基于量子蚁群优化RBF网络的特高压输电线损预测方法
专利汇可以提供基于量子蚁群优化RBF网络的特高压输电线损预测方法专利检索，专利查询，专利分析的服务。并且本 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。，下面是基于量子蚁群优化RBF网络的特高压输电线损预测方法专利的具体信息内容。
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)。
基于量子蚁群优化RBF网络的特高压输电线损预测方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种通过在线分类跟踪内窥镜图像序列特征点的方法 | 2020-05-08 | 884 |
| 基于卷积神经网络和概念格的图像语义完备标注方法 | 2020-05-11 | 741 |
| 一种基于聚类分析自主再学习的人脸识别方法 | 2020-05-11 | 519 |
| 基于共同注意力范式的孤独症辅助诊断装置 | 2020-05-08 | 386 |
| 一种基于局部区域聚类的电力设备故障区域提取方法 | 2020-05-11 | 767 |
| 一种基于深度学习的2D+3D大飞机外形缺陷检测与分析方法 | 2020-05-08 | 534 |
| 信用评分模型的构建方法、装置、设备及存储介质 | 2020-05-08 | 41 |
| 酒店评分方法、酒店推荐方法、电子装置和存储介质 | 2020-05-08 | 214 |
| 一种故障数据标记方法及故障识别装置 | 2020-05-11 | 326 |
| 车辆物流路径生成的方法、装置、计算机设备及存储介质 | 2020-05-08 | 202 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
