[發明專利]基于CEEMDAN-QFOA-LSTM的輸電線覆冰厚度預測方法

有效

• 申請號: 202011026983.8
• 申請日: 2020-09-26
• 公開（公告）號: CN112116162B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 周超凡;熊瑋;徐浩;蔡煜;夏添;易本順
• 申請（專利權）人: 國家電網公司華中分部;武漢大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N10/60
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 黃瑞棠

1.一種基于CEEMDAN-QFOA-LSTM的輸電線覆冰厚度預測方法，其特征在于：

①數據獲取和預處理(11)

首先分別獲取一段時間的覆冰厚度歷史數據和當地天氣數據，時間粒度為1小時，通過控制時間步長和時間跨度篩選出連續間隔的覆冰厚度序列和天氣數據序列，其中天氣數據為溫度、濕度、風速和大氣壓強四類，這些數據已經在實驗中被證明是與覆冰厚度相關性較高的因素；對于多種單一天氣數據序列，需要將其相同時刻的數據內容進行組合，得到多類型天氣的序列形式；

②對覆冰厚度序列進行CEEMDAN分解(12)

在步驟①中整理的覆冰厚度序列是由多種因素綜合作用產生的，具有非線性的特征，按傳統方法直接使用難以通過神經網絡學習到其特征，因此使用CEEMDAN算法對序列進行分解，分解得到的新序列比原序列具有更強的可分析性，信噪比更高，網絡可以更好地學習到各個本征模態分量IMF與天氣序列的非線性關系；該過程通過多次添加自適應的白噪聲和分解函數計算，最終將原始序列轉換為多個IMF分量和一個余量R的線性組合；

③量子果蠅算法優化LSTM的超參數(13)

初始化果蠅種群規模M，對種群中個體進行量子編碼，通過隨機移動的方式，在隨機范圍內控制個體的移動，并以一定概率控制個體變異，將變換后的個體帶入LSTM模型中計算，按照最優適應度函數確定整個種群的移動方向，利用適應度函數循環控制種群移動，當達到優化目標時，可以確定LSTM的超參數；

④LSTM模型訓練(14)

該過程首先需要將步驟②中獲得的多個IMF分量序列與步驟①中處理的多類型天氣序列組合，經過最大最小歸一化處理，構建數據集，并按照8：1：1的方式將原始數據集分為訓練集、驗證集和測試集；根據經驗值初始化超參數，使用訓練集對多個LSTM網絡進行訓練，將前向傳播的結果疊加，完成序列重構，得到預測的覆冰厚度，再按照步驟③中的優化判斷條件，判斷是否進入步驟③進行超參數優化操作；經過多次迭代后，模型收斂，得到預測覆冰厚度的LSTM模型組；

⑤預測輸電線覆冰厚度并分析結果(15)

將步驟④中的測試集數據輸入到LSTM模型組進行測試，計算得到測試集的相對誤差，如果誤差較大，需要重新隨機初始化超參數再訓練；若誤差在可接受范圍內，則保存模型，根據超參數中輸入序列步長確定使用環節中，需要輸入的歷史覆冰厚度序列和氣象序列長度。

2.按權利要求1所述的輸電線覆冰厚度預測方法，其特征在于：

所述的步驟①的具體流程如下：

首先分別獲取一段時間的輸電線覆冰厚度數據和該線路所屬地區的天氣數據，總的時間跨度至少為一個月，兩種數據的時間粒度都為1小時，通過控制時間步長和時間跨度，篩選出連續步長的覆冰厚度序列和天氣數據序列，其中天氣數據為溫度、濕度、風速和大氣壓強四類，這些數據已經在實驗中被證明是與覆冰厚度相關性較高的因素；其中覆冰序列用IC(n)表示，溫度、濕度、風速和大氣壓強這些天氣序列分別為Tem(n)、Hum(n)、Wsp(n)、Apr(n)；對于多種單一天氣數據序列，需要將其相同時刻的數據內容進行組合，得到多類型天氣的序列形式，即：

Wea(n)＝{[Tem(1),Hum(1),Wsp(1),Apr(1)],...,[Tem(n),Hum(n),Wsp(n),Apr(n)]}序列中每一個元素都是由同一時刻的溫度、濕度、風速和大氣壓強值組合而成的一維向量。

3.按權利要求1所述的輸電線覆冰厚度預測方法，其特征在于：

所述的步驟②流程如下:

a、對IC(n)加噪分解，計算第一個IMF(21)；

b、計算余量序列R₁(n)(22)；

c、對R₁(n)加噪分解，計算第二個IMF(23)；

d、繼續加噪分解，得到第k個IMF(24)；

e、判斷余量序列極值點數(25)；

f、獲取序列分解表達(26)。