基于优化BP神经网络的输电线路可听噪声评价方法及系统与流程

基于优化bp神经网络的输电线路可听噪声评价方法及系统
技术领域
1.本发明属于可听噪声评价技术领域，尤其涉及基于优化bp神经网络的输电线路可听噪声评价方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着特高压输电线路的铺设，其不可避免的会经由居民及村庄附近，由于电晕噪声及大风天气产生的风噪等输电线路可听噪声会对人们的生活造成影响，
4.目前对于输电线可听噪声的评价研究较少，对于部分特殊场景的环境评价多采用对噪声源的识别以及单纯根据相关标准测量噪声大小进行评价。有学者采用bp神经网络评价电梯噪声对人们的影响。但是目前的输电线路噪声评价方法依旧存在不足之处：
5.1、上述方法对虽然可以正常评价一个地区的噪声水平大小，但对于评价细节方面处理的不够到位，易导致相关维修改造区域增大，造成社会资源的浪费。
6.2、虽然有学者统计出输电线路噪声限值标准，但缺乏灵活应变能力。对于一些背景噪声大而输电线可听噪声小的地区采用相同标准，则此类地区输电线路可听噪声很容易超限。
7.3、有学者采用bp神经网络的方法对噪声进行评价，但传统bp神经网络模型通过多次训练不断对神经网络中的权值与阈值进行动态调整，实现精度的提高，但多次训练权值与阈值随机化可能造成过度训练的可能性，这会造成数据准确性降低。


技术实现要素：

8.为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于优化bp神经网络的输电线路可听噪声评价方法及系统，其通过偏移进化及tent混沌序列改进的蜉蝣算法(migration evolutionary andtent chaotic mayfly algorithm，metcma)对传统bp神经网络的阈值与权值进行全局寻优。接着提取输电线可听噪声信号的倍频程声压级特征，然后构建以该特征为输入而主观评价值为输出的神经网络模型，最后进行训练与测试。可以使得评价结果充分考虑附近居民的主观想法及输电线路所在地区的客观环境条件，使得评价结果更加精确。
9.为了实现上述目的，本发明采用如下技术方案：
10.本发明的第一方面提供基于优化bp神经网络的输电线路可听噪声评价方法，包括如下步骤：
11.获取可听噪声倍频程带声压级数据；
12.基于可听噪声倍频程带声压级数据确定bp神经网络模型结构；
13.通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；
14.其中，通过偏移进化及tent混沌序列改进的蜉蝣算法包括：
15.利用tent混沌序列初始化种群，将tent混沌序列映射到解空间，针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，同时以其为据点进行全局位置偏移，以获取新生个体，对新个体进行指向性动态进化训练；
16.通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。
17.本发明的第二方面提供基于优化bp神经网络的输电线路可听噪声评价系统，包括：
18.数据获取模块，其用于获取可听噪声倍频程带声压级数据；
19.神经网络初始确定模块，其用于基于可听噪声倍频程带声压级数据确定bp神经网络模型结构；
20.神经网络优化训练模块，其用于通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；
21.其中，通过偏移进化及tent混沌序列改进的蜉蝣算法包括：利用tent混沌序列初始化种群，将tent混沌序列映射到解空间，针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，同时以其为据点进行全局位置偏移，以获取新生个体，对新个体进行指向性动态进化训练；
22.可听噪声评价模块，其用于通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。
23.本发明的第三方面提供一种计算机可读存储介质。
24.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。
25.本发明的第四个方面提供一种计算机设备。
26.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。
27.与现有技术相比，本发明的有益效果是：
28.本发明通过采用采用偏移进化及tent混沌映射相互结合的方法优化蜉蝣算法后，使的蜉蝣算法更加精确和稳定，对神经网络进行优化，优化bp神经网络的权值以及阈值，避免了评价模型的稳定性差及准确性低等缺点，最终可以使得评价结果充分考虑附近居民的主观想法及输电线路所在地区的客观环境条件，使得评价结果更加精确。
29.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1为本发明实施例提供的基于metcma优化bp神经网络输电线路可听噪声的流程图。
32.图2为本发明实施例提供的bp神经网络模型结构图；
具体实施方式
33.下面结合附图与实施例对本发明作进一步说明。
34.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
35.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
36.针对输电线路产生的可听噪声对居民的影响程度难以评价的问题，本发明提出一种基于偏移进化及tent混沌序列改进的蜉蝣优化bp神经网络的输电线路可听噪声评价方法。首先，通过偏移进化及tent混沌序列改进的蜉蝣算法(migration evolutionary and tent chaotic mayfly algorithm，metcma)对传统bp神经网络的阈值与权值进行全局寻优。接着提取输电线可听噪声信号的倍频程声压级特征，然后构建以该特征为输入而主观评价值为输出的神经网络模型，最后进行训练与测试。
37.实施例一
38.如图1所示，本实施例提供基于优化bp神经网络的输电线路可听噪声评价方法，包括如下步骤：
39.步骤1：获取可听噪声倍频程带声压级数据并进行数据初始化处理。
40.对输入输出数据进行归一化处理，将其范围化为[-1，1]，保证再利用bp神经网络训练时不会出现量纲不统一而发生错误的状况。
[0041]
步骤2：确定bp神经网络的模型结构。
[0042]
基于灰色关联度分析法，筛选出与最终预测参数相关系数较高的前n个噪声数据，确定输入层节点个数v＝3，根据待预测评价指数确定输出变量节点个数q＝1，那么隐含层节点个数p和q的经验计算公式为：
[0043][0044]
式中，x为1-10的任意常数。
[0045]
根据经验计算公式得出隐含层节点数3。
[0046]
因此最终确定基于mema优化的bp神经网络模型结构，拓扑结构图见附图2，包括3个输入层节点，4个隐含层节点和1个输出层节点。
[0047]
步骤3：结合可听噪声倍频程带声压级数据，通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；
[0048]
bp神经网络主要包括3部分：输入层、隐含层和输出层。将输入层设定为经声级计在输电线路现场测量得到的可听噪声倍频程带声压级li(i＝1,2
…
,q)，隐藏层为hj(j＝1,2
…
,c)，输出层为主观评价的分y，其中噪声主观评价得分如下表1。θ
ij
为输入层至隐藏层连接权值，θ
jt
为隐藏层至输入层的连接权值。
[0049]
表1噪声主观评价得分
[0050][0051]
bp神经网络模型在使用前通过如下步骤进行训练得以确定各连接权值。
[0052]
步骤301：确定初始化参数。确定mema中所需要的各个参数变量。设置迭代次数为400次，种群数量40，最大惯性权重为1.5，最小惯性权重为0.4，婚礼舞蹈系数的衰减系数为0.8，随机飞行系数为1，随机飞行系数的衰减系数为0.99，子代数量为20，变异可能性为0.01，种群学习参数a1为1.0，蜉蝣个体学习参数a2为1.5。
[0053]
步骤302：metcma计算种群适应度。
[0054]
通过自定义自适应函数，在神经网络训练中，用来衡量预测值与真实值之间的误差，以指导权值的调整，初始权值与阈值进行神经网络训练，将预测值与真实值之间的差作为适应度函数值，差值的绝对值和越小说明误差越小。
[0055]
本实施例中，所述自定义自适应函数采用均方误差计算公式，如下：
[0056][0057]
其中，n为样本数量，yi为第i个样本的真实值，为神经网络的预测值。通过对所有样本的误差进行求和并除以样本数量，可以得到均方误差。
[0058]
均方误差越小，说明神经网络的预测结果越接近真实值。
[0059]
另外，根据初始设定的神经网络的结构中权值与阈值来确定维度大小。首先根据输入节点和隐含层节点、输出节点，确定权值总数为3
×
4+4
×
1＝16；然后根据隐含层节点数和输出层节点数个数的总和确定阈值总数为4+1＝5，因此拓扑网络结构中的维度为16+5＝21。
[0060]
步骤302：通过偏移进化及tent混沌序列改进的蜉蝣算法最小化自适应函数，寻找适应度函数取得的最小值对应的权值和阈值的取值，作为全局最优解；
[0061]
具体过程包括：
[0062]
1)初始化：设置问题的初始参数，包括群体大小、最大迭代次数、搜索空间等参数。同时，生成初始群体，包括雄性和雌性蜉蝣成员，并随机分配它们的位置和速度。
[0063]
2)更新雄性和雌性蜉蝣的速度和位置，根据式(3)更新雄性蜉蝣的速度和位置，根据式(6)更新雌性蜉蝣的速度和位置。然后，对所有蜉蝣的适应度值进行排序。
[0064]
3)生成后代：根据式(7)生成新的蜉蝣个体，并根据变异可能性和式(8)随机将其变成雄性或雌性蜉蝣。
[0065]
4)根据种群的适应值，对雄性和雌性蜉蝣进行排序，用当前更优解代替劣解。
[0066]
5)更新舞蹈系数和随机飞行系数，根据式(10)更新舞蹈系数和随机飞行系数，并根据式(9)更新惯性权重。对能力较差的个体，根据式(11)和式(12)产生新的蜉蝣，并根据式(13)产生随机进化次数，根据式(14)进化新的个体，并将淘汰的个体替换。
[0067]
6)判断是否达到迭代上限。如果满足，则记录最优解，否则将重新进行迭代。
[0068]
步骤303：将该全局最优解对应的值赋值给bp神经网络的权值和阈值，以保证bp神经网络的拓扑结构达到最优精度。基于该权值和阈值对应的网络进行可听噪声评价。
[0069]
步骤4：通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。
[0070]
作为一种或多种实施例，步骤3中，所述通过偏移进化及tent混沌序列改进的蜉蝣算法的过程为：首先利用tent混沌序列初始化种群，提高初始解的质量。针对蜉蝣种群进行个体能力评价，剔除种群中生命周期较长但进化能力较弱的个体，同时以其为据点进行全局位置偏移，以获取新生个体，对新个体进行指向性动态进化训练，从而提升种群整体优化能力。
[0071]
其灵感来源于蜉蝣的飞行和交配过程雄蜉蝣皆群居于水面之上，雄蜉蝣进行移动时，将受到种群整体和自身的影响向更优方向进发。每过一段时间，雄蜉蝣会通过舞动来吸引雌蜉蝣，雌蜉蝣则会随机飞向雄蜉蝣进行交配产生若干个子代蜉蝣，极少数子代蜉蝣会发生变异。mama中雄蜉蝣和子代蜉蝣参与寻优，即作为解空间中的候选解决方案。随后，对种群中所有个体通过精英保留策略保留较好个体，形成新种群进行下一轮迭代。
[0072]
算法最初的时候会利用tent混沌序列初始化种群，产生雄蜉蝣和雌蜉蝣，每一只蜉蝣的位置都是随机的。由d维向量表示的蜉蝣的位置xi＝{x1,x2,x3,...,xd}，速度表示为vi＝{v1,v2,v3,...,vd}，其中xi，vi中i为第i只蜉蝣。每次迭代通过在当前位置上加上速度来进行位置更改。
[0073]
步骤302中，所述通过偏移进化及tent混沌序列改进的蜉蝣算法最小化自适应函数，寻找适应度函数取得的最小值对应的权值和阈值的取值，作为全局最优解的过程包括：
[0074]
步骤3021：基于tent混沌序列初始化种群，具体包括：
[0075]
根据tent映射的表达式(1)生成tent混沌序列，同时按照式(2)将该序列映射到解空间，作为蜉蝣种群的初始值；
[0076]
原始的蜉蝣算法初始化种群采用的是随机产生的方法，该方法不仅随机性大，而且不能保证初始解的质量。为提升初始解的质量，利用tent混沌映射生成的随机混沌序列产生初代蜉蝣种群。
[0077]
tent映射的表达式如下式(1)：
[0078][0079]
式中α取0.5，zn为生成的第n个个体。
[0080]
按式(1)产生混沌序列后，需要将其映射到解空间：
[0081]
z＝x
min
+(x
max-x
min
)
·zꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0082]
式中，z是按式(1)产生的混沌序列，xmax和xmin分别为解空间的上下限。
[0083]
步骤3022：初始化雄雌蜉蝣位置与速度，计算并找出当前最优解；
[0084]
步骤3023：更新雄雌性蜉蝣速度与位置；
[0085]
雄性蜉蝣是群居的生物，每只雄蜉蝣的位置根据自己的情况以及种群整体的情况来调整，雄蜉蝣一般在水面上进行上下移动，假设蜉蝣不能快速移动，雄蜉蝣的速度为：
[0086]
[0087]
其中，为蜉蝣i在j维度t时刻的速度，为时间步长为t时，蜉蝣i在搜索空间中的位置，a1为种群学习系数，a2为个体学习系数，phest
ij
为蜉蝣曾经到过最好位置，gbestj为全局最佳位置，β为蜉蝣的能见度系数，g为惯性权重，d为舞蹈系数，r为范围内∈[-1，1]的随机值，r
p
代表当前位置与phest
ij
的笛卡尔距离，rg代表当前位置与gbestj的笛卡尔距离。
[0088]
雄雌蜉蝣的移动，通过在当前位置添加速度来改变位置。假设是在时间步长为t时蜉蝣i在搜索空间中的位置，公式如下：
[0089][0090]
笛卡尔距离公式为：
[0091][0092]
式中xi，xi为蜉蝣i前后位置。
[0093]
雌蜉蝣会寻找适应值更好雄蜉蝣繁衍后代，即雌蜉蝣将被适应值更好的雄蜉蝣所吸引，所以雌蜉蝣会向更好雄蜉蝣靠近。蜉蝣算法中种群雄雌蜉蝣的相互吸引定性为最优匹配，即最优雄蜉蝣与最优雌蜉蝣相互吸引，次优雄蜉蝣与次优雌蜉蝣相互吸引，以此类推，若对应雄蜉蝣的适应值更差，雌蜉蝣将选择随机向周围飞行，雌蜉蝣的速度的计算公式为：
[0094][0095]
其中，为雌蜉蝣i对应的雄蜉蝣的位置，r
mf
是雌性蜉蝣与雄性蜉蝣的笛卡尔距离，fl是一个随机飞行系数。
[0096]
步骤3024：所有蜉蝣根据当前适应值排序；
[0097]
步骤3035：根据式(7)生成后代，并根据变异可能性和式(8)随机产生变异后将其后代随机变成雄蜉蝣或者雌蜉蝣；
[0098]
蜉蝣算法采用最优匹配的机制来抽取雄雌蜉蝣进行交配产生后代，公式如下：
[0099][0100]
其中，offs1为第一个子代，offs2为第二个子代，male为雄蜉蝣，female为雌蜉蝣，l为[-1，1]的随机值。
[0101]
蜉蝣算法引入了高斯变异，假设种群数量为n，设定变异因子为m，则子代蜉蝣中发生变异个体为n
·
m，变异子代蜉蝣的随机一个维度将发生突变，突变公式为：
[0102]
offsn＝offsn+σ
·nn
(0,1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0103]
其中，offsn为被选中的子代offs的n维度，σ为正态分布的标准差，nn(0,1)为均值为0，方差为1的标准正态分布。
[0104]
步骤3036：根据种群的适应值，对雄雌蜉蝣进行排序，用当前更优解代替劣解；
[0105]
步骤3037：根据式(10)更新舞蹈系数和随机飞行系数，根据式(9)更新惯性权重；
[0106]
为了平衡全局探索能力和局部搜索能力，蜉蝣算法加入了动态惯性权重。在迭代过程中，蜉蝣的惯性权重将线性减少小，公式如下：
[0107][0108]
其中，g为惯性权重，g
max
是最大惯性权重g
min
是最小惯性权重，iter为迭代次数，iter
max
为最大迭代次数，iter
max
为迭代次数。
[0109]
算法前期，较大的g能更好地满足全局探索能力增加算法的收敛速度，算法后期，较小的g增加局部搜索能力提高算法的搜索精度。
[0110]
为了寻找更好的解，蜉蝣算法引入婚礼舞蹈系数，当雄蜉蝣适应值大于全局最优时，将进行随机移动以寻找更优解，引入飞行系数，当雌蜉蝣未被雄蜉蝣吸引时，会向四周随机飞行寻找更好的雄蜉蝣。婚礼舞蹈系数和随机飞行系数会随迭代次数减小以此减少蜉蝣步长，增加局部搜索能力，在算法后期提高收敛精度，公式如下：
[0111][0112]
其中，d
t
与fl
t
为t时刻的婚礼舞蹈系数和随机飞行系数，fl
t
与fl
damp
为衰减参数。
[0113]
步骤3038：若超过设定阈值且能力较差，则根据式(11)和式(12)产生新蜉蝣，根据式(13)产生随机进化次数，根据式(14)进化新蜉蝣，将淘汰的个体替换；
[0114]
蜉蝣算法在迭代前期，种群较快收束于当前全局最优位置，不利于种群整体进化，在迭代中后期，易出现早熟收敛现象。对这个问题提出偏移进化机制，添加年龄到蜉蝣的属性中，剔除群体中较为年长且进化程度较低的蜉蝣，并在该个体附近重新生成新个体保证种群完整性，同时对该蜉蝣进行指向性动态进化训练，促进蜉蝣良性进化，提升种群整体利用率，提升算法寻优性能。
[0115]
抽象蜉蝣良性进化的思想为算法的偏移进化机制，在每次迭代后，记录种群中雄蜉蝣的进化次数，由于当蜉蝣进化次数超过一定次数时会存在适应值较差的个体，为了排除进化2次到3次存在的偶然性，而4次以上会使适应值较差的浮游在外徘徊次数过多浪费进化次数，所以选取4次当蜉蝣数进化次数。超过4次且适应值较差时，说明该蜉蝣的进化速度始终在跟随整体的进化疲于奔向最优位置，判定这样的解为失效解，不具备较好进化能力对算法求解帮助较小.剔除该蜉蝣并引入新蜉蝣，从原蜉蝣的位置上进行一次偏移操作，生成新蜉蝣.新蜉蝣出现位置为：
[0116]
mayfly yw＝mayflyw+w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0117]
其中，mayfly yw为被剔除蜉蝣的位置，w为拉伸因子，公式为
[0118]
w＝rand
·
(upper-lower)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0119]
其中，lower为解空间下限，upper为解空间上限，rand为(0，1]的随机值。
[0120]
为了保证新蜉蝣是优秀的个体且能有效地对种群进化起到帮助。在加入种群前，将对新蜉蝣进行随机次数的进化。规定该蜉蝣会根据速度调节因子进行指向性动态进化训练，但不会超过当前种群进化次数，其公式为：
[0121]
ρ＝[rand
·
iter]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0122]
新蜉蝣在加入种群前的进化移动与种群进化移动相同，通过在当前位置添加速度来改变位置。但更改速度的变化为：
[0123][0124]
根据速度公式，在速度调节因子ρ的影响下，蜉蝣将进行分段寻找，重力因g的存在，可以减小前一次进化速度的影响，同时蜉蝣的速度受到gbest和pbest两个位置因子影响，若蜉蝣找到比偏移后的初始位置更优的位置，将受到上一次速度的影响继续向前前进一段距离，之后受到两个位置因子的影响快速减速，并反向加速回到更新后的全局最优位置附近，否则将进行先加速后减速的分段寻找。这一过程蜉蝣将仔细搜索更新后的全局最优位置的附近位置以期能将失效个体转换为引导种群进化的个体。
[0125]
步骤3039：判断是否到达迭代上限，若是，转step10，若否，转step3；最终输出当前最优解。
[0126]
基于得到输电线路可听噪声评价分数可以用于判断噪声污染程度、优化优化输电线路设计、保障居民以及改进环保政策等，具体如下：
[0127]
判断噪声污染程度：通过对输电线路的可听噪声进行评价，可以了解周围环境的噪声污染程度，从而评估噪声对周围居民生活的影响。根据评价结果，可以采取相应措施，如加装隔音设施、采用降噪技术等，减少噪声污染程度。
[0128]
优化输电线路设计：通过对输电线路的可听噪声进行评价，可以了解现有线路的噪声情况，为后续输电线路的设计提供参考。可以根据评价结果，调整线路的布局、选用合适的材料等，减少噪声污染的产生。
[0129]
保障居民健康：噪声对人体健康有严重影响，如影响睡眠、引起心血管疾病等。通过对输电线路的可听噪声进行评价，可以了解周围居民的噪声暴露情况，并采取措施保障居民的健康。
[0130]
改进环保政策：通过对输电线路的可听噪声进行评价，可以了解噪声污染的程度和范围，为政府制定相关的环保政策提供参考。政府可以采取措施限制噪声污染的产生，促进环境保护。
[0131]
综上所述，通过对输电线路的可听噪声进行评价，可以了解噪声污染的情况，并采取相应的措施，保障周围居民的健康，改进环保政策，促进环境保护。
[0132]
实施例二
[0133]
本实施例提供基于优化bp神经网络的输电线路可听噪声评价系统，包括：
[0134]
数据获取模块，其用于获取可听噪声倍频程带声压级数据；
[0135]
神经网络初始确定模块，其用于基于可听噪声倍频程带声压级数据确定bp神经网络模型结构；
[0136]
神经网络优化训练模块，其用于通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；
[0137]
其中，通过偏移进化及tent混沌序列改进的蜉蝣算法包括：利用tent混沌序列初始化种群，将tent混沌序列映射到解空间，针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，同时以其为据点进行全局位置偏移，以获取新生个
体，对新个体进行指向性动态进化训练；
[0138]
可听噪声评价模块，其用于通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。
[0139]
实施例三
[0140]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。
[0141]
实施例四
[0142]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。
[0143]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0144]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0148]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，包括如下步骤：获取可听噪声倍频程带声压级数据；基于可听噪声倍频程带声压级数据确定bp神经网络模型结构；通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；其中，通过偏移进化及tent混沌序列改进的蜉蝣算法包括：利用tent混沌序列初始化种群，将tent混沌序列映射到解空间，针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，同时以其为据点进行全局位置偏移，以获取新生个体，对新个体进行指向性动态进化训练；通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。2.如权利要求1所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，所述通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练的过程包括：基于设定的初始权值与阈值进行神经网络训练，将得到的预测值与真实值之间的差作为适应度函数；通过偏移进化及tent混沌序列改进的蜉蝣算法最小化自适应函数，寻找适应度函数取得的最小值对应的权值和阈值的取值，作为全局最优解；将该全局最优解对应的值赋值给bp神经网络的权值和阈值，基于该权值和阈值对应的网络进行可听噪声评价。3.如权利要求1所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，所述基于可听噪声倍频程带声压级数据确定bp神经网络模型结构，包括：基于灰色关联度分析法，筛选出前n个与最终预测参数相关系数高的噪声数据后，确定输入层节点个数，根据待预测评价指数确定输出变量节点个数以及隐含层节点个数。4.如权利要求1所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，所述针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，具体包括：初始化雄雌蜉蝣位置与速度，计算并找出当前最优解，根据雄雌蜉蝣的位置与速度更新公式更新雄雌性蜉蝣速度与位置，所有蜉蝣根据当前适应值排序；根据蜉蝣交配行为公式生成后代，并根据变异可能性和子代蜉蝣突变公式随机产生变异后将其后代随机变成雄蜉蝣或者雌蜉蝣；根据种群的适应值，对雄雌蜉蝣进行排序，用当前更优解代替劣解；若蜉蝣数进化次数大于设定的阈值，则产生新蜉蝣，并根据产生的生随机进化次数，进化新蜉蝣，将淘汰的个体替换。5.如权利要求4所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，所述雄雌蜉蝣的位置与速度更新公式为：雄性蜉蝣的位置更新公式为：
雄性蜉蝣的速度更新公式为：其中，为蜉蝣i在j维度t时刻的速度，为时间步长为t时，蜉蝣i在搜索空间中的位置，a1为种群学习系数，a2为个体学习系数，phest
ij
为蜉蝣曾经到过最好位置，gbest
j
为全局最佳位置，β为蜉蝣的能见度系数，g为惯性权重，d为舞蹈系数，r为范围内∈[-1，1]的随机值，r
p
代表当前位置与phest
ij
的笛卡尔距离，r
g
代表当前位置与gbest
j
的笛卡尔距离，为雌蜉蝣i对应的雄蜉蝣的位置，r
mf
是雌性蜉蝣与雄性蜉蝣的笛卡尔距离，fl是一个随机飞行系数。6.如权利要求4所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，所述随机进化次数产生的方法为：规定该蜉蝣会根据速度调节因子进行指向性动态进化训练，但不超过当前种群进化次数。7.如权利要求4所述的基于优化bp神经网络的输电线路可听噪声评价方法，其特征在于，新蜉蝣在加入种群前的进化移动与种群进化移动相同，通过在当前位置添加速度来改变位置。8.基于优化bp神经网络的输电线路可听噪声评价系统，其特征在于，包括：数据获取模块，其用于获取可听噪声倍频程带声压级数据；神经网络初始确定模块，其用于基于可听噪声倍频程带声压级数据确定bp神经网络模型结构；神经网络优化训练模块，其用于通过偏移进化及tent混沌序列改进的蜉蝣算法对bp神经网络模型进行优化训练，确定优化后的权值和阈值；其中，通过偏移进化及tent混沌序列改进的蜉蝣算法包括：利用tent混沌序列初始化种群，将tent混沌序列映射到解空间，针对蜉蝣种群进行个体能力评价，剔除种群中生命周期和进化能力不符合条件的个体，同时以其为据点进行全局位置偏移，以获取新生个体，对新个体进行指向性动态进化训练；可听噪声评价模块，其用于通过优化训练后的bp神经网络对输电线路可听噪声进行预测，得到输电线路可听噪声评价分数。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于优化bp神经网络的输电线路可听噪声评价方法中的步骤。

技术总结
本发明属于可听噪声评价技术领域，提供了基于优化BP神经网络的输电线路可听噪声评价方法及系统，针对输电线路产生的可听噪声对居民的影响程度难以评价的问题，提出的方案为：首先，通过偏移进化及Tent混沌序列改进的蜉蝣算法对传统BP神经网络的阈值与权值进行全局寻优。接着提取输电线可听噪声信号的倍频程声压级特征，然后构建以该特征为输入而主观评价值为输出的神经网络模型，最后进行训练与测试。采用METCMA-BP神经网络对输电线路可听噪声的大小进行评价，可以使得评价结果充分考虑附近居民的主观想法及输电线路所在地区的客观环境条件，使得评价结果更加精确。使得评价结果更加精确。使得评价结果更加精确。


技术研发人员：石鑫 谢连科 崔相宇 侯肖邦 尹建光 臧玉魏 张永 巩泉泉 张国英 李方伟 郭本祥 闫文晶 马俊杰 何旭东 魏清泉
受保护的技术使用者：国网山东省电力公司电力科学研究院
技术研发日：2023.06.28
技术公布日：2023/9/23