[发明专利]基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法

权利要求书

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跨度，筛选出连续步长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；其中覆冰序列用IC(n)表示，温度、湿度、风速和大气压强这些天气序列分别为Tem(n)、Hum(n)、Wsp(n)、Apr(n)；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，即：

Wea(n)＝{[Tem(1),Hum(1),Wsp(1),Apr(1)],...,[Tem(n),Hum(n),Wsp(n),Apr(n)]}序列中每一个元素都是由同一时刻的温度、湿度、风速和大气压强值组合而成的一维向量。

3.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②流程如下:

a、对IC(n)加噪分解，计算第一个IMF(21)；

b、计算余量序列R₁(n)(22)；

c、对R₁(n)加噪分解，计算第二个IMF(23)；

d、继续加噪分解，得到第k个IMF(24)；

e、判断余量序列极值点数(25)；

f、获取序列分解表达(26)。