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)
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。
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。
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)。
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)。
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
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。
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。
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。
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。