CN112116162B - 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 - Google Patents

Abstract

本发明公开了一种基于CEEMDAN‑QFOA‑LSTM的输电线覆冰厚度预测方法，涉及输电线状态评估与深度学习结合的领域。本方法包括下列步骤：①数据获取和预处理（11）；②对覆冰厚度历史数据序列进行CEEMDAN分解（12）；③量子果蝇算法优化LSTM的超参数（13）；④LSTM模型训练（14）；⑤预测输电线覆冰厚度并分析结果（15）。本发明使用CEEMDAN分解算法，将难以直接预测的序列转换为多个可预测的分量序列，根据分解得到的多维度特征信息可以使神经网络更加准确地把握序列的规律；使用QFOA优化算法来获取超参数，避免了复杂的人为调参过程，更有效地训练网络模型；使用的LSTM神经网络不存在一般网络的梯度消失问题，保证模型能够最优收敛，有效解决短期和长期时间序列预测的问题。

Description

基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法

技术领域

本发明属于输电线状态评估与深度学习结合的领域，尤其涉及一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法。

背景技术

在智能电网快速发展下，输电线路部件成为电网中数量最多、最重要的组成部分，线路安全稳定地运行对国民经济的发展及人民正常的生产生活有着重要的意义。随着输电线路的不断扩张，线路走廊逐渐延伸至冰灾多发地区，同时由于其直接暴露于外界环境中，面临着严寒环境因素的威胁，因此有必要设计一种覆冰厚度预测方法，为除冰方案制订和线路维护工作提供可靠的参考依据。

基于深度学习的各种技术作为当下的研究热门，也逐渐引用到智能电网的建设中，该方法通过数据集的迭代训练，可以方便地获得输入和输出之间的复杂映射关系，比传统基于理论知识的算法更具鲁棒性，同时，逐渐成熟的电力数据釆集系统、环境数据监测系统为开展模型训练提供有力的数据支撑。

目前大多数方法都是针对输电线和其他输电设备的表面覆冰特征进行状态分类，不能够明确得到覆冰厚度数值，究其原因，主要是由于覆冰厚度受到各种因素影响，而实际中无法获得所有相关因素的数据，仅仅依靠传统的数据挖掘或者单一的深度学习网络难以在该数据上建立准确的覆冰厚度预测模型。

发明内容

本发明的目的就在于克服现有技术存在缺点和不足，提供一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法。

本发明的目的是这样实现的：

针对冰灾多发地区的架空输电线路的覆冰预测问题，设计了一种CEEMDAN-QFOA-LSTM结构的覆冰厚度预测方法。针对覆冰厚度序列高维、非线性、非平稳、多模态等特点，使用CEEMDAN方法对序列进行分解，得到多个IMF分量，这样可以减少噪声和离群值对高维数据的影响，并最大程度地利用时频固有规律来有效分析结冰数据。该方法使用一种自适应的白噪声，精确地控制每一步的分解，不仅克服了模态混叠现象，还有效避免了常用的EEMD(集合经验模态分解)方法出现的噪声残留和低效率问题。将相应时刻的气象数据与各个IMF分量序列组合，构建后续训练需要的数据集，每一组数据包括历史覆冰厚度、温度、湿度、风速和大气压强数据。LSTM网络模型中每一次基本单元的计算结果都与当前输入以及上一个基本单元的结果相关，通过这种方法，便具备了记忆之前计算结果的功能，在序列预测上展线了突出的优势。为了避免人为调参的复杂过程，提高模型构建的效率，使用改进QFOA优化算法来得到最佳的训练超参数，该算法综合量子优化和果蝇优化，用量子编码扩充了解空间，引入变异操作增加种群的多样性，使得优化过程中不易陷入局部最优解，提高算法的收敛速度。在确定超参数的同时也是对LSTM模型不断更新的过程，通过多次的迭代循环，最终获得可用于覆冰厚度预测的模型。

首先通过CEEMDAN(基于自适应噪声的完全集合经验模态分解)算法分解覆冰厚度序列，解耦其高维性和非线性，得到若干个IMF(本征模态)分量，实现序列特征提取，同时将各个本征模态的序列信息结合气象数据构建神经网络的数据集，使用QFOA(量子果蝇优化算法)来确定部分LSTM(长短期记忆网络)的超参数，更有效地构建预测模型，最后将多个LSTM的预测结果叠加得到输电线路覆冰厚度预测值。

具体地说，本方法包括如下步骤：

①数据获取和预处理

首先分别获取一段时间的覆冰厚度数据和当地天气数据，时间粒度为1小时，通过控制时间步长和时间跨度筛选出连续间隔的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式；

②对覆冰厚度序列进行CEEMDAN分解

在步骤①中整理的覆冰厚度序列是由多种因素综合作用产生的，具有非线性的特征，直接使用难以通过神经网络学习到其特征，因此使用CEEMDAN算法对序列进行分解，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，网络可以更好地学习到各个本征模态分量IMF与天气序列的非线性关系；该过程通过多次添加自适应的白噪声和分解函数计算，最终将原始序列转换为多个IMF分量和一个余量R的线性组合；

③量子果蝇算法优化LSTM的超参数

初始化果蝇种群规模M，对种群中个体进行量子编码，通过随机移动的方式，在随机范围内控制个体的移动，并以一定概率控制个体变异，将变换后的个体带入LSTM模型中计算，按照最优适应度函数确定整个种群的移动方向，利用适应度函数循环控制种群移动，当达到优化目标时，可以确定LSTM的超参数；

④LSTM模型训练

该过程首先需要将步骤②中获得的多个IMF分量序列与步骤①中处理的多类型天气序列组合，经过最大最小归一化处理，构建数据集，并按照8：1：1的方式将原始数据集分为训练集、验证集和测试集；根据经验值初始化超参数，使用训练集对多个LSTM网络进行训练，将前向传播的结果叠加，完成序列重构，得到预测的覆冰厚度，再按照步骤③中的优化判断条件，判断是否进入步骤③进行超参数优化操作；经过多次迭代后，模型收敛，得到预测覆冰厚度的LSTM模型组；

⑤预测输电线覆冰厚度并分析结果

将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的相对误差，如果误差较大，需要重新随机初始化超参数再训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。

本发明具有下列优点和积极效果：

①本发明使用了深度学习的方式实现覆冰厚度的预测，相比传统方法而言，避免了复杂的理论计算和对误差的估计处理；数据准备上，只需要历史覆冰厚度和相关的部分天气信息即可，可以在输入参数较少的情况下通过训练好的LSTM网络模型预测覆冰厚度，而且预测结果也相对传统的覆冰等级分类更加明确，可以直接叠加预测结果得到下一时刻的覆冰厚度。

②本发明中使用了量子果蝇算法来优化LSTM网络的超参数，该方法的使用避免了神经网络训练中，复杂的人为调参步骤，根据预测结果而构建的自适应函数，保证从全局效果上同时得到多个超参数的最佳组合情况，提高了训练出最优模型的效率。同时，量子果蝇算法，通过引入量子编码和个体变异操作，增加了种群个体的多样性，拓展了解空间的范围，使得优化过程中不易陷入局部最优解，同时该算法也是全局收敛的，能够在多种个体搜索方案中较快地确定优化结果，加速了收敛过程，相比普通的果蝇算法更快地得到最优超参数。

③本发明从数据分析与深度学习角度揭示输电线覆冰厚度和气象环境参量之间的关联关系和内在变化规律，通过捕捉线路早期覆冰厚度记录与气候环境的先兆信息，建立预测模型，提高输电线路覆冰状态预测的准确性，基于预测结果，方便后续的风险评估分析并制订相应的线路维护方案，推进线路状态评估的效率和电网调度智能化水平的提升。

总之，本发明使用CEEMDAN分解算法，将难以直接预测的序列转换为多个可预测的分量序列，根据分解得到的多维度特征信息可以使神经网络更加准确地把握序列的规律；使用QFOA优化算法来获取超参数，避免了复杂的人为调参过程，更有效地训练网络模型；使用的LSTM神经网络不存在一般网络的梯度消失问题，保证模型能够最优收敛，有效解决短期和长期时间序列预测的问题。

附图说明

图1是本方法的整体步骤图；

图2是对覆冰厚度序列进行CEEMDAN分解的流程图；

图3是量子果蝇优化超参数的流程图；

图4是本方法使用的LSTM基本单元示意图，图4中：

X_n为n时刻的输入向量，

h_n、h_n-1分别为n和n-1时刻输入的覆冰厚度，

o_n、g_n、c_n、f_n为基本单元中的变量；

图5是训练神经网络的流程图。

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数据获取和预处理-11；

②对覆冰厚度序列进行CEEMDAN分解-12；

③量子果蝇算法优化LSTM的超参数-13；

④LSTM模型训练-14；

⑤预测输电线覆冰厚度并分析结果-15。

2、工作机理

以下对本发明的工作机理进行简要说明：

首先，获取一段时间的输电线历史覆冰厚度数据，以及当地的历史天气数据，天气数据主要为温度、湿度、风速和大气压强四类，按照小时将数据对齐，剔除无效的数据，调整序列的时间步长。

其次，将历史覆冰厚度序列进行CEEMDAN分解，得到K个本征模态分量和一个余量，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，方便神经网络拟合各个本征模态分量与未来覆冰厚度的映射关系。

然后，将分解得到的K个分量序列分别与前述历史天气数据序列合并，组合成数据集用于超参数优化的过程，将输入数据的长度、批处理大小的数量、隐藏层的单元数量和最大训练周期作为待优化量使用QFOA算法优化，当到达最大迭代次数或者适应度函数不再增加时，得到最终的优化结果。

最后按照优化算法确定的结果设置超参数，使用训练集训练各个LSTM网络，将各个网络预测的结果叠加得到预测的覆冰厚度，并在测试集上检测预测效果，对结果进行分析。

3、各子步骤

1)步骤①：数据获取和预处理-11

具体流程如下：

首先分别获取一段时间的输电线覆冰厚度数据和该线路所属地区的天气数据，总的时间跨度至少为一个月，两种数据的时间粒度都为1小时，通过控制时间步长和时间跨度，筛选出连续步长的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；其中覆冰序列用IC(n)表示，温度、湿度、风速和大气压强这些天气数据序列分别为Tem(n)、Hum(n)、Wsp(n)、Apr(n)；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式，即：

Wea(n)＝{[Tem(1),Hum(1),Wsp(1),Apr(1)],...,[Tem(n),Hum(n),Wsp(n),Apr(n)]}

序列中每一个元素都是由同一时刻的温度、湿度、风速和大气压强值组合而成的一维向量。

2)步骤②：对覆冰厚度序列进行CEEMDAN分解-12

针对步骤①中整理的覆冰序列IC(n)，使用CEEMDAN方法进行分解，产生K个本征模态分量IMF，和一个余量R，记Wⁱ(n)为第i次分解添加的高斯白噪声序列，i＝1,2,...,I；则第i次分解覆冰厚度时间序列表示为：ICⁱ(n)＝IC^i-1(n)+C_lWⁱ(n)，C_l为一个常系数；假设第k个由EMD(经验模态分解)和CEEMDAN产生的模态分量分别表示为E_k(·)和IMF_k；

如图2，其流程如下:

a、对IC(n)加噪分解，计算第一个IMF-21

在原始覆冰序列中加入高斯白噪声，再对加噪序列进行EMD分解；经过M次分解运算，得到第一个本征模态分量；式(1)和(2)分别为加噪计算过程和获得的第一个本征模态。

IC^M(n)＝IC^M-1(n)+C₀W^M(n) (1)

其中：IC^m(n)为第m次加噪的结果，C₀为确定的信噪比(SNR)系数，W^M(n)为第M个高斯白噪声，E₀为本步骤的EMD分解计算分量，IMF₁(n)为第1个本征模态分量；

b、计算余量序列R₁(n)-22

计算一个本征分量的余量序列R₁(n)，即序列中除第一个本征分量以外的信息内容，其计算方式如式(3)所示：

R₁(n)＝IC(n)-IMF₁(n) (3)

其中：R₁(n)为第一个本征模态分量的余量，IC(n)为原始覆冰厚度序列，IMF₁(n)为第一个本征模态分量。

c、对R₁(n)加噪分解，计算第二个IMF-23

对步骤b中的余量序列R₁(n)进行加噪分解操作，经过M次计算得到了第二个本征模态分量；式(4)和(5)分别为加噪计算过程和获得的第二个本征模态；

R₁ ^M(n)＝R₁ ^M-1(n)+C₁E₁[W^M(n)] (4)

其中，R₁ ^M(n)为余量第M次加噪的结果，C₁为确定的信噪比(SNR)系数，W^M(n)表示第M个高斯白噪声，E₁表示本步骤的EMD分解计算，IMF₂(n)即第2个本征模态分量。

d、继续加噪分解，得到第k个IMF-24

循环使用类似步骤b和步骤c的计算操作，得到第k个本征模态分量；余量计算、加噪计算以及模态分量计算如下式(6)-(8)所示：

R_k-1(n)＝R_k-2(n)-IMF_k-1(n) (6)

R_k-1 ^M(n)＝R_k-1 ^M-1(n)+C_k-1E_k-1[W^M(n)] (7)

其中，R_k-1(n)为第k-1个本征模态分量的余量，R_k-1 ^M(n)为第k-1个M次加噪后的余量，C_k-1为第k-1步加噪的信噪比系数，IMF_k(n)为第k个本征模态分量。

e、判断余量序列极值点数-25

判断序列是否可以再分，当余量信号的极值点个数大于2时，继续执行步骤d的计算，否则终止分解过程，进入步骤f来获得覆冰厚度序列的分解表达式；

f、获取序列分解表达式-26

最终的余量序列R_K(n)在式(9)中说明，分解表达式如式(10)所示，总共有K个IMF分量和一个余量。

IC(n)＝IMF₁+IMF₂+...+IMF_K+R_K(n) (10)

其中，IC(n)为原始的覆冰序列，IMF_k为第k个IMF分量，R_K(n)为序列分解完的唯一余量。

3)步骤③：量子果蝇算法优化LSTM的超参数-13

如图2，其流程如下：

A、参数初始化-31

种群规模size＝30，算法最大迭代次数maxgen＝300，随机搜索半径range＝2(对量子旋转角进行随机搜索)，采用随机策略初始化果蝇种群的位置，我们根据量子位的概率幅度对单个当前位置进行编码，编码如下：

θ_ij＝2π×rand() (12)

其中，P_axis_i表示第i个果蝇的位置，向量由量子态|0＞和|1＞对应的概率振幅构成，i和j的取值分别为i＝1,2,...,m,j＝1,2,...,n；

m是果蝇种群的个体数量，n是待优化参数的个数，θ_ij为旋转角，在[0,2π]上随机分布；

B、果蝇个体随机搜索-32

随机搜索的方法更新量子旋转角θ_ij，量子旋转角的更新可以确定量子旋转门的大小，进而可以在各个维度上控制果蝇的随机移动，旋转角和位置的更新计算过程如下：

θ_ij＝θ_axis_i(j)+range×rand() (13)

其中：θ_axis_i(j)为第i个果蝇个体的第j维的初始角度，θ_ij是随搜索后的旋转角，range是确定的随机搜索半径；

P_ij表示第i个果蝇个体随机移动后的j维特征的位置，P_axis_i(j)代表第i个果蝇的第j维特征的初始值；

使用函数abs(·)对计算结果中每一个元素取绝对值，保证量子旋转门在更新的过程中不会导致位置的移动为负数。

C、计算气味浓度判别值-33

首先计算随机搜索的位置与原点之间的欧氏距离D，对距离D求倒数得到气味浓度判别值S,计算过程如式(15)(16)：

S_i＝1/D_i (16)

其中，D_i为第i个果蝇个体的距离度量值，P_ij如上步所述的第i个果蝇个体随机移动后的j维特征的位置，S_i为第i个果蝇个体的气味浓度判别值。

D、计算适应度值-34

计算个体的适应度值，即果蝇所处位置的气味浓度值Smell；将气味浓度判别值S_i用到判别函数fitness中，fitness函数为将S_i表示的超参数带入LSTM网络训练后，使用验证集上的平均绝对百分比误差(MAPE)作为适应度的计算方法,以下为具体的适应度计算过程：

Smell_i＝fitness(S_i)＝MAPE(y_l) (17)

其中，Smell_i为第i个果蝇个体的适应度值，

为验证集中的第l个预测结果，y_l为与之对应的真实覆冰厚度。

E、选择当代最优个体-35

利用步骤D中计算得到的适应度函数，选取出数值最大的个体，同时记录该个体的编号bestInd；

[bestSmell,bestInd]＝max(Smell_i) (19)

其中，bestSmell为当代最优适应度，bestInd为该适应度对应的果蝇个体索引值。

F、个体变异操作-36

早熟收敛并陷入局部最优的主要原因是搜索过程中种群多样性的丧失，但是，QFOA可以通过添加单个突变来丰富多样性，这可以避免上述问题，改进可以通过变异来实现，对于步骤E中的其他非最优个体按照概率Pm进行变异操作，主要调整量子旋转门来控制移动；

if rand()＜Pm:

其中：Pm是变异概率，rand()是[0,1]中的随机值；当rand()＜Pm时，改变量子比特的概率幅度；并按照步骤C中的式(16)重新计算量子果蝇个体浓度。

G、更新全局最优值-37

比较当代的适应度值和全局的适应度值，如果当代bestSmell^G值优于目前的全局值smellBest,则更新全局值，同时控制量子果蝇个体的移动，更新果蝇的位置P_axis和量子旋转角θ_axis；更新的表达式如下所示：

smellBest＝bestSmell^G (22)

P_axis＝P(bestInd^G) (23)

θ_axis＝θ(bestInd^G) (24)

式中，smellBest为全局最优值，P_axis为果蝇个体更新后的位置，θ_axis为果蝇个体更新后的量子旋转角。

H、判断是否满足参数的优化结果-38

判断迭代次数gen是否达到预设的最大值maxgen，判断适应度值是否存在有效数值的更新，当满足两个条件之一时，结束优化并进入下一步I，否则返回步骤B再次循环流程。

I、输出最优超参数-39

优化步骤结束，保存优化结果。

4)步骤④LSTM模型训练-14

使用的LSTM结构由如图4所示的基本网络结构单元构成，该网络单元的输入包括前一时刻基本单元的预测值h_n-1以及当前时刻的数据集序列X_n，通过训练好的单元模块计算，可以得到当前时刻的预测值h_n；

该基本单元中使用记忆门c_n来保存n时刻的状态值，主要通过c_n状态值的更新来实现h_n值的更新，从而达到预测的目的，c_n与f_n,i_n,g_n三个量相关，其计算方式如公式(25)所示：

c_n＝f_n*c_n-1+i_n*g_n (25)

式中，i_n和g_n都是输入门，进行各个基本单元的通信，两者的激活函数不同而已；

f_n为遗忘门通过激活函数有选择地获得有用的信息，只有当f_n记录了高激活率时，才能把存储的信息释放给下一个基本单元，否则将清除存储在存储块中的信息。

以下分别说明各个量的更新计算方式：

g_n＝tanh(w_gxx_n+w_ghh_n-1+b_g) (26)

i_n＝σ(w_ixx_n+w_ihh_n-1+b_i) (27)

f_n＝σ(w_fxx_n+w_fhh_n-1+b_f) (28)

o_n＝σ(w_oxx_n+w_ohh_n-1+b_o) (29)

式中：g、i表示输入门，f表示遗忘门，o表示输出门，以门标识为下标的w,b则表示与该门数值计算对应的权重和阈值；通过改变遗忘门和输入门的权重解决由于数据依赖性产生的梯度消失的问题；

x_n表示n时刻的输入向量，h_n-1表示记录的t-1时刻的状态值；

σ(·)和tanh(·)分别为sigmoid激活函数和tanh激活函数。

根据基本预测的覆冰厚度计算过程如下式所示：

h_n＝o_n*tanh(c_n) (30)

y_n＝σ(w_yhh_n+b_y) (31)

式中：y_n为LSTM网络的输出值，即预测的n时刻的覆冰厚度，c_n为基本单元中的记忆门的数值，h_n为n时刻的基本单元输出值，w,b仍然是权重和阈值。

图5说明了LSTM网络的训练过程，具体流程如下：

ⅰ、数据集构建-51

将方法的步骤②-12中使用CEEMDAN算法分解得到的各个序列值IMF₁,IMF₂,...,IMF_K分别与气象序列Wea(n)组合，气象信息主要包括温度、湿度、风速、大气压；IMF_k和气象数据构建的数据集序列为X_k，X_k＝{[IMF_k(n-1),Tem(n),Hum(n),Wsp(n),Apr(n)]},n＝2,3,...,N；

其中，IMF_k(n-1)表示第k个IMF序列在n-1时刻的值，Tem(n),Hum(n),Wsp(n),Apr(n)依次为温度，湿度，风速，大气压在n时刻的值；

同时按照式(32)对上述X_k序列进行最大最小归一化计算；

X′_k＝(X_k-min{X_k})/(max{X_k}-min{X_k}) (32)

X_k为组合好的原始序列，X′_k为归一化后的数据；将所有序列进行归一化操作后，总共获得K个数据集，分别记为X₁,X₂,...,X_K；对于这K个数据集内容，都按照8：1：1的比例，分为训练集、验证集和测试集。

ⅱ、超参数初始化-52

根据历史经验，在适合的范围内初始化LSTM的超参数，输入数据的长度L根据步骤ⅰ中的数据集中每一个元素的长度，设置为5；批处理大小的数量batchsize在[100,300]范围内随机选取，受计算机硬件水平影响，初始不宜过大；隐藏层的单元数量units在[50,500]内随机选择；LSTM的最大训练周期epoch设置为200；

ⅲ、重构序列推理覆冰厚度-53

取出训练集的数据，并使用步骤ⅱ中的超参数控制LSTM模型的训练，对于每一个数据集X_k，都需要训练一个与之对应的LSTM_k网络。对K个LSTM网络的推理结果进行叠加求和，最后得到一个预测的覆冰厚度结果。计算公式如下：

式中，IC为预测的覆冰厚度结果，preRes_k为第k个LSTM网络预测的结果；

ⅳ、判断是否满足训练要求-54

根据子步骤H-38中的要求判定是否达到最大迭代次数，适应度函数是否达到稳定，满足条件时保存训练好的模型，进入步骤ⅵ，不满足条件时需要进入ⅴ步骤；

ⅴ、超参数优化-55

使用量子果蝇优化环节，即步骤③-13，对超参数进行优化，获得基于优化参数训练得到的多个LSTM模型，然后再次进入步骤ⅲ；

ⅵ、保存训练模型-56

经过上述步骤，已经训练好了K个LSTM模型，将这些模型训练好的参数保存，用于后续的测试环节。

5)步骤⑤：预测输电线覆冰厚度并分析结果-15

该过程如下：

将步骤④-14中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的均方根误差(RMSE)，如果误差较大，需要重新随机初始化超参数进行训练。若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。误差的计算公式如(34)所示：

其中，

为测试集中的第l个预测结果，y_l为与之对应的真实覆冰厚度。

二、本发明的创新点

1、将CEEMDAN分解方法用于输电线路覆冰厚度序列的分析中。该算法采用自适应的白噪声来控制序列的分解，在同等分解效果上的计算量少于经典的EEMD算法，预测结果中不会残留噪声值。

2、使用了一种加入变异操作的QFOA算法，优化LSTM网络的超参数，该算法使用量子编码相比于普通FOA算法，收敛速度更快，且不会产生种群早熟的问题，不容易陷入局部最优解。

3、基于CEEMDAN-QFOA-LSTM模型的输电线路覆冰厚度预测，相比于部分覆冰状态分类的方法，在预测结果上更具体，可以得到明确的数值，方便后续工作的展开。

Claims (6)

1.一种基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法，其特征在于：

①数据获取和预处理(11)

首先分别获取一段时间的覆冰厚度历史数据和当地天气数据，时间粒度为1小时，通过控制时间步长和时间跨度筛选出连续间隔的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式；

②对覆冰厚度序列进行CEEMDAN分解(12)

在步骤①中整理的覆冰厚度序列是由多种因素综合作用产生的，具有非线性的特征，按传统方法直接使用难以通过神经网络学习到其特征，因此使用CEEMDAN算法对序列进行分解，分解得到的新序列比原序列具有更强的可分析性，信噪比更高，网络可以更好地学习到各个本征模态分量IMF与天气序列的非线性关系；该过程通过多次添加自适应的白噪声和分解函数计算，最终将原始序列转换为多个IMF分量和一个余量R的线性组合；

③量子果蝇算法优化LSTM的超参数(13)

初始化果蝇种群规模M，对种群中个体进行量子编码，通过随机移动的方式，在随机范围内控制个体的移动，并以一定概率控制个体变异，将变换后的个体带入LSTM模型中计算，按照最优适应度函数确定整个种群的移动方向，利用适应度函数循环控制种群移动，当达到优化目标时，可以确定LSTM的超参数；

④LSTM模型训练(14)

该过程首先需要将步骤②中获得的多个IMF分量序列与步骤①中处理的多类型天气序列组合，经过最大最小归一化处理，构建数据集，并按照8：1：1的方式将原始数据集分为训练集、验证集和测试集；根据经验值初始化超参数，使用训练集对多个LSTM网络进行训练，将前向传播的结果叠加，完成序列重构，得到预测的覆冰厚度，再按照步骤③中的优化判断条件，判断是否进入步骤③进行超参数优化操作；经过多次迭代后，模型收敛，得到预测覆冰厚度的LSTM模型组；

⑤预测输电线覆冰厚度并分析结果(15)

将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的相对误差，如果误差较大，需要重新随机初始化超参数再训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度。

2.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：

所述的步骤①的具体流程如下：

首先分别获取一段时间的输电线覆冰厚度数据和该线路所属地区的天气数据，总的时间跨度至少为一个月，两种数据的时间粒度都为1小时，通过控制时间步长和时间跨度，筛选出连续步长的覆冰厚度序列和天气数据序列，其中天气数据为温度、湿度、风速和大气压强四类，这些数据已经在实验中被证明是与覆冰厚度相关性较高的因素；其中覆冰序列用IC(n)表示，温度、湿度、风速和大气压强这些天气序列分别为Tem(n)、Hum(n)、Wsp(n)、Apr(n)；对于多种单一天气数据序列，需要将其相同时刻的数据内容进行组合，得到多类型天气的序列形式，即：

Wea(n)＝{[Tem(1),Hum(1),Wsp(1),Apr(1)],...,[Tem(n),Hum(n),Wsp(n),Apr(n)]}序列中每一个元素都是由同一时刻的温度、湿度、风速和大气压强值组合而成的一维向量。

3.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：

所述的步骤②流程如下:

a、对IC(n)加噪分解，计算第一个IMF(21)；

b、计算余量序列R₁(n)(22)；

c、对R₁(n)加噪分解，计算第二个IMF(23)；

d、继续加噪分解，得到第k个IMF(24)；

e、判断余量序列极值点数(25)；

f、获取序列分解表达(26)。

4.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：

所述的步骤③流程如下:

A、参数初始化(31)；

B、果蝇个体随机搜索(32)；

C、计算气味浓度判别值(33)；

D、计算适应度值(34)；

E、选择当代最优个体(35)；

F、个体变异操作(36)；

G、更新全局最优值(37)；

H、判断是否满足参数的优化结果(38)；

I、输出最优超参数(39)。

5.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：

所述的步骤④流程如下：

ⅰ、数据集构建(51)；

ⅱ、超参数初始化(52)；

ⅲ、重构序列推理覆冰厚度(53)；

ⅳ、判断是否满足训练要求(54)；

ⅴ、超参数优化(55)；

ⅵ、保存训练模型(56)。

6.按权利要求1所述的输电线覆冰厚度预测方法，其特征在于：

所述的步骤⑤，其过程如下：

将步骤④中的测试集数据输入到LSTM模型组进行测试，计算得到测试集的均方根误差(RMSE)，如果误差较大，需要重新随机初始化超参数进行训练；若误差在可接受范围内，则保存模型，根据超参数中输入序列步长确定使用环节中，需要输入的历史覆冰厚度序列和气象序列长度，误差的计算公式如下：

其中，

为测试集中的第l个预测结果，y_l为与之对应的真实覆冰厚度。

Images