在國(guó)家互聯(lián)網(wǎng)+戰(zhàn)略以及5G網(wǎng)絡(luò)即將到來(lái)的大背景下,各大運(yùn)營(yíng)商對(duì)于移動(dòng)通信基站建設(shè)數(shù)量大幅增加。而蓄電池作為基站備用電源是供電系統(tǒng)中的關(guān)鍵部分,如果在發(fā)揮作用時(shí)產(chǎn)生故障就會(huì)造成通信業(yè)務(wù)系統(tǒng)的阻斷。由于通信基站具有站點(diǎn)環(huán)境復(fù)雜;數(shù)目巨大且分布位置廣泛;無(wú)人看守等特點(diǎn);而基站蓄電池作為備用電源使用時(shí)產(chǎn)生了較多問(wèn)題,因此需要一種高效智能的基站蓄電池運(yùn)維與調(diào)度系統(tǒng)。基站蓄電池剩余容量（SOC）監(jiān)控是對(duì)基站蓄電池運(yùn)維與調(diào)度的前提,因此,對(duì)蓄電池SOC進(jìn)行準(zhǔn)確估算意義重大。本文使用RBF神經(jīng)網(wǎng)絡(luò)作為蓄電池SOC的估算模型。首先引入L1/2正則化來(lái)選取適當(dāng)數(shù)目的神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn);然后通過(guò)基于模糊理論的放縮算法提高神經(jīng)網(wǎng)絡(luò)泛化能力;接著將模擬退火算法融入梯度下降法中,從而改善了訓(xùn)練過(guò)程中極易產(chǎn)生較差的局部最優(yōu)解需要大量重復(fù)訓(xùn)練的現(xiàn)象。最后介紹開發(fā)搭建的基站蓄電池運(yùn)維調(diào)度系統(tǒng)軟件和硬件,提出一種在滿足基站進(jìn)行緊急運(yùn)維條件下,成本優(yōu)化的維修站點(diǎn)選址以及運(yùn)維調(diào)度路線算法。本文主要工作和相應(yīng)內(nèi)容如下:1.在使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練過(guò)程中,神經(jīng)網(wǎng)絡(luò)的性能取決于網(wǎng)絡(luò)結(jié)構(gòu)特別是隱層節(jié)點(diǎn)數(shù)。節(jié)點(diǎn)數(shù)過(guò)少時(shí)無(wú)法通過(guò)訓(xùn)練學(xué)... 

【文章來(lái)源】：廣西大學(xué)廣西壯族自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．３傳統(tǒng)運(yùn)維方式??Ｆｉｇｌ．３?Ｔｒａｄｉｔｉｏｎａｌ?ｏｐｅｒａｔｉｏｎ?ａｎｄ?ｍａｉｎｔｅｎａｎｃｅ??

而在本文中闡述的基站蓄電池運(yùn)維調(diào)度系統(tǒng)：也是基于對(duì)電池?cái)?shù)據(jù)的采集；遠(yuǎn)程的終端??平臺(tái)對(duì)電池?cái)?shù)據(jù)以及基站的運(yùn)行情況等信息進(jìn)行綜合分析；從而制定出一種合理的運(yùn)維??調(diào)度方案。如圖１．４為信息智能化的基站運(yùn)維方式。??二＿?＼?ａｔ?ｕｆＭ??－胃＊＇?ＩＰ?＃．辦財(cái)》中心??Ｉ?人?ｔｌ?守事＊Ａ?／?，，?＾??＿?７??圖１．４信息化運(yùn)維方式??Ｆｉｇｌ．４?Ｉｎｆｏｒｍａｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ａｎｄ?ｍａｉｎｔｅｎａｎｃｅ??１．３本文的研究工作??本文針對(duì)ＲＢＦ神經(jīng)網(wǎng)絡(luò)中隱層節(jié)點(diǎn)數(shù)目的選擇而引入了?Ｌ１／２正則化算法，由于ＲＢＦ??祌經(jīng)網(wǎng)絡(luò)較差的泛化能力，使用基于模糊理論的放縮算法來(lái)提高網(wǎng)絡(luò)的泛化能力。而在??使用梯度下降法進(jìn)行訓(xùn)練時(shí)，由于隨機(jī)點(diǎn)導(dǎo)致所得解極易陷入較差局部最優(yōu)解，因而采??５??

列分析、數(shù)據(jù)分類、模式分析、信息優(yōu)化、圖像識(shí)別中。由于該網(wǎng)絡(luò)中的輸出只與幾個(gè)??少數(shù)的連接權(quán)值相關(guān)，因此對(duì)于每一個(gè)新的輸入數(shù)據(jù)而言需要進(jìn)行調(diào)整的權(quán)值數(shù)據(jù)較少，??從而使得計(jì)算速度大大增加。如下圖２．１所示為ＲＢＦ神經(jīng)網(wǎng)絡(luò)的模型圖：??ｉ?Ｊ??圖２．１?ＲＢＦ神經(jīng)網(wǎng)絡(luò)模型??Ｆｉｇ２．１?ＲＢＦ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??對(duì)于．ＲＢＦ神經(jīng)網(wǎng)絡(luò)而言輸入層到隱含層直接連接，而隱含層的作用就是要將輸入??量從輸入空間映射到隱含層空間上去，這個(gè)空間變化過(guò)程是非線性的。在將輸入變量輸??入到隱含層空間的過(guò)程中，一種被稱為徑向基函數(shù)的核函數(shù)被選取作為隱層祌經(jīng)元的激??活函數(shù)，該徑向基函數(shù)擔(dān)負(fù)著作為一組輸入變量“基”的職責(zé)，該函數(shù)是非線性且中心??點(diǎn)對(duì)稱的衰減函數(shù)。如圖２．２為ＲＢＦ神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型結(jié)構(gòu)。最后將隱含層的輸??出通過(guò)線性權(quán)值加權(quán)進(jìn)而輸出最終結(jié)果。計(jì)算過(guò)程如下所示：??ＲＢＦ神經(jīng)網(wǎng)絡(luò)計(jì)算過(guò)程為：假設(shè)樣本為《維列向量，即＾（＾＾，．．．＾＾／，故隱含層中??第個(gè)神經(jīng)元（隱含層中祌經(jīng)元）輸出如式２－４所示。??１０??


本文編號(hào)：3062240