[發明專利]基于量子蟻群優化RBF網絡的特高壓輸電線損預測方法

在審

• 申請號: 201911000000.0
• 申請日: 2019-10-21
• 公開（公告）號: CN110765700A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 楊建華;姜曼;牛寅生;唐登平;明登岳;汪應春;余明瓊;肖達強;白順明;劉定宜
• 申請（專利權）人: 國家電網公司華中分部
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06K9/62;G06F113/04;G06F113/16
• 代理公司: 42001 武漢宇晨專利事務所
• 代理人: 黃瑞棠

本發明公開了一種基于量子蟻群優化RBF網絡的特高壓輸電線損預測方法，屬于電力系統結合深度學習的技術領域。本方法包括下列步驟：①數據預處理；②建立特征指標體系；③確定神經網絡結構；④量子蟻群算法優化網絡輸出層的連接參數；⑤使用交替優化的方式來訓練神經網絡；⑥預測特高壓線損值，分析預測模型。本發明利用神經網絡的計算方式，易于擬合各種非線性關系，找出輸入參量和線損的關系時不用人為控制計算細節，使用簡便；使用RBF神經網絡來保證訓練速度較快，擁有局部逼近的特性，計算過程簡單；將量子蟻群算法引入神經網絡的優化過程中，改善了神經網絡自身優化容易陷入局部最優解的問題。

技術領域

本發明屬于電力系統結合深度學習的技術領域，尤其涉及一種基于量子蟻群優化RBF網絡的特高壓輸電線損預測方法。

背景技術

隨著電力系統的規模迅速擴大，其網絡的結構趨于復雜，給理論電網損耗計算帶來了困難；同時電網計量自動化系統的應用增強了電網的監控能力，電網公司可以較方便地采集到用于電網損耗理論計算的各種數據。目前所使用的特高壓輸電線線損計算系統主要通過輸電線兩端電量差值得到線損值統計值，存在誤差較大；為滿足電網公司日益精細化的線損管理要求，有必要研究新的方法引入到系統中來提高損耗計算的精確度。

近年來，深度學習技術成為人工智能方向中一大熱門，該技術為尋找參數間非線性關系提供了便捷方式；但目前為止，國內使用的基于深度學習的線損計算方法多應用在配電網中，還沒有針對1000kV特高壓特殊工況下輸電線路的線損預測方法。在該運行條件下的電暈損耗明顯且易受周圍環境影響，特別是高溫和雨水環境下導致電場畸變嚴重；其次電暈放電強度也會增加，產生對地電平電場的影響。因此為綜合分析環境對線損的作用，可通過神經網絡來擬合非電氣因素和線損之間復雜的非線性關系。其次，采用量子蟻群優化可以提高算法的全局搜索能力，避免搜索過程陷入早熟收斂問題。因此在線損預測中使用量子蟻群優化RBF神經網絡的方法。

首先，需要分析特高壓電網電氣設備的結構特征、電網運行參數以及一些非電環境參數；然后，擬合多種線路電路特征參數、非電環境參數與不同類型電網損耗之間的非線性映射關系；最終，通過優化的網絡結構和訓練方法建立該類型輸電線路電網損耗的預測模型。并將預測計算結果與關口電量表的實測統計的實際結果進行對比，對1000kV特高壓電網實際運行線損進行分析評估。

發明內容

本發明的目的就在于提供一種基于量子蟻群優化RBF網絡的特高壓輸電線損預測方法。

本發明的目的是這樣實現的：

針對1000kV特高壓輸電線的線損預測，提供一種量子蟻群算法優化RBF神經網絡的輸電線線損預測模型，針對輸電線路的特點研究非電氣因素對線損的影響，在構建模型輸入數據時加入了溫濕度和氣壓參數，再結合特高壓線路和變壓器的電氣特征以及工作狀態下的運行數據，對多維電氣特征樣本進行特征降維，獲取與線損計算關聯度較高的特征作為神經網絡的輸入，同時充分考慮環境因素對輸電線線損穩定程度的影響，在訓練神經網絡時對樣本數據進行聚類分析得到多種工況，在不同工況基礎上進行線損預測。RBF網絡被證明可以擬合任意非線性關系并且比傳統BP網絡有更好的逼近程度，因此適用于獲取樣本特征數據與線損值之間的函數關系，通過優化網絡結構中各層的權重與閾值矩陣便能得到線損預測結果準確率最好的計算模型。

具體地說，本方法包括如下步驟：

①數據預處理

首先獲取多類別數據供特征篩選，包括電線和變壓器的設備參數，收發端和變壓器的運行參數以及環境作用的非電氣參數；其次對數據進行0-1標準化處理使數據分布在集中的位置，提升后續模型的訓練速度和精度；

②建立特征指標體系