基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法

    公开(公告)号:CN112116162B

    公开(公告)日:2022-11-29

    申请号:CN202011026983.8

    申请日:2020-09-26

    摘要: 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。

    基于CEEMDAN-QFOA-LSTM的输电线覆冰厚度预测方法

    公开(公告)号:CN112116162A

    公开(公告)日:2020-12-22

    申请号:CN202011026983.8

    申请日:2020-09-26

    摘要: 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。