一种输电线路杆塔工程混凝土消耗量预测方法和装置

1.本发明涉及电力工程技术领域，尤其涉及一种输电线路杆塔工程混凝土消耗量预测方法和装置。


背景技术：

2.杆塔基础混凝土施工工程是输电线路工程的重要组成部分，也是保障输电线路运行安全的基础保障。近年来，随着电网企业提质增效发展战略的不断实施，在保障工程施工质量的基础上，如何加强输电线路工程造价管控，已成为电网企业关注重点之一。生产消耗量的差异无疑是造成输电线路工程造价水平差异的重要原因之一。
3.当前，相关研究更多是基于对混凝土技术参数的评估，如骨料碱含量、材料配比、施工质量、健康状态、结构及耐久性、地震损伤防治等方面进行技术评估，而对于建筑工程尤其是输电线路杆塔基础工程混凝土消耗量的测算及优化技术，尚属于空白。此外，在评估方法的选择上，多是通过构建相应的评价指标体系、确定指标权重、采用一定的评价方法进行评估，评估结论存在较大的人为因素。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种输电线路杆塔工程混凝土消耗量预测方法和装置，用以解决现有方法未考虑输电线路基础工程混凝土消耗量的空间区域特性而导致的测算及评估模型精度不精确等问题。
5.一方面，本发明实施例提供了一种输电线路杆塔工程混凝土消耗量预测方法，包括：获取输电线路杆塔工程的混凝土消耗量以及所述混凝土消耗量的历史影响因素数据；根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对所述混凝土消耗量的历史影响因素数据进行聚类分析，以及结合相关性分析形成多种地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集，其中，所述多种地形地质条件包括高原、山地、丘陵、平原和荒漠；构建深度置信网络模型，应用改进后的灰狼算法优化所述深度置信网络模型的连接权值；利用所述训练集训练优化的深度置信网络模型以获得混凝土消耗量预测模型；以及获取待预测的输电线路杆塔工程的混凝土消耗量的实时关键影响因素数据并输入所述混凝土消耗量预测模型以预测出混凝土消耗量。
6.上述技术方案的有益效果如下：本发明在收集输电线路基础工程混凝土消耗量影响因素后，首先基于fcm法针对影响因素进行聚类分析，充分考虑影响因素的空间区域特性，从而提升了测算及评估模型的精准度。
7.基于上述方法的进一步改进，所述混凝土消耗量的历史影响因素数据包括地形、地质、海拔高度、温度、风速、覆冰、杆塔高度、工程基坑开挖深度、施工工序、施工工艺、基础工程电压等级、基础钢材量、基础混凝土量和施工装备数据。
8.基于上述方法的进一步改进，在对所述混凝土消耗量的历史影响因素数据进行聚类分析之前还包括：应用基于粒子群与遗传混合优化算法，对输电线路杆塔工程的混凝土
消耗量数据进行预处理以提取有效数据并剔除无效和冗余数据，其中，将所述混凝土消耗量影响因素数据进行分类，等分参数的限值区间产生初始种群，然后通过以下公式对参数进行二进制编码：
[0009][0010]
其中，待修正参数a
ri
的变化范围是[a
min
,a
max
]，b为所述待修正参数a
ri
的二进制数，将所有待修正参数a
r1
、a
r2
、
…arm
的二进制编码联结成二进制串p，若有m-k个待辨识参数，每个参数的二进制编码均为q位，则二进制串p共(m-k)q位；建立适应度函数，其中，个体适应度f为：
[0011]
f＝c/[d f(e)]，
[0012]
其中，c、d为比例系数和非零的调节参数，用于调节适应度值，f(e)为误差函数，所述误差函数的值越小，所述个体适应度f的值越大，个体被保留的概率越大，反之，个体将被淘汰；以每次迭代的最优个体和现存的最优个体替换每代中适应度最差的个体，以改变算法的收敛速度；在算法执行过程中将父代中的最优个体保存下来直接复制以避免父代中适应度最优的个体在选择、交叉和变异的过程中丢失，其中，通过以下公式计算自适应交叉率：
[0013][0014]
其中，p
c1
、p
c2
值的的取值范围为[0,1]，f
max
每代群体中的最大适应度值，f
avg
是平均适应度值，f'是待交叉个体中适应度的较大值。
[0015]
基于上述方法的进一步改进，根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对所述混凝土消耗量的历史影响因素数据进行聚类分析包括：采用模糊c均值聚类法针对所述高原、所述山地、所述丘陵、所述平原和所述荒漠的地形地质条件下的混凝土消耗量的影响因素数据进行聚类分析；以及根据聚类分析结果形成所述高原条件下的第一影响因素集合、所述山地条件下的第二影响因素集合、所述丘陵条件下的第三影响因素集合、所述平原条件下的第四影响因素集合和所述荒漠条件下的第五影响因素集合。
[0016]
基于上述方法的进一步改进，结合相关性分析形成不同地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集包括：通过以下公式计算预处理后的历史影响因素数据中的每个历史影响因素值与相应的混凝土消耗量之间的相关系数r：
[0017][0018]
其中，xi表示影响因素值，表示该类影响因素的平均值；yi表示对应的混凝土量，表示混凝土量的均值；i为所选样本工程，其中，i＝1、2、...、n；根据所述相关系数r分别从所述高原条件下的第一影响因素集合、所述山地条件下的第二影响因素集合、所述丘陵
条件下的第三影响因素集合、所述平原条件下的第四影响因素集合和所述荒漠条件下的第五影响因素集合中选取关键影响因素以形成训练集，其中，所述关键影响因素包括：电压等级、地质、地形、导线截面、分裂数和耐张比例；以及所述训练集包括：与所述第一影响因素集合相对应第一关键影响因素集合、与所述第二影响因素集合相对应第二关键影响因素集合、与所述第三影响因素集合相对应第三关键影响因素集合、与所述第四影响因素集合相对应第四关键影响因素集合和与所述第五影响因素集合相对应第五关键影响因素集合。
[0019]
基于上述方法的进一步改进，所述深度置信网络模型包括：顺序连接的第一rbm层、第二rbm层、第三rbm层和输出层，其中，所述第一rbm层、所述第二rbm层、所述第三rbm层中的每个都包括可见层和隐含层。
[0020]
基于上述方法的进一步改进，利用所述训练集训练优化的深度置信网络模型包括：将所述训练集中的所述第一关键影响因素集合、所述第二关键影响因素集合、所述第三关键影响因素集合、所述第四关键影响因素集合和所述第五关键影响因素集合分别作为输入层向量输入所述第一rbm层以完成无监督训练；当所述第一rbm层完成对所述训练集的特征学习后，获得第一特征数据，将所述第一特征数据当作第二rbm层的输入向量，输入到第二rbm层中，继续进行无监督训练；然后从所述第二rbm层获得第二特征数据，从所述第三rbm层获得第三特征数据作为输出特征，并且获得每层rbm中的局部最优参数；运用误差反向传播算法对多个rbm层进行自后向前的有监督微调，调整每个rbm层的参数以获得所述深度置信网络模型的全局最优参数。
[0021]
基于上述方法的进一步改进，应用改进后的灰狼算法优化所述深度置信网络模型的连接权值包括：所述改进后的灰狼算法包括以下包围、捕猎和攻击过程，其中，在包围过程中，通过以下公式表示灰狼包围猎物的数据模型：
[0022]
d＝|c
·
x
p
(t)-x(t)|；
[0023]
x(t 1)＝x
p
(t)-a
·
d；
[0024]
其中，d表示狼群与猎物的距离，a＝2α
·r1-α，c＝2
·
r2，t表示迭代的次数，x
p
(t)表示猎物的位置向量和狼群的位置，x(t)表示当前灰狼的位置向量，x(t 1)表示最优灰狼的位置向量，r1、r2为随机量，其取值范围为[0,1]，α的取值范围为[0,2]；用α、β、δ和ω表示灰狼个体，其中α代表决策和管理狼群的个体，β和δ适应度低于α，ω为普通个体：
[0025]
在捕猎过程中，对灰狼个体α、β和δ进行优化定位，灰狼个体α、β和δ与当前位置x的近似距离d
α
、d
β
和d
δ
分别表示为：
[0026]dα
＝|c1·
x
α-x|；
[0027]dβ
＝|c2·
x
β-x|；
[0028]dδ
＝|c3·
x
δ-x|；
[0029]
其中，x
α
、x
β
和x
δ
依次表示全局最优解、第二解和第三解的位置；c1、c2、c3表示随机向量且其取值范围为[0,1]，通过以下公式表示x和x(t 1)：
[0030]
x1＝x
α-a1·
(d
α
)，
[0031]
x2＝x
β-a2·
(d
β
)，
[0032]
x3＝x
δ-a3·
(d
δ
)，
[0033]
[0034]
其中，x(t 1)表示更新解，a1、a2、a3表示随机向量；
[0035]dα
、d
β
和d
δ
分别表示为当前候选灰狼与最优三条狼之间的距离，在攻击过程中，攻击是狼群捕食行为的最后阶段，通过调节灰狼个体参数α实现攻击；如果a≤1，狼群接近猎物，集中攻击猎物(x
*
,y
*
)；反之，狼群逐渐远离猎物。
[0036]
基于上述方法的进一步改进，采用模糊c均值聚类算法针对所述高原、所述山地、所述丘陵、所述平原和所述荒漠的地形地质条件下的混凝土消耗量的影响因素数据进行聚类分析包括：假设样本集合为d＝{x1,x2,
…
,xn}代表的是n个样本的混凝土消耗量的影响因素数据，对d＝{x1,x2,
…
,xn}进行模糊聚类得到c个c1、c2、
…
、cc，p＝{p1,p2,
…
,pc}簇代表所有子集的聚类中心集合，其中u＝(u
ij
)代表隶属度矩阵，隶属度u
ij
是用来表明样本xi与其子集cj的隶属关系，应该满足：
[0037][0038]
所述聚类算法的非相似性指标的目标函数可以定义为：
[0039][0040]
其中，j代表实例数据和聚类中心的距离平方和；d
ij
代表的第i个数据点与第j个聚类中心是一种距离度量函数，聚类中心分布状况采用欧式距离d
ij
＝||x
i-pj||；
[0041]
构造如下新的目标函数，使非相似性指标的目标函数达到最小值的必要条件：
[0042][0043]
λj(j＝1、2、
…
、n)，是n个约束式的拉格朗日乘子，m用来决定隶属度矩阵u模糊水平的平滑因子，u的模糊水平与m值呈正相关，对所有输入参量求导，使所述非相似性指标的目标函数达到最小的必要条件为：
[0044][0045][0046]
一直采取迭代计算的方式，满足目标条件为止，此时目标函数j取得极小值，完成优化；想迭代过程中持续调整聚类中心和隶属度，直到符合迭代条件。
[0047]
另一方面，本发明实施例提供了一种输电线路杆塔工程混凝土消耗量预测装置，包括：数据获取模块，用于获取输电线路杆塔工程的混凝土消耗量以及所述混凝土消耗量的历史影响因素数据，并获取待预测的输电线路杆塔工程的混凝土消耗量的实时关键影响因素数据；训练集生成模块，用于根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对所述混凝土消耗量的历史影响因素数据进行聚类分析，以及结合相关性分析形成多种地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集，其中，所述多种地形地质条件包括高原、山地、丘陵、平原和荒漠；网络模型，用于构建深度置信网络模型，应用改进后的灰狼算法优化所述深度置信网络模型的连接权值；训练模块，用于利用所述训练集训练优化的深度置信网络模型以获得混凝土消耗量预测模型；以及预
测模块，用于将实时关键影响因素数据输入所述混凝土消耗量预测模型以预测出混凝土消耗量。
[0048]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0049]
1、现有方法未考虑输电线路基础工程混凝土消耗量具有明显的空间区域特性，即不同地形地质、海拔高度、风速等外部条件下，杆塔基础工程混凝土消耗量影响因素是有差异的，这也导致测算及评估模型精度不精确的问题发生。为此，本发明在收集输电线路基础工程混凝土消耗量影响因素后，首先基于fcm法针对影响因素进行聚类分析，充分考虑影响因素的空间区域特性，从而提升了测算及评估模型的精准度。
[0050]
2、在评估分析模型选择上，考虑到模型自身存在的问题，采用灰狼算法针对模型参数进行了优化设计，从而使其更符合输电线路基础工程混凝土消耗量测算分析特性。
[0051]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0052]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0053]
图1为根据本发明实施例的输电线路杆塔工程混凝土消耗量预测方法的具体流程图；
[0054]
图2为根据本发明实施例的输电线路杆塔工程混凝土消耗量预测方法的流程图；
[0055]
图3为根据本发明实施例的深度置信网络模型(dbn)的网络拓扑结构图；
[0056]
图4为根据本发明实施例的输电线路杆塔工程混凝土消耗量预测装置的框图。
具体实施方式
[0057]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0058]
本发明的一个具体实施例，公开了一种输电线路杆塔工程混凝土消耗量预测方法。如图2所示，输电线路杆塔工程混凝土消耗量预测方法包括：在步骤s202中，获取输电线路杆塔工程的混凝土消耗量以及混凝土消耗量的历史影响因素数据；在步骤s204中，根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对混凝土消耗量的历史影响因素数据进行聚类分析，以及结合相关性分析形成多种地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集，其中，多种地形地质条件包括高原、山地、丘陵、平原和荒漠；在步骤s206中，构建深度置信网络模型，应用改进后的灰狼算法优化深度置信网络模型的连接权值；在步骤s208中，利用训练集训练优化的深度置信网络模型以获得混凝土消耗量预测模型；以及在步骤s210中，获取待预测的输电线路杆塔工程的混凝土消耗量的实时关键影响因素数据并输入混凝土消耗量预测模型以预测出混凝土消耗量。
[0059]
与现有技术相比，本实施例提供的输电线路杆塔工程混凝土消耗量预测方法中，在收集输电线路基础工程混凝土消耗量影响因素后，首先基于fcm法针对影响因素进行聚
类分析，充分考虑影响因素的空间区域特性，从而提升了测算及评估模型的精准度。
[0060]
下文中，参考图2和图3，对根据本发明实施例的输电线路杆塔工程混凝土消耗量预测方法的各个步骤进行详细描述。
[0061]
在步骤s202中，获取输电线路杆塔工程的混凝土消耗量以及混凝土消耗量的历史影响因素数据。具体地，混凝土消耗量的历史影响因素数据包括地形、地质、海拔高度、温度、风速、覆冰、杆塔高度、工程基坑开挖深度、施工工序、施工工艺、基础工程电压等级、基础钢材量、基础混凝土量和施工装备数据。
[0062]
然后，在对混凝土消耗量的历史影响因素数据进行聚类分析之前还包括：应用基于粒子群与遗传混合优化算法，对输电线路杆塔工程的混凝土消耗量数据进行预处理以提取有效数据并剔除无效和冗余数据，其中，将混凝土消耗量影响因素数据进行分类，等分参数的限值区间产生初始种群，然后通过以下公式对参数进行二进制编码：
[0063][0064]
其中，待修正参数a
ri
的变化范围是[a
min
,a
max
]，b为待修正参数a
ri
的二进制数，将所有待修正参数a
r1
、a
r2
、
…arm
的二进制编码联结成二进制串p，若有m-k个待辨识参数，每个参数的二进制编码均为q位，则二进制串p共(m-k)q位；
[0065]
建立适应度函数，其中，个体适应度f为：
[0066]
f＝c/[d f(e)]，
[0067]
其中，c、d为比例系数和非零的调节参数，用于调节适应度值，f(e)为误差函数，所述误差函数的值越小，所述个体适应度f的值越大，个体被保留的概率越大，反之，个体将被淘汰；
[0068]
以每次迭代的最优个体和现存的最优个体替换每代中适应度最差的个体，以改变算法的收敛速度；在算法执行过程中将父代中的最优个体保存下来直接复制以避免父代中适应度最优的个体在选择、交叉和变异的过程中丢失，其中，通过以下公式计算自适应交叉率：
[0069][0070]
其中，p
c1
、p
c2
值的大小可依据人工进行设定，具体地，p
c1
、p
c2
值根据重要程度进行判断，取值范围为[0,1]，f
max
每代群体中的最大适应度值，f
avg
是平均适应度值，f'是待交叉个体中适应度的较大值。
[0071]
在步骤s204中，根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对混凝土消耗量的历史影响因素数据进行聚类分析，以及结合相关性分析形成多种地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集，其中，多种地形地质条件包括高原、山地、丘陵、平原和荒漠。具体地，根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对混凝土消耗量的历史影响因素数据进行聚类分析包括：采用模糊c均值聚类法针对高原、山地、丘陵、平原和荒漠的地形地质条件下的混凝土消
耗量的影响因素数据进行聚类分析；以及根据聚类分析结果形成高原条件下的第一影响因素集合、山地条件下的第二影响因素集合、丘陵条件下的第三影响因素集合、平原条件下的第四影响因素集合和荒漠条件下的第五影响因素集合。
[0072]
采用模糊c均值聚类算法针对高原、山地、丘陵、平原和荒漠的地形地质条件下的混凝土消耗量的影响因素数据进行聚类分析包括：假设样本集合为d＝{x1,x2,
…
,xn}代表的是n个样本的混凝土消耗量的影响因素数据，对d＝{x1,x2,
…
,xn}进行模糊聚类得到c个c1、c2、
…
、cc，p＝{p1,p2,
…
,pc}簇代表所有子集的聚类中心集合，其中u＝(u
ij
)代表隶属度矩阵，隶属度u
ij
是用来表明样本xi与其子集cj的隶属关系，应该满足：
[0073][0074]
聚类算法的非相似性指标的目标函数可以定义为：
[0075][0076]
其中，j代表实例数据和聚类中心的距离平方和；d
ij
代表的第i个数据点与第j个聚类中心是一种距离度量函数，聚类中心分布状况采用欧式距离d
ij
＝||x
i-pj||；构造如下新的目标函数，使非相似性指标的目标函数达到最小值的必要条件：
[0077][0078]
其中，λj(j＝1、2、
…
、n)，是n个约束式的拉格朗日乘子，m用来决定隶属度矩阵u模糊水平的平滑因子，u的模糊水平与m值呈正相关，对所有输入参量求导，使非相似性指标的目标函数达到最小的必要条件为：
[0079][0080][0081]
一直采取迭代计算的方式，满足目标条件为止，此时目标函数j取得极小值，完成优化；想迭代过程中持续调整聚类中心和隶属度，直到符合迭代条件。
[0082]
具体地，结合相关性分析形成不同地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集包括：通过以下公式计算预处理后的历史影响因素数据中的每个历史影响因素值与相应的混凝土消耗量之间的相关系数r：
[0083][0084]
其中，xi表示影响因素值，表示该类影响因素的平均值；yi表示对应的混凝土量，表示混凝土量的均值；i为所选样本工程，其中，i＝1、2、...、n；根据相关系数r分别从高原条件下的第一影响因素集合、山地条件下的第二影响因素集合、丘陵条件下的第三影响因素集合、平原条件下的第四影响因素集合和荒漠条件下的第五影响因素集合中选取关键
影响因素以形成训练集，其中，关键影响因素包括：电压等级、地质、地形、导线截面、分裂数和耐张比例；以及训练集包括：与第一影响因素集合相对应第一关键影响因素集合、与第二影响因素集合相对应第二关键影响因素集合、与第三影响因素集合相对应第三关键影响因素集合、与第四影响因素集合相对应第四关键影响因素集合和与第五影响因素集合相对应第五关键影响因素集合。
[0085]
在步骤s206中，构建深度置信网络模型，应用改进后的灰狼算法优化深度置信网络模型的连接权值。具体地，参考图3，深度置信网络模型包括：顺序连接的第一rbm层、第二rbm层、第三rbm层和输出层，其中，第一rbm层、第二rbm层、第三rbm层中的每个都包括可见层和隐含层。
[0086]
应用改进后的灰狼算法优化深度置信网络模型的连接权值包括：改进后的灰狼算法包括以下包围、捕猎和攻击过程，其中，在包围过程中，通过以下公式表示灰狼包围猎物的数据模型：
[0087]
d＝|c
·
x
p
(t)-x(t)|，
[0088]
x(t 1)＝x
p
(t)-a
·
d，
[0089]
其中，d表示狼群与猎物的距离，a＝2α
·r1-α，c＝2
·
r2，t表示迭代的次数，x
p
(t)表示猎物的位置向量和狼群的位置，即x
p
为待优化的连接权值x(t)表示当前灰狼的位置向量，x(t 1)表示最优灰狼的位置向量，r1、r2为随机量，其取值范围为[0,1]，α的取值范围为[0,2]；用α、β、δ和ω表示灰狼个体，其中α代表决策和管理狼群的个体，β和δ适应度低于α，ω为普通个体：在捕猎过程中，对灰狼个体α、β和δ进行优化定位，灰狼个体α、β和δ与当前位置x的近似距离d
α
、d
β
和d
δ
分别表示为：
[0090]dα
＝|c1·
x
α-x|，
[0091]dβ
＝|c2·
x
β-x|，
[0092]dδ
＝|c3·
x
δ-x|，
[0093]
其中，x
α
、x
β
和x
δ
依次表示全局最优解、第二解和第三解的位置；c1、c2、c3表示随机向量且其取值范围为[0,1]，通过以下公式表示x和x(t 1)：
[0094]
x1＝x
α-a1·
(d
α
)，
[0095]
x2＝x
β-a2·
(d
β
)，
[0096]
x3＝x
δ-a3·
(d
δ
)，
[0097][0098]
其中，x(t 1)表示更新解，a1、a2、a3表示随机向量；d
α
、d
β
和d
δ
分别表示为当前候选灰狼与最优三条狼之间的距离，在攻击过程中，攻击是狼群捕食行为的最后阶段，通过调节灰狼个体参数α实现攻击；如果a≤1，狼群接近猎物，集中攻击猎物(x
*
,y
*
)；反之，狼群逐渐远离猎物。
[0099]
在步骤s208中，利用训练集训练优化的深度置信网络模型以获得混凝土消耗量预测模型。具体地，利用训练集训练优化的深度置信网络模型包括：将训练集中的第一关键影响因素集合、第二关键影响因素集合、第三关键影响因素集合、第四关键影响因素集合和第五关键影响因素集合分别作为输入层向量输入第一rbm层以完成无监督训练；当第一rbm层完成对训练集的特征学习后，获得第一特征数据，将第一特征数据当作第二rbm层的输入向
量，输入到第二rbm层中，继续进行无监督训练；然后从第二rbm层获得第二特征数据，从第三rbm层获得第三特征数据作为输出特征，并且获得每层rbm中的局部最优参数；运用误差反向传播算法对多个rbm层进行自后向前的有监督微调，调整每个rbm层的参数以获得深度置信网络模型的全局最优参数。
[0100]
在步骤s210中，获取待预测的输电线路杆塔工程的混凝土消耗量的实时关键影响因素数据并输入混凝土消耗量预测模型以预测出混凝土消耗量。
[0101]
本发明的另一个具体实施例，公开了一种输电线路杆塔工程混凝土消耗量预测装置。参考图4，输电线路杆塔工程混凝土消耗量预测装置包括：数据获取模块402，用于获取输电线路杆塔工程的混凝土消耗量以及混凝土消耗量的历史影响因素数据，并获取待预测的输电线路杆塔工程的混凝土消耗量的实时关键影响因素数据；训练集生成模块404，用于根据输电线路杆塔工程的空间区域分布划分的多种地形地质条件，对混凝土消耗量的历史影响因素数据进行聚类分析，以及结合相关性分析形成多种地形地质条件下的输电线路工程混凝土消耗量的关键影响因素集合作为训练集，其中，多种地形地质条件包括高原、山地、丘陵、平原和荒漠；网络模型406，用于构建深度置信网络模型，应用改进后的灰狼算法优化深度置信网络模型的连接权值；训练模块408，用于利用训练集训练优化的深度置信网络模型以获得混凝土消耗量预测模型；以及预测模块410，用于将实时关键影响因素数据输入混凝土消耗量预测模型以预测出混凝土消耗量。
[0102]
下文中，将参考图2和图3，以具体实例的方式，对根据本发明实施例的输电线路杆塔工程混凝土消耗量预测方法进行详细描述。
[0103]
本发明实施例旨在提供一种基于fcm-gwo-dbn的输电线路杆塔工程混凝土消耗量优化方法，用以解决通过分析不同地形地质条件下混凝土消耗量主要影响因素，从而优化输电线路基础工程混凝土消耗量准确性的问题。
[0104]
参考图1，基于fcm-gwo-dbn的输电线路杆塔基础工程混凝土消耗量优化方法包括以下各个步骤。
[0105]
在步骤s102中，确定所述输电线路杆塔基础工程混凝土消耗量影响因素数据，包括：地形地质、海拔高度、温度、风速、覆冰、杆塔高度、基础工程基坑开挖深度、施工工序、施工工艺、施工装备数据。
[0106]
在步骤s104中，应用nacemd法对数据进行预处理，剔除异常数据。在可选实施例中，应用基于粒子群与遗传混合优化算法，对输电线路杆塔工程混凝土消耗量数据进行处理，提取有效数据，剔除无效和冗余数据，不仅能够提高数据处理效率，同时也能提高预测的准确度。
[0107]
在步骤s106中，考虑到输电线路基础工程混凝土消耗量具有明显的空间区域特性，因此首先根据输电线路工程空间区域分布划分为高原、山地、丘陵、平原、荒漠五种地形条件，然后应用fcm法针对影响因素数据进行聚类分析，确定关键影响因素集合，具体地，应用fcm法针对不同地形地质条件下的影响因素数据进行聚类分析，并结合相关性分析，从而形成不同地形地质条件下的输电线路基础工程混凝土消耗量关键影响因素集合。形成不同地形地质条件下的输电线路工程聚类分析结果；实现按照单位基础混能土消耗量相似度来进行分组，为后续构建预测模型提供基础，提升预测精准性。
[0108]
例如，应用模糊c均值聚类法(fcm法)针对不同高原、丘陵、山地、平原、荒漠五种地
形地质条件下的影响因素数据进行聚类分析，确定主要不同地形地质条件下影响因素集合。提取基础工程电压等级、地形、地质、基础钢材量和基础混凝土量这5个指标作为模糊聚类的特征量。
[0109]
模糊c均值聚类(fcm)是利用隶属度函数来确定样本点属于某个类的程度的一种算法。fcm法的主要原理如下：
[0110]
假设样本集合为d＝{x1,x2,...,xn}代表的是n个样本的特征向量集，对d进行模糊聚类得到c个c1,c2,...,cc,p＝(p1,p2,...,pc)簇代表所有子集的聚类中心集合，其中u＝(u
ij
)代表隶属度矩阵，隶属度u
ij
是用来表明样本xi与其子集cj的隶属关系，应该满足：
[0111][0112]
fcm聚类算法进行模糊聚类，它的非相似性指标的目标函数可以定义为：
[0113][0114]
其中，j代表实例数据和聚类中心的距离平方和；d
ij
代表的第i个数据点与第j个聚类中心是一种距离度量函数，聚类中心分布状况不同，所选择的函数种类也许不同，一般采用欧式距离d
ij
＝||x
i-pj||。
[0115]
构造如下新的目标函数，使上式(2)达到最小值的必要条件：
[0116][0117]
这里λj(j＝1,2,...,n)，是以上公式(1)的n个约束式的拉格朗日乘子。m：用来决定隶属度矩阵u模糊水平的系数，通常也叫做平滑因子，u的模糊水平与m值呈正相关。对所有输入参量求导，使式(3)达到最小的必要条件为：
[0118][0119][0120]
一直采取迭代计算的方式，满足目标条件为止，此时目标函数j取得极小值，完成优化。
[0121]
迭代过程中聚类中心和隶属度是持续调整的，一直到符合迭代条件。fcm聚类算法的隶属度没有硬性规定属于1或0，而是能够在不同类别之间模糊取值。
[0122]
通过计算影响因素与混凝土消耗量之间的相关系数，确定关键影响因素。收集若干组样本数据，将异常数据进行处理，并进行无量纲化处理，使其标准化于[0，1]之间；使用各个自变量与因变量之间的相关系数r对影响因素进行剔除，把可以忽略的、对模型影响不大的影响因素从模型分析中去除，从而找到关键影响因素；相关系数r的计算公式如下：
[0123]
[0124]
其中，xi表示影响因素值，表示该类影响因素的平均值；yi表示输出向量值，表示输出向量平均值。最后选取的关键影响因素包括电压等级、地质、地形、导线截面、分裂数、耐张比例。
[0125]
在步骤s108中，构建深度置信网络模型(dbn)，应用灰狼算法(gwo)针对魔心参数进行优化；将若干组将若干组预处理后的样本数据组成训练集，得出最优的混凝土消耗量。使用改进后的灰狼算法优化dbn网络连接权值，提高了网络的分类性能，具有更好的拟合效果。
[0126]
深度学习模型作为多层神经训练网络的衍生模型，其区别在于抽象化模型数据的低层特征，挖掘出数据内在的分布特征，利用训练较少的数据样本来获取数据的本质特征。同时，深度学习模型很好地继承了神经网络训练模型的鲁棒特性，兼顾较少数据样本的条件下具备处理复杂函数的运算能力。
[0127]
深度学习模型主要将rbm和自适应智能算法有机整合。其训练思路：1、提取深度学习模型的底层数据特征量，用于模型设计顶层学习的输入变量，同时，采用由模型底层向高层逐层训练的模式；2、训练至模型顶层后，再利用自适应粒子群算法对整个训练网络进行自适应优化调整，保证模型训练结果能跳出局部解。
[0128]
构建基于深度置信网络(dbn)的混凝土消耗量分析模型。dbn网络拓扑结构如图3所示，每一层rbm由可视层vi和隐含层hi组成。最后一层为bp网络，主要是进行网络自上至下的权值微调。
[0129]
在rbm中，根据所给定的(v,h)，则能量函数为：
[0130][0131]
上式中，θ＝{w,a,b}为网络参数，w为可视层与隐含层之间的权值，a和b是可视层与隐含层的偏置，m和n为可视层与隐含层的神经元个数。
[0132]
根据能量函数，可得如下联合概率分布函数：
[0133][0134]
上式中，表示为归一化因子，代表所有的变量能量函数的代数和。
[0135]
当可视层的v状态确定后，隐含层单元激活概率为：
[0136][0137]
当隐含层的h状态确定后，可视层单元激活概率为：
[0138][0139]
当训练样本数为k时，通过求解对数似然函数最大化问题，可以确定参数θ，对数似然函数最大化问题的目标函数如式(11)给出：
[0140][0141]
上式中，maxl(θ)由随机梯度法求取。
[0142]
通过gibbs采样重复，可以得到rbm参数的更新规则如式(12):
[0143][0144]
式中，ε为rbm学习速率，《
·
》
data
和《
·
》
recon
分别为输入数据和重构后数据的数学期望。
[0145]
dbn模型练步骤如下：
[0146]
(1)将原始数据作为输入层向量输入第一层rbm，完成无监督训练；
[0147]
(2)当第一层rbm完成了对原始数据的特征学习后，会得到特征数据，而这些特征数据会被当做是新一层的输入向量，输入到下一层的rbm中，继续进行无监督训练；
[0148]
(3)不断的重复步骤(1)和步骤(2)，一直到将每一层的rbm都训练学习完成后，可以将最后一层rbm中获得的特征作为输出特征，并且可以获得每层rbm中的局部最优参数；
[0149]
(4)运用误差反向传播算法对rbm进行自上而下的有监督的微调，调整每一层的rbm的参数，最后可以得到整个dbn网络模型的全局最优参数。dbn网络用利用若干个rbm单元组成基本的网络架构，使得dbn网络即拥有无监督的预训练还有有监督的微调，这样的有无监督相结合不仅解决了传统方法中存在的梯度弥散问题，还可以解决网络容易陷入局部最优的问题。
[0150]
应用灰狼算法(gwo)针对dbn模型进行优化。灰狼算法的具体原理如下：
[0151]
在标准gwo算法中，用α、β、δ和ω表示灰狼个体，其中α代表决策和管理狼群的个体，β和δ适应度低于α，ω为普通个体。gwo算法的具体行为有包围、捕猎和攻击。
[0152]
(1)包围行为
[0153]
灰狼包围猎物的数据模型可以表示为式(13)和式(14)。
[0154]
d＝|c
·
x
p
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0155]
x(t 1)＝x
p
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0156]
式中，d表示狼群与猎物的距离，a＝2α
·r1-α，c＝2
·
r2，t表示迭代的次数，x
p
和x分别表示猎物和狼群的位置，r1、r2为随机量，其取值范围为[0,1]，α的取值范围为[0,2]。
[0157]
(2)捕猎行为
[0158]
假设α、β、δ代表灰狼个体的全局最优解、第二解和第三解，对其进行优化定位，则距离分别表示为式(15)、式(16)和式(17)。
[0159]dα
＝|c1·
x
α-x|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0160]dβ
＝|c2·
x
β-x|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0161]dδ
＝|c3·
x
δ-x|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0162]
式中，d
α
、d
β
、d
δ
表示个体α、β、δ与当前的位置x的近似距离，x
α
、x
β
、x
δ
依次表示全局最优解、第二解和第三解的位置；c1、c2、c3表示随机向量，其取值范围为[0,1]。x和x(t 1)表示分别为式(18)、式(19)、式(20)和式(21)。
[0163]
x1＝x
α-a1·
(d
α
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0164]
x2＝x
β-a2·
(d
β
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0165]
x3＝x
δ-a3·
(d
δ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0166][0167]
式中，x(t 1)表示更新解，a1、a2、a3表示随机量。
[0168]
(3)攻击行为
[0169]
攻击是狼群捕食行为的最后阶段，通过调节参数α即可实现攻击。
[0170]
如果a≤1，狼群接近猎物，集中攻击猎物(x
*
,y
*
)；反之，狼群逐渐远离猎物。
[0171]
标准gwo算法的种群位置初始化通常采用随机初始化的方式，这种方式有可能会导致狼群的搜索范围过大，从而导致搜索时间变长，本专利在随机产生初始化种群的同时产生其对立个体，并将对立个体适应度与原个体适应度进行比较，若对立个体适应度优于原个体就采用对立个体，否则采用原个体。对立个体位置向量表达式如下。
[0172]
x'＝lb u
b-x
[0173]
式中：x
′
表示对立个体位置向量；x表示原个体位置向量；lb，ub为x的上下界。
[0174]
由改进前的公式可知参数a由α决定，α由2线性递减到0而在实际的算法迭代过程中，迭代初期搜索空间大，需要全局搜索，应减缓α递减速度，迭代后期应加快α递减速度，从而改善局部寻优，加快收敛速度。
[0175]
采用余弦变化规律的收敛因子更新公式：
[0176][0177]
式中：α
max
为收敛因子最大值，通常取2；t
max
为最大迭代次数；n为递减指数，0《n《1。
[0178]
在步骤s110中，结合混凝土消耗量确定结果，针对设计方案进行改进。
[0179]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0180]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。