[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

本發明公開了一種基于CEEMDAN?QFOA?LSTM的輸電線覆冰厚度預測方法，涉及輸電線狀態評估與深度學習結合的領域。本方法包括下列步驟：①數據獲取和預處理（11）；②對覆冰厚度歷史數據序列進行CEEMDAN分解（12）；③量子果蠅算法優化LSTM的超參數（13）；④LSTM模型訓練（14）；⑤預測輸電線覆冰厚度并分析結果（15）。本發明使用CEEMDAN分解算法，將難以直接預測的序列轉換為多個可預測的分量序列，根據分解得到的多維度特征信息可以使神經網絡更加準確地把握序列的規律；使用QFOA優化算法來獲取超參數，避免了復雜的人為調參過程，更有效地訓練網絡模型；使用的LSTM神經網絡不存在一般網絡的梯度消失問題，保證模型能夠最優收斂，有效解決短期和長期時間序列預測的問題。

技術領域

本發明屬于輸電線狀態評估與深度學習結合的領域，尤其涉及一種基于CEEMDAN-QFOA-LSTM的輸電線覆冰厚度預測方法。

背景技術

在智能電網快速發展下，輸電線路部件成為電網中數量最多、最重要的組成部分，線路安全穩定地運行對國民經濟的發展及人民正常的生產生活有著重要的意義。隨著輸電線路的不斷擴張，線路走廊逐漸延伸至冰災多發地區，同時由于其直接暴露于外界環境中，面臨著嚴寒環境因素的威脅，因此有必要設計一種覆冰厚度預測方法，為除冰方案制訂和線路維護工作提供可靠的參考依據。

基于深度學習的各種技術作為當下的研究熱門，也逐漸引用到智能電網的建設中，該方法通過數據集的迭代訓練，可以方便地獲得輸入和輸出之間的復雜映射關系，比傳統基于理論知識的算法更具魯棒性，同時，逐漸成熟的電力數據釆集系統、環境數據監測系統為開展模型訓練提供有力的數據支撐。

目前大多數方法都是針對輸電線和其他輸電設備的表面覆冰特征進行狀態分類，不能夠明確得到覆冰厚度數值，究其原因，主要是由于覆冰厚度受到各種因素影響，而實際中無法獲得所有相關因素的數據，僅僅依靠傳統的數據挖掘或者單一的深度學習網絡難以在該數據上建立準確的覆冰厚度預測模型。

發明內容

本發明的目的就在于克服現有技術存在缺點和不足，提供一種基于CEEMDAN-QFOA-LSTM的輸電線覆冰厚度預測方法。

本發明的目的是這樣實現的：

針對冰災多發地區的架空輸電線路的覆冰預測問題，設計了一種CEEMDAN-QFOA-LSTM結構的覆冰厚度預測方法。針對覆冰厚度序列高維、非線性、非平穩、多模態等特點，使用CEEMDAN方法對序列進行分解，得到多個IMF分量，這樣可以減少噪聲和離群值對高維數據的影響，并最大程度地利用時頻固有規律來有效分析結冰數據。該方法使用一種自適應的白噪聲，精確地控制每一步的分解，不僅克服了模態混疊現象，還有效避免了常用的EEMD(集合經驗模態分解)方法出現的噪聲殘留和低效率問題。將相應時刻的氣象數據與各個IMF分量序列組合，構建后續訓練需要的數據集，每一組數據包括歷史覆冰厚度、溫度、濕度、風速和大氣壓強數據。LSTM網絡模型中每一次基本單元的計算結果都與當前輸入以及上一個基本單元的結果相關，通過這種方法，便具備了記憶之前計算結果的功能，在序列預測上展線了突出的優勢。為了避免人為調參的復雜過程，提高模型構建的效率，使用改進QFOA優化算法來得到最佳的訓練超參數，該算法綜合量子優化和果蠅優化，用量子編碼擴充了解空間，引入變異操作增加種群的多樣性，使得優化過程中不易陷入局部最優解，提高算法的收斂速度。在確定超參數的同時也是對LSTM模型不斷更新的過程，通過多次的迭代循環，最終獲得可用于覆冰厚度預測的模型。

首先通過CEEMDAN(基于自適應噪聲的完全集合經驗模態分解)算法分解覆冰厚度序列，解耦其高維性和非線性，得到若干個IMF(本征模態)分量，實現序列特征提取，同時將各個本征模態的序列信息結合氣象數據構建神經網絡的數據集，使用QFOA(量子果蠅優化算法)來確定部分LSTM(長短期記憶網絡)的超參數，更有效地構建預測模型，最后將多個LSTM的預測結果疊加得到輸電線路覆冰厚度預測值。

具體地說，本方法包括如下步驟：