本发明属于绝缘子污秽预测技术领域，更为具体地讲，涉及一种基于相空间重构与神经网络分位数回归的盐密区间预测方法。
背景技术：
随着国民经济的快速发展，我国电网规模不断增大，电网额定电压等级不断提高，因此电力系统输变电设备外绝缘的污闪事故也日益严重。污闪灾害事故的发生规律很难掌握，也没有现行的可有效防范这类事故发生的措施。
一般情况下，电力系统运行管理部门的检修和维护人员多采取诸如增加爬电比距、尽可能使用耐污型绝缘子、定期对绝缘子表面喷涂防污涂料以及定期对绝缘子进行停电或带点清扫等污闪防治措施，这些方法在一定程度上能够起到减少污闪风险的作用，但同时不可避免地具有一定的被动性、盲目性和防范效果的不确定性，因此污闪事故防治的效果仍不理想口。
随着理论与实践发展，盐密预测技术发展迅速，一些先进的方法(如：人工神经网络、支持向量机、进化算法等)不断被引入，收到了良好的应用效果。然而，这些方法都只能实现对盐密的点预测，因此存在一定的局限。如果能实现盐密的区间预测，则不仅能够得到盐密的变化范围。而且，盐密的区间预测能够提供更为丰富的有用信息，有利于实现合理的电力调度。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于相空间重构与神经网络分位数回归的盐密区间预测方法，利用盐密本身的数据特性，来全面掌握和预测绝缘子盐密变化区间，以获得更多的盐密信息。
为实现上述发明目的，本发明一种基于相空间重构与神经网络分位数回归的盐密区间预测方法，其特征在于，包括以下步骤：
(1)、相空间重构
(1.1)、利用自相关函数法确定延迟时间t
设盐密时间序列为：x1,x2,…,xn，n为盐密时间序列的点数；盐密时间序列在延迟时间为t时的自相关函数rxx(t)为：
对延迟时间t的取值进行增大，使自相关函数rxx(t)逐渐减小至初始值rxx(0)的
(1.2)、确定嵌入维数m
对盐密时间序列进行相空间重构，重构后的相空间为：
xz(m)＝[xz,xz+t,...,xz+(m-1)t]t
其中，z＝1,2,...,l，l＝n-(m-1)t，l表示重构后相空间矢量个数；xz(m)为重构后的相空间矢量；t表示转置；
重构后的相空间用矩阵表示为：
令：
其中，j'＝1,2,...,n-m；n(j',m)是满足1≤n(j',m)≤n-m的正整数；||·||表示向量的范数；xn(j',m)(m)表示距离第j'个相空间重构的向量xj'(m)最近的向量，xj'(m)的嵌入维数是m，xj’(m+1)的嵌入维数是m+1，xn(j',m)(m+1)表示距离第j'个相空间重构的向量xj'(m+1)最近的向量；
计算a(j',m)的均值为：
定义el(m)＝e(m+1)/e(m)，对嵌入维数m的取值进行增大，使el(m)不停变化，当el(m)自某个m0开始停止变化，则m＝m0+1即为所寻找的最佳嵌入维数；
(2)、构建神经网络分位数回归模型
(2.1)、以相空间重构后的盐密数据xz(m)＝[xz,xz+t,...,xz+(m-1)t]t作为输入，以盐密的分位数预测值作为输出
(2.1.1)、计算第τ个分位点处隐层中第k个节点值gk(τ)：
其中，
(2.1.2)、计算输出层节点值
其中，
(2.2)、更新模型中的参数
(2.2.1)、取权重向量
(2.2.2)、定义损失函数
其中，λ为惩罚参数；k为隐含层节点数；||||2为2-范数，
计算w(r)(τ)处的下降梯度方向
(2.2.3)、以w(r)(τ)为起点，p(r)(τ)为搜索方向，选择适当步长t(r)(τ)，计算下一个解的位置：w(r+1)(τ)＝w(r)(τ)+t(r)(τ)p(r)(τ)；
(2.2.4)、令r＝r+1，重复步骤(2.2.1)～(2.2.3)，直到||w(r+1)(τ)-w(r)(τ)||≤ε，最终得到标准的神经网络分位数回归模型；
(3)、将待检测的盐密时间序列进行相空间重构后，输入至步骤(2)得到的神经网络分位数回归模型，通过设定不同的分位数τ，得到待检测的盐密时间序列的盐密变化区间。
本发明的发明目的是这样实现的：
本发明一种基于相空间重构与神经网络分位数回归的盐密区间预测方法，通过混沌时间序列的相空间重构理论和神经网络分位数回归相结合的方式，对盐密区间进行预测；具体讲，先进行盐密时间序列的相空间重构，再用重构后的盐密序列构建神经网络分位数回归模型，进而预测盐密区间；这样就结合了混沌理论、神经网络和分位数回归三个方面的优势，能够准确刻画盐密的变动规律，便于科学决策。
同时，本发明一种基于相空间重构与神经网络分位数回归的盐密区间预测方法还具有以下有益效果：
(1)、提出了基于相空间重构的盐密时间序列的预测模型，并且用神经网络分位数回归模型对其求解，解决了在等值盐密数据小样本且存在噪声情况下的预测问题，提高了预测精度。
(2)、建立了盐密区间预测的神经网络分位数回归模型，结合了神经网络模型和分位数回归模型两个方面的优势，能够准确刻画盐密的变动规律，表现出强大的功能。
(3)、基于神经网络分位数回归，建立了盐密预测方法，不仅显著提升了模型预测精度，而且得到了盐密的整个预测区间，能够提供更多有用信息，便于科学决策。
附图说明
图1是本发明基于相空间重构与神经网络分位数回归的盐密区间预测方法流程图；
图2是取不同延迟时间时的自相关函数的变化曲线；
图3是el(m)变化曲线；
图4是不同分位数的盐密区间预测曲线图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于相空间重构与神经网络分位数回归的盐密区间预测方法流程图。
在本实施例中，如图1所示，本发明一种基于相空间重构与神经网络分位数回归的盐密区间预测方法，其核心思想是结合相空间重构技术，挖掘出盐密时间序列中隐含的规律，再利用神经网络分位数回归在不同分位数处得到不同的盐密预测值的方法来预测盐密变化的区间，包括以下步骤：
s1、相空间重构
s1.1、利用自相关函数法确定延迟时间t
以某电力部门提供的2011年～2014年的盐密时间序列数据，再选择其中300组数据作为测试数据，即盐密时间序列的点数为n＝300；盐密时间序列在延迟时间为t时的自相关函数rxx(t)为：
对延迟时间t的取值从1开始逐渐增大，自相关函数rxx(t)逐渐减小至初始值rxx(0)的0.63倍时，所得到的t即为相空间重构的延迟时间；
根据不同的延迟时间t求出自相关函数的大小，分别画出延迟时间取不同值时的自相关函数的变化曲线如图2中的实线，当自相关函数下降到初始值的0.63倍时，即图2中虚线和实线的交点处，即为所求的延迟时间t＝30。
s1.2、确定嵌入维数m
对盐密时间序列进行相空间重构，重构后的相空间为：
xz(m)＝[xz,xz+30,...,xz+(m-1)*30]t
其中，z＝1,2,...,l，l＝300-(m-1)*30，l表示重构后相空间矢量个数；xz(m)为重构后的相空间矢量；t表示转置；
重构后的相空间用矩阵表示为：
令：
其中，j'＝1,2,...,300-m；n(j',m)是满足1≤n(j',m)≤300-m的正整数；||·||表示向量的范数；xn(j',m)(m)表示距离第j'个相空间重构的向量xj'(m)最近的向量，xj'(m)的嵌入维数是m，xj'(m+1)的嵌入维数是m+1，xn(j',m)(m+1)表示距离第j'个相空间重构的向量xj'(m+1)最近的向量；
计算a(j',m)的均值为：
定义el(m)＝e(m+1)/e(m)，对嵌入维数m的取值进行增大，使el(m)不停变化，当el(m)自某个m0开始停止变化，则m＝m0+1即为所寻找的最佳嵌入维数；
由上一步中求出的延迟时间，来求最佳嵌入维数，如图3所示，el(m)随着嵌入维数的增大逐渐增大，直到嵌入维数大于7后开始停止变化，所以盐密时间序列的最佳嵌入维数是8。
s2、构建神经网络分位数回归模型
s2.1、相空间重构后的盐密数据为
s2.1.1、计算第τ个分位点处隐层中第k个节点值gk(τ)：
其中，
s2.1.2、计算输出层节点值
其中，
s2.2、更新模型中的参数
s2.2.1、取权重向量w(r)(τ)＝[(w(kh)(τ))t,(w(out)(τ))t]t的初始值为w(0)(τ)，其中r＝1,2,...,30；
s2.2.2、定义损失函数
其中，||||2为2-范数，
计算w(r)(τ)处的下降梯度方向
s2.2.3、以w(r)(τ)为起点，p(r)(τ)为搜索方向，选择适当步长t(r)(τ)，计算下一个解的位置：w(r+1)(τ)＝w(r)(τ)+t(r)(τ)p(r)(τ)；
s2.2.4、令r＝r+1，重复步骤s2.2.1～s2.2.3，直到||w(r+1)(τ)-w(r)(τ)||≤0.0001，最终得到标准的神经网络分位数回归模型；
s3、将60组训练数据输入至步骤s2得到的神经网络分位数回归模型；然后将30组测试数据输入神经网络分位数回归模型，通过设定不同的分位数τ＝0.1,0.2，...，0.9，得到盐密时间序列的盐密变化区间，如图4所示。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。