Page 84 - 2022年第53卷第2期

3.2 基于 PSOMLP 的寒区气温预测

3.2.1 PSOMLP 参数设置 采用 PSO 算法优化基于最小梯度下降法的 MLP 模型的超参数。首先，初
始化粒子群算法，粒子种群大小设置为 20，最大迭代次数设置为 30，随机确定每个粒子的初始速度
和位置。由于有 3 个参数（学习率，小批量梯度下降算法的动量以及 MLP 模型的隐藏层中的神经元数
量）需要确定，因此将速度和位置的维数设置为 3。其次，设置 MLP 模型的初始参数：隐藏层数量设
置为 1；最小批量梯度下降的学习率和动量的变化范围分别设置为 0.001～0.2 和 0.05～0.95。隐藏层
中神经元的数量范围设置为 5～55。最后，基于 3.1 节介绍的数据集对 PSOMLP 模型进行训练和测试。

高 高
60 60
神经元个数 40 神经元个数 40
50 函 适 应 度 数 50 适 度 函 数 应
30
30
20
10 20
10
0.00 0.04 0.08 0.02 0.06 0.2 0.4 0.6 0.8 1.0 低 0.000 0.004 0.008 0.012 0.2 0.4 0.6 0.8 1.0 低
动量
动量
0.00
0.0
学习速率
（a）PSO 初始解集 学习速率 0.016 0.0200.0
（b）PSO 收敛第 29 代粒子
图 5 粒子群收敛过程
在算法开始时，PSO 初始化为一群随机粒子（随机解），如图 5（a）所示。随着算法的迭代，粒子
逐渐向最优解迭代，当算法达到最大迭代次数时，算法终止，选择最优粒子的位置作为 MLP 模型的
超参数设置。图 5（b）显示了第 29 代粒子群的迭代位置，可以看出粒子群基本收敛。经 PSO 优化的
MLP 的最优参数设置为：学习率 0.005，学习动量 0.68，隐层神经元数为 12。

20 真实值
15 预测值
10
温度/℃ 5
0
-5
-10
18:00 00:00 06:00 12:00 18:00 00:00 06:00 12:00 18:00 00:00 06:00 12:00 18:00 00:00 06:00
1-23 1-24 1-24 1-24 1-24 1-25 1-25 1-25 1-25 1-26 1-26 1-26 1-26 1-27 1-27

时间
图 6 气温预测结果

3.2.2 寒区气温预测结果 基于 PSOMLP 的寒区气温预测结果如图 6 所示。由图可知，预测温度和实
测温度趋势一致，在该时间段内的负温施工时段为第四年 1 月 24 日 2 时至第四年 1 月 24 日 11 时，第
四年 1 月 25 日 2 时至第四年 1 月 25 日 11 时，第四年 1 月 26 日 3 时至第四年 1 月 26 日 11 时。由此可以
设置三仓的停工时长分别为 9 h、9 h 和 8 h，停工时刻分别设置为 1 月 24 日 2 时、1 月 25 日 2 时和 1 月
26 日 3 时。
3.3 考虑高寒低温影响的高心墙堆石坝仓面施工仿真 根据工程现场施工要求，寒区最小防冻温度
t 为 0℃，当日最小气温大于 0℃时，日有效施工时长为 18 h；当日最小气温小于 0℃时，需要在低于
min
0℃的时间段内停工，在进入 0℃以下之前，增加覆盖保温膜工序，在温度恢复 0℃以上后，增设揭开
保温膜以及仓面清理工序。仿真中采用 Bootstrap 方法对覆膜和揭膜工序的时长进行抽样，绘制直方
图如图 7 所示。
在以 524 ~ 526 三层仓面为研究对象，传统仿真仓面流水作业关键工序包括卸料、铺料、碾压、

— 206 —