基于改進QFA-LSSVM的輸電線路覆冰預測模型構建及應用研究

丁向東, 鄭華, 鄭偉, 潘玉梅, 張文平, 王文鵬

(1.新疆阜康抽水蓄能有限公司, 新疆 阜康 831500; 2.華北電力大學 電氣與電子工程學院， 北京 102206)

0 引言

隨著冷雪、冰凍等天氣頻發，由此引發的電網輸電線路覆冰問題越來越嚴重。輸電線路一旦覆冰，輕則引起閃絡跳閘，重則引起倒塔等。為解決覆冰給輸電線路帶來的問題，部分研究者采用構建覆冰預測模型，然后結合預測結果，制定輸電線路覆冰處理方案，以解決困擾輸電線路覆冰問題[1]。目前關于覆冰預測模型構建中，蔣興良(2018)則針對影響覆冰預測的時間步長ts，提出一種基于最優步長的霧凇覆冰預測模型，在該模型下研究了溫度、風速、液態水含量等對導線霧凇覆冰質量和形狀的影響[2]；孫駟洲(2016)[3]、趙鳳展(2019)[4]引入CGA-QPSO算法和BA算法對LSSVM算法進行改進，從而構建更為高精度的電力負荷預測模型。本文在上述研究基礎上，為得到更為高精度的覆冰預測模型，提出一種改進煙花算法優化LSSVM參數的覆冰預測模型，并對模型的可行性和準確性進行驗證。

1 基于量子進化的煙花算法改進

1.1 量子進化算法

伴隨著量子力學的發展，量子計算被廣泛應用在各領域。在量子計算當中，量子狀態用“0”態和“1”態表示。除“0”態和“1”態以外，還可以采用“0”態和“1”態的線性疊加。而這種線性疊加的方式，則在很大程度上挑戰了傳統經典力學中經典位方法[5-7]。量子疊加[8-11]，如式(1)。

(1)

式中，|0>and|1>表示量子的兩種不同狀態；α、β表示量子概率幅。

在量子計算中，通過量子旋轉門完成位置更新，如式(2)。

(2)

1.2 基于量子進化的煙花算法改進

在煙花算法優化問題中，最為關鍵的是選取一組最優煙花和火花，以此更好的為下一步爆炸準備。這其中最為關鍵的是對煙花算法的參數進行尋優。量子進化算法具有全局優化的優勢，能很好的與各類算法組合。因此，將引入量子進化算法對煙花算法參數尋優，具體改進步驟如下。

1.2.1 編碼

在尋優過程中，首先利用量子位的概率幅確定煙花當前位置的編碼。因此，煙花個體對在兩個位置對應的“0”態和“1”態的概率幅，如式(3)。

Pic=(cos(θi1),cos(θi2)，…,cos(θin))

Pis=(sin(θi1),sin(θi2)，…,sin(θin))

(3)

1.2.2 解空間轉換

(4)

1.2.3 計算煙花適應度值f(xi)、爆炸半徑Ri和煙花爆炸數Si[13]，如式(5)。

(5)

1.2.4 位置更新

利用量子旋轉門對煙花位置進行更新，如式(6)。

(6)

1.2.5 個體變異操作

(7)

1.2.6 種群篩選

從煙花、爆炸煙花、高斯變異火花中，根據概率選擇公式來選擇新的N個個體作為下一代迭代計算的種群。被選擇的概率式，如式(8)。

(8)

1.2.7 判斷停止條件

如果停止條件已滿足，此時中止程序并輸出最優值；如果停止條件未滿足，則返回步驟1.2.2，繼續迭代計算。

2 基于PCA-QFA-LSSVM的輸電線路覆冰負荷預測模型的構建

輸電線路覆冰負荷預測模型的實現過程是建立微氣象數據集與高維特征空間的非線性映射關系，然后將風速、溫度、適度等變量映射到高維特征空間內，并在此特征空間內對覆冰負荷進行線性回歸。其中，傳統的基于降維方法很多，如離散小波變換。該文則采用PCA對高維進行降維處理[14-15]，然后結合改進煙花算法和LSSNM模型對覆冰進行預測。具體預測模型流程，如圖1所示。

圖1 PCA-QFA-LSSVM的覆冰預測模型

3 實證分析

3.1 數據來源

從電網公司覆冰數據庫中選定某架空輸電線路覆冰情況作為對象，利用該輸電線路在2017/2/3～2018/1/2間的720個樣本數據來源，其中前612組數據作為LSSVM的訓練數據，后108組數據作為測試數據。在分析前，對樣本數據進行預處理，具體可以分為以下幾步：一是剔除異常數據，如環境和設備表面溫度都必須在 0 ℃以下，空氣的相對濕度必須達到80%以上；二是為避免出現數據“大吃小”的問題，對數據進行歸一化處理。在該文中，采用離差法對數據進行標準化處理。

3.2 預測模型網絡架構構建

根據圖1的流程，構建模型的網絡結構圖，如圖2所示。

圖2 模型網絡結構圖

3.3 主成成分提取

研究發現，影響輸電線路覆冰的因素很多，如風速、氣壓、風向角、濕度、日照時間等。如將上述因素全部帶入LSSVM模型中，會因為高維樣本問題而降低預測的精度，因此，本文采用主成分提取2017/2/3～2018/1/2間采集到的風速、溫度、日照強度、負荷電流等因素，并找出其主要影響因素。通過特征提取，得到主成分因子為環境溫度、相對濕度、風速、光照強度和負荷電流。因此，將上述因子作為LSSVM的特征輸入。

3.4 PCA-QFA-LSSVM的覆冰預測

同時，為驗證本文改進方法的準確性，采取對比驗證的方法，分別利用PCA-QFA-LSSVM預測模型、BPNN、SVM、MLRM對案例樣本進行覆冰預測，通過對比各模型的預測結果，來驗證本文模型的預測精度。其中，BPNN預測模型的核函數是Sigmoid函數，輸入層、輸出層、隱藏層的神經元個數依次是5、1、7，設定的最大迭代次數是5 000次，規定的最大允許誤差是0.001。SVM預測模型的相關參量，配置如下。

C=10.913,ε=0.001 2,σ=2.453 2

評價標準采用均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)、相對誤差(RE)進行評定，如式(9)。

(9)

通過預測，得到的預測結果與誤差對比結果,如表1所示。

表1 各個模型的預測值和誤差

3.5 QFA-LSSVM 預測模型魯棒性驗證

從覆冰數據庫內隨機選定另一輸電線路覆冰數據312組作為樣本，用以驗證QFA-LSSVM預測模型的魯棒性。以268組原始數據作為訓練樣本，以其余44組原始數據作為測試樣本，分別利用QFA-LSSVM、SVM、BPNN、MLRM 模型對樣本數據進行預測及分析。

編程運行，得到預測結果與相對誤差，如表2所示。

表2 各模型預測精度與相對誤差

通過兩次不同數據樣本對模型誤差的分析，得到的結果都是QFA-LSSVM模型誤差最小，說明該模型的工作穩定性和預測精度是最佳的。

4 總結

在LSSVM預測模型構建中，最為關鍵的問題是找到最優參數C和δ，以此得到最優預測結果。上述研究改變常用的GA、蟻群等參數優化算法，引入煙花算法，同時為提高煙花算法對LSSVM模型參數優化的精度，引入量子進化算法對煙花算法參數進行優化，最終通過實驗訓練和魯棒性測試，得到QFA-LSSVM算法的精度要明顯高于其他的預測算法，且相對誤差都小于3%以內，說明本文改進算法在覆冰預測的可行性和準確性。而通過上述的研究，為電網企業下一步的輸電線路覆冰應急方案的制定，提供了更為可靠的決策信息。同時，本算法在未來的研究中，還將著眼于對特征提取的改進，以及對LSSVM算法自身的改進，以更好的提高其預測精度。