基于遗传算法改进的BP神经网络的近地气候数据雷电预测模型.pdf
《基于遗传算法改进的BP神经网络的近地气候数据雷电预测模型.pdf》由会员分享,可在线阅读,更多相关《基于遗传算法改进的BP神经网络的近地气候数据雷电预测模型.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-04-28基金项目:江苏省国际科技合作项目(BZ2021012)作者简介:仲致诚(1997),男,硕士研究生,主要从事智能电网研究.郑建勇(1966),男,教授,博士生导师,主要从事智能电网研究.第 38 卷第 2 期徐 州 工 程 学 院 学 报(自 然 科 学 版)2023 年6 月Vol.38 No.2Journal of Xuzhou Institute of Technology(Natural Sciences Edition)Jun.2023基于遗传算法改进的 BP 神经网络的近地气候数据雷电预测模型仲致诚a,郑建勇a,b(东南大学 a.苏州研究院,江苏 苏州
2、 215125;b.电气工程学院,江苏 南京 210018)摘要:BP 神经网络应用广泛,学习能力出众,但由于其训练速度较慢、容易受到极限的影响等原因,无法满足过于复杂的求解需求.相比之下,遗传算法可以有效地提高求解的复杂程度,并且可以通过对权重、阈值的调整来提升算法的准确性与可靠性.因此,文章提出了一种基于近地气候数据雷电预测模型,研究了网络参数对预测效果的影响.实验证明,该模型对比其他模型具有更好的预测能力和泛化能力.关键词:遗传算法;雷电预测;神经网络中图分类号:TP183;P427 文献标志码:A 文章编号:1674-358X(2023)02-0071-06近年来,全球气候变化迅速,极
3、端类别的天气活动增多,雷电作为其中一种,其发生更加频繁和强烈1.长期以来,雷电一直是人类社会面临的重大灾害之一.尤其是在电网安全运行方面,雷电对其影响频繁,因此电网雷击问题一直受到高度关注.电力系统的稳定运行对我国的国民经济和社会发展有着重要意义,但我国输电网因分布很广、线路长等原因而长期遭受雷击危害,每年遭受雷击高达35 万次2.根据国家电力调度控制中心 20112013 年的统计,66 kV 及以上交流输电线路故障跳闸的原因中,雷电占到了 42.57%3.近年来,330 kV 及以上交流输电线路跳闸总数的 39.4%50.8%是由雷电导致4.在雷雨气候更加多见的我国南方地区,65.4%的
4、110 kV 及以上输电线路的事故缘起雷电5.面对多发的雷电扰动,传统的防护模式侧重于对电网各组成部分进行单独保护,而识别行为和保护动作往往是出现在雷击发生之后6.精细设计、安装和维护的避雷装置可以将有效雷电的有害影响降到最低,探测系统可以精确定位雷击位置,但是大多数电网拥有相当多的线路,时间分布、空间分布、频率、强度等特征存在很大差异性,雷电所带来的有害影响无法被完全消除7.相比于以避雷设备为主体的被动防雷措施,电力工作者和学者们一直致力于探索电网主动防御雷电、输电线路主动抗雷能力提升的方法8.实现输电线路所在区域的雷电预测技术是解决主动性防雷的主要问题之一9.随着算法和人工智能技术的发展,
5、智能雷电预测成为更有效、提前量更大的探测方式.一些研究者采用聚类分析和遗传算法来优化小波神经网络的参数,建立了 IGA-WNN 模型10.其他研究者则利用探空天气数据和机器学习模型,预测观测点周围 30 公里区域内的雷电活动11.还有一些研究者利用 BP 神经网络、密度聚类算法和反距离权重插值方法,预测未来雷暴质心的位置和雷暴云的位置12-13.一些研究者提出了 CNN-LSTM 模型,BP-ANN 二项分类器等雷电预测模型14-15,也有学者利用气象雷达探测资料,设计了多层的卷积神经网络模型并结合 SVM 分类器,使用 SMOTE 方法处理正负样本数据不平衡问题,提高雷电的识别率16.通过结
6、合遗传算法和 BP 神经网络技术,本文提出了一种新的、基于近地气象数据的雷电预测方法.171 方法1.1 模型结构BP 神经网络的设计是基于多种输入/输出参数的组合,这些参数的组合将影响到算法的长度.为此,算法需要对各种参数进行调整,以实现更高效的模型.这些调整可以根据算法的特征,如模型的性能、复杂程度等进行调整,以实现更好的模型表现.利用遗传算法可以寻求最佳的模型,这些模型可以是单独的,也可以是多组合的,模型结构见图 1.当利用 BP 神经网络来做预测时,可以将这些模型特征用于它们的模型中,从而提高模型的准确性.图 1 模型结构1.2 遗传算法遗传算法是一种利用遗传信息来预测和调整生物进化的
7、方法.他将参数编码成一组串,并将这些串组成一个群体.通过对特定的遗传算法进行优化,从而提取出更加优秀的遗传特征,并通过选择、交叉、变异等方法进行遗传,以确定最佳的遗传结构.通过这些操作,新的群体不仅继承了上一代的信息,而且还优于上一代.重复进行这些操作,直到满足预设条件为止.通过分析个体特征,可以获取 BP 神经网络的参考值,以及它的最优化参考值.利用这些参考值可以构建一个 BP 模型,以便在未来的任何时候,能够准确地预测未来的发展趋势,从而获取准确的预测结果.最终,通过计算模型的适应度值 F 来评估模型的性能,其值为F=kni=1abs(yi-oi)().(1)遗传算法的选择操作中,多种方法
8、例如轮盘赌、截断、线性排序、玻尔兹曼等被广泛使用,本文选用轮盘赌法.在该方法中,各个个体的选择概率和其适应度值成比例,适应度越大,选中概率也越大.每个个体 i 的选择概率pi=fiNj=1fj,(2)fi=k/Fi,(3)式中:Fi为个体 i 的适应度值,k 为系数,N 为种群个体数目.使用实数交叉法来完成遗传算法的交叉操作,即akj=akj(1-b)+aljbalj=alj(1-b)+akjb,(4)27徐州工程学院学报(自然科学版)2023 年第 2 期式中 b 是0,1间的随机数.本文中,变异操作方法为aij=aij+aij-amax()f(g),r 0.5,aij+amin-aij()
9、f(g),r 0.5,(5)式中:amax为基因 aij的上界;amin为基因 aij的下界;f(g)=r21-g/Gmax()2,r2 为一个随机数,g 为当前迭代次数,Gmax为最大进化次数;r 为 0,1间的随机数.1.3 BP 神经网络模型选择神经网络模型原因有二:首先,BP 神经网络学习能力出众,可以从大量温度、温度、风速、风向等近地气候数据中学习雷电发生的规律;其次,作为一种多层的前馈网络,其利用误差反向传递修正权值,能够直观描述输入数据与雷电发生的非线性关系.BP 神经网络拓扑结构见图 2.图 2 BP 神经网络拓扑结构图BP 神经网络模型学习过程如下:步骤 1 初始化配置神经网
10、络.根据数据的输入特征和输出特征确定神经网络各个层的节点数,同时预设各层之间的权值 ij、jk,以及隐藏层和输出层的阈值、b.最后预设该网络的学习率.在某些情况下,隐藏的神经元的大小会直接决定系统的表现.如果隐藏层神经元数量太少,网络可能无法学习到足够的特征.当数据量超出正常范围时,网络可能会出现过度拟合的情况.因此,可以使用交叉验证来确定最佳的隐藏层神经元数量.交叉验证是一种常用的模型选择技术,可以用来计算最合适的网络的隐藏层节点数量.基本的交叉验证过程为1)把数据划分为 N 份(N=10),用这些小份用来进行测试和训练.2)对于每个可能的隐藏层神经元个数,训练网络,并使用训练集计算误差.3
11、)记录每个隐藏层神经元个数下的平均误差.4)重复步骤 2 和 3,直到对所有可能的隐藏层神经元个数进行了训练和误差计算.5)计算平均误差,选择具有最小平均误差的隐藏层神经元个数.6)使用选择的隐藏层神经元个数重新训练网络,使用测试集计算误差,并对其性能进行评估.通过以上步骤,可以使用交叉验证来选择最佳的隐藏层神经元个数,从而提高 BP 神经网络的性能.值得注意的是,当数据集很大时,交叉验证需要花费很长时间,可以考虑使用更高效的交叉验证方法,例如留一交叉验证(leave-one-out cross-validation)或重复随机子采样交叉验证(repeated random sub-sampl
12、ing cross-validation)等.在本文的实验中每一组输入数据有 4 个输入特征和一个输出特征,所以备选的隐藏层神经元数限制在525 之间.在 Python 环境中使用 scikit-learn 库中的 KFold 类来实现 K 折交叉验证.KFold 类将数据集分成 K 个折叠,并为每个折叠创建一个训练集和一个验证集.然后,使用 for 循环遍历每个折叠,训练模型并计算误差,交叉验证各节点数均方误差见图 3.最终,在本文所使用的数据下,20 个隐藏层神经元的数量时的误差结果是最优的.37仲致诚,等:基于遗传算法改进的 BP 神经网络的近地气候数据雷电预测模型图 3 交叉验证各节点
13、数均方误差 步骤 2 归一化处理输入数据xi=xmax-xixmax-xmin.(6)步骤 3 隐藏层输出计算Hj=f ni=1ijxi-aj()j=1,2,l,(7)式中 l 为隐藏层节点数,f 为隐藏层激励函数f(x)=11+e-x.(8)步骤 4 输出层计算Ok=lj=1Hjjk-bk,k=1,2,m.(9)步骤 5 误差计算ek=Yk-Ok,k=1,2,m,(10)式中 Y 为期望输出.步骤 6 权值和阈值更新ij=ij+Hj1-Hj()x i()mk=1jkek,i=1,2,n;j=1,2,l,(11)jk=jk+Hjek,j=1,2,l;k=1,2,m,(12)aj=aj+Hj1-
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 遗传 算法 改进 BP 神经网络 气候 数据 雷电 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。