；为解决可能存在的局部收敛的情况，引入线性递减函数，kiter为当前迭代次数，Tmax为最大迭代次数，在迭代初期，以较大概率在全局搜索，迭代后期，以较小概率在局部进行搜索；p_为轮盘赌选择方式；
S4010：更新水滴速度、水滴中的泥土量和路径中的泥土量。
其中，水滴速度更新公式为：
其中，vel为水滴结点速度；
水滴中的泥土量的更新公式为：
路径中的泥土量更新公式为：
其中，αn、sp、sq、sr、vp、vq、vr均为静态参数，在初始化时设置
S4011：继续遍历所有结点；
S4012：根据当前得到的所有水滴选择路径计算网络输出，并根据误差函数计算误差E，选择误差最小的路径保留为本次最优路径，同时，将路径中的泥土量根据最优路径水滴是否经过而进行更新，更新公式为：
其中，λ为静态参数，μ为最优水滴的个数
S4013：判断是否到达迭代次数；
S4014：输出最优路径即神经网络权值，网络训练完成，得到元胞转换规则，进行风险评估预测。
作为本发明的一种优选方案，在步骤S5中，通过采用优化的RBF神经网络获取元胞转化规则，用训练好的RBF网络模型，对第r个元胞的下一个状态进行预测，以此扩展至整个元胞空间，得到输电通道灾害风险等级预测分布图。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本发明的第一个创新点是将监测区域进行网格划分，以点扩展至面的进行灾害监测，应用层次分析法结合重要输电通道的气象因素、地形因素和杆塔自身因素对当前灾害监测区域做综合评价分析，将评价结果直接转化为元胞状态，目前还没有针对输电通道灾害监测方面运用层次分析来直接确定元胞状态的应用案例，该方法简单易行且充分考虑影响该区域线路状态的重要因素。
(2)目前，在重要输电通道灾害监测方面，并未有神经网络与元胞自动机相结合的案例。而在其他领域，本发明与其它领域神经网络与元胞自动机的结合方法有所不同，本发明针对RBF神经网络计算的过程，通过利用余弦相似度结合均值聚类算法来确定RBF网络的中心，较欧氏距离能够更好地区分个体间的差异；除此之外，在IED算法中引入Levy飞行和线性递减权重，有效降低了收敛于局部最优的概率，通过改进的IWD算法对RBF神经网络的权值进行寻优，找到最优化权值，提高网络的训练效率。
(3)元胞状态转换规则本质上也是分类问题，由于RBF神经网络分类能力上明显优于其他网络，且训练起来速度较快，所以通过优化的RBF神经网络直接进行输入训练，对当前元胞的转化规则进行深入挖掘，在算法精度提高的同时使得到的元胞转换规则更加接近真实值，是对元胞自动机模型的改进和拓展。同时，在下一次积累新的数据的过程中，可不断对模型进行修正，提高精度。
附图说明
图1为本发明一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法的整体流程图；
图2为本发明一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法中层次分析法流程图；
图3为本发明一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法中层次分析法的层次结构图；
图4为本发明一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法中RBF神经网络流程图；
图5为本发明一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法中RBF神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1-5，一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，包括如下步骤：
S1、通过监测资源、气象部门和电网气象站点，进行数据采集：采集现场数据，包括从输电线路及杆塔上安装的监测终端、气象部门站点和电网气象站点；监测终端包括图像监测、导线温度监测、微气象监测、覆冰监测、风偏监测、微风振动监测、杆塔倾斜监测、导线舞动监测、现场污秽度监测；同时，将气象部门数据、电网气象站点数据分别通过不同的数据通信方式将采集包括温度、湿度、风速、风向、降雨等信息和包括地理信息在内的全方位多维度信息；
S2、对步骤S1中的数据进行存储和预处理：从不同数据源采集的多维度监测信息通过安全传输方式和加密方式将存储于电力系统内部的专用Oracle数据库，并根据不同类型的数据信息进行分级存储，形成单一杆塔节点的数据信息和整体通道气象信息，监控中心系统可通过专用接口随时调用数据信息；对数据进行预处理，包括数据清洗，非结构化转换、数据归一化等；
S3、基于层次分析法确定元胞状态：以重要输电通道GIS系统为基础，进行网格划分，划分大小为3km*3km，每一个网格作为一个元胞，将S4步骤所采集到的数据进行归一化处理，随后构建层次分析法模型，目标层M为灾害风险得分，准则层C划分为气候因素、地形因素、杆塔因素3个部分，方案层P为需要考虑的具体因素，层次模型如图3所示，最终得到每一个元胞的灾害评估等级，将等级转化为元胞状态，从而得到整个元胞空间某一时刻的元胞状态；其具体流程如图2所示，具体步骤如下：
S301、数据预处理、归一化：将重要输电通道以地理信息系统为基础，进行网格划分，每一个网格作为一个元胞，根据布置在元胞范围内的在线监测终端、电网气象站点和气象部门站点进行数据采集，并将数据进行归一化处理，采用如下公式进行归一化：
其中xi为某一监测数据实际监测量，a，b为该监测量评估指标的阈值，归一化后的数据越大，代表该监测量偏离正常状态越严重，每个指标的阈值根据相关专家参考规程和导则设定；
S302、形成层次结构图：根据影响重要输电通道灾害评估的因素进行层次结构划分，构建层次分析模型，包括目标层M、准则层C和方案层P，其中：目标层M为灾害风险得分；考虑到影响该区域灾害模型的因素，将准则层C划分为气候因素、地形因素、杆塔因素3个部分；方案层P为需要考虑的具体影响因素；
S303、根据专家经验获取判断矩阵：根据专家经验将准则层C和方案层P数据两两对比重要程度构造判断矩阵；
S304、一致性检验：求取矩阵特征值λmax，根据公式进行一致性检验，得到权重矩阵；
S305、根据权重矩阵计算得分：根据层次分析模型，利用层次分析法评价结果，最终得到的灾害风险得分，根据历史经验将其划分为三个等级，分别为“正常”、“异常”和“严重”，将权重矩阵与当前归一化后的监测数据相乘，得到灾害评估分数等级，按下表得到元胞空间每一个元胞的状态，并将元胞状态向量化，用于RBF网络的输出计算。
S4、通过采用余弦相似度获取RBF神经网络数据中心，采用IWD算法优化隐含层至输出层权重，提高网络精确度，采用RBF神经网络模型进行训练学习，通过邻居元胞的状态得到当前元胞下一时刻状态转换规则：对RBF神经网络进行优化，以历史元胞空间的元胞状态为训练数据，进行训练，获取元胞转换规则，构建元胞自动机模型；元胞自动机模型可用公式描述如下：
A＝(C,S,N,R) 公式(2)
式中，C为元胞空间，即灾害监测区域全体元胞；S是元胞状态集合，根据层次分析法结果，将元胞状态分为三类，“正常”为“0”，“异常”为“1”，“严重”为“2”，所以元胞状态集合S＝{0,1,2}；r表示元胞自动机的格位，Sk(r,t)表示格位r上的元胞在t时刻的第k个状态；N代表以r为中心的元胞的邻居，采用Moore型元胞邻居模型，即每个元胞周围含有8个邻居，N＝{N1,N2,…,Nq}，Nq表示元胞r的第q个邻居相对于r的位置；R为元胞的转化规则，即S(r,t)→S(r,t+1)R＝(R1,R2,…Rm)，Rm为第m个转化规则，它只与t时刻的该元胞周围的8个邻居元胞的状态有关，由于灾害的复杂性以及不确定性，因此无法找到具体的元胞转换函数规则，所以通过历史数据进行数据挖掘，采用优化的RBF神经网络模型获取元胞转化规则，具体流程图如图4所示，具体步骤为：
S401：随机均匀选取元胞历史数据中的k个数据作为样本中心；
S402：计算每个样本与第k个中心的余弦相似度，计算公式为
其中，j表示向量i和k中的元素；
S403：计算第k个中心点的所有样本的余弦相似度的平均值ρ；公式为
S404：判断第i个样本与第k个中心的cos(i,k)是否小于ρk；
S405：若S404为是，则第i个样本属于第k类，继续遍历；
S406：若S404为否，则增加第i个向量为第k+1个样本中心，继续遍历，直至整个数据集。
S407：根据S406结果得到隐含层的中心向量和隐含层个数，设置RBF网络参数，基于levy分布产生l个k维的随机数向量，作为初始权重；
S408：初始化IWD算法参数；
S409：每个水滴都会以较大的概率向泥土量较小的路径流动，假设水滴在结点a，流向下一个结点b的概率为：
其中，f(soil(a,b))为结点a到b之间的泥土量；为解决可能存在的局部收敛的情况，引入线性递减函数，kiter为当前迭代次数，Tmax为最大迭代次数，在迭代初期，以较大概率在全局搜索，迭代后期，以较小概率在局部进行搜索；p_为轮盘赌选择方式；
S4010：更新水滴速度，水滴中的泥土量和路径中的泥土量。
其中，水滴速度更新公式为：
其中，vel为水滴结点速度；
水滴中的泥土量的更新公式为：
路径中的泥土量更新公式为：
其中，αn、sp、sq、sr、vp、vq、vr均为静态参数，在初始化时设置
S4011：继续遍历所有结点；
S4012：根据当前得到的所有水滴选择路径计算网络输出，并根据误差函数计算误差E，选择误差最小的路径保留为本次最优路径，同时，将路径中的泥土量根据最优路径水滴是否经过而进行更新，更新公式为：
其中，λ为静态参数，μ为最优水滴的个数
S4013：判断是否到达迭代次数；
S4014：输出最优路径即神经网络权值，网络训练完成，得到元胞转换规则，进行风险评估预测，当预测的输出向量中元素大于等于0.5时记为1，否则记为0；
S5、根据获取到的元胞自动机转换规则对当前监测数据进行预测评估，得到元胞状态即灾害预测评估等级，形成监测区域当前整体灾害状态等级分布图：通过采用优化的RBF神经网络获取元胞转化规则，用步骤S4训练好的RBF网络模型，对第r个元胞的下一个状态进行预测，以此扩展至整个元胞空间，得到输电通道灾害风险等级预测分布图，结合重要输电通道走向和拓扑结构，对经过灾害等级异常和严重区域的线路进行针对性巡检，消除灾害隐患。例如图5所示，输入向量为X＝[1,1,2,0,0,0,1,2]，输出向量O＝[1,0,0]，根据训练好的RBF神经网络结合本次监测数据得到的灾害等级评估结果进行灾害风险评估，对整个元胞空间进行风险图绘制，若重要输电通道经过灾害异常或严重区域，则对该区域进行针对性巡检。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，包括如下步骤：
S1、通过监测资源、气象部门和电网气象站点，进行数据采集；
S2、对步骤S1中的数据进行存储和预处理；
S3、用元胞表述划分的网格，用元胞状态表述当前时刻每个划分的网格的状态，基于层次分析法确定元胞状态，具体包括：
S301、数据预处理、归一化；
S302、形成层次结构图；
S303、根据专家经验获取判断矩阵；
S304、一致性检验；
S305、根据权重矩阵计算得分；
S4、构建元胞自动机模型并通过改进智能水滴算法来获取元胞转换规则，通过采用余弦相似度获取RBF神经网络数据中心，采用智能水滴算法优化隐含层至输出层权重，提高网络精确度，采用RBF神经网络模型进行训练学习，通过邻居元胞的状态得到当前元胞下一时刻状态转换规则；
对于通过构建元胞自动机模型来获取元胞转换规则，具体包括：
S401、随机均匀选取元胞历史数据中的k个数据作为样本中心；
S402：计算每个样本与第k个中心的余弦相似度；
S403：计算第k个中心点的所有样本的余弦相似度的平均值ρk；
S404：判断第i个样本与第k个中心的余弦相似度是否小于ρk；
S405：若S404为是，则第i个样本属于第k类，继续遍历；
S406：若S404为否，则增加第i个向量为第k+1个样本中心，继续遍历，直至整个数据集；
对于采用智能水滴算法优化RBF神经网络隐含层至输出层权重并采用RBF神经网络模型进行训练学习，具体包括：
S407：根据S406结果得到隐含层的中心向量和隐含层个数，设置RBF网络参数，基于levy分布产生l个k维的随机数向量，作为初始权重；
S408：初始化IWD算法参数；
S409：基于每个水滴在节点a流向下一节点的概率进行局部搜索；
S4010：更新水滴速度、水滴中的泥土量和路径中的泥土量；
S4011：继续遍历所有结点；
S4012：根据当前得到的所有水滴选择路径计算网络输出，并根据误差函数计算误差E，选择误差最小的路径保留为本次最优路径，同时，将路径中的泥土量根据最优路径水滴是否经过而进行更新；
S4013：判断是否到达迭代次数；
S4014：输出最优路径即神经网络权值，网络训练完成，得到元胞转换规则，进行风险评估预测；
S5、根据该规则对当前监测数据进行预测评估，得到元胞状态即灾害预测评估等级，形成监测区域当前整体灾害状态等级分布图，结合重要输电通道走向和拓扑结构，对经过灾害等级异常和严重区域的线路进行针对性巡检，消除灾害隐患。
2.根据权利要求1所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S3中，结合地理信息系统对监测区域进行元胞划分，以3km*3km大小为一个元胞，通过历史数据和专家经验对监测区域单个元胞进行层次分析，确定元胞状态。
3.根据权利要求1所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S301中，将重要输电通道以地理信息系统为基础，进行网格划分，每一个网格作为一个元胞，根据布置在元胞范围内的在线监测终端、电网气象站点和气象部门站点进行数据采集，并将数据进行归一化处理，采用如下公式进行归一化：
其中xim表示监测数据归一化的数据,xi为某一监测数据实际监测量，a，b为该监测量评估指标的阈值，归一化后的数据越大，代表该监测量偏离正常状态越严重，每个指标的阈值根据相关专家参考规程和导则设定。
4.根据权利要求1所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S302中，构建层次分析模型，包括目标层M、准则层C和方案层P，其中：目标层M为灾害风险得分；考虑到影响该区域灾害模型的因素，将准则层C划分为气候因素、地形因素、杆塔因素3个部分；方案层P为需要考虑的具体影响因素。
5.根据权利要求1所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S305中，根据层次分析模型，利用层次分析法评价结果，最终得到的灾害风险得分，根据历史经验将其划分为三个等级，分别为“正常”、“异常”和“严重”。
6.根据权利要求5所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S4中，构建元胞自动机模型；元胞自动机模型可用公式描述如下：
A＝(C,S,N,R) 公式(2)
式中，C为元胞空间，即灾害监测区域全体元胞；S是元胞状态集合，根据层次分析法结果，将元胞状态分为三类，“正常”为“0”，“异常”为“1”，“严重”为“2”，所以元胞状态集合S＝{0,1,2}；r表示元胞自动机的格位，Sk(r,t)表示格位r上的元胞在t时刻的第k个状态；N代表以r为中心的元胞的邻居，采用Moore型元胞邻居模型，即每个元胞周围含有8个邻居，N＝{N1,N2,…,Nq}，Nq表示元胞r的第q个邻居相对于r的位置；R为元胞的转化规则，即S(r,t)→S(r,t+1)R＝(R1,R2,…Rm)，Rm为第m个转化规则，它只与t时刻的该元胞周围的8个邻居元胞的状态有关，由于灾害的复杂性以及不确定性，因此无法找到具体的元胞转换函数规则，所以通过历史数据进行数据挖掘，采用优化的RBF神经网络模型获取元胞转化规则。
7.根据权利要求6所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S4中，包括如下步骤：
S401：随机均匀选取元胞历史数据中的k个数据作为样本中心；
S402：计算每个样本与第k个中心的余弦相似度，计算公式为
其中，j表示向量i和k中的元素；
S403：计算第k个中心点的所有样本的余弦相似度的平均值ρ；公式为
S404：判断第i个样本与第k个中心的cos(i,k)是否小于ρk；
S405：若S404为是，则第i个样本属于第k类，继续遍历；
S406：若S404为否，则增加第i个向量为第k+1个样本中心，继续遍历，直至整个数据集。
8.根据权利要求7所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，还包括采用智能水滴算法优化RBF神经网络隐含层至输出层权重，包括如下步骤：
S407：根据S406结果得到隐含层的中心向量和隐含层个数，设置RBF网络参数，基于levy分布产生l个k维的随机数向量，作为初始权重；
S408：初始化IWD算法参数；
S409：每个水滴都会以较大的概率向泥土量较小的路径流动，假设水滴在结点a，流向下一个结点b的概率为：
其中f(soil(a,b))为结点a到b之间的泥土量；为解决可能存在的局部收敛的情况，引入线性递减函数，kiter为当前迭代次数，Tmax为最大迭代次数，在迭代初期，以较大概率在全局搜索，迭代后期，以较小概率在局部进行搜索；为轮盘赌选择方式；
S4010：更新水滴速度、水滴中的泥土量和路径中的泥土量；
其中，水滴速度更新公式为：
其中，vel为水滴结点速度；
水滴中的泥土量的更新公式为：
路径中的泥土量更新公式为：
其中αn、sp、sq、sr、vp、vq、vr均为静态参数，在初始化时设置
S4011：继续遍历所有结点；
S4012：根据当前得到的所有水滴选择路径计算网络输出，并根据误差函数计算误差E，选择误差最小的路径保留为本次最优路径，同时，将路径中的泥土量根据最优路径水滴是否经过而进行更新，更新公式为：
其中，λ为静态参数，μ为最优水滴的个数
S4013：判断是否到达迭代次数；
S4014：输出最优路径即神经网络权值，网络训练完成，得到元胞转换规则，进行风险评估预测。
9.根据权利要求8所述的一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法，其特征在于，在步骤S4中，通过采用优化的RBF神经网络获取元胞转化规则，在学习阶段，选取元胞空间历史数据作为训练数据，以第r个元胞在t时刻周围8个元胞的状态作为输入，第r个元胞在t+1时刻的状态作为输出进行训练；在步骤S5中，用训练好的RBF网络模型，对第r个元胞的下一个状态进行预测，以此扩展至整个元胞空间，得到输电通道灾害风险等级预测分布图。
CN202011021322.6A 2020-09-25 2020-09-25 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 Active CN112116160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011021322.6A CN112116160B (zh) 2020-09-25 2020-09-25 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011021322.6A CN112116160B (zh) 2020-09-25 2020-09-25 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法

Publications (2)

Publication Number Publication Date
CN112116160A CN112116160A (zh) 2020-12-22
CN112116160B true CN112116160B (zh) 2024-07-02

Family

ID=73796767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011021322.6A Active CN112116160B (zh) 2020-09-25 2020-09-25 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法

Country Status (1)

Country Link
CN (1) CN112116160B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077159B (zh) * 2021-04-13 2023-12-15 中能融合智慧科技有限公司 数据处理方法及数据处理装置
CN113379942B (zh) * 2021-06-10 2023-11-24 平安国际智慧城市科技股份有限公司 工地设施巡检方法、装置、计算机设备及存储介质
CN113537528B (zh) * 2021-07-28 2022-05-03 贵州电网有限责任公司 一种输变电设备状态监测数据的预处理方法及系统
CN114089091A (zh) * 2021-09-27 2022-02-25 杭州柯林电气股份有限公司 基于非接触式传感器的输电线路在线监控方法及系统
CN114819344B (zh) * 2022-04-25 2024-10-18 南京信息工程大学 一种基于关键影响因子的全局时空气象农灾预测方法
CN114841084B (zh) * 2022-07-04 2022-09-09 西南交通大学 一种基于航拍图像的人员疏散模拟方法、系统及设备
CN117745077A (zh) * 2023-12-27 2024-03-22 徐州拓发电力器材有限公司 一种输电线路铁塔安全性评估系统及其评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法
CN105956934A (zh) * 2016-05-05 2016-09-21 国网湖南省电力公司防灾减灾中心 基于模糊综合评价法的电网山火及覆冰灾害安全评价方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103095494B (zh) * 2012-12-31 2016-06-29 北京邮电大学 一种电力通信网风险评估方法
WO2014203039A1 (en) * 2013-06-19 2014-12-24 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi System and method for implementing reservoir computing using cellular automata
CN106021666B (zh) * 2016-05-10 2019-03-12 四川大学 一种架空输电线路的山火灾害预警方法
TR201619702A1 (tr) * 2016-12-27 2018-07-23 Univ Yeditepe Hücresel otomatlar i̇le kümeleme problemi̇ni̇n isi yayilimi tabanli çözülmesi̇ne yöneli̇k bi̇r yöntem
US10832180B2 (en) * 2017-10-30 2020-11-10 The Aerospace Corporation Artificial intelligence system that employs windowed cellular automata to create plausible alternatives
JP6596543B2 (ja) * 2017-11-28 2019-10-23 学校法人梅花学園 データの変換方法、データ変換装置、プログラム、セルオートマトンの構成方法
CN108182484A (zh) * 2017-12-04 2018-06-19 国网吉林省电力有限公司长春供电公司 基于网格化技术和bp神经网络的空间负荷预测方法
CN109508360B (zh) * 2018-11-07 2021-03-16 武汉大学 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN109839824A (zh) * 2019-01-24 2019-06-04 青岛理工大学 一种基于预测控制的网络控制系统时延补偿方法
CN111144611A (zh) * 2019-11-22 2020-05-12 国网辽宁省电力有限公司经济技术研究院 一种基于聚类和非线性自回归的空间负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361393A (zh) * 2014-09-06 2015-02-18 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法
CN105956934A (zh) * 2016-05-05 2016-09-21 国网湖南省电力公司防灾减灾中心 基于模糊综合评价法的电网山火及覆冰灾害安全评价方法

Also Published As

Publication number Publication date
CN112116160A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112116160B (zh) 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法
CN107358347A (zh) 基于工业大数据的装备集群健康状态评估方法
CN102411729B (zh) 基于自适应线性逻辑网络的风电功率预测方法
CN106897826A (zh) 一种交通事故风险评估方法及系统
CN109522599A (zh) 一种台风导致的输电线路突发故障预警方法
CN113988273A (zh) 基于深度学习的冰灾环境主动配电网态势预警及评估方法
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN107480781A (zh) 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN113344408B (zh) 民航交通管制运行多尺度态势感知流程的处理方法
US20240280226A1 (en) Method and internet of things (iot) system for determining inspection route for smart gas
CN111126672A (zh) 一种基于分类决策树的高压架空输电线路台风灾害预测方法
CN109376863A (zh) 基于miv-bp神经网络的光伏功率短期分类预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN113821895A (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN113538971A (zh) 一种基于多源异构数据融合的风险船舶检测方法
CN115526382B (zh) 一种路网级交通流预测模型可解释性分析方法
CN112434887B (zh) 一种结合网络核密度估计和svm的供水管网风险预测方法
CN115688032A (zh) 基于多源数据融合的台风灾害下电网风险预警方法及系统
CN115734274A (zh) 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法
Saha et al. Forecast analysis of visibility for airport operations with deep learning techniques
CN114417732A (zh) 强台风下配电网多元源荷灾损自适应辨识方法及系统
CN111912393A (zh) 基于水面移动机器人的水文环境监测方法
CN112257329A (zh) 一种判定台风对线路影响的方法
CN112819208A (zh) 一种基于特征子集耦合模型的空间相似性地质灾害预测方法
CN118153950A (zh) 一种基于数据分析的水利工程风险预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant