[发明专利]基于神经网络及模糊逻辑算法的输电线路覆冰预测模型

权利要求书

1.一种基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，包括如下步骤：

步骤1：读入历史微气象点的微气象参数，构成训练样本；

步骤2：确定BP神经网络模型参数，利用数据处理公式修正网络的权值w_ij，引入阈值θ_j；

步骤3：完成神经网络迭代过程，得到覆冰厚度基本分量o_pi；

步骤4：读入杆塔位置信息；

步骤5：加入模糊逻辑补偿的方法，基于地理位置因素，分别针对海拔高度和大区域水汽距离建立海拔高度隶属度函数和大区域水汽距离隶属度函数；

步骤6：依据海拔高度隶属度函数和大区域水汽距离隶属度函数，建立误差校正隶属度函数，形成模糊规则库并通过解模糊化得出校正系数；

步骤7，对神经网络计算结果和模糊逻辑补偿结果进行组合，得出基于神经网络及模糊逻辑算法的输电线路覆冰组合预测模型。

2.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于：步骤1中所述微气象参数包括环境温度、环境风速、环境湿度、湖泊距离、海拔高度和实际冰厚。

3.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于：

所述步骤2中BP神经网络模型包括输入层、隐含层和输出层；所述BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；所述输入层神经元包括环境温度、环境风速、环境湿度和实际冰厚，通过历史的输入模型确定各个微气象点的气象参数输入类型；所述隐含层神经元为隐含层的节点，所述隐含层的节点在训练过程中根据训练精度进行节点数调整；所述输出层神经元为覆冰厚度h_oki。

4.根据权利要求1所述的基于神经网络及模糊逻辑算法的输电线路覆冰预测模型，其特征在于，所述步骤2修正网络的权值w_ij和阈值θ_j具体包括以下步骤：

假设输入的气象参数有n个，且隐含层有m个神经元，k个样本的误差计算公式为式（1）：

ek=(hki-hoki)22---(1)]]>

式中：h_ki为期望的覆冰厚度输出，神经元输出为覆冰厚度h_oki，e_k为k个样本的误差；

BP神经网络修正网络的权值w_ij和阈值θ_j算法分别为式（2）和式（3）：

ui=Σj=1nwijxj-θj,(i=1,2,.....m)---(2)]]>

v_i＝f(u_i)  （i=1,2,…..m）                   （3）

式中：f()为隐含层输入输出函数，x_j为步骤1输入的气象参数,u_i为隐含层节点输入，v_i为隐含层节点输出；

为了加快BP神经网络的收敛速度引入动量λ，其公式为式（4）和式（5）：

Δwijn(t)′=-η∂ek∂w=-η∂ek∂hoki∂hoki∂w=η(hki-hoki)∂hoki∂w---(4)]]>

Δwijn(t)=Δwijn(t)′+λΔwijn(t-1)---(5)]]>

式中：为t时刻第n层第j个神经元到第n+1层的第i个神经元未引入动量系数的权系数增量，即为t时刻的修正结果，为t-1时刻的修正结果，η为误差修正系数；

最后按式（6）对原进行修正计算得到新的连接权向量w_ij，所述新的连接权向量w_ij即为经过多次修正后的

wijn(t)+Δwijn(t)→wijn(t)---(6)]]>

以上所述计算过程，是沿着正向计算过程的反向，将误差信息传递，对连接权向量w_ij进行修正计算。