基于改進(jìn)果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的接地網(wǎng)腐蝕速率預(yù)測(cè)模型

程宏偉，高蓮，于虹，李鵬

(1.云南大學(xué) 信息學(xué)院，昆明 650500； 2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650500)

0 引 言

隨著現(xiàn)代電力技術(shù)的發(fā)展大容量、特高壓輸電線路相繼出現(xiàn)，對(duì)保障電力系統(tǒng)安全穩(wěn)定運(yùn)行的接地網(wǎng)要求不斷提高[1]。但接地網(wǎng)長期處于地下，復(fù)雜的土壤環(huán)境使其發(fā)生腐蝕甚至斷裂，進(jìn)而影響電力系統(tǒng)的安全穩(wěn)定運(yùn)行[2-4]。因此，研究預(yù)測(cè)結(jié)果準(zhǔn)確的接地網(wǎng)腐蝕速率預(yù)測(cè)模型可以使運(yùn)維人員及時(shí)掌握接地網(wǎng)健康狀況，提前發(fā)現(xiàn)接地網(wǎng)的安全隱患并安排檢修，避免因接地網(wǎng)的腐蝕造成電網(wǎng)故障，對(duì)整個(gè)電網(wǎng)的安全穩(wěn)定運(yùn)行至關(guān)重要[5-6]。

當(dāng)前，主要通過傳感器檢測(cè)和建立腐蝕參數(shù)樣本庫兩種方式對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè)。針對(duì)第一種方法，文獻(xiàn)[7]使用電化學(xué)腐蝕傳感器對(duì)接地網(wǎng)進(jìn)行觀測(cè)并使用灰色預(yù)測(cè)的方法對(duì)觀測(cè)參數(shù)進(jìn)行分析得到接地網(wǎng)腐蝕速率，但這種方法只能短期預(yù)測(cè)接地網(wǎng)腐蝕且傳感器成本較高，無法大范圍的推廣使用。針對(duì)第二種方法，文獻(xiàn)[8]將現(xiàn)場(chǎng)采集的土壤參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，建立接地網(wǎng)預(yù)測(cè)模型且具有較高的預(yù)測(cè)精度，但BP神經(jīng)網(wǎng)絡(luò)隨機(jī)初始化權(quán)值和閾值存在收斂速度慢和穩(wěn)定性差的不足；文獻(xiàn)[9]通過相似度計(jì)算得到較優(yōu)的訓(xùn)練樣本并使用支持向量機(jī)(Support Vector Machine, SVM)對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè)，但SVM存在著運(yùn)算費(fèi)時(shí)且核函數(shù)參數(shù)選擇對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生較大影響的不足[10-11]；文獻(xiàn)[12]采用模糊理論對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè)，但存在定義分函數(shù)不全面的問題，且由兩位專家確定的可拓區(qū)間判斷矩陣具有一定的隨機(jī)性；文獻(xiàn)[13-14]分別采用遺傳算法-改進(jìn)支持向量機(jī)-誤差校正組合模型和人工蜂群算法(Artificial Bee Colony, ABC)優(yōu)化SVM的ABC-SVM模型進(jìn)行預(yù)測(cè)，但優(yōu)化算法的初始種群隨機(jī)產(chǎn)生，易導(dǎo)致種群分布不均勻，具有較強(qiáng)的隨機(jī)性和盲目性。

鑒于此，為了進(jìn)一步提高預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性，文中提出了基于改進(jìn)果蠅算法(Update Fruit fly Optimization Algorithm, UFOA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的接地網(wǎng)腐蝕速率預(yù)測(cè)模型(UFOA-BP)。該模型首先利用混沌映射、動(dòng)態(tài)半徑搜索策略和優(yōu)化氣味濃度判定公式對(duì)果蠅優(yōu)化算法(Fruit fly Optimization Algorithm, FOA)的種群位置、搜索步長和氣味濃度判定公式進(jìn)行改進(jìn)，然后將UFOA算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值，最后以文獻(xiàn)[14]對(duì)某地24座變電站的測(cè)量計(jì)算數(shù)據(jù)進(jìn)行驗(yàn)證。結(jié)果表明，相較于其他預(yù)測(cè)方法，UFOA-BP模型在腐蝕速率預(yù)測(cè)時(shí)具有更高的預(yù)測(cè)精度和模型穩(wěn)定性，對(duì)運(yùn)維人員提前發(fā)現(xiàn)接地網(wǎng)安全隱患并安排檢修進(jìn)而保障電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義。

1 基于UFOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的接地網(wǎng)腐蝕速率預(yù)測(cè)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

由于BP 神經(jīng)網(wǎng)絡(luò)優(yōu)秀的非線性映射能力，在進(jìn)行數(shù)據(jù)預(yù)測(cè)時(shí)無需建立精準(zhǔn)的數(shù)學(xué)模型，且具有較高的預(yù)測(cè)精度，因此在數(shù)據(jù)預(yù)測(cè)方面有著較為廣泛的應(yīng)用[15-18]。

標(biāo)準(zhǔn) BP 神經(jīng)網(wǎng)絡(luò)主要分為兩方面：一方面是向前的信息傳遞，即對(duì)于輸入的信息按照輸入層、隱含層和輸出層進(jìn)行正向傳遞；另一方面是反向的信號(hào)傳播，即根據(jù)實(shí)際值與預(yù)測(cè)值的誤差進(jìn)行反向傳播修改各層連接的權(quán)值[19-20]。其具體實(shí)現(xiàn)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)流程圖

從圖1可以看出，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的且利用梯度下降的方法進(jìn)行修正，這樣工作機(jī)制使BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)值異常敏感，增加了算法的求解難度和收斂時(shí)間。針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的不足，文中使用UFOA算法優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值，進(jìn)一步提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的穩(wěn)定性和準(zhǔn)確性。

1.2 FOA算法原理

FOA算法是Pan[21]受果蠅覓食行為啟發(fā)于2012年提出的一種群體智能全局優(yōu)化算法。FOA算法通過模擬果蠅群體覓食行為，采用群體協(xié)作、信息共享的機(jī)制進(jìn)行尋優(yōu)操作[22]，文獻(xiàn)[23-24]從計(jì)算精度、計(jì)算量和計(jì)算復(fù)雜度三個(gè)方面對(duì)免疫算法、遺傳算法、蟻群算法、粒子群算法、魚群算法和FOA算法進(jìn)行了詳細(xì)比較，得到FOA算法具有較高尋優(yōu)精度，且算法簡單、計(jì)算量較小的結(jié)論，因此文中以FOA算法作為優(yōu)化算法展開研究。

FOA算法由兩部分構(gòu)成：首先，利用果蠅種群的嗅覺進(jìn)行搜索，得到果蠅種群中離目標(biāo)最近的個(gè)體；然后，通過果蠅視覺進(jìn)行尋找，確定最佳果蠅個(gè)體的位置坐標(biāo)，同時(shí)其它果蠅向最佳位置方向飛去。以此反復(fù)，直至達(dá)到最大迭代次數(shù)或目標(biāo)精度為止，其步驟如下：

(1)參數(shù)設(shè)置：

設(shè)置FOA算法的最大迭代次數(shù)、目標(biāo)精度、種群數(shù)量和搜索半徑：

(2)隨機(jī)初始化果蠅種群位置:

(1)

(3)果蠅個(gè)體利用嗅覺搜尋食物:

(2)

(4)計(jì)算果蠅與原點(diǎn)之間的距離:

(3)

(5)計(jì)算果蠅味道濃度判定值:

Si=1/Li

(4)

(6)計(jì)算果蠅味道濃度:

Smelli=f(Si)

(5)

(7)尋找味道濃度最佳的果蠅個(gè)體:

[bestSmell,bestIndex]=min(Smell)

(6)

(8)果蠅利用視覺向最佳果蠅個(gè)體飛去:

(7)

(9)判斷是否達(dá)到最大循環(huán)次數(shù)或目標(biāo)精度，若未達(dá)到，循環(huán)步驟(3)～步驟(8)，若達(dá)到，返回最優(yōu)果蠅個(gè)體。

從步驟(2)可以看出FOA算法使用隨機(jī)初始化果蠅群體位置的方法，該方法存在種群分布不均勻和算法具有一定盲目性的問題；從步驟(4)可以看出果蠅覓食階段采用固定的搜索半徑進(jìn)行尋找，一方面會(huì)增加收斂時(shí)間，另一方面降低了收斂精度，甚至使算法陷入局部最優(yōu)；從步驟(6)可以看出果蠅的氣味濃度判定值恒為正值，無法實(shí)現(xiàn)負(fù)值區(qū)域的搜索，造成算法全局搜索能力下降。

因此，對(duì)FOA算法存在的盲目初始化果蠅種群位置，收斂速度和收斂精度有待進(jìn)一步提高以及無法實(shí)現(xiàn)負(fù)值區(qū)域搜索的問題進(jìn)行改進(jìn)。

1.3 UFOA算法

由于FOA算法存在隨機(jī)確定初始果蠅種群位置的特點(diǎn)，使得算法具有一定的隨機(jī)性和盲目性，且固定的果蠅搜索半徑使收斂速度和收斂精度有待進(jìn)一步提高以及無法實(shí)現(xiàn)負(fù)值區(qū)域搜索的缺陷。為提高果蠅種群的多樣性和搜索的遍歷性，增強(qiáng)算法的收斂精度，擴(kuò)大算法的搜索范圍，文中將從以下三個(gè)方面進(jìn)行改進(jìn)：

(1)引入Logistic混沌映射生成果蠅群體的初始位置，解決隨機(jī)初始化種群分布不均勻問題，提高搜索群體的多樣性和均勻性，增強(qiáng)算法的穩(wěn)定性；

(2)引入動(dòng)態(tài)搜索半徑策略實(shí)現(xiàn)算法的搜索半徑自適應(yīng)動(dòng)態(tài)調(diào)節(jié)，提高算法的收斂精度減小算法的收斂時(shí)間；

(3)改進(jìn)FOA算法氣味濃度判定公式，避免氣味濃度判定值恒為正對(duì)算法的影響，擴(kuò)大算法的搜索范圍，增強(qiáng)算法的適應(yīng)性。

1.3.1 Logistic映射

針對(duì)隨機(jī)初始化果蠅種群易造成分布不均勻的問題，文中采用最簡單有效的混沌映射解決方案[25]-Logistic 混沌映射，對(duì)所有果蠅位置初始化，從而使得優(yōu)化后的果蠅位置具有混沌現(xiàn)象隨機(jī)性、遍歷性和規(guī)律性的特點(diǎn)[26-27]，其系統(tǒng)方程如下：

x(n+1)=μx(n)(1-x(n))x(n)∈[0,1]

(8)

式中n為迭代次數(shù)；μ為控制參數(shù)，當(dāng)μ=4時(shí)，系統(tǒng)處于混沌狀態(tài)。

混沌變量Cxi的變換式如下：

Cx(n+1)i=4Cx(n)i(1-Cx(n)i)，i=1, 2,…,N

(9)

式中Cx(n)i為第i個(gè)混沌變量在第n步混沌變換后的大小，通過式(9)得到第n+1次變換后的混沌變量Cx(n+1)i，然后結(jié)合式(10)和式(11)與變量Cxi∈[0,1]反復(fù)進(jìn)行混沌映射[28]。

(10)

(11)

式中xi為混沌映射前的第i個(gè)原始數(shù)據(jù)，且xi∈[amin,amax]；x′i為其映射后的值。

1.3.2 動(dòng)態(tài)搜索半徑策略

FOA算法在果蠅覓食階段采用固定的搜索半徑進(jìn)行尋找，會(huì)降低算法的收斂精度，延長收斂時(shí)間，甚至陷入局部最優(yōu)。因此，文中設(shè)計(jì)一種全新的動(dòng)態(tài)搜索半徑生成方法如式(12)所示，解決固定半徑存在的不足，令算法在早期具有較大的搜索半徑，增強(qiáng)算法全局的搜索能力，避免局部最優(yōu)，搜索半徑隨著迭代次數(shù)的增加而減小，提高算法整體的收斂精度，減少收斂時(shí)間。

(12)

式中rmax和rmin分別表示最大和最小的搜索半徑，iter表示當(dāng)前迭代次數(shù)，Miter表示最大迭代次數(shù)。當(dāng)搜索半徑區(qū)間為[0.1,5]，最大迭代次數(shù)為300時(shí)，搜索半徑r的變化曲線如圖2所示。

圖2 搜索半徑變化

如圖2所示，改進(jìn)后的搜索半徑生成方法可以實(shí)現(xiàn)搜索半徑隨迭代增加的動(dòng)態(tài)生成，解決了原有算法固定搜索半徑的不足。

1.3.3 優(yōu)化氣味濃度判定值

從1.2節(jié)中的Step5可以看出，F(xiàn)OA算法的味道濃度判定值為果蠅個(gè)體與坐標(biāo)原點(diǎn)之間距離的倒數(shù)，其值范圍恒為正，無法實(shí)現(xiàn)負(fù)面空間解決方案搜索，缺乏對(duì)高緯度和復(fù)雜化問題的求解能力。因此文中優(yōu)化了氣味濃度判定公式，如式(13)所示：

Si=exp-Li×sgn(Xi×Yi)

(13)

式(13)中指數(shù)函數(shù)確保了候選解與果蠅位置的負(fù)相關(guān)，同時(shí)使用sgn函數(shù)，當(dāng)果蠅個(gè)體在二維坐標(biāo)的二、四象限時(shí)，Si為負(fù)值。通過式(13)可以實(shí)現(xiàn)對(duì)負(fù)值空間的全面搜索，增加了算法的應(yīng)用場(chǎng)景，提高了算法對(duì)高緯度和復(fù)雜化問題的求解能力。

綜上所述，針對(duì) FOA 算法種群隨機(jī)初始化、收斂速度和收斂精度有待進(jìn)一步提高以及氣味濃度判定值恒為正的問題，文中依次采用Logistic混沌映射、動(dòng)態(tài)搜索半徑策略和優(yōu)化氣味濃度判定值的方法實(shí)現(xiàn)對(duì) FOA 算法進(jìn)行改進(jìn)。

1.4 UFOA-BP算法實(shí)現(xiàn)

UFOA優(yōu)化BP網(wǎng)絡(luò)的核心思想是在BP網(wǎng)絡(luò)局部尋優(yōu)能力基礎(chǔ)上，利用UFOA 的全局尋優(yōu)能力對(duì)BP網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)性能進(jìn)行優(yōu)化，根據(jù)UFOA迭代尋優(yōu)過程中果蠅位置的改變對(duì)應(yīng)于BP網(wǎng)絡(luò)學(xué)習(xí)過程中權(quán)值與閾值的更新過程，尋找最合適的初始連接權(quán)值和閾值，提高BP網(wǎng)絡(luò)的預(yù)測(cè)能力和預(yù)測(cè)效率。

其基本方法為：首先將果蠅個(gè)體視作BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，用實(shí)際值和預(yù)測(cè)值的誤差絕對(duì)值之和作為UFOA算法的適應(yīng)度函數(shù)；然后通過UFOA 迭代尋優(yōu)代替BP網(wǎng)絡(luò)中的梯度修正；最后將最優(yōu)果蠅個(gè)體作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值。其基本流程如圖3所示。

圖3 UFOA-BP算法流程圖

2 預(yù)測(cè)結(jié)果對(duì)比及分析

2.1 數(shù)據(jù)預(yù)處理

文中使用的實(shí)驗(yàn)數(shù)據(jù)由文獻(xiàn)[14]對(duì)某地24座變電站接地網(wǎng)實(shí)地挖掘測(cè)量計(jì)算得出，24組接地網(wǎng)腐蝕速率實(shí)驗(yàn)數(shù)據(jù)，包括土壤理化特性、接地網(wǎng)電阻平均增長率和接地網(wǎng)腐蝕速率三部分組成。土壤理化特性包括土壤含水率、電阻率、孔隙率、SO42-含量和Clˉ含量，用以表征不同接地網(wǎng)所處的土壤環(huán)境；接地網(wǎng)電阻平均增長率由接地網(wǎng)各支路電阻變化倍數(shù)和接地網(wǎng)運(yùn)行時(shí)間計(jì)算得出，用以表征接地網(wǎng)腐蝕狀態(tài)，使模型輸入特征維度更加全面；接地網(wǎng)腐蝕速率通過截取接地網(wǎng)樣本，利用失重法計(jì)算得出。

將24組實(shí)驗(yàn)數(shù)據(jù)中的前20組數(shù)據(jù)作為訓(xùn)練集，后4組數(shù)據(jù)作為測(cè)試集。由于6個(gè)輸入維度的量綱和維度各不相同，為避免直接輸入對(duì)預(yù)測(cè)模型訓(xùn)練速度、預(yù)測(cè)精度和模型靈敏性產(chǎn)生影響，文中將按照式(14)對(duì)所有輸入數(shù)據(jù)[-1,1]歸一化。

(14)

式中id和id′分別表示原始數(shù)據(jù)和歸一化后的數(shù)據(jù);idmax和idmin分別表示原始數(shù)據(jù)中的最大值和最小值。

2.2 模型參數(shù)設(shè)定及實(shí)驗(yàn)結(jié)果

UFO-BP模型中BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)，其輸入層節(jié)點(diǎn)數(shù)為6，分別對(duì)應(yīng)輸入數(shù)據(jù)的土壤含水率、電阻率、孔隙率、SO42-含量、Clˉ含量和電阻平均增長速率；輸出層節(jié)點(diǎn)數(shù)為1，對(duì)應(yīng)接地導(dǎo)體腐蝕速率。隱含層節(jié)點(diǎn)數(shù)的選取一般根據(jù)經(jīng)驗(yàn)式(15)進(jìn)行試湊，根據(jù)式(15)可知文中的隱含層節(jié)點(diǎn)數(shù)取值范圍為[4,12]，經(jīng)過誤差計(jì)算，確定隱含層節(jié)點(diǎn)數(shù)為9。

(15)

式中h、u和v分別表示隱含層、輸入層和輸出層節(jié)點(diǎn)數(shù)。

采用UFOA-BP模型對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè)，同時(shí)為對(duì)比該模型的預(yù)測(cè)性能，選取FOA-BP模型、BP神經(jīng)網(wǎng)絡(luò)、ABC-SVM[14]和GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。設(shè)置UFOA-BP模型的最大迭代次數(shù)為200，種群規(guī)模為50，搜索半徑r∈[0.1,5]，學(xué)習(xí)速率為0.02，目標(biāo)誤差為0.000 1；FOA-BP模型的參數(shù)除搜索半徑r=0.5外其余參數(shù)與UFOA-BP模型保持一致；BP模型的參數(shù)設(shè)置與UFOA-BP模型保持一致；ABC-SVM模型參數(shù)設(shè)置參照文獻(xiàn)[14]；GRNN模型中設(shè)置擴(kuò)展速度為0.2。

為測(cè)試改進(jìn)FOA算法的有效性，文中對(duì)UFOA算法和FOA算法的收斂曲線進(jìn)行對(duì)比分析，訓(xùn)練收斂曲線如圖4所示。

圖4 UFOA和FOA收斂曲線

由圖4可知，F(xiàn)OA算法在第134代時(shí)收斂，收斂時(shí)的最佳適應(yīng)度值為0.404 9，而UFOA算法在第12代時(shí)收斂，收斂時(shí)的最佳適應(yīng)度值為0.361 2。由此可以看出UFOA算法在收斂速度和收斂精度上明顯優(yōu)于未優(yōu)化的FOA算法，驗(yàn)證了改進(jìn)算法的有效性和可行性。

分別使用BP神經(jīng)網(wǎng)絡(luò)、FOA優(yōu)化的FOA-BP神經(jīng)網(wǎng)絡(luò)以及改進(jìn)FOA優(yōu)化的UFOA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試，得到的訓(xùn)練曲線如圖5所示。

圖5 算法訓(xùn)練曲線

從圖5可知，使用FOA算法和UFOA算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)達(dá)到設(shè)定誤差時(shí)的訓(xùn)練次數(shù)由未優(yōu)化的9次分別降低為6次和4次，表明使用FOA算法和UFOA算法均提高了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，且使用UFOA算法提升的效果更好。

使用測(cè)試集，對(duì)上述5種模型分別進(jìn)行測(cè)試，預(yù)測(cè)結(jié)果如表2所示，預(yù)測(cè)誤差曲線如圖6所示。

表2 5種模型預(yù)測(cè)結(jié)果對(duì)比

圖6 預(yù)測(cè)誤差曲線

由圖6可知，使用FOA和UFOA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差絕對(duì)值之和由未優(yōu)化的1.83分別降低至1.01和0.61，表明使用FOA算法和UFOA算法提高了BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，且使用UFOA算法提升的效果更好。

2.3 預(yù)測(cè)結(jié)果分析

為了更加深入的對(duì)比5種模型的預(yù)測(cè)結(jié)果，文中從均方誤差(eMSE)、平均絕對(duì)百分比誤差(eMAPE)、和相對(duì)誤差標(biāo)準(zhǔn)差(σMAPE)三個(gè)指標(biāo)分別對(duì)5種模型的模型預(yù)測(cè)精度和模型穩(wěn)定性進(jìn)行評(píng)價(jià)，其評(píng)價(jià)公式如式(16)～式(18)所示。

(16)

(17)

(18)

式中m表示預(yù)測(cè)數(shù)據(jù)的個(gè)數(shù)；yi′和yi分別表示第i個(gè)數(shù)據(jù)的預(yù)測(cè)值和實(shí)際值。

分別利用式(16)～式(18)對(duì)表2中5種模型的預(yù)測(cè)結(jié)果進(jìn)行分析，得到以eMSE、eMAPE和σMAPE作為評(píng)價(jià)指標(biāo)的模型性能分析表，如表3所示。

表3 5種預(yù)測(cè)模型性能對(duì)比

通過表3，從預(yù)測(cè)精度的角度分析可以看出：使用UFOA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度相比使用FOA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，eMSE值和eMAPE值分別提高了0.058 8和1.5%，相比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，eMSE值和eMAPE值分別提高了0.220 1和4.96%，且兩種優(yōu)化模型eMSE值均優(yōu)于ABC-SVM和GRNN模型，展現(xiàn)了FOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)接地網(wǎng)腐蝕速率的可行性及UFOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)接地網(wǎng)腐蝕速率的高準(zhǔn)確性。

從模型的穩(wěn)定性和適應(yīng)性角度分析可以看出：單純的BP神經(jīng)網(wǎng)絡(luò)穩(wěn)定性和適應(yīng)性較差，使用FOA優(yōu)化后的FOA-BP模型穩(wěn)定性和適應(yīng)性相較BP神經(jīng)網(wǎng)絡(luò)模型大幅提高，σMAPE值提高0.078 9，且優(yōu)于GRNN模型，但FOA算法隨機(jī)初始化果蠅種群位置、固定搜索半徑和恒為正的氣味濃度判定公式使得FOA-BP模型穩(wěn)定性和適應(yīng)性略低于ABC-SVM模型。針對(duì)FOA算法存在的三點(diǎn)不足，文中依次采用 Logistic 混沌映射、動(dòng)態(tài)搜索半徑策略和優(yōu)化氣味濃度判定值實(shí)現(xiàn)對(duì) FOA算法的改進(jìn)，并將其應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)，改進(jìn)后的UFOA-BP模型穩(wěn)定性和適應(yīng)性在5種模型中最優(yōu)。綜上，UFOA-BP模型可以對(duì)接地網(wǎng)的腐蝕速率實(shí)現(xiàn)準(zhǔn)確的預(yù)測(cè)，且模型具有較高的穩(wěn)定性和適應(yīng)性。

3 結(jié)束語

為了進(jìn)一步提高接地網(wǎng)腐蝕速率的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性，文中使用UFOA算法優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值，提出了基于UFOA-BP模型的接地網(wǎng)腐蝕速率預(yù)測(cè)模型，具體結(jié)論如下：

(1)利用Logistic混沌映射對(duì)果蠅群體的位置進(jìn)行優(yōu)化，解決隨機(jī)初始化種群分布存在的不均勻和盲目性問題，提高了搜索群體的多樣性和均勻性，增強(qiáng)了算法的穩(wěn)定性；然后引入動(dòng)態(tài)搜索半徑策略實(shí)現(xiàn)算法的搜索半徑自適應(yīng)動(dòng)態(tài)調(diào)節(jié)，提高了算法的收斂精度；最后改進(jìn)FOA算法氣味濃度判定公式，避免氣味濃度判定值恒為正值對(duì)算法的影響，擴(kuò)大了算法的搜索范圍，提高了算法的預(yù)測(cè)精度，增強(qiáng)了算法的魯棒性；

(2)以UFOA 中最優(yōu)果蠅個(gè)體對(duì)應(yīng)于BP神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值與閾值，以預(yù)測(cè)值和實(shí)際值的誤差絕對(duì)值之和作為UFOA的適應(yīng)度函數(shù)，建立了基于UFOA-BP 模型的接地網(wǎng)腐蝕速率預(yù)測(cè)模型。

經(jīng)過測(cè)試文中提出的UFOA-BP模型相比其他模型在接地網(wǎng)腐蝕速率預(yù)測(cè)中具有最高的預(yù)測(cè)精度和模型穩(wěn)定性，可以滿足工程的實(shí)際應(yīng)用，為運(yùn)維人員提前發(fā)現(xiàn)接地網(wǎng)的安全隱患并安排檢修進(jìn)而保障電網(wǎng)安全穩(wěn)定運(yùn)行提供幫助。