[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

摘要

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。

主权项

1.一种基于量子蚁群优化RBF网络的特高压输电线损预测方法，其特征在于包括以下步骤：/n本方法包括如下步骤：/n①数据预处理(11)/n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；/n②建立特征指标体系(12)/n从步骤①获取的参数中筛选出和线损关联度较高的若干电气参数，将影响1000kV特高压输电线网络的电气数据作为比较序列，线损作为参考序列，采用关联分析方法计算比较序列和参考序列的关联系数，确定每一个电气指标与输电线线损之间的关联程度，来反映1000kV线路的网架结构和运行状态对线损的影响程度，再结合非电气参数建立输入的特征指标；/n③确定神经网络结构(13)/n在训练RBF神经网络前需要确定网络结构，输入层为步骤②确定的特征指标，输出层为预测的线损值，隐藏层神经元表示输入样本与样本中心点之间的距离，通过改进的聚类方法计算出中心点的位置和个数来确定隐藏层结构；/n④量子蚁群算法优化网络输出层的连接参数(14)/nRBF神经网络的隐藏层和输出层之间使用线性加权连接，经过步骤③确定网络结构后得到连接参数的维度，采用量子蚁群算法优化连接参数，对连接参数进行量子编码初始化，其长度为n，设置蚁群的规模为M，以线损值与真实值的均方误差为评价标准对每一只蚂蚁都进行最优路径搜索，再利用所得的全局误差最低解来计算更新蚁群的信息素浓度，从而控制蚁群的移动，即控制连接参数朝着最优目标函数的方向更新；/n⑤使用交替优化的方式来训练神经网络(15)/n将步骤①预处理的数据按照8：2的比例分为训练集和测试集，训练集输入步骤④得到的神经网络，计算线损预测值，当预测值序列与真实值序列的均方误差满足规定的目标误差时，记录优化得到的连接参数并重新赋值给神经网络，使用神经网络的反向传播算法进行优化，直到损失函数最佳稳定时，判断输出序列均方误差是否满足预测要求，若不满足便再次进入量子蚁群优化算法计算连接参数，再次训练；/n⑥预测特高压线损值，分析预测模型(16)/n将归一化的测试集数据输入步骤⑤训练好的模型当中，测试模型在测试集上的相对误差，分析模型的准确度和泛化能力；若不满足相对误差的大小要求，需要适当调整网络中和量子蚁群算法中的超参数来对网络重新训练。/n