基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法技术

本发明专利技术公开了一种基于CEEMDAN‑QFOA‑LSTM的输电线覆冰厚度预测方法，涉及输电线状态评估与深度学习结合的领域。本方法包括下列步骤：①数据获取和预处理（11）；②对覆冰厚度历史数据序列进行CEEMDAN分解（12）；③量子果蝇算法优化LSTM的超参数（13）；④LSTM模型训练（14）；⑤预测输电线覆冰厚度并分析结果（15）。本发明专利技术使用CEEMDAN分解算法，将难以直接预测的序列转换为多个可预测的分量序列，根据分解得到的多维度特征信息可以使神经网络更加准确地把握序列的规律；使用QFOA优化算法来获取超参数，避免了复杂的人为调参过程，更有效地训练网络模型；使用的LSTM神经网络不存在一般网络的梯度消失问题，保证模型能够最优收敛，有效解决短期和长期时间序列预测的问题。

【技术实现步骤摘要】
基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法
本专利技术属于输电线状态评估与深度学习结合的领域，尤其涉及一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法。
技术介绍
在智能电网快速发展下，输电线路部件成为电网中数量最多、最重要的组成部分，线路安全稳定地运行对国民经济的发展及人民正常的生产生活有着重要的意义。随着输电线路的不断扩张，线路走廊逐渐延伸至冰灾多发地区，同时由于其直接暴露于外界环境中，面临着严寒环境因素的威胁，因此有必要设计一种覆冰厚度预测方法，为除冰方案制订和线路维护工作提供可靠的参考依据。基于深度学习的各种技术作为当下的研究热门，也逐渐引用到智能电网的建设中，该方法通过数据集的迭代训练，可以方便地获得输入和输出之间的复杂映射关系，比传统基于理论知识的算法更具鲁棒性，同时，逐渐成熟的电力数据釆集系统、环境数据监测系统为开展模型训练提供有力的数据支撑。目前大多数方法都是针对输电线和其他输电设备的表面覆冰特征进行状态分类，不能够明确得到覆冰厚度数值，究其原因，主要是由于覆冰厚度受到各种因素影响，而实际中无法获得所有相关因素的数据，仅仅依靠传统的数据挖掘或者单一的深度学习网络难以在该数据上建立准确的覆冰厚度预测模型。
技术实现思路
本专利技术的目的就在于克服现有技术存在缺点和不足，提供一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法。本专利技术的目的是这样实现的：针对冰灾多发地区的架空输电线路的覆冰预测问题，设计了一种CEEMDAN-QFOA-LSTM结构的覆冰厚度预测方法。针对覆冰厚度序列高维、非线性、非平稳、多模态等特点，使用CEEMDAN方法对序列进行分解，得到多个IMF分量，这样可以减少噪声和离群值对高维数据的影响，并最大程度地利用时频固有规律来有效分析结冰数据。该方法使用一种自适应的白噪声，精确地控制每一步的分解，不仅克服了模态混叠现象，还有效避免了常用的EEMD(集合经验模态分解)方法出现的噪声残留和低效率问题。将相应时刻的气象数据与各个IMF分量序列组合，构建后续训练需要的数据集，每一组数据包括历史覆冰厚度、温度、湿度、风速和大气压强数据。LSTM网络模型中每一次基本单元的计算结果都与当前输入以及上一个基本单元的结果相关，通过这种方法，便具备了记忆之前计算结果的功能，在序列预测上展线了突出的优势。为了避免人为调参的复杂过程，提高模型构建的效率，使用改进QFOA优化算法来得到最佳的训练超参数，该算法综合量子优化和果蝇优化，用量子编码扩充了解空间，引入变异操作增加种群的多样性，使得优化过程中不易陷入局部最优解，提高算法的收敛速度。在确定超参数的同时也是对LSTM模型不断更新的过程，通过多次的迭代循环，最终获得可用于覆冰厚度预测的模型。首先通过CEEMDAN(基于自适应噪声的完全集合经验模态分解)算法分解覆冰厚度序列，解耦其高维性和非线性，得到若干个IMF(本征模态)分量，实现序列特征提取，同时将各个本征模态的序列信息结合气象数据构建神经网络的数据集，使用QFOA(量子果蝇优化算法)来确定部分LSTM(长短期记忆网络)的超参数，更有效地构建预测模型，最后将多个LSTM的预测结果叠加得到输电线路覆冰厚度预测值。具体地说，本方法包括如下步骤：①数据获取和预处理首先分别获取一段时间的覆冰厚度数据和当地天气数据，时间粒度为1小时，通过控制时间步长和时间跨度筛选出连续间隔的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式；②对覆冰厚度序列进行CEEMDAN分解在步骤①中整理的覆冰厚度序列是由多种因素综合作用产生的，具有非线性的特征，直接使用难以通过神经网络学习到其特征，因此使用CEEMDAN算法对序列进行分解，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，网络可以更好地学习到各个本征模态分量IMF与天气序列的非线性关系；该过程通过多次添加自适应的白噪声和分解函数计算，最终将原始序列转换为多个IMF分量和一个余量R的线性组合；③量子果蝇算法优化LSTM的超参数初始化果蝇种群规模M，对种群中个体进行量子编码，通过随机移动的方式，在随机范围内控制个体的移动，并以一定概率控制个体变异，将变换后的个体带入LSTM模型中计算，按照最优适应度函数确定整个种群的移动方向，利用适应度函数循环控制种群移动，当达到优化目标时，可以确定LSTM的超参数；④LSTM模型训练该过程首先需要将步骤②中获得的多个IMF分量序列与步骤①中处理的多类型天气序列组合，经过最大最小归一化处理，构建数据集，并按照8：1：1的方式将原始数据集分为训练集、验证集和测试集；根据经验值初始化超参数，使用训练集对多个LSTM网络进行训练，将前向传播的结果叠加，完成序列重构，得到预测的覆冰厚度，再按照步骤③中的优化判断条件，判断是否进入步骤③进行超参数优化操作；经过多次迭代后，模型收敛，得到预测覆冰厚度的LSTM模型组；⑤预测输电线覆冰厚度并分析结果将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的相对误差，如果误差较大，需要重新随机初始化超参数再训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。本专利技术具有下列优点和积极效果：①本专利技术使用了深度学习的方式实现覆冰厚度的预测，相比传统方法而言，避免了复杂的理论计算和对误差的估计处理；数据准备上，只需要历史覆冰厚度和相关的部分天气信息即可，可以在输入参数较少的情况下通过训练好的LSTM网络模型预测覆冰厚度，而且预测结果也相对传统的覆冰等级分类更加明确，可以直接叠加预测结果得到下一时刻的覆冰厚度。②本专利技术中使用了量子果蝇算法来优化LSTM网络的超参数，该方法的使用避免了神经网络训练中，复杂的人为调参步骤，根据预测结果而构建的自适应函数，保证从全局效果上同时得到多个超参数的最佳组合情况，提高了训练出最优模型的效率。同时，量子果蝇算法，通过引入量子编码和个体变异操作，增加了种群个体的多样性，拓展了解空间的范围，使得优化过程中不易陷入局部最优解，同时该算法也是全局收敛的，能够在多种个体搜索方案中较快地确定优化结果，加速了收敛过程，相比普通的果蝇算法更快地得到最优超参数。③本专利技术从数据分析与深度学习角度揭示输电线覆冰厚度和气象环境参量之间的关联关系和内在变化规律，通过捕捉线路早期覆冰厚度记录与气候环境的先兆信息，建立预测模型，提高输电线路覆冰状态预测的准确性，基于预测结果，方便后续的风险评估分析并制订相应的线路维护方案，推进线路状态评估的效率和电网调度智能化水平的提升。总之，本专利技术使用CEEMDAN分解算法，将难以直接预测的序列转换为多个可预测的分量序列，根据分解得到的多维度本文档来自技高网...

【技术保护点】
1.一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法，其特征在于：/n①数据获取和预处理(11)/n首先分别获取一段时间的覆冰厚度历史数据和当地天气数据，时间粒度为1小时，通过控制时间步长和时间跨度筛选出连续间隔的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式；/n②对覆冰厚度序列进行CEEMDAN分解(12)/n在步骤①中整理的覆冰厚度序列是由多种因素综合作用产生的，具有非线性的特征，按传统方法直接使用难以通过神经网络学习到其特征，因此使用CEEMDAN算法对序列进行分解，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，网络可以更好地学习到各个本征模态分量IMF与天气序列的非线性关系；该过程通过多次添加自适应的白噪声和分解函数计算，最终将原始序列转换为多个IMF分量和一个余量R的线性组合；/n③量子果蝇算法优化LSTM的超参数(13)/n初始化果蝇种群规模M，对种群中个体进行量子编码，通过随机移动的方式，在随机范围内控制个体的移动，并以一定概率控制个体变异，将变换后的个体带入LSTM模型中计算，按照最优适应度函数确定整个种群的移动方向，利用适应度函数循环控制种群移动，当达到优化目标时，可以确定LSTM的超参数；/n④LSTM模型训练(14)/n该过程首先需要将步骤②中获得的多个IMF分量序列与步骤①中处理的多类型天气序列组合，经过最大最小归一化处理，构建数据集，并按照8：1：1的方式将原始数据集分为训练集、验证集和测试集；根据经验值初始化超参数，使用训练集对多个LSTM网络进行训练，将前向传播的结果叠加，完成序列重构，得到预测的覆冰厚度，再按照步骤③中的优化判断条件，判断是否进入步骤③进行超参数优化操作；经过多次迭代后，模型收敛，得到预测覆冰厚度的LSTM模型组；/n⑤预测输电线覆冰厚度并分析结果(15)/n将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的相对误差，如果误差较大，需要重新随机初始化超参数再训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。/n...

【技术特征摘要】
1.一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法，其特征在于：
①数据获取和预处理(11)
首先分别获取一段时间的覆冰厚度历史数据和当地天气数据，时间粒度为1小时，通过控制时间步长和时间跨度筛选出连续间隔的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式；
②对覆冰厚度序列进行CEEMDAN分解(12)
在步骤①中整理的覆冰厚度序列是由多种因素综合作用产生的，具有非线性的特征，按传统方法直接使用难以通过神经网络学习到其特征，因此使用CEEMDAN算法对序列进行分解，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，网络可以更好地学习到各个本征模态分量IMF与天气序列的非线性关系；该过程通过多次添加自适应的白噪声和分解函数计算，最终将原始序列转换为多个IMF分量和一个余量R的线性组合；
③量子果蝇算法优化LSTM的超参数(13)
初始化果蝇种群规模M，对种群中个体进行量子编码，通过随机移动的方式，在随机范围内控制个体的移动，并以一定概率控制个体变异，将变换后的个体带入LSTM模型中计算，按照最优适应度函数确定整个种群的移动方向，利用适应度函数循环控制种群移动，当达到优化目标时，可以确定LSTM的超参数；
④LSTM模型训练(14)
该过程首先需要将步骤②中获得的多个IMF分量序列与步骤①中处理的多类型天气序列组合，经过最大最小归一化处理，构建数据集，并按照8：1：1的方式将原始数据集分为训练集、验证集和测试集；根据经验值初始化超参数，使用训练集对多个LSTM网络进行训练，将前向传播的结果叠加，完成序列重构，得到预测的覆冰厚度，再按照步骤③中的优化判断条件，判断是否进入步骤③进行超参数优化操作；经过多次迭代后，模型收敛，得到预测覆冰厚度的LSTM模型组；
⑤预测输电线覆冰厚度并分析结果(15)
将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的相对误差，如果误差较大，需要重新随机初始化超参数再训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。


2.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：
所述的步骤①的具体流程如下：
首先分别获取一段时间的输电线覆冰厚度数据和该线路所属地区的天气数据，总的时间跨度至少为一个月，两种数据的时间粒度都为1小时，通过控制时间步长和时间...

【专利技术属性】
技术研发人员：周超凡，熊玮，徐浩，蔡煜，夏添，易本顺，
申请(专利权)人：国家电网公司华中分部，武汉大学，
类型：发明
国别省市：湖北;42