【技术实现步骤摘要】
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
本专利技术属于配网电压趋势预测
，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。
技术介绍
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...
【技术保护点】
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：/nS1、获得配电网历史数据；/nS2、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；/nS3、构建初始量子神经网络；/nS4、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；/nS5、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；/nS6、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；/nS7、根据电压趋势预测结果，实现电压异常预警功能。/n
【技术特征摘要】
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；
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。
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S2中，长期表示年数据，中期表示季数据，短期表示周数据。
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，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。
5.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...
【专利技术属性】
技术研发人员：陈光宇，贺臻，张仰飞，郝思鹏，李干，黄良灿，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32
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。