1.一种接触网覆冰预警方法,应用于接触网覆冰预警装置,所述接触网覆冰预警装置上设有多个数据传感器,其特征在于,所述接触网覆冰预警方法包括以下步骤:步骤S1,构建多层次结构的神经网络模型,其中,所述神经网络模型至少包括预处理层,输入层,中间层,输出层;
步骤S2,将所述神经网络模型的权值和阈值随机初始化,将初始化的权值和阈值输入至预处理层进行神经网络模型优化,其中,利用适应度分配函数计算初始化种群的适应度,适应度分配函数F的表达式为:其中,q为输出层节点个数,m表示第m个输出层节点,ym为神经网络模型的期望输出值,xm神经网络模型的实际输出结果;
步骤S3,获取各数据传感器的维度数据,并分别将各维度数据输入至输入层进行数据处理,以得到各维度数据对应的预处理序列,将各预处理序列组合进行归一化处理后得到预处理修正序列集,预处理修正序列集的表达式为:其中,表示数据传感器编号,j表示数据传感器的采样时刻,y表示数据传感器的采样日期,D表示数据传感器的采样年份, 表示第 个传感器的预处理修正序列集,表示第 个传感器在第1采样时刻的预处理修正序列, 表示第 个传感器在第2采样时刻的预处理修正序列, 表示第 个传感器在第3采样时刻的预处理修正序列,表示第 个传感器在第j采样时刻的预处理修正序列, 表示第 个传感器在一天内不同时刻的维度数据组成的序列, 表示理想传感器数据序列, 表示第 个传感器在D年内每天第j时刻得到的传感器数据的均方值, 表示第 个传感器在D年内每天第j时刻得到的传感器数据的中位数;
步骤S4,将预处理修正序列集通过中间层中的隐层模块进行激活处理和数据处理,以得到中间数据集;
步骤S5,将中间数据集输入至输出层,获得实际输出,并通过全局误差函数计算网络全局误差,利用梯度下降法进行神经网络反向传递,对输入层、中间层、输出层的层次结构逐层计算权值和阈值的下降梯度,进一步优化神经网络模型的权值和阈值;
步骤S6,判断步骤S5的输出结果是否达到设定要求,若未达到,则将各维度数据按照上述步骤S3至步骤S5进行反复迭代,直至输出结果达到设定要求,并输出迭代后的概率值;
步骤S7,判断迭代后的概率值是否达到预设的接触网覆冰概率阈值,若迭代后的概率值达到预设的接触网覆冰概率阈值,则发出覆冰报警信号;
其中,步骤S2具体包括:
S201,将所述神经网络模型的权值和阈值随机初始化,初始化的权值和阈值满足正态分布;
S202,将初始化的权值和阈值输入至预处理层,输出中间最优权值和中间最优阈值,通过中间最优权值和中间最优阈值对神经网络模型进行优化;
步骤S202具体包括:
S2021,分别对初始化的权值和阈值使用实数编码公式进行编码,随机生成规模为N个个体的初始化种群,确定进化迭代数、交叉概率以及变异概率;
S2022,利用适应度分配函数计算上述初始化种群的适应度,获得初始化种群的适应度大小排列;
S2023,对上述初始化种群的适应度进行选择运算、交叉运算以及变异运算,获得新种群;
S2024,对所述新种群重复执行上述步骤S2021至S2023,将每代的适应度最优个体存储记录,直到满足优化标准为止,输出最优值;
S2025,通过所述最优值优化所述神经网络模型的权值和阈值,得到中间最优权值和中间最优阈值,通过中间最优权值和中间最优阈值对神经网络模型进行优化。
2.根据权利要求1所述的接触网覆冰预警方法,其特征在于,步骤S2021中,所述实数编码公式的表达式为:;
式中,为实数编码总数,H为中间层节点个数,I为输入层节点个数,O为输出层节点个数,为总节点数。
3.根据权利要求2所述的接触网覆冰预警方法,其特征在于,步骤S2023具体包括:对初始化种群的适应度采用随机遍历抽样的选择运算,等间距选择k个个体,获得待定个体集;
将上述待定个体集两两分组进行单点交叉,单点位置利用随机选取,交叉概率为0.8,获得交叉个体集;
将上述交叉个体集进行变异运算,变异位置利用随机选取,变异概率为0.02,获得新种群。
4.根据权利要求1所述的接触网覆冰预警方法,其特征在于,步骤S4中,隐层模块激活处理的激活函数 的表达式为:其中, 表示隐层模块的输入值。
5.根据权利要求1所述的接触网覆冰预警方法,其特征在于,步骤S5中,所述梯度下降法采用AdaMax算法。
6.根据权利要求1所述的接触网覆冰预警方法,其特征在于,步骤S5中,全局误差函数E的表达式为:其中,x表示第x次训练样本,M为总的训练次数,YP表示期望输出值,OPx表示实际输出值,为输出补偿值。