[发明专利]基于量子蚁群优化RBF网络的特高压输电线损预测方法

说明书

本发明公开了一种基于量子蚁群优化RBF网络的特高压输电线损预测方法，属于电力系统结合深度学习的技术领域。本方法包括下列步骤：①数据预处理；②建立特征指标体系；③确定神经网络结构；④量子蚁群算法优化网络输出层的连接参数；⑤使用交替优化的方式来训练神经网络；⑥预测特高压线损值，分析预测模型。本发明利用神经网络的计算方式，易于拟合各种非线性关系，找出输入参量和线损的关系时不用人为控制计算细节，使用简便；使用RBF神经网络来保证训练速度较快，拥有局部逼近的特性，计算过程简单；将量子蚁群算法引入神经网络的优化过程中，改善了神经网络自身优化容易陷入局部最优解的问题。

技术领域

本发明属于电力系统结合深度学习的技术领域，尤其涉及一种基于量子蚁群优化RBF网络的特高压输电线损预测方法。

背景技术

随着电力系统的规模迅速扩大，其网络的结构趋于复杂，给理论电网损耗计算带来了困难；同时电网计量自动化系统的应用增强了电网的监控能力，电网公司可以较方便地采集到用于电网损耗理论计算的各种数据。目前所使用的特高压输电线线损计算系统主要通过输电线两端电量差值得到线损值统计值，存在误差较大；为满足电网公司日益精细化的线损管理要求，有必要研究新的方法引入到系统中来提高损耗计算的精确度。

近年来，深度学习技术成为人工智能方向中一大热门，该技术为寻找参数间非线性关系提供了便捷方式；但目前为止，国内使用的基于深度学习的线损计算方法多应用在配电网中，还没有针对1000kV特高压特殊工况下输电线路的线损预测方法。在该运行条件下的电晕损耗明显且易受周围环境影响，特别是高温和雨水环境下导致电场畸变严重；其次电晕放电强度也会增加，产生对地电平电场的影响。因此为综合分析环境对线损的作用，可通过神经网络来拟合非电气因素和线损之间复杂的非线性关系。其次，采用量子蚁群优化可以提高算法的全局搜索能力，避免搜索过程陷入早熟收敛问题。因此在线损预测中使用量子蚁群优化RBF神经网络的方法。

首先，需要分析特高压电网电气设备的结构特征、电网运行参数以及一些非电环境参数；然后，拟合多种线路电路特征参数、非电环境参数与不同类型电网损耗之间的非线性映射关系；最终，通过优化的网络结构和训练方法建立该类型输电线路电网损耗的预测模型。并将预测计算结果与关口电量表的实测统计的实际结果进行对比，对1000kV特高压电网实际运行线损进行分析评估。

发明内容

本发明的目的就在于提供一种基于量子蚁群优化RBF网络的特高压输电线损预测方法。

本发明的目的是这样实现的：

针对1000kV特高压输电线的线损预测，提供一种量子蚁群算法优化RBF神经网络的输电线线损预测模型，针对输电线路的特点研究非电气因素对线损的影响，在构建模型输入数据时加入了温湿度和气压参数，再结合特高压线路和变压器的电气特征以及工作状态下的运行数据，对多维电气特征样本进行特征降维，获取与线损计算关联度较高的特征作为神经网络的输入，同时充分考虑环境因素对输电线线损稳定程度的影响，在训练神经网络时对样本数据进行聚类分析得到多种工况，在不同工况基础上进行线损预测。RBF网络被证明可以拟合任意非线性关系并且比传统BP网络有更好的逼近程度，因此适用于获取样本特征数据与线损值之间的函数关系，通过优化网络结构中各层的权重与阈值矩阵便能得到线损预测结果准确率最好的计算模型。

具体地说，本方法包括如下步骤：

①数据预处理

首先获取多类别数据供特征筛选，包括电线和变压器的设备参数，收发端和变压器的运行参数以及环境作用的非电气参数；其次对数据进行0-1标准化处理使数据分布在集中的位置，提升后续模型的训练速度和精度；

②建立特征指标体系