一種基於人工神經網絡的雷電流反演方法與流程

2023-07-09 19:52:57 1

本發明涉及雷電監測技術領域，尤其涉及一種基於人工神經網絡的雷電流反演方法。

背景技術：

雷電是十大自然災害之一。它瞬間產生的大電流、高電壓和強電磁場，不僅會造成人畜傷亡，對人類賴以生存的自然資源和人類創造的物質財富有巨大的破壞作用，而且還常給電力、通信、石油化工、航空航天、鐵道交通，乃至金融證券等國民經濟部門的設備設施帶來損壞。因此，雷電現象、雷電物理、雷電預警與防護等問題仍是大氣電學、電力系統、放電物理等領域的熱點研究問題。

通過對自然雷電流的獲取，可以幫助確定電力設備或通信設備的防雷等級，國內外對自然雷電流的獲得做了大量的研究，其實現途徑主要可分為兩個：1)直接測量得到；2)利用反演算法得到。在直接測量方法中，利用安裝在引雷塔頂端的電流測量線圈獲得雷電流。另一方面，雷電流還可以通過測量得到的電磁場數據，建立電磁場-雷電流模型計算得到雷電流，M.Izadia於2013年在他的文章《Evaluation of lightning current using inverse procedure algorithm》中提出了一種利用雷電流精確計算閃電產生的電磁場的模型，從而使得在已知閃電產生的電磁場時，可以通過粒子群算法尋優，得到雷電流。

但是，利用電流測量裝置對雷電流進行直接測量相對較困難，只有當雷電擊在安裝有電流測量裝置的杆塔上時，雷電流才能被直接測量到，然而雷電的雷擊點是隨機的，故不能保證雷電每次擊在安裝有電流測量裝置的杆塔上；利用反演算法獲得雷電流時，必須保證利用雷電流精確計算閃電產生的電磁場的模型十分準確，而電磁場在傳播的過程中會有折射和反射等現象，故不同地區電磁場-雷電流模型將會很不一樣，計算得到電磁場-雷電流模型的難度也很大。

技術實現要素：

為克服相關技術中存在的問題，本發明提供一種基於人工神經網絡的雷電流反演方法。

為了解決上述技術問題，本發明提供如下技術方案：

本發明提供的一種基於人工神經網絡的雷電流反演方法，所述方法包括:

獲取電磁場數據，並將所述電磁場數據分為訓練樣本集和測試樣本集；

對所述訓練樣本集中的訓練數據進行預處理，得到訓練矩陣和訓練目標矩陣；

建立Elman人工神經網絡，通過所述訓練矩陣和訓練目標矩陣對所述Elman人工神經網絡進行訓練優化，得到所述Elman人工神經網絡的網絡參數：連接權值；

對所述測試樣本集中的測試數據進行預處理和合併，並通過優化後的所述Elman人工神經網絡進行測試，得到雷電流結果。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述獲取電磁場數據，具體包括：

通過閃電光電磁同步觀測系統中的電場和電磁場傳感器，獲得閃電時的電場數據B和磁場數據E；

通過電流測量裝置獲得電流數據；

從每組電場、磁場中切出長度為400個採樣點的波形段。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述對所述訓練樣本集中的訓練數據進行預處理，得到訓練矩陣和訓練目標矩陣，具體包括：

從所述訓練樣本集中取出n組訓練數據，其中n不小於5；

將一組所述訓練數據中的電磁場數據進行小波降噪和光滑處理，得到2×400的訓練矩陣，通過n組數據的組合，得到2×400×n的訓練矩陣BE；

將一組所述訓練數據中的電流數據進行小波降噪和光滑處理，得到1×400的訓練矩陣，通過n組數據的組合，得到1×400×n的訓練目標矩陣I。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述Elman人工神經網絡包括輸入層、隱含層、承接層和輸出層，所述輸入層、承接層和輸出層分別與所述隱含層連接。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述輸入層有2個節點，所述隱含層有2個節點，所述承接層有2個節點，所述輸出層有1個節點，所述輸入層、隱含層、承接層和輸出層通過所述節點相互連接。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述對所述測試樣本集中的測試數據進行預處理和合併，具體包括：

從所述測試樣本集中取出n組測試數據，其中n不小於5；

將一組所述測試數據中的電磁場數據進行小波降噪和光滑處理，得到2×400的矩陣，通過n組數據的組合，得到2×400×n的電磁場輸入矩陣BEtest。

優選地，上述基於人工神經網絡的雷電流反演方法中，所述利用優化後的所述Elman人工神經網絡進行測試，得到雷電流結果，具體包括：

將所述電磁場輸入矩陣BEtest作為輸入值X，並將輸入值X輸入已得到所述連接權值的Elman人工神經網絡中，得到雷電流結果Y。

本發明提供的技術方案可以包括以下有益效果：

本發明提供的基於人工神經網絡的雷電流反演方法包括：獲取電磁場數據，並將所述電磁場數據分為訓練樣本集和測試樣本集；對所述訓練樣本集中的訓練數據進行預處理，得到訓練矩陣和訓練目標矩陣；建立Elman人工神經網絡，通過所述訓練矩陣和訓練目標矩陣對所述Elman人工神經網絡進行訓練優化，得到所述Elman人工神經網絡的網絡參數：連接權值；對所述測試樣本集中的測試數據進行預處理和合併，並通過優化後的所述Elman人工神經網絡進行測試，得到雷電流結果。本發明基於Elman人工神經網絡，通過測量得到的電場數據和電磁場數據，計算得到雷電流數據；且本發明方法計算雷電流時，無需對每個地區建立一個精確的電磁場—雷電流模型，適用範圍更廣。

應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本發明。

附圖說明

此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本發明的實施例，並與說明書一起用於解釋本發明的原理。

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，對於本領域普通技術人員而言，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例提供的一種基於人工神經網絡的雷電流反演方法的流程示意圖；

圖2為本發明實施例提供的一種基於人工神經網絡的雷電流反演方法中步驟S100的詳細流程示意圖；

圖3為本發明實施例提供的一種基於人工神經網絡的雷電流反演方法中步驟S200的詳細流程示意圖；

圖4為本發明實施例提供的一種基於人工神經網絡的雷電流反演方法中Elman人工神經網絡的結構示意圖；

圖5為本發明實施例提供的一種基於人工神經網絡的雷電流反演方法中步驟S400的詳細流程示意圖；

圖6為本發明實施例提供的基於人工神經網絡的雷電流反演方法得到的雷電流結果與直接測量的雷電流結果的比較圖。

具體實施方式

這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本發明相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發明的一些方面相一致的裝置和方法的例子。

參見圖1，該圖示出了本發明實施例提供的一種基於人工神經網絡的雷電流反演方法的具體流程圖。

S100：獲取電磁場數據，並將所述電磁場數據分為訓練樣本集和測試樣本集。

具體地，獲取電磁場數據後，將電磁場數據分為訓練樣本集和測試樣本集，訓練樣本集用於訓練優化Elman人工神經網絡，使得Elman人工神經網絡適應於閃電時採集到的電磁場數據；測試樣本集作為輸入數據，通過Elman人工神經網絡計算得到雷電流結果Y。

獲取電磁場數據的具體步驟參見圖2，如下所示：

S101：通過閃電光電磁同步觀測系統中的電場和電磁場傳感器，獲得閃電時的電場數據B和磁場數據E。

具體地，閃電光電磁同步觀測系統包括電場、磁場測量儀，其中，電場和磁場測量儀通過電場和磁場傳感器，採集閃電時的電場信號和磁場信號，通過對採集到的電場信號和磁場信號進行處理，得到閃電時的電場數據B和磁場數據E。

S102：通過電流測量裝置獲得電流數據；

具體地，通過電流測量裝置測量閃電時的電流數據，用來驗證Elman人工神經網絡模型的準確度。

S103：從每組電場、磁場中切出長度為400個採樣點的波形段。

具體地，為方便處理採集到的電場和磁場數據，從每組電場、磁場中切出長度為400個採樣點的波形段，起止點分別為[j-15,j+384]，其中j用於指示雷電發生時電場、磁場到達的第一個峰值點。如此處理的原因在於，自然雷電流的波頭時間大部分小於2us，示波器的採樣頻率為10MHz，即0.1us採集一個點，故從波形段起點到第一個峰值點之間取15個數據點即可，而且一般雷電流波形持續時間只有幾十微妙(us)，故整個波形段取400個點即可。每一組數據應包含離觀測點同一距離處的電場和磁場數據。

S200：對所述訓練樣本集中的訓練數據進行預處理，得到訓練矩陣和訓練目標矩陣。

具體地，獲得電場數據和磁場數據後，對電場數據和磁場數據進行平滑去燥預處理，分別得到訓練矩陣BE和和訓練目標矩陣I，具體步驟參見圖3，如下所示：

S201：從所述訓練樣本集中取出n組訓練數據，其中n不小於5。

具體地，為方便數據處理，取出n組訓練數據，且n等於或大於5，若取出的數據過少，容易出現數據異常，導致準確性降低。

S202：將一組所述訓練數據中的電磁場數據進行小波降噪和光滑處理，得到2×400的訓練矩陣，通過n組數據的組合，得到2×400×n的訓練矩陣BE。

具體地，取出的訓練數據包括電場數據和磁場數據，對電場數據和磁場數據進行小波降噪和光滑處理，去除噪音等幹擾數據，防止幹擾數據影響電場數據和磁場數據處理的準確性，並對電場數據和磁場數據進行合併，得到2×400的訓練矩陣；為提高準確度，將n組數據進行組合，得到2×400×n的訓練矩陣BE。

S203：將一組所述訓練數據中的電流數據進行小波降噪和光滑處理，得到1×400的訓練矩陣，通過n組數據的組合，得到1×400×n的訓練目標矩陣I。

具體地，取出訓練數據中的電流數據，對電流數據進行小波降噪和光滑處理，去除電流數據中的幹擾信號，防止幹擾信號影響電流數據處理的準確性，得到1×400的訓練矩陣；為提高準確度，將n組數據進行組合，得到1×400×n的訓練目標矩陣I。

S300：建立Elman人工神經網絡，通過所述訓練矩陣和訓練目標矩陣對所述Elman人工神經網絡進行訓練優化，得到所述Elman人工神經網絡的網絡參數：連接權值。

具體地，參見圖4，該圖示出了本發明實施例提供的一種基於人工神經網絡的雷電流反演方法中人工神經網絡的基本機構。

Elman人工神經網絡包括輸入層100、隱含層200、承接層300和輸出層400，其中，輸入層100的輸出端連接隱含層200的輸入端，隱含層200的輸出端分別連接承接層300和輸出層400，且承接層300的輸出端連接隱含層200的輸入端，即承接層300從隱含層200接收反饋信號，用來記憶隱含層前一時刻的輸出值，再輸入到隱含層200。輸入層100、隱含層200、承接層300和輸出層400均由一定數量的節點組成，相鄰兩層之間的節點之間互相連接。優選地，輸入層100有2個節點，隱含層200有2個節點，承接層300有2個節點，輸出層400有1個節點。

Elman人工神經網絡之間的連接權可以進行學習修正，隱含層的傳遞函數一般為sigmoid函數，其定義為f(z)＝1/(1+exp(-z))，輸出層為線性函數。

outI(k)＝X(k) (1)

netJ(k)＝∑(outI(k)wxji(k)+YL(k)wcjl) (2)

YL(k)＝f(netJ(k)) (3)

netL(k)＝YJ(k) (4)

YL(k)＝YJ(k-1) (5)

netO(k)＝YJ(k) (6)

Y(k)＝g(wyoj(k)·netO(k)) (7)

其中：X——輸入值；

Y——輸出值；

YJ——隱含層輸出值；

YL——承接層輸出值；

k——迭代次序；

I——輸入層；

J——隱含層；

L——承接層；

O——輸出層；

out——輸入層的輸出；

net——某層的淨輸入；

f(.)——隱含層神經元的激活函數；

g(.)——輸出神經元的激活函數；

wxji——輸入層到隱含層的連接權值；

wyoj——隱含層到輸出層的連接權值；

wcjl——承接層到隱含層的連接權值。

輸入值X為訓練矩陣BE，輸出值Y為訓練目標矩陣I,根據公式(1)-(7)計算得到Elman人工神經網絡的網絡參數：輸入層到隱含層的連接權值wxji、隱含層到輸出層的連接權值wyoj、承接層到隱含層的連接權值wcjl。

S400：對所述測試樣本集中的測試數據進行預處理和合併，並通過優化後的所述Elman人工神經網絡進行測試，得到雷電流結果。

具體地，將測試樣本集中的測試數據進行光滑平燥預處理，得到測試樣本集中的電磁場輸入矩陣BEtest，具體步驟參見圖5，如下所示：

S401：從所述測試樣本集中取出n組測試數據，其中n不小於5。

具體地，為方便數據處理，取出n組測試數據，且n等於或大於5，若取出的數據過少，容易出現數據異常，導致準確性降低。

S402：將一組所述測試數據中的電磁場數據進行小波降噪和光滑處理，得到2×400的矩陣，通過n組數據的組合，得到2×400×n的電磁場輸入矩陣BEtest。

具體地，取出的測試數據包括電場數據和磁場數據，對電場數據和磁場數據進行小波降噪和光滑處理，去除噪音等幹擾數據，防止幹擾數據影響電場數據和磁場數據處理的準確性，並對電場數據和磁場數據進行合併，得到2×400的矩陣；為提高準確度，將n組數據進行組合，得到2×400×n的電磁場輸入矩陣BEtest。

S403：將所述電磁場輸入矩陣BEtest作為輸入值X，並將輸入值X輸入已得到所述連接權值的Elman人工神經網絡中，得到雷電流結果Y。

具體地，訓練樣本集中的訓練數據已對Elman人工神經網絡進行訓練優化，得到Elman人工神經網絡的網絡參數：輸入層到隱含層的連接權值wxji、隱含層到輸出層的連接權值wyoj、承接層到隱含層的連接權值wcjl，將電磁場輸入矩陣BEtest作為輸入值X，迭代次序k為1，即X(1)＝BEtest，將X(1)＝BEtest代入公式(1)，根據公式(1)-(7)，逐步計算得到輸出值Y(1)，即雷電流結果Y。

本發明實施例提供的基於人工神經網絡的雷電流反演方法通過Elman人工神經網絡計算得到雷電流結果Y，該雷電流結果Y與實際測量得到的雷電流結果相當吻合，如圖6所示，其誤差函數為：

其中：y(k)——網絡實際輸出；

d(k)——期望輸出。

本發明實施例提供的基於人工神經網絡的雷電流反演方法包括：獲取電磁場，並將電磁場數據分為訓練樣本集和測試樣本集，訓練樣本集用於訓練優化Elman人工神經網絡，測試樣本集用於計算得到雷電流結果Y；對訓練樣本集中的訓練數據進行預處理，得到訓練矩陣和訓練目標矩陣；建立Elman人工神經網絡，通過訓練矩陣和訓練目標矩陣對Elman人工神經網絡進行訓練優化，得到Elman人工神經網絡的網絡參數連接權值，通過公式得到Elman人工神經網絡中輸入層到隱含層的連接權值wxji、隱含層到輸出層的連接權值wyoj、承接層到隱含層的連接權值wcjl；對測試樣本集中的測試數據進行預處理和合併，並通過優化後的Elman人工神經網絡進行測試，根據公式，計算得到雷電流結果Y。本發明基於Elman人工神經網絡，通過測量得到的電場數據和磁場數據，計算得到雷電流數據。本方法實現了對雷電流的間接測量，相比於利用電流測量裝置對雷電流直接進行測量，間接測量方法更加方便，因為在空間中測量雷電產生的電場和磁場，比測量雷電流更加容易。此外，本發明方法得到的雷電流結果與實際測量得到的雷電流結果相當吻合，且無需對每個地區建立一個精確的電磁場-雷電流模型，適用範圍更廣。

本領域技術人員在考慮說明書及實踐這裡發明的公開後，將容易想到本發明的其它實施方案。本申請旨在涵蓋本發明的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發明的一般性原理並包括本發明未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發明的真正範圍和精神由下面的權利要求指出。

應當理解的是，本發明並不局限於上面已經描述並在附圖中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本發明的範圍僅由所附的權利要求來限制。