[发明专利]基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法

说明书

本发明公开了一种基于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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明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：