一种基于PSO-BP算法预测杂散电流腐蚀预测的方法与流程

一种基于pso-bp算法预测杂散电流腐蚀预测的方法
技术领域
1.本发明属于杂散电流预测技术领域，涉及一种基于pso-bp算法预测杂散电流腐蚀预测的方法。

背景技术：

2.随着城市轨道交通的飞速发展，城镇化基础设施建设也越来越完善，为满足市民在出行时的便捷性与快速性需求，了解和监视交通系统中发生的杂散电流腐蚀的过程尤为重要。在理想的情况下，系统中的行走轨与大地是完全绝缘的，在这种情况下不需要考虑杂散电流；但在实际使用中，行走轨与大地之间无法达到理想情况下的完全绝缘，必然会存在杂散电流。
3.杂散电流是指沿着其他非专用电流的组成部分介质流动的电流，在系统运行时会有一定数量的牵引回流通过轨道流入地下，从而产生杂散电流。杂散电流可能来自电动牵引系统、海上结构、海洋平台、阴极保护系统等；且杂散电流会在一些基础设施上引起电化学腐蚀，例如滑轨、地下管道和混凝土结构，从而降低了公交系统的安全性能。再加上大多数管道是由碳钢组成的，腐蚀就成为这些系统最常见的威胁之一。在某些极端情况下，杂散电流泄漏甚至会导致严重的结构损坏。
4.为此，对杂散电流的监测十分重要。而杂散电流防护中不能忽略的一个重要因素就是过渡电阻值，现有技术中通过工程人员实地测量过渡电阻过于繁琐，且地铁沿线因地形不同，轨道过渡电阻可能会不均匀，更加增加了测量难度。现有中国专利文献(公开号：cn111027224a，公开日2020.04.17)中公开了一种基于bp神经网络在线预测地铁过渡电阻的方法，该方法虽然能够捕获输入和输出腐蚀数据集之间的非线性关系，但是bp神经网络的应用还存在全局搜索能力弱，鲁棒性差等问题，很容易陷入局部最小值。

技术实现要素：

5.本发明的目的在于克服上述现有技术的缺点，提供一种基于pso-bp算法预测杂散电流腐蚀预测的方法，以解决bp神经网络在面对部分数据时出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。
6.为实现上述目的，本发明提供了如下技术方案：
7.这种基于pso-bp算法预测杂散电流腐蚀预测的方法，具体包括以下步骤：
8.步骤1、获取目标位置的采样数据，定义所述采样数据中80％的数据为训练数据集，20％的数据为测试数据集；
9.步骤2、分别对所述训练数据集、测试数据集进行预处理得到预处理训练数据集、预处理测试数据集；
10.步骤3、构建基于pso-bp算法的杂散电流预测模型；
11.步骤4、采用所述预处理训练数据集对基于pso-bp算法的杂散电流预测模型进行训练；
12.步骤5、从预处理测试数据集中选出一组数据，用训练好的基于pso-bp算法的杂散电流预测模型对预处理测试数据集进行测试，得出杂散电流的预测值。
13.进一步，所述步骤1中的采样数据为目标位置的电压数据和电流数据；所述电压数据包括轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据；所述电流数据包括排流网与埋地金属、埋地金属与大地、轨道与排流网之间的电流数据。
14.进一步，所述步骤2中的预处理包括：先去除无效或测量错误的数据，再根据多重插补法对测量正确的数据进行补全，且只补全缺失值不超过15％的数据，超过15％的数据直接去除。
15.进一步，所述步骤4具体包括如下步骤：
16.步骤4.1、对基于pso-bp算法的杂散电流预测模型进行网格初始化处理；
17.步骤4.2、通过迭代运算确定个体适应度，并根据结果更新速度与位置的参数；
18.步骤4.3、判断所述杂散电流预测模型迭代是否结束：若迭代次数到达最大值或迭代后计算的均方误差mse小于设定的极限均方误差mse
′
时，则迭代结束，否则，返回步骤4.2进行迭代。
19.进一步，所述步骤4.1具体为：
20.所述网格初始化处理，其初始化对象为使用pso算法优化的参数个数、优化所使用的粒子总数、最大迭代次数、各粒子的上下界、各粒子的学习因子以及用于判断是否结束使用的可接受的均方误差。
21.进一步，所述步骤4.2具体包括：
22.首先，基于pso-bp算法初始化预处理训练数据集；
23.然后，通过迭代运算寻求最优解，确定pso-bp算法中处于第一位置pbest的个体极值数据，处于第二位置gbest的全局极值数据；
24.最后，进行个体适应度计算，pso-bp算法中的数据i根据式(1)和式(2)来更新其速度和位置，定义数据i的信息用d维向量表示，位置为xi＝(x
i1
，x
i2
，...，x
id
)t，速度为vi＝(v
i1
，v
i2
，...，v
id
)t，则速度和位置更新方程为：
[0025][0026][0027]
式(1)中，是数据i在第k次迭代中第d维的速度，c1，c2是加速度系数，且c1＝c2＝2，rand1，rand2是[0，1]之间的随机数，pbest
id
是数据i在第d维的个体极值点的位置，gbestd是整个训练数据集在第d维的全局极值点的位置；
[0028]
式(2)中，是数据i在第k次迭代中第d维的当前位置。
[0029]
进一步，所述步骤4.3中判断所述杂散电流预测模型迭代是否结束的方法具体如下：
[0030]
每利用pso算法寻求一次最优解后，计算每次优化后的bp网络预测的均方误差mse，若bp网络预测的均方误差mse小于设定的极限均方误差mse
′
则停止迭代；或者，当迭代次数达到了最大值，则停止迭代；否则，返回步骤4.2重新迭代。
[0031]
与现有技术相比，本发明提供的技术方案包括以下有益效果：与基于bp神经网络的预测算法相比，若计算能力较为充裕，使用本发明的技术方案可以解决bp神经网络在面对部分数据时会出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。而且，运算中只使用处于第一位置pbest的个体极值数据与处于第二位置gbest的全局极值数据，pbest能够保留每个粒子探索更优的全局极值点的可能性，gbest能够保留已经到的全局极值点，确保最后算法能够收敛。
附图说明
[0032]
此处的附图被并入说明书中并构成本说明书的一部分，与说明书一起用于解释本发明的原理。
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1为本发明提供的基于pso-bp算法预测杂散电流腐蚀预测的方法的流程图；
[0035]
图2为本发明实施例1提供的基于pso-bp算法预测的杂散电流腐蚀与基于bp算法预测的杂散电流比对图。
具体实施方式
[0036]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
[0037]
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图及实施例对本发明作进一步详细描述。
[0038]
实施例
[0039]
参见图1所示，本发明提供了一种基于pso-bp算法预测杂散电流腐蚀预测的方法，以杂散电流腐蚀钢轨为例，采用本发明提供的方法进行杂散电流预测，具体步骤包括：
[0040]
步骤1、对腐蚀钢轨进行采样，获取1470m内轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据，排流网与埋地金属、埋地金属与大地、轨道与排流网之间电流数据。这里，将采样数据按照4:1分为训练组数据测试组数据，测试组数据用于验证本方法预测结果的正确性；通过使用随机数将所有的数据分开，80％训练使用，20％测试使用，训练组用来训练模型，测试组用来评价模型的准确度。不使用100％训练的原因是容易出现过拟合现象，即模型能准确地预测已经学习过的数据，但是对于没有学习过的数据准确性较差，缺乏实际使用价值。
[0041]
其中，选择轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据，排流网与埋地金属、埋地金属与大地之间的电流数据为一组数据，本实施例共采集数据50组。
[0042]
步骤2、数据预处理：将采集到的电流与电压，按照各自的物理意义命名与杂散电流一起存储在一个csv格式的文件中，第一行为各参数的名称，对应的每一列第二行开始，
存储对应的数据。
[0043]
步骤3、建立基于pso-bp算法的杂散电流预测模型，pso-bp模型中将输入层个数设置为7，最终输出层个数设置为1。
[0044]
步骤4、将预处理训练数据集输入至基于pso-bp算法的杂散电流预测模型进行训练，采用已经训练好的pso-bp模型对杂散电流进行实时预测，输出预测的杂散电流值。具体过程如下：
[0045]
步骤4.1、对基于pso-bp算法的杂散电流预测模型进行网格初始化处理：网格初始化处理的初始化对象为使用pso算法优化的参数个数、优化中使用的粒子总数、最大迭代次数、各粒子的上下界、各粒子的学习因子、用来判断是否结束使用的可接受的均方误差；
[0046]
步骤4.2、通过迭代运算确定个体适应度，并根据结果更新速度与位置的参数，具体包括：首先，基于pso-bp算法初始化预处理训练数据集；
[0047]
然后，通过迭代运算寻求最优解，确定pso-bp算法中处于第一位置pbest的个体极值数据，处于第二位置gbest的全局极值数据；
[0048]
最后，进行个体适应度计算，pso-bp算法中的数据i根据式(1)和式(2)来更新其速度和位置，定义数据i的信息用d维向量表示，位置为xi＝(x
i1
，x
i2
，...，x
id
)t，速度为vi＝(v
i1
，v
i2
，...，v
id
)t，则速度和位置更新方程为：
[0049][0050][0051]
式(1)中，是数据i在第k次迭代中第d维的速度，c1，c2是加速度系数，且c1＝c2＝2，rand1，rand2是[0，1]之间的随机数，pbest
id
是数据i在第d维的个体极值点的位置，gbestd是整个训练数据集在第d维的全局极值点的位置；
[0052]
式(2)中，是数据i在第k次迭代中第d维的当前位置；
[0053]
步骤4.3、判断所述杂散电流预测模型迭代是否结束：若迭代次数到达最大值或迭代后计算的均方误差mse小于设定的极限均方误差mse
′
时，则迭代结束，否则，返回步骤4.2进行迭代。
[0054]
步骤5、从预处理测试数据集中选出一组数据，分别为0.032105692，0.269849073，0.51049693，1.021552491,1.698656515用训练好的基于pso-bp模型的杂散电流预测模型对训练集进行测试，得出杂散电流的预测值为0.03210569，0.26298403，0.510496927，1.0253359，1.69865651效果良好，如图2所示。
[0055]
综上，本发明提供的技术方案，与基于bp神经网络的预测算法相比，在计算量上相对较大，若计算能力较为充裕，使用本发明的技术方案可以解决bp神经网络在面对部分数据时会出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。
[0056]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。
[0057]
应当理解的是，本发明并不局限于上述内容，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：

1.一种基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，具体包括以下步骤：步骤1、获取目标位置的采样数据，定义所述采样数据中80％的数据为训练数据集，20％的数据为测试数据集；步骤2、分别对所述训练数据集、测试数据集进行预处理得到预处理训练数据集、预处理测试数据集；步骤3、构建基于pso-bp算法的杂散电流预测模型；步骤4、采用所述预处理训练数据集对基于pso-bp算法的杂散电流预测模型进行训练；步骤5、从预处理测试数据集中选出一组数据，用训练好的基于pso-bp算法的杂散电流预测模型对预处理测试数据集进行测试，得出杂散电流的预测值。2.根据权利要求1所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤1中的采样数据为目标位置的电压数据和电流数据；所述电压数据包括轨道与大地间、轨道与排流网、排流网与地面、排流网与埋地金属、埋地金属与大地之间的电压数据；所述电流数据包括排流网与埋地金属、埋地金属与大地、轨道与排流网之间的电流数据。3.根据权利要求1所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤2中的预处理包括：先去除无效或测量错误的数据，再根据多重插补法对测量正确的数据进行补全，且只补全缺失值不超过15％的数据，超过15％的数据直接去除。4.根据权利要求1所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤4具体包括如下步骤：步骤4.1、对基于pso-bp算法的杂散电流预测模型进行网格初始化处理；步骤4.2、通过迭代运算确定个体适应度，并根据结果更新速度与位置的参数；步骤4.3、判断所述杂散电流预测模型迭代是否结束：若迭代次数到达最大值或迭代后计算的均方误差mse小于设定的极限均方误差mse
′
时，则迭代结束，否则，返回步骤4.2进行迭代。5.根据权利要求4所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤4.1具体为：所述网格初始化处理，其初始化对象为使用pso算法优化的参数个数、优化所使用的粒子总数、最大迭代次数、各粒子的上下界、各粒子的学习因子以及用于判断是否结束使用的可接受的均方误差。6.根据权利要求4所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤4.2具体包括：首先，基于pso-bp算法初始化预处理训练数据集；然后，通过迭代运算寻求最优解，确定pso-bp算法中处于第一位置pbest的个体极值数据，处于第二位置gbest的全局极值数据；最后，进行个体适应度计算，pso-bp算法中的数据i根据式(1)和式(2)来更新其速度和位置，定义数据i的信息用d维向量表示，位置表示为x
i
＝(x
i1
，x
i2
,...，x
id
)t速度为v
i
＝(v
i1
，v
i2
，...，v
id
)t，则速度和位置更新方程为：
式(1)中，是数据i在第k次迭代中第d维的速度，c1，c2是加速度系数，且c1＝c2＝2，rand1，rand2是[0,1]之间的随机数，pbest
id
是数据i在第d维的个体极值点的位置，gbest
d
是整个训练数据集在第d维的全局极值点的位置；式(2)中，是数据i在第k次迭代中第d维的当前位置。7.根据权利要求4所述的基于pso-bp算法预测杂散电流腐蚀预测的方法，其特征在于，所述步骤4.3中判断所述杂散电流预测模型迭代是否结束的方法具体如下：每利用pso算法寻求一次最优解后，计算每次优化后的bp网络预测的均方误差mse，若bp网络预测的均方误差mse小于设定的极限均方误差mse
′
则停止迭代；或者，当迭代次数达到了最大值，则停止迭代；否则，返回步骤4.2重新迭代。

技术总结

本发明属于杂散电流预测技术领域，涉及一种基于PSO-BP算法预测杂散电流腐蚀预测的方法，相比于基于BP神经网络的预测方法，在计算量上相对较大，若计算能力较为充裕，使用本发明的技术方案可以解决BP神经网络在面对部分数据时会出现的全局搜索能力弱，鲁棒性差，很容易陷入局部最小值等问题。而且，运算中只使用处于第一位置pbest的个体极值数据与处于第二位置gbest的全局极值数据，pbest能够保留每个粒子探索更优的全局极值点的可能性，gbest能够保留已经到的全局极值点，确保最后算法能够收敛。能够收敛。能够收敛。