[发明专利]一种绝缘子表面等值附盐密度的预测系统及方法

权利要求书

1.一种绝缘子表面等值附盐密度预测系统，其特征在于，包括依次连接的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元和ESDD预测值输出单元；

所述原始数据采集单元用于获取输电线上的绝缘子ESDD数据和气象数据；自适应变异粒子群单元用于根据输电线上绝缘子ESDD数据和气象数据求解出广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据所述的最优平滑因子值构建预测模型以对绝缘子ESDD进行预测；ESDD预测值输出单元用于输出从广义回归神经网络预测单元得到的绝缘子ESDD预测值。

2.如权利要求1所述的绝缘子表面等值附盐密度预测系统，其特征在于，还包括ESDD预警单元；所述ESDD预警单元的输入端与广义回归神经网络预测单元的输出端相连；ESDD预警单元用于根据所述绝缘子ESDD预测值与预设的预警阈值生成预警信号。

3.一种基于权利要求1～2所述的绝缘子表面等值附盐密度预测系统的绝缘子表面等值附盐密度预测方法，其特征在于，包括如下步骤：

(1)通过将自适应变异粒子群单元中每个个体映射为广义回归神经网络中的平滑因子来构建广义回归神经网络；

对每个个体对应的广义回归神经网络输入训练样本进行训练，计算每一个体对应的广义回归神经网络在训练集上产生的均方误差，并构建个体适应度函数，采用自适应变异粒子群算法求解出全局解空间中广义回归神经网络平滑因子的最优值；

(2)根据所述的最优值、绝缘子ESDD数据和气象数据建立广义回归神经网络预测模型；采用所述预测模型进行绝缘子ESDD预测获得ESDD预测值；

(3)输出广义回归神经网路预测模型的ESDD预测值。

4.如权利要求3所述的绝缘子表面等值附盐密度预测方法，其特征在于，还包括步骤(4)：

(4)将所述预测值与预设的预警阈值进行比较，当预测值达到预警阈值时，生成预警信号。

5.如权利要求3或4所述的绝缘子表面等值附盐密度预测方法，其特征在于，步骤(1)采用自适应变异粒子群算法求解全局解空间中广义回归神经网络平滑因子的最优值的方法，包括如下子步骤：

(a)初始化粒子群：设定加速度因子c₁和c₂、最大进化代数T；设定当前进化代数t＝1；定义空间Rⁿ中随机产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)；随机产生各粒子初始速度v₁,v₂,…,v_m组成位移变化矩阵V(t)；

(b)将粒子群中每一个体映射为网络中的平滑因子以构建广义回归神经网络；

将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度；其中x表示粒子的当前位置向量；

(c)采用迭代的方法更新每个粒子的自身最优位置p_i和种群全局最优位置p_g；

记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；

(d)根据计算每个粒子的惯性权重；

其中，c取[0,1]之间的常数，f_i是第i次迭代中粒子的适应度值，f_min是每次迭代的m个粒子的适应度值的最小值；f_ave是每次迭代的m个粒子的平均适应度值；

(e)将所有粒子x₁(t)根据进行位置更新和速度更新；

其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；w_i表示惯性权重；c₁和c₂是指学习因子；r是指约束系数或是收敛因子，其中r₁和r₂是[0,1]之间的随机数；

(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代P_g没有变化，则进入步骤(g)，否则返回步骤(b)；

其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，x_id表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；

(g)根据进行变异操作，变异粒子更新最优位置p_i；

其中，表示粒子变异后的位置向量，x_i为粒子原始位置向量，x为粒子当前位置向量；

(h)判断是否满足预设的收敛条件：若是，则输出平滑因子的最优值；若否，则进入步骤(b)。