CN110765700A - 基于量子蚁群优化rbf网络的特高压输电线损预测方法 - Google Patents
基于量子蚁群优化rbf网络的特高压输电线损预测方法 Download PDFInfo
- Publication number
- CN110765700A CN110765700A CN201911000000.0A CN201911000000A CN110765700A CN 110765700 A CN110765700 A CN 110765700A CN 201911000000 A CN201911000000 A CN 201911000000A CN 110765700 A CN110765700 A CN 110765700A
- Authority
- CN
- China
- Prior art keywords
- quantum
- line loss
- ant colony
- data
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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
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;
③确定神经网络结构
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;
④量子蚁群算法优化网络输出层的连接参数
RBF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;
⑤使用交替优化的方式来训练神经网络
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;
⑥预测特高压线损值,分析预测模型
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。
本发明具有下列优点和积极效果:
①在传统的线损理论计算中,例如均方根电流法、平均电流法和最大电流法等,不仅受负荷波动影响较大而且需要大量的电气数据以及等效方法,计算过程十分复杂,而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;
②不同于传统BP神经网络,本发明使用RBF神经网络来保证训练速度较快,该网络的隐藏层只有一层,相对BP结构简单,并且输入神经元离径向基函数中心越远,神经元的激活程度就越低,拥有局部逼近的特性,不用全局映射所以计算过程简单;
③本发明将量子蚁群算法引入神经网络的优化过程中,该算法已被证明是全局收敛的,改善了神经网络自身优化容易陷入局部最优解的问题,使得预测结果的精度比单一的RBP网络更好,同时量子蚁群算法是对蚁群算法的改进,将传统蚁群算法中信息素强度的增加量转变为量子旋转门旋转角的更新,可以保证信息素向最优目标解的方向坍缩,具有更好的快速进化求优能力;
④本发明在制定特征指标时,专门加入了如温湿度,降雨量的环境描述数据,把握了环境因素对特高压输电这一特殊工况的影响,在模型预测结果中能够充分分析环境因素的影响,提高预测计算的准确度。
附图说明
图1是本发明的步骤图;
图2是RBF神经网络的结构图,图中:
21—输入层,X1、X2……Xk—第1、2……k输入变量,1≤k≤100;
22—隐藏层,C1、C2……Cn—第1、2……n中间变量,1≤n≤100;
W1、W2……Wn—输入层与隐藏层间的连接参数;
23—输出层,y—线性加权。
图3是量子蚁群优化算法的流程图;
图4是训练神经网络的流程图。
英译汉
RBF:Radial Basis Function,径向基函数。
具体实施方式
下面结合附图和实施例详细说明:
一、方法
1、本方法的步骤
如图①,本方法包括下列步骤:
①数据预处理11;
②建立特征指标体系12;
③确定神经网络结构13;
④量子蚁群算法优化网络输出层的连接参数14;
⑤使用交替优化的方式来训练神经网络15;
⑥预测特高压线损值,分析预测模型16。
2、工作机理
以下对本发明的工作机理进行简单说明:
首先,对获取的电气数据和环境数据进行预处理,关于电气数据要通过线损统计值去除因为计量故障产生的异常数据,关于环境数据需要剔除缺省值,通过对齐时间节点综合整理两类型数据;其次,分析电气数据与线损值之间的关联程度,用灰色关联分析函数计算电气数据序列和线损数据序列的关联系数,按照关联系数大小排序确定关联度较高的若干电气数据类型,可以根据实际数据完整程度调整,结合环境数据构建数据特征指标,作为神经网络结构的输入;然后,需要确定神经网络的结构,采用RBF神经网络模型只有三层,输入层由关联分析得到,输出层为线损值,隐藏层由径向基函数确定,作用是把输入向量从低维度的数据映射到高维度,完成对非线性关系的学习,这个过程中需要通过聚类算法提取输入内容主要的特征信息作为隐藏层计算的数据;最后,进行线损预测值的计算,该过程是通过隐藏层与输出层之间连接参数完成的线性映射,需要通过优化算法来训练网络得到隐藏层与输出层的连接参数,神经网络自身的优化方法为梯度下降,但是该过程容易得到局部最优解,因此采用量子蚁群算法学习全局最优解,提高预测的精度,量子蚁群算法是对蚁群算法中数据计算形式的改进,用于改善蚁群算法的收敛速度和早熟问题。该优化算法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,控制蚁群向量向信息素浓度高的方向移动,即实现连接参数朝着最优目标函数的方向更新。
3、子步骤
1)数据预处理11
具体流程如下:
首先,从1000kV特高压输电线和线路地域环境获取原始数据信息,其中,特高压输电线00的参数包括电网线路的长度、电阻率、导线截面积,变压器的容量和负载系数,运行参数包括线路实测有功电量、无功电量、电压和电流,非电参数包括所处地域的温湿度、气压和降水量信息;
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RBF神经网络的训练速度和精度;
转换函数如下式:
式中,L是归一化前的数值,L'是归一化后的值,min和max为L向量中的最小值和最大值。
2)建立特征指标体系12
分析原始电气数据与理论线损值的关联程度,从原始特征中筛选出最优的电气特征指标来建立神经网络的输入层特征指标体系,具体流程如下:
A、用电气指标作为比较序列x,线损作为参考序列y,采用灰色关联分析的方法计算每个指标的序列xi与参考序列y的关联系数ξi,并在所有样本个数上取平均得到关联度ri,计算如下式:
Δi(k)=|y(k)-xi(k)| (4)
式中,xi,y是归一化处理后的值,ri为xi与y的关联度;ρ∈(0,∞)为分辨系数,一般取0.5,Δi(k)表示第k个样本线损输出y与样本中第i个电气特征之间的距离;
B、对每个电气指标按关联度r值进行排序,选取排名前五的电气指标和环境指标组合作为RBF线损预测网络的输入的特征指标体系,可以对电气指标个数进行调整,根据不同的输入指标,训练多个预测模型,模型之间用平均预测误差作为评判标准,其计算如下式:
3)确定神经网络结构103
确定神经网络隐层节点数,如图2,使用改进的K-means算法,确定中心点的个数和位置,具体流程如下:
a、初始化类别数目k和初始聚类中心点,为避免人为调整初始化类别的复杂操作过程,通过计算聚类结果总的轮廓系数St来选取最优k值,对于任意一个样本点i,聚类结果的计算方法如下式:
式中:q(i)为点i到所属类中其它点的平均距离;p(i)为点i到非所属类中所有点平均距离的最小值,轮廓系数St是所有样本点轮廓系数的平均值;
使用一种方法计算初始的聚类中心,避免人为随机选点的复杂操作过程,建立电气参数的评价指标PE,根据样本的PE值进行升序排序,将样本等分成k类,选取每类的中心样本作为该类的初始聚类中心;
其中PE计算方法如下式:
式中:Zij为第i个样本的第j个电气特征参数值,总共有N个样本和M个电气特征;ωj为第j个电气特征参数的权重,这里均取1;PE则表示样本的电气特征向量与最小电气特征向量的欧式距离;
b、按照各样本数据与初始中心点的欧式距离划分数据集为k类,并计算每类中所有样本数据的平均值来更新聚类中心,计算式如下式:
式中Dij表示第i个样本与第j个中心点的距离,M是特征指标的维度;Lim为第i个样本数据,Zjm为第j个中心点;Lij代表属于j中心点的一个样本数据,对属于该中心点的所有样本数据求和得到新的坐标中心Zij′;
c、收敛判断,用(12)式判断是否收敛:
式中:mi为Ci类的聚类中心;Zq为Ci类中的样本;重复步骤b直到步骤⑤达到限定条件或摆动很小,实施例中算法趋于稳定时的聚类数为11,因此确定RBF网络的隐藏层数量为11。
4)量子蚁群优化算法,
如图3,量子蚁群优化算法的具体流程为:
参数初始化30
对网络隐藏层22与输出层23的参数进行初始化;
ⅰ、随机量子编码31
设置量子编码的规模为m,其编码和初始化如下式:
θij=2π×rand (13)
式中,n=2k是空间维数,i∈(1,2,...,m),m代表种群数量,θij是初始化的值,rand是(0,1)上的随机数;
ⅱ、适应度筛选32
从初始化的连接参数的量子群中找出最优适应度的个体,用适应度函数(14)(15)判断个体的优劣,记录最优个体的量子位概率幅,并计算与其他个体的概率幅的距离;
式中,线损的预测值为线损理论计算值为yij,使用两者之间的均方误差函数作为第i个蚂蚁的适应度函数F(i);α0、β0是当前搜索得到的全局最优解里某个量子位的概率幅:αi、βi是当前解里面相应量子位的概率幅.Ai为最优个体与其他个体的概率幅距离;
ⅲ、蚁群移动计算33
利用量子旋转门旋转角的更新表示信息素的增量,采用自适应的方式使连接参数朝最优目标解的方向坍缩而不陷入局部最优解,如下式:
Δθij=-sgn(Ai)×Δθ (17)
式中,U(Δθ)是更新后的量子旋转门,Δθ是旋转的角度大小,Ai为概率幅距离常数,这里使用自适应的方式来调整量子旋转角Δθij的方向和大小,Tmax是设置好的最大迭代次数,t是当前的迭代次数,随着迭代次数的增加减缓旋转角变化的速度;
ⅳ、路径搜索计算34
使用更新后的量子旋转门对量子蚁群的位置进行更新来实现路径搜索,选择最优的移动方向和大小改变每只蚂蚁的量子位概率幅,移动的转移概率方程构成如下式:
式中,表示蚂蚁k的转移概率,m表示所有量子位,α(α≥0)为信息启发式因子,为两个连接参数向量之间的可见度,Dij为两个连接参数向量之间的距离,β(β≥0)为期望的启发式因子,μj为第j个个体的量子信息强度,|λj|2表示第j个量子位的量子态坍缩到0的概率,γ(γ≥0)为量子比特启发式因子;
ⅴ、信息素更新35
为确定最优路径,控制蚁群的下一步移动,需要利用上步得到的蚁群位置来更新信息素,如下式
式中,ρ(0≤ρ<1)为路径信息素的持久性,为边弧(i,j)之前的路径信息素强度,是边弧(i,j)更新之后的路径信息素强度,是蚂蚁k在边弧(i,j)上留下的单位长度轨迹信息素数量.C是常量,为蚂蚁k实现一次循环所释放的信息素总量。相邻两个连接参数向量之间的距离。
ⅵ、判断是否满足结束条件36,是则进入下一步骤,否则跳转到步骤ⅲ;
ⅶ、解码输出37。
5)训练神经网络的过程:
图4,训练神经网络的流程如下:
Ⅰ、设置连接参数41;
Ⅱ、设置数据样本,训练RBF网络42
将A预处理的数据按照8:2的比例分为训练集和测试集,训练集作为D得到的神经网络的输入,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;
Ⅲ、计算RBF网络模型输出误差43
损失函数最佳稳定时,计算线损预测值与实际值的误差;
Ⅳ、判断误差是否满足期望要求44,是则进入下一步骤,否则经过量子蚁群优化过程46跳转到步骤Ⅰ,重新进行训练;
Ⅴ、保存预测模型45,保存最终连接参数和网络模型。
6)预测特高压线损值,分析预测模型
过程如下:
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;对于不满足相对误差的情况,需要对网络重新训练,可以适当调整网络的初始学习率,使反向传播过程不易陷入局部最优;对于满足相对误差的情况,可以直接应用模型到实际的线损预测中,基于预测结果分析和评估运行状态。
二、创新点
1、数据的特征指标体系构建时,针对特高压线路受环境影响的特点,加入了温湿度等环境数据,充分分析非电气因素对线损计算的影响;
2、使用量子蚁群优化算法优化RBF神经网络的预测模型,融合了收敛性好和计算速度快的特点,增强了数据预测的正确度和运行效率;
3、将预测模型应用到特高压这一特殊工况下的线损值预测,在方法应用上也是一种创新。
Claims (3)
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:
本方法包括如下步骤:
①数据预处理(11)
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(12)
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;
③确定神经网络结构(13)
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;
④量子蚁群算法优化网络输出层的连接参数(14)
RBF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;
⑤使用交替优化的方式来训练神经网络(15)
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;
⑥预测特高压线损值,分析预测模型(16)
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。
2.按权利要求1所述的特高压输电线损预测方法,其特征在于:
所述的步骤③确定神经网络结构(13),具体流程如下:
a、初始化类别数目k和初始聚类中心点,为避免人为调整初始化类别的复杂操作过程,通过计算聚类结果总的轮廓系数St来选取最优k值,对于任意一个样本点i,聚类结果的计算方法如下式:
式中:q(i)为点i到所属类中其它点的平均距离;p(i)为点i到非所属类中所有点平均距离的最小值,轮廓系数St是所有样本点轮廓系数的平均值;
使用一种方法计算初始的聚类中心,避免人为随机选点的复杂操作过程,建立电气参数的评价指标PE,根据样本的PE值进行升序排序,将样本等分成k类,选取每类的中心样本作为该类的初始聚类中心;
其中PE计算方法如下式:
式中:Zij为第i个样本的第j个电气特征参数值,总共有N个样本和M个电气特征;ωj为第j个电气特征参数的权重,这里均取1;PE则表示样本的电气特征向量与最小电气特征向量的欧式距离;
b、按照各样本数据与初始中心点的欧式距离划分数据集为k类,并计算每类中所有样本数据的平均值来更新聚类中心,计算式如下式:
式中Dij表示第i个样本与第j个中心点的距离,M是特征指标的维度;Lim为第i个样本数据,Zjm为第j个中心点;Lij代表属于j中心点的一个样本数据,对属于该中心点的所有样本数据求和得到新的坐标中心Zij′;
c、收敛判断,用(12)式判断是否收敛:
式中:mi为Ci类的聚类中心;Zq为Ci类中的样本;重复步骤b直到步骤⑤达到限定条件或摆动很小,实施例中算法趋于稳定时的聚类数为11,因此确定RBF网络的隐藏层数量为11。
3.按权利要求1所述的特高压输电线损预测方法,其特征在于:
所述的量子蚁群优化算法的具体流程为:
参数初始化(30)
对网络隐藏层(22)与输出层(23)的参数进行初始化;
ⅰ、随机量子编码(31)
设置量子编码的规模为m,其编码和初始化如下式:
θij=2π×rand (13)
式中,n=2k是空间维数,i∈(1,2,...,m),m代表种群数量,θij是初始化的值,rand是(0,1)上的随机数;
ⅱ、适应度筛选(32)
从初始化的连接参数的量子群中找出最优适应度的个体,用适应度函数(14)(15)判断个体的优劣,记录最优个体的量子位概率幅,并计算与其他个体的概率幅的距离;
式中,线损的预测值为线损理论计算值为yij,使用两者之间的均方误差函数作为第i个蚂蚁的适应度函数F(i);α0、β0是当前搜索得到的全局最优解里某个量子位的概率幅:αi、βi是当前解里面相应量子位的概率幅.Ai为最优个体与其他个体的概率幅距离;
ⅲ、蚁群移动计算(33)
利用量子旋转门旋转角的更新表示信息素的增量,采用自适应的方式使连接参数朝最优目标解的方向坍缩而不陷入局部最优解,如下式:
Δθij=-sgn(Ai)×Δθ (17)
式中,U(Δθ)是更新后的量子旋转门,Δθ是旋转的角度大小,Ai为概率幅距离常数,这里使用自适应的方式来调整量子旋转角Δθij的方向和大小,Tmax是设置好的最大迭代次数,t是当前的迭代次数,随着迭代次数的增加减缓旋转角变化的速度;
ⅳ、路径搜索计算(34)
使用更新后的量子旋转门对量子蚁群的位置进行更新来实现路径搜索,选择最优的移动方向和大小改变每只蚂蚁的量子位概率幅,移动的转移概率方程构成如下式:
式中,表示蚂蚁k的转移概率,m表示所有量子位,α(α≥0)为信息启发式因子,为两个连接参数向量之间的可见度,Dij为两个连接参数向量之间的距离,β(β≥0)为期望的启发式因子,μj为第j个个体的量子信息强度,|λj|2表示第j个量子位的量子态坍缩到0的概率,γ(γ≥0)为量子比特启发式因子;
ⅴ、信息素更新(35)
为确定最优路径,控制蚁群的下一步移动,需要利用上步得到的蚁群位置来更新信息素,如下式
式中,ρ(0≤ρ<1)为路径信息素的持久性,为边弧(i,j)之前的路径信息素强度,是边弧(i,j)更新之后的路径信息素强度,是蚂蚁k在边弧(i,j)上留下的单位长度轨迹信息素数量.C是常量,为蚂蚁k实现一次循环所释放的信息素总量,相邻两个连接参数向量之间的距离;
ⅵ、判断是否满足结束条件(36),是则进入下一步骤,否则跳转到步骤ⅲ;
ⅶ、解码输出(37)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000000.0A CN110765700A (zh) | 2019-10-21 | 2019-10-21 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911000000.0A CN110765700A (zh) | 2019-10-21 | 2019-10-21 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765700A true CN110765700A (zh) | 2020-02-07 |
Family
ID=69332508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911000000.0A Pending CN110765700A (zh) | 2019-10-21 | 2019-10-21 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765700A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN112001441A (zh) * | 2020-08-24 | 2020-11-27 | 中国石油大学(华东) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 |
CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种基于支持向量机的空调负荷预测方法 |
CN112116162A (zh) * | 2020-09-26 | 2020-12-22 | 国家电网公司华中分部 | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 |
CN112348700A (zh) * | 2020-11-05 | 2021-02-09 | 国家电网公司华中分部 | 一种结合som聚类与ifou方程的线路容量预测方法 |
CN112531706A (zh) * | 2020-12-18 | 2021-03-19 | 东北电力大学 | 一种基于复杂不变性与深度神经网络的同调机群辨识方法 |
CN112733995A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 训练神经网络的方法、行为检测方法及行为检测装置 |
CN112731377A (zh) * | 2020-12-15 | 2021-04-30 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测系统 |
CN112800667A (zh) * | 2021-01-20 | 2021-05-14 | 广西大学 | 一种平行并行量子人工情感深度学习的多层电压控制方法 |
CN112995222A (zh) * | 2021-05-11 | 2021-06-18 | 北京智源人工智能研究院 | 一种网络检测方法、装置、设备及介质 |
CN113128111A (zh) * | 2021-04-12 | 2021-07-16 | 中国南方电网有限责任公司超高压输电公司昆明局 | 特高压电路中运行参数的诊断方法及诊断装置 |
CN114676824A (zh) * | 2022-04-11 | 2022-06-28 | 华北电力大学 | 灰色关联分析和pso-rbf下的配电网线损预测方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN116094974A (zh) * | 2023-01-28 | 2023-05-09 | 北京京航计算通讯研究所 | 网络通信参数配置测试用例生成方法、装置及测试方法 |
CN116526568A (zh) * | 2023-07-03 | 2023-08-01 | 国网北京市电力公司 | 交直流配电网分布式电源优化方法、系统、设备及介质 |
CN116701884A (zh) * | 2023-08-03 | 2023-09-05 | 太行城乡建设集团有限公司 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
CN116776454A (zh) * | 2022-03-04 | 2023-09-19 | 中国人民解放军空军航空大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN116843628A (zh) * | 2023-06-15 | 2023-10-03 | 华中农业大学 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN109670628A (zh) * | 2018-11-09 | 2019-04-23 | 昆明理工大学 | 一种基于lssvm的神经网络的微电网负荷预测方法 |
CN109858533A (zh) * | 2019-01-18 | 2019-06-07 | 莆田学院 | 一种前置核的rbf-mlp混合结构神经网络分类器 |
-
2019
- 2019-10-21 CN CN201911000000.0A patent/CN110765700A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN109670628A (zh) * | 2018-11-09 | 2019-04-23 | 昆明理工大学 | 一种基于lssvm的神经网络的微电网负荷预测方法 |
CN109858533A (zh) * | 2019-01-18 | 2019-06-07 | 莆田学院 | 一种前置核的rbf-mlp混合结构神经网络分类器 |
Non-Patent Citations (4)
Title |
---|
何迎生,段明秀: "基于改进Kmeans聚类方法的RBF神经网络设计", 《邵阳学院学报》 * |
赵俊生; 李跃光; 张远平: "一种改进的量子蚁群算法及其应用", 《计算机应用与软件》 * |
陈章宝,曾庆念,徐耀: "基于改进蚁群优化算法的配电线损计算新方法", 《广东电力》 * |
魏瑛琦: "基于量子蚁群算法的动态VRP问题的研究与应用", 《中国优秀硕士论文电子期刊.信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN112070262B (zh) * | 2020-07-09 | 2022-06-14 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种基于支持向量机的空调负荷预测方法 |
CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种基于支持向量机的空调负荷预测方法 |
CN112001441A (zh) * | 2020-08-24 | 2020-11-27 | 中国石油大学(华东) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 |
CN112116162A (zh) * | 2020-09-26 | 2020-12-22 | 国家电网公司华中分部 | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 |
CN112348700A (zh) * | 2020-11-05 | 2021-02-09 | 国家电网公司华中分部 | 一种结合som聚类与ifou方程的线路容量预测方法 |
CN112731377A (zh) * | 2020-12-15 | 2021-04-30 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测系统 |
CN112731377B (zh) * | 2020-12-15 | 2024-03-26 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测系统 |
CN112531706A (zh) * | 2020-12-18 | 2021-03-19 | 东北电力大学 | 一种基于复杂不变性与深度神经网络的同调机群辨识方法 |
CN112733995A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 训练神经网络的方法、行为检测方法及行为检测装置 |
CN112800667A (zh) * | 2021-01-20 | 2021-05-14 | 广西大学 | 一种平行并行量子人工情感深度学习的多层电压控制方法 |
CN113128111A (zh) * | 2021-04-12 | 2021-07-16 | 中国南方电网有限责任公司超高压输电公司昆明局 | 特高压电路中运行参数的诊断方法及诊断装置 |
CN112995222A (zh) * | 2021-05-11 | 2021-06-18 | 北京智源人工智能研究院 | 一种网络检测方法、装置、设备及介质 |
CN116776454A (zh) * | 2022-03-04 | 2023-09-19 | 中国人民解放军空军航空大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN114676824A (zh) * | 2022-04-11 | 2022-06-28 | 华北电力大学 | 灰色关联分析和pso-rbf下的配电网线损预测方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115238860B (zh) * | 2022-06-22 | 2024-01-23 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN116094974A (zh) * | 2023-01-28 | 2023-05-09 | 北京京航计算通讯研究所 | 网络通信参数配置测试用例生成方法、装置及测试方法 |
CN116843628A (zh) * | 2023-06-15 | 2023-10-03 | 华中农业大学 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
CN116843628B (zh) * | 2023-06-15 | 2024-01-02 | 华中农业大学 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
CN116526568A (zh) * | 2023-07-03 | 2023-08-01 | 国网北京市电力公司 | 交直流配电网分布式电源优化方法、系统、设备及介质 |
CN116526568B (zh) * | 2023-07-03 | 2023-09-15 | 国网北京市电力公司 | 交直流配电网分布式电源优化方法、系统、设备及介质 |
CN116701884A (zh) * | 2023-08-03 | 2023-09-05 | 太行城乡建设集团有限公司 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
CN116701884B (zh) * | 2023-08-03 | 2023-10-27 | 太行城乡建设集团有限公司 | 基于蚁群-神经网络算法的公路工程污水水质预测方法 |
CN117233540A (zh) * | 2023-11-15 | 2023-12-15 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
CN117233540B (zh) * | 2023-11-15 | 2024-02-20 | 广东电网有限责任公司江门供电局 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN111814401B (zh) | 基于遗传算法的bp神经网络的led寿命预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN111310722B (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
CN116008706A (zh) | 一种多维相关性的三芯电缆动态载流量预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200207 |