The invention discloses a method for predicting salt-dense interval based on phase space reconstruction and neural network quantile regression, which combines the phase space reconstruction theory of chaotic time series with the neural network quantile regression to predict salt-dense interval; in particular, the phase space reconstruction of salt-dense time series is performed first, and then the salt-dense interval is predicted. The quantile regression model of neural network is constructed by using the reconstructed salt density series to predict the salt density interval, which combines the advantages of chaos theory, neural network and quantile regression, and can accurately describe the variation law of salt density and is convenient for scientific decision-making.
【技术实现步骤摘要】
一种基于相空间重构与分位数回归的盐密区间预测方法
本专利技术属于绝缘子污秽预测
,更为具体地讲,涉及一种基于相空间重构与神经网络分位数回归的盐密区间预测方法。
技术介绍
随着国民经济的快速发展,我国电网规模不断增大,电网额定电压等级不断提高,因此电力系统输变电设备外绝缘的污闪事故也日益严重。污闪灾害事故的发生规律很难掌握,也没有现行的可有效防范这类事故发生的措施。一般情况下,电力系统运行管理部门的检修和维护人员多采取诸如增加爬电比距、尽可能使用耐污型绝缘子、定期对绝缘子表面喷涂防污涂料以及定期对绝缘子进行停电或带点清扫等污闪防治措施,这些方法在一定程度上能够起到减少污闪风险的作用,但同时不可避免地具有一定的被动性、盲目性和防范效果的不确定性,因此污闪事故防治的效果仍不理想口。随着理论与实践发展,盐密预测技术发展迅速,一些先进的方法(如:人工神经网络、支持向量机、进化算法等)不断被引入,收到了良好的应用效果。然而,这些方法都只能实现对盐密的点预测,因此存在一定的局限。如果能实现盐密的区间预测,则不仅能够得到盐密的变化范围。而且,盐密的区间预测能够提供更为丰富的有用信息,有利于实现合理的电力调度。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于相空间重构与神经网络分位数回归的盐密区间预测方法,利用盐密本身的数据特性,来全面掌握和预测绝缘子盐密变化区间,以获得更多的盐密信息。为实现上述专利技术目的,本专利技术一种基于相空间重构与神经网络分位数回归的盐密区间预测方法,其特征在于,包括以下步骤:(1)、相空间重构(1.1)、利用自相关函数法确定 ...
【技术保护点】
1.一种基于相空间重构与神经网络分位数回归的盐密区间预测方法,其特征在于,包括以下步骤:(1)、相空间重构(1.1)、利用自相关函数法确定延迟时间t设盐密时间序列为:x1,x2,…,xN,N为盐密时间序列的点数;盐密时间序列在延迟时间为t时的自相关函数Rxx(t)为:
【技术特征摘要】
1.一种基于相空间重构与神经网络分位数回归的盐密区间预测方法,其特征在于,包括以下步骤:(1)、相空间重构(1.1)、利用自相关函数法确定延迟时间t设盐密时间序列为:x1,x2,…,xN,N为盐密时间序列的点数;盐密时间序列在延迟时间为t时的自相关函数Rxx(t)为:对延迟时间t的取值进行增大,使自相关函数Rxx(t)逐渐减小至初始值Rxx(0)的时,所得到的t即为相空间重构的延迟时间;(1.2)、确定嵌入维数m对盐密时间序列进行相空间重构,重构后的相空间为:Xz(m)=[xz,xz+t,...,xz+(m-1)t]T其中,L=N-(m-1)t,L表示重构后相空间矢量个数;Xz(m)为重构后的相空间矢量;T表示转置;重构后的相空间用矩阵表示为:令:其中,j'=1,2,...,N-m;n(j',m)是满足1≤n(j',m)≤N-m的正整数;||·||表示向量的范数;Xn(j',m)(m)表示距离第j'个相空间重构的向量Xj'(m)最近的向量,Xj'(m)的嵌入维数是m,Xj'(m+1)的嵌入维数是m+1,Xn(j',m)(m+1)表示距离第j'个相空间重构的向量Xj'(m+1)最近的向量;计算a(j',m)的均值为:定义El(m)=E(m+1)/E(m),对嵌入维数m的取值进行增大,使El(m)不停变化,当El(m)自某个m0开始停止变化,则m=m0+1即为所寻找的最佳嵌入维数;(2)、构建神经网络分位数回归模型(2.1)、以相空间重构后的盐密数据Xz(m)=[xz,xz+t,...,xz+(m-1)t]T作为输入,以盐...
【专利技术属性】
技术研发人员:李坚,黄琦,王昆冰,滕云龙,张真源,胡维昊,井实,易建波,蔡东升,杨云聪,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。