(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111152264.5 (22)申请日 2021.09.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113868916 A (43)申请公布日 2021.12.31 (73)专利权人 国网上海市电力公司 地址 200122 上海市浦东 新区自由贸易试 验区源深路1 122号 专利权人 华东电力试验研究院有限公司 (72)发明人 傅晨钊　司文荣　贺林　李红雷　 倪鹤立　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 应小波(51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 119/08(2020.01) 审查员 高宇峰 (54)发明名称 基于LFVPSO-BPNN的多回路沟槽敷设电缆温 升预测方法 (57)摘要 本发明涉及一种基于LFVPSO ‑BPNN的多回路 沟槽敷设电缆温升预测方法， 包括如下步骤： 步 骤1： 采用有限元方法或者实验提取特征参数样 本集； 步骤2： 将收集到的样本数据分为训练集和 测试集， 对训练集和数据集进行归一化处理； 步 骤3： 引入 Levy飞行对粒子群优化算 法进行改进； 步骤4： 设计BPNN结构； 步骤5： 采用步骤3对BPNN 多回路沟槽敷设电缆温升预测模型的权重和 阈 值进行优化； 步骤6： 进行多回路沟槽敷 设电缆温 升预测。 与现有技术相比， 本发明具有提高了预 测精度、 节省了 计算时间等优点。 权利要求书3页 说明书6页 附图2页 CN 113868916 B 2022.11.08 CN 113868916 B 1.一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 包括如 下 步骤： 步骤1： 采用有限元 方法或者实验提取 特征参数样本集； 步骤2： 将收集到的样本数据分为训练集和测试集， 对训练集和数据集进行归一化处 理； 步骤3： 引入Levy飞行对粒子群优化 算法进行改进； 步骤4： 设计BPN N结构； 步骤5： 采用步骤3对BPN N多回路沟槽敷设电缆温升预测模型的权 重和阈值进行优化； 步骤6： 进行多回路沟槽敷设电缆温升预测。 2.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤1具体为： 构建沟槽电缆物理模型， 利用有限元方法计算不同环境温度和回路电流下沟槽电缆温 度场或实验测量 不同环境温度和回路电流下沟槽电缆 缆芯温度。 3.根据权利要求2所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的有限元 的计算物理模型可简化为二维沟槽电缆模型， 温升计算中考虑 了沟槽内部对流和辐 射换热， 所述特征参数样本集中的特征数据包括各回路电缆负荷、 外 界环境温度、 各回路缆芯温度。 4.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤2中的归一 化处理公式为： 式中xi表示输入变量， 分别为环境温度和各回路电流， xi,max和xi,min分别 表示各输入变量的最大值和最小值， x ′i为归一化处理后的变量。 5.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤3具体为： 以粒子群中粒子历史最优位置， 当前最优位置以及当前最差位置为粒子运动方向向 导， 引入一个[ 0,1]之间的随机数， 当随机数大于0.5时， 引入Levy飞行算法对 粒子群算法进 行更新， 更新后的粒子位置再引入自适应变异， 当随机数大于0.95时， 随机更新粒子群中某 一粒子位置， 对粒子群优化 算法进行改进， 获得LFVP SO算法。 6.根据权利要求5所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤3的详细过程 为： 步骤301： 在每一次迭代中， 粒子通过个体最优值、 全局最优值以及个体最差值更新自 身的速度： 式中Vik为粒子当前速度； Vik+1为粒子下一时刻速度； Xik为粒子的当前位置； Xik+1为粒子 下一时刻 位置； Pik为当前粒子群内适应度函数值最优的粒子位置； Pgk为之前适应度函数值 最优的粒子位置； Pwt为当前粒子群中适应度函 数值最差粒子位置； a1为步长缩放因子； c1， c2 为加速因子； r1， r2， r3为分布于[0,1]之间的随机数； ω为惯 性权重， 为了更好地平衡算法的 全局搜索与局部 搜索能力， 采用线性 递减惯性权 重进行计算， 具体如下：权　利　要　求　书 1/3 页 2 CN 113868916 B 2式中ω1为初始惯性权重； ωK为最大迭代次数时的惯性权重； k为当前迭代次数； K为最 大迭代次数； 步骤302： 引入Levy飞行， 其表达式如下： 式中u和v是服从正态分布的随机数， 满足以下分布： u～N(0, σ2) v～N(0,1) 式中， S为移动步长； Γ为欧拉第二积分； 步骤303： 引入随机数rand∈[0,1]， 将Levy飞行与所述步骤301中粒子速度更新方式结 合， 获得以下优化的粒子群更新 位置方式： 式中a2为速度权 重因子； θ0为步长缩放因子； 步骤304： 引入随机数rand ’∈[0,1]， 当rand ’>0.95， 借鉴遗传 算法变异思想， 采用自适 应变异， 随机更新 一个粒子位置 。 7.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤4具体为： 设计BPNN结构， 确 定隐含层层数， 隐含层神经元个数， 输 入层与隐含层、 隐含层与输出层之间的传递 函数。 8.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤5中采用步骤3对BPNN多回路沟槽敷设电缆温升预测模型的权重和 阈值进行优化的目标函数为均方误差 MSE， 公式如下： 式中yi,k为预测样本的实际值； 为预测样本的预测值； M为输入变量个数； N为预测样 本个数。 9.根据权利要求1所述的一种基于LFVPS O‑BPNN的多回路沟槽敷设电缆温升预测方法， 其特征在于， 所述的步骤5中的BPN N多回路沟槽敷设电缆温升预测模型构建具体步骤如下： 步骤501： 对输入输出样本数据进行归一化处理， 设置输入层、 隐含层和输出层节点个 数， 构建BPN N； 步骤502： 初始化粒子群参数， 采用LFVP SO算法优化BPN N阈值和权 重； 步骤503： 判断当前迭代次数是否达到最大迭代次数， “是”则输出最优阈值和权重， “否”则返回步骤5 02； 步骤504： 采用最优阈值和权重更新BPNN的阈值和权重， 构 建BPNN多回路沟槽敷设电缆权　利　要　求　书 2/3 页 3 CN 113868916 B 3