CN111445010B - 一种基于证据理论融合量子网络的配网电压趋势预警方法 - Google Patents
一种基于证据理论融合量子网络的配网电压趋势预警方法 Download PDFInfo
- Publication number
- CN111445010B CN111445010B CN202010226541.1A CN202010226541A CN111445010B CN 111445010 B CN111445010 B CN 111445010B CN 202010226541 A CN202010226541 A CN 202010226541A CN 111445010 B CN111445010 B CN 111445010B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- quantum
- training
- voltage
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 15
- 230000007774 longterm Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000001932 seasonal effect Effects 0.000 claims abstract description 4
- 230000003442 weekly effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于证据理论融合量子网络的配网电压趋势预警方法，包括如下步骤：S1、获得配电网历史数据；S2、对配电网历史数据进行预处理，划分为长期（年数据）、中期（季数据）、短期（周数据）训练集和测试集；S3、构建初始量子神经网络；S4、调整量子神经网络参数，训练量子神经网络模型；S5、对神经网络进行测试，结合线路实际情况，修正电压趋势预测结果；S6、DS证据理论融合完善量子神经网络的电压趋势预测功能；S7、实现电压异常预警功能。本发明能够提供配网电压异常的主动防治新方法，提高配电网供电质量及电网运行经济性。
Description
技术领域
本发明属于配网电压趋势预测技术领域，具体涉及一种基于证据理论融合量子网络的配网电压趋势预警方法。
背景技术
近年来，随着我国经济的发展与人民生活水平的提高，人们的用电需求量也随之急剧增长，电力负荷迅速激增，而配电网相对主网发展较为缓慢，配电设备更新换代相对滞后，配电网电压异常问题日益突出。目前，常见的配电网电压异常类型主要包括长期性电压异常、季节性电压异常、短时性电压异常等。然而，在实际电网系统中，由于配网电压调控能力不足、无功补偿配置不合理等技术原因和运维管理粗放、需求侧管理不到位等管理原因，配电网电压异常现象更加复杂，监测预警难度加大。目前常用的一些方法包括灰色关联、自回归滑动平均法、支持向量机等都可以在一定程度上对简单场景的配电网电压进行趋势预测，但是对数据平稳性要求很高、预测准确率不高，而且很难实现复杂场景的时间序列建模，因此难以投入实际使用。近年来发展起来的神经网络和深度学习技术为这一问题的有效解决提供了可能性，通过DS证据理论的信息融合能力，可解决神经网络收敛速度慢，预测准确度低等问题，提高预测效率和精度。
发明内容
本发明针对现有技术中的不足，提供一种基于证据理论融合量子网络的配网电压趋势预警方法。本发明从配电网历史数据出发，划分了长期、中期、短期训练集和测试集，用于构建精度更高的量子神经网络，通过量子神经网络进行电压趋势预测，并融合DS证据理论，对预测值的可信度分析进行优化，提高了趋势预测的准确性，建立并完善了量子神经网络的电压趋势预警模型，提高了电压异常预警的可靠性。本发明能很好的解决电压趋势预测问题中模型精确性和泛用性问题，提高了趋势预测的精度和鲁棒性，为配电网提供电压异常的主动防治策略。
为实现上述目的，本发明采用以下技术方案：
一种基于证据理论融合量子网络的配网电压趋势预警方法，其特征在于，包括如下步骤：
S1、获得配电网历史数据；
S2、对配电网历史数据进行预处理，划分为长期、中期、短期训练集和测试集，不同数据集时间单位不同；
S3、构建初始量子神经网络；
S4、调整量子神经网络参数，利用各数据集训练量子神经网络模型；
S5、对量子神经网络模型进行测试，结合线路实际情况，修正电压趋势预测结果；
S6、DS证据理论融合完善量子神经网络模型的电压趋势预测功能；
S7、根据电压趋势预测结果，实现电压异常预警功能。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S2中，对配电网历史数据进行预处理过程具体如下：
数据预处理采用归一化处理，归一化结果表示为：
式中，x′为归一化后时间序列参数，x为归一化前时间序列参数，xmin为时间序列参数最小值，xmax为时间序列参数最大值。
进一步地，步骤S2中，长期表示年数据，中期表示季数据，短期表示周数据。
进一步地，步骤S3中，构建初始量子神经网络过程具体如下：
S31、采用sigmoid函数作为隐藏层神经元的激活函数，记作：
则采用式(1)的sigmoid函数的多层激活函数的隐藏层神经元的激活函数表示为：
式中，ns是量子间隔数目；θr是量子间隔；β为陡度因子，取值为1；
S32、采用3层量子神经网络模型，各层节点数分别为ni，nh，no；隐藏层采用式(2)作为激活函数；设学习样本矢量Xl＝(x1，x2，...，xnl)，则隐藏层各节点的输入和输出如下可得：
式中，ωij为输入层到隐藏层的权重，表示输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重；xi表示输入层第i个输入节点的输入；aj为隐藏层第j个隐藏节点的偏置；
输出层各节点的输入和输出如下可得：
式中，vjk为隐藏层到输出层的权重，表示隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重；bk为输出层第k个输出节点的偏置；
隐藏层第j个隐藏节点的第r个量子间隔的更新式为：
式中，Ej为隐藏层第j个隐藏节点的输出值的误差；a是学习速率。
进一步地，步骤S4中，调整量子神经网络参数，训练量子神经网络模型具体包括：
S41、初始化量子神经网络的参数，包括输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重ωij、隐藏层第j个隐藏节点的偏置aj，隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重vjk，输出层第k个输出节点的偏置bk；
S42、使用长期训练集中的第一组数据，训练步骤S41中的初始量子神经网络；vjk和bk的第N+1次更新公式如下：
式中，
是第i-1个输入样本在第N+1次更新后对应的连接权重，
是第i个输入样本在第N次更新后对应的连接权重；
是第i-1个输入样本在第N+1次更新后对应的偏置，
是第i个输入样本在第N次更新后对应的偏置；a是学习速率；
S43、将长期训练集中的新一组训练数据输入到输入层，重复步骤S42到S43，对参数进行迭代更新，直到训练误差Es小于设定阈值；
S44、通过反向传播算法对量子神经网络的参数进行反向微调；
S45、经过调整模型参数并结合验证数据确定误差大小，选取较优模型QNN1；
S46、使用中期训练集和短期训练集，调整初始量子神经网络的vjk和bk，重复步骤S41到S45，再选取两个较优模型QNN2，QNN3。
进一步地，步骤S41中，初始化量子神经网络的参数过程具体如下：
采用Xavier初始化方法对量子神经网络的权重进行初始化，结果表示为：
式中，
是区间
上的均匀分布，n表示输入的维度，nout表示输出的维度，即下一层的输入维度；vjk同理可得；
偏置aj和偏置bk均取[-1，1]中的数。
进一步地，步骤S6中，DS证据理论融合完善量子神经网络的电压趋势预测功能具体包括：
S61、利用训练集对单一模型进行训练，根据训练误差Es，确定每个模型在任一个时点的可信度Bs，则模型在该点的可信度表示为：
式中，s从1到3，分别表示QNN1，QNN2，QNN3三个模型；ε是接近0的极小的正数，消除训练误差Es为0的情况；ys为实际的电压值，
为预测的电压值；Es表示一个QNN模型的训练误差；Et表示各QNN模型的训练误差，用于将三个QNN模型的训练误差求和；
S62、将每个模型在任一个时点的可信度Bs作为该模型在这一时刻的可靠性系数；
S63、设第s个网络的第q个输出值为Os(q)，则有：
式中，ms(q)代表第s个证据对状态q的概率分配，即第s个模型对第q个输出值的概率分配；ms(θ)为不确定性θ的基本概率分配函数；
S64、根据证据理论合成公式，得到合并后的各状态的基本概率分配：
式中，A为所有模型的所有输出值的集合，Au为第u个输出值；
若K→1或K＝1，则表示证据高度冲突，需重新对数据集进行预处理，进一步提取特征，重新划分训练集和测试集；
S65、利用公式(3)得到的基本概率分配作为权重对3个QNN模型的电压趋势预测结果进行加权求和，得到最终的电压趋势预测结果。
进一步地，步骤S7中，将量子神经网络模型的电压趋势预测结果和电压异常预警阈值作比较，若小于阈值，则继续监视下一时间点的电压趋势情况，若大于阈值，则电压异常预警。
本发明的有益效果是：本发明能够提高电压质量，降低网损，保证供用电设备安全运行；针对配电网电压异常的情况，本发明提出一种基于量子神经网络的配电网电压趋势预测模型，并融合DS证据理论，通过对电压趋势预测结果和DS证据理论分析得到最优的电压趋势预测结果，完善电压异常预警功能与实施方案。
附图说明
图1是本发明的总体流程图。
图2是本发明的量子神经网络构建流程图。
图3是本发明的DS证据理论融合方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1至图3所示，本发明的技术方案做进一步详细的描述。
参考图1描述本发明方法的总体流程，具体步骤如下：
步骤一：通过数据库获取配电网历史数据；
步骤二：对配电网历史数据进行预处理，划分为长期(年数据)、中期(季数据)、短期(周数据)训练集和测试集，不同数据集时间单位不同；
步骤三：构建初始量子神经网络；
步骤四：调整量子神经网络参数，训练量子神经网络模型；
步骤五：对神经网络进行测试，结合线路实际情况，修正电压趋势预测结果；
步骤六：DS证据理论融合完善量子神经网络的电压趋势预测功能；
步骤七：将模型趋势预测结果和电压异常预警阈值作比较，若小于阈值，则转入步骤八，若大于阈值，则转入步骤九；
步骤八：监视下一时间点的电压趋势情况；
步骤九：系统报警，进行电压异常预警。
为了更清楚的说明本发明，下面将对相关内容进行展开说明。
(一)数据预处理方法
数据预处理的主要步骤是归一化处理，目的是为了便于网络收敛，归一化结果可表示为：
式中，x′为归一化后时间序列参数，x为归一化前时间序列参数，xmin为时间序列参数最小值，xmax为时间序列参数最大值。
(二)构建初始量子神经网络方法
如图2所示，构建初始量子神经网络主要是确定激活函数、量子神经网络结构、输入和输出形式及更新方式、量子间隔更新方式，以保证后续网络训练的顺利进行。具体步骤如下：
1)隐藏层神经元的激活函数采用sigmoid函数的多层激活函数。公式如下：
其中，ns是量子间隔数目；θr是量子间隔；β为陡度因子，一般取值为1。
2)采用3层量子神经网络模型，各层节点数分别为ni，nh，no。设学习样本矢量Xl＝(x1，x2，...，xnl)，隐藏层各节点的输入和输出公式如下：
式中，ωij为输入层到隐藏层的权重，表示输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重；xi表示输入层第i个输入节点的输入；aj为隐藏层第j个隐藏节点的偏置。
输出层各节点的输入和输出如下可得：
式中，vjk为隐藏层到输出层的权重，表示隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重；bk为输出层第k个输出节点的偏置。
隐藏层第j个隐藏节点的第r个量子间隔的更新式为：
式中，Ei为隐藏层第j个节点的输出值的误差；a是学习速率。
(三)调整量子神经网络参数，训练量子神经网络模型方法
如图2所示，调整量子神经网络参数，训练量子神经网络主要是通过训练数据集对量子神经网络的训练，调整网络参数和激活函数以获取最优量子神经网络模型，为DS证据理论证据体的构造做准备，具体步骤如下：
1)初始化量子神经网络的参数，包括输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重ωij、隐藏层第j个隐藏节点的偏置aj，隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重vjk，输出层第k个输出节点的偏置bk。
2)使用长期训练数据集中的第一组数据，训练步骤1)中的初始量子神经网络；vjk和bk的第N+1次更新公式如下：
式中，
是第i-1个输入样本在第N+1次更新后对应的连接权重，
是第i个输入样本在第N次更新后对应的连接权重；
是第i-1个输入样本在第N+1次更新后对应的偏置，
是第i个输入样本在第N次更新后对应的偏置；a是学习速率。
3)将长期训练数据集中的新一组训练数据输入到输入层，重复步骤2)到3)，对参数进行迭代更新，直到训练误差Es小于设定阈值。
4)通过反向传播算法对深度神经网络的网络参数进行反向微调。
5)经过调整模型参数如连接权重结合验证数据确定误差大小选取较优模型QNN1。
6)使用中期数据集和短期数据集，调整初始量子神经网络的隐藏层与输出层的连接权重vjk、隐藏层单元的偏置bk，重复步骤1)到步骤5)，再选取两个较优模型QNN2，QNN3。
(四)DS证据理论融合量子神经网络的方法
如图3所示，DS证据理论是广泛应用于证据之间合成的一种方法，在合成不确定性信息时具有明显优势。DS证据理论首先将证据集合进行划分，得到的证据彼此独立，然后用每个证据针对公共的识别框架进行判别，并将判别的结果进行合成，进行综合分析确定最优解。DS证据理论与量子神经网络的融合提高了模型的鲁棒性和预测准确率。具体步骤如下：
1)利用训练数据集对单一模型进行训练，根据训练误差Es，可以确定每个模型在任一个时点的可信度Bs，则模型在该点的可信度可表示为：
式中，s从1到3，分别表示QNN1，QNN2，QNN3三个模型；ε是接近0的极小的正数，消除训练误差Es为0的情况；ys为实际的电压值，
为预测的电压值；Es表示一个QNN模型的训练误差；Et表示各QNN模型的训练误差，用于将三个QNN模型的训练误差求和。
2)将每个模型在任一个时点的可信度Bs作为该模型在这一时刻的可靠性系数。
3)设第s个网络的第q个输出值为Os(q)，则有：
式中，ms(q)代表第s个证据(即第s个网络)对状态q(即第q个输出值)的概率分配，ms(θ)为不确定性θ的基本概率分配函数。
4)根据证据理论合成公式，得到合并后的各状态的基本概率分配：
式中，A为所有网络的所有输出值的集合，Au为其中的第u个元素(第u个输出值)；
若K→1或K＝1，则表示证据高度冲突，需重新对数据集进行预处理，进一步提取特征，重新划分训练集和测试集。
5)利用公式(3)得到的基本概率分配作为权重对3个QNN模型的电压趋势预测结果进行加权求和，得到最终的电压趋势预测结果。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (4)
1.一种基于证据理论融合量子网络的配网电压趋势预警方法，其特征在于，包括如下步骤：
S1、获得配电网历史数据；
S2、对配电网历史数据进行预处理，划分为长期、中期、短期训练集和测试集，不同数据集时间单位不同，长期表示年数据，中期表示季数据，短期表示周数据；
S3、构建初始量子神经网络；过程具体如下：
S31、采用sigmoid函数作为隐藏层神经元的激活函数，记作：
则采用式(1)的sigmoid函数的多层激活函数的隐藏层神经元的激活函数表示为：
式中，ns是量子间隔数目；θr是量子间隔；β为陡度因子，取值为1；
S32、采用3层量子神经网络模型，各层节点数分别为ni，nh，no；隐藏层采用式(2)作为激活函数；设学习样本矢量Xl＝(x1,x2,...,xnl)，则隐藏层各节点的输入和输出如下可得：
式中，ωij为输入层到隐藏层的权重，表示输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重；xi表示输入层第i个输入节点的输入；aj为隐藏层第j个隐藏节点的偏置；
输出层各节点的输入和输出如下可得：
式中，νjk为隐藏层到输出层的权重，表示隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重；bk为输出层第k个输出节点的偏置；
隐藏层第j个隐藏节点的第r个量子间隔的更新式为：
式中，Ej为隐藏层第j个隐藏节点的输出值的误差；a是学习速率；
S4、调整量子神经网络参数，利用各数据集训练量子神经网络模型；具体包括：
S41、初始化量子神经网络的参数，包括输入层第i个输入节点与隐藏层第j个隐藏节点的连接权重ωij、隐藏层第j个隐藏节点的偏置aj，隐藏层第j个隐藏节点与输出层第k个输出节点的连接权重νjk，输出层第k个输出节点的偏置bk；
S42、使用长期训练集中的第一组数据，训练步骤S41中的初始量子神经网络；νjk和bk的第N+1次更新公式如下：
式中，
是第i-1个输入样本在第N+1次更新后对应的连接权重，
是第i个输入样本在第N次更新后对应的连接权重；
是第i-1个输入样本在第N+1次更新后对应的偏置，
是第i个输入样本在第N次更新后对应的偏置；a是学习速率；
S43、将长期训练集中的新一组训练数据输入到输入层，重复步骤S42到S43，对参数进行迭代更新，直到训练误差Es小于设定阈值；
S44、通过反向传播算法对量子神经网络的参数进行反向微调；
S45、经过调整模型参数并结合验证数据确定误差大小，选取较优模型QNN1；
S46、使用中期训练集和短期训练集，调整初始量子神经网络的νjk和bk，重复步骤S41到S45，再选取两个较优模型QNN2，QNN3；
S5、对量子神经网络模型进行测试，结合线路实际情况，修正电压趋势预测结果；
S6、DS证据理论融合完善量子神经网络模型的电压趋势预测功能；具体包括：
S61、利用训练集对单一模型进行训练，根据训练误差Es，确定每个模型在任一个时点的可信度Bs，则模型在该点的可信度表示为：
式中，s从1到3，分别表示QNN1，QNN2，QNN3三个模型；ε是接近0的极小的正数，消除训练误差Es为0的情况；ys为实际的电压值，
为预测的电压值；Es表示一个QNN模型的训练误差；Et表示各QNN模型的训练误差，用于将三个QNN模型的训练误差求和；
S62、将每个模型在任一个时点的可信度Bs作为该模型在这一时刻的可靠性系数；
S63、设第s个网络的第q个输出值为Os(q)，则有：
式中，ms(q)代表第s个证据对状态q的概率分配，即第s个模型对第q个输出值的概率分配；ms(θ)为不确定性θ的基本概率分配函数；
S64、根据证据理论合成公式，得到合并后的各状态的基本概率分配：
式中，A为所有模型的所有输出值的集合，Au为第u个输出值；
若K→1或K＝1，则表示证据高度冲突，需重新对数据集进行预处理，进一步提取特征，重新划分训练集和测试集；
S65、利用公式(3)得到的基本概率分配作为权重对3个QNN模型的电压趋势预测结果进行加权求和，得到最终的电压趋势预测结果；
S7、根据电压趋势预测结果，实现电压异常预警功能。
2.如权利要求1所述的一种基于证据理论融合量子网络的配网电压趋势预警方法，其特征在于：步骤S2中，对配电网历史数据进行预处理过程具体如下：
数据预处理采用归一化处理，归一化结果表示为：
式中，x'为归一化后时间序列参数，x为归一化前时间序列参数，xmin为时间序列参数最小值，xmax为时间序列参数最大值。
3.如权利要求1所述的一种基于证据理论融合量子网络的配网电压趋势预警方法，其特征在于：步骤S41中，初始化量子神经网络的参数过程具体如下：
采用Xavier初始化方法对量子神经网络的权重进行初始化，结果表示为：
式中，
是区间
上的均匀分布，nin表示输入的维度，nout表示输出的维度，即下一层的输入维度；νjk同理可得；偏置aj和偏置bk均取[-1,1]中的数。
4.如权利要求1所述的一种基于证据理论融合量子网络的配网电压趋势预警方法，其特征在于：步骤S7中，将量子神经网络模型的电压趋势预测结果和电压异常预警阈值作比较，若小于阈值，则继续监视下一时间点的电压趋势情况，若大于阈值，则电压异常预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226541.1A CN111445010B (zh) | 2020-03-26 | 2020-03-26 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226541.1A CN111445010B (zh) | 2020-03-26 | 2020-03-26 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445010A CN111445010A (zh) | 2020-07-24 |
| CN111445010B true CN111445010B (zh) | 2021-03-19 |
Family
ID=71650853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010226541.1A Active CN111445010B (zh) | 2020-03-26 | 2020-03-26 | 一种基于证据理论融合量子网络的配网电压趋势预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445010B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257341B (zh) * | 2020-10-20 | 2022-04-26 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
| CN112990343B (zh) * | 2020-12-14 | 2023-04-07 | 四川轻化工大学 | 一种基于人工智能算法的水环境质量评价方法 |
| CN114357921A (zh) * | 2021-12-13 | 2022-04-15 | 宁波大学 | 一种GaN HEMT晶体管的DC-IV模型建模方法 |
| CN114330454A (zh) * | 2022-01-05 | 2022-04-12 | 东北农业大学 | 一种基于ds证据理论融合特征的生猪咳嗽声音识别方法 |
| CN116665798A (zh) * | 2023-04-27 | 2023-08-29 | 海南大学 | 一种空气污染趋势预警方法及相关装置 |
| CN116388864B (zh) * | 2023-05-31 | 2023-08-11 | 中诚华隆计算机技术有限公司 | 量子网络设备性能预测方法、装置、电子设备及存储介质 |
| CN117077065B (zh) * | 2023-10-16 | 2024-01-26 | 南京文道自动化系统有限公司 | 高压直流输电接地极检测与预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| CN109886452A (zh) * | 2019-01-04 | 2019-06-14 | 国网山东省电力公司电力科学研究院 | 一种基于经验动态建模的风电功率超短期概率预测方法及系统 |
| CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107045659A (zh) * | 2017-05-03 | 2017-08-15 | 北京天诚同创电气有限公司 | 预测光伏发电功率的方法及装置 |
| CN110443374B (zh) * | 2019-08-14 | 2024-07-12 | 腾讯科技（深圳）有限公司 | 一种资源信息处理方法、装置及设备 |
-
2020
- 2020-03-26 CN CN202010226541.1A patent/CN111445010B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| CN109886452A (zh) * | 2019-01-04 | 2019-06-14 | 国网山东省电力公司电力科学研究院 | 一种基于经验动态建模的风电功率超短期概率预测方法及系统 |
| CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445010A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
| CN108197648B (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
| CN113094357B (zh) | 一种基于时空注意力机制的交通缺失数据补全方法 | |
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN113704075B (zh) | 一种基于故障日志的高性能计算系统故障预测方法 | |
| CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
| CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
| CN110738344A (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| CN114861533A (zh) | 基于时间卷积网络的风功率超短期预测方法 | |
| CN111178616A (zh) | 基于负相关学习和正则化极限学习机集成的风速预测方法 | |
| CN117273422B (zh) | 用于数字化生产的供应链协同管控方法及系统 | |
| Ma et al. | An estimating combination method for interval forecasting of electrical load time series | |
| CN108594793A (zh) | 一种改进的rbf飞控系统故障诊断网络训练方法 | |
| CN112269729A (zh) | 面向网络购物平台大规模服务器集群的负载智能分析方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及系统 | |
| CN110309907A (zh) | 一种基于去跟踪自编码器的动态缺失值填补方法 | |
| CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
| CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
| CN114861874A (zh) | 模型驱动图卷积神经网络潮流计算方法 | |
| CN113933706A (zh) | 一种基于bp神经网络的直流电机故障检测方法 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN115775017A (zh) | 基于复值树突神经模型的时间序列预测方法和系统 | |
| CN113705932B (zh) | 一种短期负荷预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230324 Address after: No. 11, Fengling Villa, Chunxi Street, Gaochun District, Nanjing City, Jiangsu Province, 211399 Patentee after: Nanjing Heyuan Electric Power Industry Co.,Ltd. Address before: 211167 Hongjing Avenue, Jiangning Science Park, Nanjing City, Jiangsu Province Patentee before: NANJING INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |