基于量子粒子群與小波神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及輸電線路覆冰災(zāi)害預(yù)警領(lǐng)域，具體涉及基于量子粒子群與小波神經(jīng)網(wǎng) 絡(luò)的輸電線路覆冰預(yù)測方法。
【背景技術(shù)】
[0002] 近年來，伴隨著電力基礎(chǔ)設(shè)施的逐步建設(shè)，輸電線路的安全可靠性問題受到越來 越多的重視。由于輸電線路大多暴露在自然環(huán)境中，其運(yùn)行狀態(tài)容易受到各種氣象因素的 影響。特別是，輸電線路冬季發(fā)生覆冰現(xiàn)象可能對線路安全穩(wěn)定造成影響，甚至引起嚴(yán)重的 危害，造成巨大的經(jīng)濟(jì)損失。因此，對輸電線路覆冰的厚度進(jìn)行預(yù)測，制定有效的防冰對策， 從而實(shí)現(xiàn)線路覆冰災(zāi)害預(yù)警與處理具有重大現(xiàn)實(shí)意義。
[0003] 目前關(guān)于輸電線路覆冰預(yù)測的模型有線性預(yù)測模型與非線性預(yù)測模型。需要指出 的是，輸電線路覆冰厚度受眾多氣象因素的影響，這些氣象因素與覆冰厚度之間存在著復(fù) 雜的非線性關(guān)系，采用非線性預(yù)測模型的結(jié)果會更加準(zhǔn)確。常見的非線性模型有灰色預(yù)測 模型、BP神經(jīng)網(wǎng)絡(luò)模型以及模糊模型。其中，BP神經(jīng)網(wǎng)絡(luò)模型不依賴精確的數(shù)學(xué)模型，并且 具有很強(qiáng)的自適應(yīng)能力與非線性函數(shù)逼近能力，具有良好的預(yù)測能力。然而，傳統(tǒng)的BP神 經(jīng)網(wǎng)絡(luò)模型存在著預(yù)測結(jié)果不唯一、過度擬合、容易陷入局部極小、初始參數(shù)難以確定等問 題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供基于量子粒子群與小波神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰預(yù)測方法， 這種基于量子粒子群與小波神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰預(yù)測方法用于解決傳統(tǒng)的BP神經(jīng)網(wǎng) 絡(luò)模型存在著預(yù)測結(jié)果不唯一、過度擬合、容易陷入局部極小、初始參數(shù)難以確定等問題。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：這種基于量子粒子群與小波神經(jīng)網(wǎng) 絡(luò)的輸電線路覆冰預(yù)測方法： 步驟1 :獲取輸電線路覆冰歷史數(shù)據(jù)，包括環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、氣壓、導(dǎo)線溫度 以及覆冰厚度，對獲取的原始數(shù)據(jù)進(jìn)行歸一化處理，得到歸一化數(shù)據(jù)； 步驟2 :利用步驟1獲取的歸一化數(shù)據(jù)構(gòu)建基于小波神經(jīng)網(wǎng)絡(luò)的覆冰厚度預(yù)測模 型；基于小波神經(jīng)網(wǎng)絡(luò)的覆冰厚度預(yù)測模型包括輸入層、隱含層及輸出層；所述小波神經(jīng) 網(wǎng)絡(luò)預(yù)測模型參數(shù)包括輸入層神經(jīng)元t隱含層神經(jīng)元及輸出層神經(jīng)元f ;所述輸入層神經(jīng) 元為歸一化后的環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、氣壓、導(dǎo)線溫度；所述隱含層神經(jīng)元為浦個(gè)隱 含層節(jié)點(diǎn)，根據(jù)實(shí)際訓(xùn)練精度進(jìn)行調(diào)整；所述輸出層神經(jīng)元為覆冰厚度值；基于小波神經(jīng) 網(wǎng)絡(luò)的覆冰厚度預(yù)測模型中所述隱含層神經(jīng)元小波基函數(shù)為式（2): _ 設(shè)纖::為...繊(2) 式中，#與#為伸縮平移尺度因子，α 小波： :響 __||_;錢斑-:濟(jì)遲1_ (3) 所述輸出層神經(jīng)元通過選擇Sigmoid函數(shù)： CN 105139274 A VL 貝
(4) 小波神經(jīng)網(wǎng)絡(luò)的輸入輸出可以表示為：
(5) 式中，
(6) (7) (8) (9) (10) 式（6) -（10)中，P為樣本個(gè)數(shù)，腦、漏、.、賺為網(wǎng)絡(luò)學(xué)習(xí)速率，&為網(wǎng)絡(luò)動(dòng)量因子。
[0006] 步驟3 :利用加入干擾因子的量子粒子群算法獲取步驟2構(gòu)建的預(yù)測模型的最優(yōu) 初始參數(shù)； 步驟4 :利用步驟3獲取的預(yù)測模型的最優(yōu)初始參數(shù)，計(jì)算預(yù)測模型輸出，通過將模型 的輸出反歸一化獲取輸電線路覆冰預(yù)測厚度。
[0007] 上述方案中步驟1中所述的覆冰歷史數(shù)據(jù)采用線性歸一化處理公式為式（1): 對數(shù)據(jù)奪建立映線性映射：
⑴，
[0008] 上述方案中步驟3中所述的加入干擾因子的量子粒子群算法中將步驟2所述的小 波神經(jīng)網(wǎng)絡(luò)連接權(quán)值以及參數(shù)α、&映射為量子粒子群中的個(gè)體粒子；所述的粒子位置進(jìn)化 方程為：
式中，靈為迭代次數(shù)為I時(shí)粒子群的當(dāng)前位置，i為個(gè)體粒子最佳位置，表示為 P二咕+ α-為mi】之間的隨機(jī)數(shù)，釋為第菱個(gè)粒子的最優(yōu)位置，_為粒子群的全局最 優(yōu)位置$為顯S之間的隨機(jī)數(shù)，I為收縮-擴(kuò)張因子，迭代次數(shù)為@時(shí)取為
觀·:;為迭代最大次數(shù)，齡賴:為粒子群的平均最優(yōu)位置，當(dāng)種群規(guī)模為_時(shí)，編_表示 為：
上述方案中步驟3中所述的量子粒子群算法中引入了正態(tài)分布的干擾因子來改變當(dāng) 前搜索粒子的位置，從而提高粒子群的多樣性，所述的干擾因子表示為： Pi ~ Pi (?φ 其中，？為控制參數(shù)，__為輸出為正態(tài)分布值的隨機(jī)函數(shù)；干擾因子引入判斷基準(zhǔn)為： 當(dāng)重復(fù)迭代次數(shù)大于早熟因子時(shí)，啟動(dòng)干擾因子，早熟因子根據(jù)實(shí)際數(shù)據(jù)進(jìn)行設(shè)置。
[0009] 上述方案中所述的加入干擾因子的量子粒子群算法當(dāng)?shù)竭_(dá)最大迭代次數(shù)或者允 許誤差范圍時(shí)，停止迭代得到最優(yōu)粒子，通過最優(yōu)粒子分解映射獲取權(quán)利5所述的小波神 經(jīng)網(wǎng)絡(luò)連接權(quán)值以及參數(shù)^ S的最優(yōu)值。
[0010] 上述方案中步驟4中所述的輸電線路覆冰預(yù)測厚度由訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù) 測模型輸出反歸一化獲取。
[0011] 本發(fā)明具有以下有益效果： 1、本發(fā)明可以達(dá)到準(zhǔn)確預(yù)測輸電線路覆冰厚度的目的，從而為輸電線路冰災(zāi)預(yù)警及處 理提供參考，保證電網(wǎng)系統(tǒng)的安全穩(wěn)定。此外，本發(fā)明采用的小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波變換 與神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的自適應(yīng)能力、容錯(cuò)能力與魯棒性，比BP神經(jīng)網(wǎng)絡(luò)更多自由度，并且 具有更靈活的非線性函數(shù)逼近能力。通過采用加入干擾因子的量子粒子群優(yōu)化算法，可以 獲得最優(yōu)的小波神經(jīng)網(wǎng)絡(luò)的全值與小波參數(shù)，具有唯一的預(yù)測結(jié)果。
[0012] 2、為了準(zhǔn)確預(yù)測輸電線路的覆冰厚度研究冰災(zāi)對線路的影響，本發(fā)明通過輸電線 路覆冰的歷史數(shù)據(jù)，包括環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、氣壓、導(dǎo)線溫度以及覆冰厚度，對輸電 線路的覆冰厚度進(jìn)行預(yù)測，具有廣泛的應(yīng)用前景以及經(jīng)濟(jì)價(jià)值。
【附圖說明】
[0013] 圖1為本發(fā)明的流程圖。
[0014] 圖2為本發(fā)明中小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
[0015] 圖3為本發(fā)明中引入干擾因子的量子粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)方法的 流程圖。
【具體實(shí)施方式】
[0016] 以下結(jié)合附圖1-附圖3對本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說明，應(yīng)當(dāng)理解，此處所描 述的優(yōu)選實(shí)施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0017] -種基于量子粒子群與小波神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰預(yù)測方法，包括以下步驟： 步驟1 :獲取輸電線路覆冰歷史數(shù)據(jù)，包括環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、氣壓、導(dǎo)線溫度 以及覆冰厚度，對獲取的原始數(shù)據(jù)進(jìn)行歸一化處理； 步驟2 :利用步驟1獲取的歸一化數(shù)據(jù)構(gòu)建基于小波神經(jīng)網(wǎng)絡(luò)的覆冰厚度預(yù)測模型； 步驟3 :利用加入干擾因子的量子粒子群算法獲取步驟2構(gòu)建的預(yù)測模型的最優(yōu)初始 參數(shù)； 步驟4 :利用步驟3獲取的預(yù)測模型的最優(yōu)初始參數(shù)，計(jì)算預(yù)測模型輸出，通過將模型 的輸出反歸一化獲取輸電線路覆冰預(yù)測厚度。
[0018] 所述步驟1中所述步驟1中所述的覆冰歷史數(shù)據(jù)采用線性歸一化處理公式為式 (1)： 對數(shù)據(jù)建立映線性映射：
(1)
[0019] 所述步驟2中所述的基于小波神經(jīng)網(wǎng)絡(luò)的覆冰厚度預(yù)測模型包括輸入層、隱含層 及輸出層；所述小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)包括輸入層神經(jīng)元《:、隱含層神經(jīng)元及輸出層神 經(jīng)元I ;所述輸入層神經(jīng)元為歸一化后的環(huán)境溫度、濕度、風(fēng)速、風(fēng)向、氣壓、導(dǎo)線溫度；所述 隱含層神經(jīng)元為嫉個(gè)隱含層節(jié)點(diǎn)，根據(jù)實(shí)際訓(xùn)練精度進(jìn)行調(diào)整；所述輸出層神經(jīng)元為覆冰 厚度值。
[0020] 所述步驟2中所述的基于小波神經(jīng)網(wǎng)絡(luò)的覆冰厚度預(yù)測模型中所述隱含層神經(jīng) 元小波基函數(shù)為式（2):
(2) 式中，s:與S為伸縮平移尺度因子，小波： ................................ (3)
所述輸出層神經(jīng)元通過選擇Sigmoid函數(shù)： f