(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111565855.5 (22)申请日 2021.12.20 (71)申请人 国网浙江省电力有限公司台州供电 公司 地址 318000 浙江省台州市中心大道809号 申请人 国网浙江省电力有限公司 (72)发明人 朱敏捷　周灵刚　李建华　陈哲　 陈晓刚　屠锋　朱逸芝　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 代理人 尉伟敏 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 111/08(2020.01) G06F 119/02(2020.01) G06F 119/12(2020.01) (54)发明名称 一种基于智能算法的杆塔沉降风险预测方 法 (57)摘要 本发明公开了一种基于智能算法的杆塔沉 降风险预测方法， 其特征在于， 包括如下步骤： S1、 实现基础沉降的非参数区间构造； S2、 建立杆 塔沉降‑时间关系曲线； S3、 建立沉降风险分级映 射模型； 能够提取杆塔沉降 ‑时间关系曲线， 建立 沉降风险分级映射模型， 为沉降告警奠定模型和 算法基础。 权利要求书2页 说明书7页 附图1页 CN 114386318 A 2022.04.22 CN 114386318 A 1.一种基于智能算法的杆塔沉降风险预测方法， 其特 征在于， 包括如下步骤： S1、 实现基础沉降的非参数区间构造； S2、 建立杆塔沉降 ‑时间关系曲线； S3、 建立沉降风险分级映射模型。 2.根据权利要求1所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 所 述S1包括： 建立基于极限学习机的剩余寿命机器学习框架， 通过原始故障案例集与数据集学习获 得剩余寿命预测值与剩余寿命预测区间。 3.根据权利要求1或2所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在 于， 所述S1还包括使用单隐层神经网络， 使 得ELM可以随机初始 化输入权重和偏置并得到相 应的输出权 重： 有N个任意的样本(Xi,ti)， 其中Xi＝[xi1,xi2,...,xin]T∈Rn,ti＝[ti1,ti2,...,tim]T∈ Rm。 对于一个有L个隐层节点的单隐层神经网络可以表示 为： 其中， g(x)为激活函数， Wi＝[wi1,wi2,...,win]T为输入权重， βi输出权重， bi是第i个隐层 单元的偏置 。 Wi·Xj表示Wi和Xj的内积； 单隐层神经网络学习的目标 是使得输出的误差最小， 可以表示 为： 即存在βi， Wi和bi， 使得 可以矩阵表示 为： Hβ ＝T 其中， H是隐层节点的输出， β 为输出权 重， T为期望 输出。 为了能够训练单隐层神经网络， 我们希望得到 和 使得： 其中， i＝1,...,L， 这等价于最小化损失函数 4.根据权利要求2所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114386318 A 2述S2中杆塔沉降 ‑时间关系曲线由剩余寿命预测值与剩余寿命预测区间获得。 5.根据权利要求3所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 所 述单隐层神经网络可以转 化为求解一个线性系统Hβ ＝T。 并且输出权 重β 可以被确定： 其中， H+是矩阵的Mo ore‑Penrose广义逆， 且可证明求得的解的范 数是最小的并且唯一。 6.根据权利要求1所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 所 述S3包括： 建立基于深度学习和Softmax概 率分类器的沉降风险分级映射模型； Softmax回归算法的代价 函数为： 使用梯度下降法对其 求解。 经过求导， 得到梯度公式如下： 向量的第l个元素 表示J( θ )对θj的第l个分量的偏导数。 将偏导数代入梯 度下降算法以最小化J( θ )。 梯度下降法的每一次迭代需要 进行如下 更新: 7.根据权利要求6所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 保 留所有参数θ1, θ2,…, θn， 而不任意 地将某一 参数设置为0 。 8.根据权利要求7所述的一种基于智能算法的杆塔沉降风险预测方法， 其特征在于， 所 述S3还包括在代价函数中加入一个权重衰减项 以惩罚过大的参数值， 考虑权 重衰减后的代价 函数形式为： 使用梯度下降法最小化J( θ )后的导数为： 权　利　要　求　书 2/2 页 3 CN 114386318 A 3