[发明专利]基于量子粒子群与小波神经网络的输电线路覆冰预测方法

权利要求书

1.一种基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：这种基于量子粒子群与小波神经网络的输电线路覆冰预测方法：

步骤1：获取输电线路覆冰历史数据，包括环境温度、湿度、风速、风向、气压、导线温度以及覆冰厚度，对获取的原始数据进行归一化处理，得到归一化数据；

步骤2：利用步骤1获取的归一化数据构建基于小波神经网络的覆冰厚度预测模型；基于小波神经网络的覆冰厚度预测模型包括输入层、隐含层及输出层；所述小波神经网络预测模型参数包括输入层神经元、隐含层神经元及输出层神经元；所述输入层神经元为归一化后的环境温度、湿度、风速、风向、气压、导线温度；所述隐含层神经元为个隐含层节点，根据实际训练精度进行调整；所述输出层神经元为覆冰厚度值；基于小波神经网络的覆冰厚度预测模型中所述隐含层神经元小波基函数为式(2)：

(2)

式中，与为伸缩平移尺度因子，，取Morlet小波：

(3)

所述输出层神经元通过选择Sigmoid函数：

(4)

小波神经网络的输入输出可以表示为：

(5)

式中，

(6)

(7)

(8)

(9)

(10)

式（6）—（10）中，为样本个数，、、、为网络学习速率，为网络动量因子；

步骤3：利用加入干扰因子的量子粒子群算法获取步骤2构建的预测模型的最优初始参数；

步骤4：利用步骤3获取的预测模型的最优初始参数，计算预测模型输出，通过将模型的输出反归一化获取输电线路覆冰预测厚度。

2.根据权利要求1所述的基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：所述的步骤1中所述的覆冰历史数据采用线性归一化处理公式为式(1)：

对数据建立映线性映射：

(1),

式中，，。

3.根据权利要求1或2所述的基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：所述的步骤3中所述的加入干扰因子的量子粒子群算法中将步骤2所述的小波神经网络连接权值以及参数映射为量子粒子群中的个体粒子；所述的粒子位置进化方程为：

式中，为迭代次数为时粒子群的当前位置，为个体粒子最佳位置，表示为，为之间的随机数，为第个粒子的最优位置，为粒子群的全局最优位置，为之间的随机数，为收缩-扩张因子，迭代次数为时取为

为迭代最大次数，为粒子群的平均最优位置，当种群规模为时，表示为：

。

4.根据权利要求3所述的基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：所述的步骤3中所述的量子粒子群算法中引入了正态分布的干扰因子来改变当前搜索粒子的位置，从而提高粒子群的多样性，所述的干扰因子表示为：

其中，为控制参数，为输出为正态分布值的随机函数；干扰因子引入判断基准为：当重复迭代次数大于早熟因子时，启动干扰因子，早熟因子根据实际数据进行设置。

5.根据权利要求4所述的基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：所述的加入干扰因子的量子粒子群算法当到达最大迭代次数或者允许误差范围时，停止迭代得到最优粒子，通过最优粒子分解映射获取权利5所述的小波神经网络连接权值以及参数的最优值。

6.根据权利要求5所述的基于量子粒子群与小波神经网络的输电线路覆冰预测方法，其特征在于：所述的步骤4中所述的输电线路覆冰预测厚度由训练好的小波神经网络预测模型输出反归一化获取。