基于量子粒子群与小波神经网络的输电线路覆冰预测方法
【技术领域】
[0001] 本发明涉及输电线路覆冰灾害预警领域，具体涉及基于量子粒子群与小波神经网 络的输电线路覆冰预测方法。
【背景技术】
[0002] 近年来，伴随着电力基础设施的逐步建设，输电线路的安全可靠性问题受到越来 越多的重视。由于输电线路大多暴露在自然环境中，其运行状态容易受到各种气象因素的 影响。特别是，输电线路冬季发生覆冰现象可能对线路安全稳定造成影响，甚至引起严重的 危害，造成巨大的经济损失。因此，对输电线路覆冰的厚度进行预测，制定有效的防冰对策， 从而实现线路覆冰灾害预警与处理具有重大现实意义。
[0003] 目前关于输电线路覆冰预测的模型有线性预测模型与非线性预测模型。需要指出 的是，输电线路覆冰厚度受众多气象因素的影响，这些气象因素与覆冰厚度之间存在着复 杂的非线性关系，采用非线性预测模型的结果会更加准确。常见的非线性模型有灰色预测 模型、BP神经网络模型以及模糊模型。其中，BP神经网络模型不依赖精确的数学模型，并且 具有很强的自适应能力与非线性函数逼近能力，具有良好的预测能力。然而，传统的BP神 经网络模型存在着预测结果不唯一、过度拟合、容易陷入局部极小、初始参数难以确定等问 题。
【发明内容】
[0004] 本发明的目的是提供基于量子粒子群与小波神经网络的输电线路覆冰预测方法， 这种基于量子粒子群与小波神经网络的输电线路覆冰预测方法用于解决传统的BP神经网 络模型存在着预测结果不唯一、过度拟合、容易陷入局部极小、初始参数难以确定等问题。
[0005] 本发明解决其技术问题所采用的技术方案是：这种基于量子粒子群与小波神经网 络的输电线路覆冰预测方法： 步骤1 :获取输电线路覆冰历史数据，包括环境温度、湿度、风速、风向、气压、导线温度 以及覆冰厚度，对获取的原始数据进行归一化处理，得到归一化数据； 步骤2 :利用步骤1获取的归一化数据构建基于小波神经网络的覆冰厚度预测模 型；基于小波神经网络的覆冰厚度预测模型包括输入层、隐含层及输出层；所述小波神经 网络预测模型参数包括输入层神经元t隐含层神经元及输出层神经元f ;所述输入层神经 元为归一化后的环境温度、湿度、风速、风向、气压、导线温度；所述隐含层神经元为浦个隐 含层节点，根据实际训练精度进行调整；所述输出层神经元为覆冰厚度值；基于小波神经 网络的覆冰厚度预测模型中所述隐含层神经元小波基函数为式（2): _ 设纖::為...繊(2) 式中，#与#为伸缩平移尺度因子，α 小波： :響 __||_;錢斑-:濟遲1_ (3) 所述输出层神经元通过选择Sigmoid函数： CN 105139274 A VL 贝
(4) 小波神经网络的输入输出可以表示为：
(5) 式中，
(6) (7) (8) (9) (10) 式（6) -（10)中，P为样本个数，腦、漏、.、賺为网络学习速率，&为网络动量因子。
[0006] 步骤3 :利用加入干扰因子的量子粒子群算法获取步骤2构建的预测模型的最优 初始参数； 步骤4 :利用步骤3获取的预测模型的最优初始参数，计算预测模型输出，通过将模型 的输出反归一化获取输电线路覆冰预测厚度。
[0007] 上述方案中步骤1中所述的覆冰历史数据采用线性归一化处理公式为式（1): 对数据奪建立映线性映射：
⑴，
[0008] 上述方案中步骤3中所述的加入干扰因子的量子粒子群算法中将步骤2所述的小 波神经网络连接权值以及参数α、&映射为量子粒子群中的个体粒子；所述的粒子位置进化 方程为：
式中，靈为迭代次数为I时粒子群的当前位置，i为个体粒子最佳位置，表示为 P二咕+ α-为mi】之间的随机数，釋为第菱个粒子的最优位置，_为粒子群的全局最 优位置$为顯S之间的随机数，I为收缩-扩张因子，迭代次数为@时取为
觀·:;为迭代最大次数，齡賴:为粒子群的平均最优位置，当种群规模为_时，編_表示 为：
上述方案中步骤3中所述的量子粒子群算法中引入了正态分布的干扰因子来改变当 前搜索粒子的位置，从而提高粒子群的多样性，所述的干扰因子表示为： Pi ~ Pi (?φ 其中，？为控制参数，__为输出为正态分布值的随机函数；干扰因子引入判断基准为： 当重复迭代次数大于早熟因子时，启动干扰因子，早熟因子根据实际数据进行设置。
[0009] 上述方案中所述的加入干扰因子的量子粒子群算法当到达最大迭代次数或者允 许误差范围时，停止迭代得到最优粒子，通过最优粒子分解映射获取权利5所述的小波神 经网络连接权值以及参数^ S的最优值。
[0010] 上述方案中步骤4中所述的输电线路覆冰预测厚度由训练好的小波神经网络预 测模型输出反归一化获取。
[0011] 本发明具有以下有益效果： 1、本发明可以达到准确预测输电线路覆冰厚度的目的，从而为输电线路冰灾预警及处 理提供参考，保证电网系统的安全稳定。此外，本发明采用的小波神经网络结合了小波变换 与神经网络，具有很强的自适应能力、容错能力与鲁棒性，比BP神经网络更多自由度，并且 具有更灵活的非线性函数逼近能力。通过采用加入干扰因子的量子粒子群优化算法，可以 获得最优的小波神经网络的全值与小波参数，具有唯一的预测结果。
[0012] 2、为了准确预测输电线路的覆冰厚度研究冰灾对线路的影响，本发明通过输电线 路覆冰的历史数据，包括环境温度、湿度、风速、风向、气压、导线温度以及覆冰厚度，对输电 线路的覆冰厚度进行预测，具有广泛的应用前景以及经济价值。
【附图说明】
[0013] 图1为本发明的流程图。
[0014] 图2为本发明中小波神经网络结构图。
[0015] 图3为本发明中引入干扰因子的量子粒子群优化小波神经网络初始参数方法的 流程图。
【具体实施方式】
[0016] 以下结合附图1-附图3对本发明的优选实施例进行说明，应当理解，此处所描 述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0017] -种基于量子粒子群与小波神经网络的输电线路覆冰预测方法，包括以下步骤： 步骤1 :获取输电线路覆冰历史数据，包括环境温度、湿度、风速、风向、气压、导线温度 以及覆冰厚度，对获取的原始数据进行归一化处理； 步骤2 :利用步骤1获取的归一化数据构建基于小波神经网络的覆冰厚度预测模型； 步骤3 :利用加入干扰因子的量子粒子群算法获取步骤2构建的预测模型的最优初始 参数； 步骤4 :利用步骤3获取的预测模型的最优初始参数，计算预测模型输出，通过将模型 的输出反归一化获取输电线路覆冰预测厚度。
[0018] 所述步骤1中所述步骤1中所述的覆冰历史数据采用线性归一化处理公式为式 (1)： 对数据建立映线性映射：
(1)
[0019] 所述步骤2中所述的基于小波神经网络的覆冰厚度预测模型包括输入层、隐含层 及输出层；所述小波神经网络预测模型参数包括输入层神经元《:、隐含层神经元及输出层神 经元I ;所述输入层神经元为归一化后的环境温度、湿度、风速、风向、气压、导线温度；所述 隐含层神经元为嫉个隐含层节点，根据实际训练精度进行调整；所述输出层神经元为覆冰 厚度值。
[0020] 所述步骤2中所述的基于小波神经网络的覆冰厚度预测模型中所述隐含层神经 元小波基函数为式（2):
(2) 式中，s:与S为伸缩平移尺度因子，小波： ................................ (3)
所述输出层神经元通过选择Sigmoid函数： f