隨著電力系統的規模迅速擴大，其網路的結構趨於複雜，給理論電網損耗計算帶 來了困難；同時電網計量自動化系統的應用增強了電網的監控能力，電網公司可以較方便 地採集到用於電網損耗理論計算的各種資料。目前所使用的特高壓輸電線線損計算系統主 要透過輸電線兩端電量差值得到線損值統計值，存在誤差較大；為滿足電網公司日益精細 化的線損管理要求，有必要研究新的方法引入到系統中來提高損耗計算的精確度。
近年來，深度學習技術成為人工智慧方向中一大熱門，該技術為尋找引數間非線 性關係提供了便捷方式；但目前為止，國內使用的基於深度學習的線損計算方法多應用在 配電網中，還沒有針對1000kV特高壓特殊工況下輸電線路的線損預測方法。在該執行條件 下的電暈損耗明顯且易受周圍環境影響，特別是高溫和雨水環境下導致電場畸變嚴重；其 次電暈放電強度也會增加，產生對地電平電場的影響。因此為綜合分析環境對線損的作用， 可透過神經網路來擬合非電氣因素和線損之間複雜的非線性關係。其次，採用量子蟻群優 化可以提高演算法的全域性搜尋能力，避免搜尋過程陷入早熟收斂問題。因此線上損預測中使 用量子蟻群最佳化RBF神經網路的方法。
首先，需要分析特高壓電網電氣裝置的結構特徵、電網執行引數以及一些非電環 境引數；然後，擬合多種線路電路特徵引數、非電環境引數與不同型別電網損耗之間的非線 性對映關係；最終，透過最佳化的網路結構和訓練方法建立該型別輸電線路電網損耗的預測 模型。並將預測計算結果與關口電量表的實測統計的實際結果進行對比，對1000kV特高壓 電網實際執行線損進行分析評估。
問題拆分
本方法包括下列步驟： ①資料預處理；②建立特徵指標體系；③確定神 經網路結構；④量子蟻群演算法最佳化網路輸出層的 連線引數；⑤使用交替最佳化的方式來訓練神經網路；⑥預測特高壓線損值，分析預測模型。本發明 利用神經網路的計算方式，易於擬合各種非線性 關係，找出輸入參量和線損的關係時不用人為控制計算細節，使用簡便；使用RBF神經網路來保證 訓練速度較快，擁有區域性逼近的特性，計算過程 簡單；將量子蟻群演算法引入神經網路的最佳化過程 中，改善了神經網路自身最佳化容易陷入區域性最優 解的問題。
問題解決
1 .一種基於量子蟻群最佳化RBF網路的特高壓輸電線損預測方法，其特徵在於包括以下 步驟： 本方法包括如下步驟：
①資料預處理(11) 首先獲取多類別資料供特徵篩選，包括電線和變壓器的裝置引數，收發端和變壓器的 執行引數以及環境作用的非電氣引數；其次對資料進行0-1標準化處理使資料分佈在集中 的位置，提升後續模型的訓練速度和精度；
②建立特徵指標體系(12) 從步驟①獲取的引數中篩選出和線損關聯度較高的若干電氣引數，將影響1000kV特高 壓輸電線網路的電氣資料作為比較序列，線損作為參考序列，採用關聯分析方法計算比較 序列和參考序列的關聯絡數，確定每一個電氣指標與輸電線線損之間的關聯程度，來反映 1000kV線路的網架結構和執行狀態對線損的影響程度，再結合非電氣引數建立輸入的特徵 指標；
③確定神經網路結構(13) 在訓練RBF神經網路前需要確定網路結構，輸入層為步驟②確定的特徵指標，輸出層為 預測的線損值，隱藏層神經元表示輸入樣本與樣本中心點之間的距離，透過改進的聚類方 法計算出中心點的位置和個數來確定隱藏層結構；
④量子蟻群演算法最佳化網路輸出層的連線引數(14) RBF神經網路的隱藏層和輸出層之間使用線性加權連線，經過步驟③確定網路結構後 得到連線引數的維度，採用量子蟻群演算法最佳化連線引數，對連線引數進行量子編碼初始化， 其長度為n，設定蟻群的規模為M，以線損值與真實值的均方誤差為評價標準對每一隻螞蟻 都進行最優路徑搜尋，再利用所得的全域性誤差最低解來計算更新蟻群的資訊素濃度，從而 控制蟻群的移動，即控制連線引數朝著最優目標函式的方向更新；
⑤使用交替最佳化的方式來訓練神經網路(15) 將步驟①預處理的資料按照8：2的比例分為訓練集和測試集，訓練集輸入步驟④得到 的神經網路，計算線損預測值，當預測值序列與真實值序列的均方誤差滿足規定的目標誤差時，記錄最佳化得到的連線引數並重新賦值給神經網路，使用神經網路的反向傳播演算法進 行最佳化，直到損失函式最佳穩定時，判斷輸出序列均方誤差是否滿足預測要求，若不滿足便 再次進入量子蟻群最佳化演算法計算連線引數，再次訓練；
⑥預測特高壓線損值，分析預測模型(16) 將歸一化的測試集資料輸入步驟⑤訓練好的模型當中，測試模型在測試集上的相對誤 差，分析模型的準確度和泛化能力；若不滿足相對誤差的大小要求，需要適當調整網路中和 量子蟻群演算法中的超引數來對網路重新訓練。
2 .按權利要求1所述的特高壓輸電線損預測方法，其特徵在於： 所述的步驟③確定神經網路結構(13)，具體流程如下： a、初始化類別數目k和初始聚類中心點，為避免人為調整初始化類別的複雜操作過程， 透過計算聚類結果總的輪廓係數St來選取最優k值，對於任意一個樣本點i，聚類結果的計 算方法如下式：式中：q(i)為點i到所屬類中其它點的平均距離；p(i)為點i到非所屬類中所有點平均 距離的最小值，輪廓係數St是所有樣本點輪廓係數的平均值； 使用一種方法計算初始的聚類中心，避免人為隨機選點的複雜操作過程，建立電氣參 數的評價指標PE，根據樣本的PE值進行升序排序，將樣本等分成k類，選取每類的中心樣本作 為該類的初始聚類中心； 其中PE計算方法如下式： 式中：Zij為第i個樣本的第j個電氣特徵引數值，總共有N個樣本和M個電氣特徵；ωj為 第j個電氣特徵引數的權重，這裡均取1；PE則表示樣本的電氣特徵向量與最小電氣特徵向 量的歐式距離； b、按照各樣本資料與初始中心點的歐式距離劃分資料集為k類，並計算每類中所有樣 本資料的平均值來更新聚類中心，計算式如下式： 式中Dij表示第i個樣本與第j箇中心點的距離，M是特徵指標的維度；Lim為第i個樣本數 據，Zjm為第j箇中心點；Lij代表屬於j中心點的一個樣本資料，對屬於該中心點的所有樣本 資料求和得到新的座標中心Zij ′ ； c、收斂判斷，用(12)式判斷是否收斂： 式中：mi為Ci類的聚類中心；Zq為Ci類中的樣本；重複步驟b直到步驟⑤達到限定條件或 擺動很小，實施例中演算法趨於穩定時的聚類數為11，因此確定RBF網路的隱藏層數量為11。
3 .按權利要求1所述的特高壓輸電線損預測方法，其特徵在於： 所述的量子蟻群最佳化演算法的具體流程為： 引數初始化(30) 對網路隱藏層(22)與輸出層(23)的引數進行初始化； ⅰ、隨機量子編碼(31) 設定量子編碼的規模為m，其編碼和初始化如下式： θij＝2π×rand (13)式中，n＝2k是空間維數，i∈(1 ,2 ,...,m)，m代表種群數量，θij是初始化的值，rand是 (0，1)上的隨機數； ⅱ、適應度篩選(32) 從初始化的連線引數的量子群中找出最優適應度的個體，用適應度函式(14) (15)判斷 個體的優劣，記錄最優個體的量子位機率幅，並計算與其他個體的機率幅的距離； 式中，線損的預測值為 線損理論計算值為yij ,使用兩者之間的均方誤差函式作為第 i個螞蟻的適應度函式F(i)；α0、β0是當前搜尋得到的全域性最優解裡某個量子位的機率幅： αi、βi是當前解裡面相應量子位的機率幅 .Ai為最優個體與其他個體的機率幅距離； ⅲ、蟻群移動計算(33) 利用量子旋轉門旋轉角的更新表示資訊素的增量，
採用自適應的方式使連線引數朝最 優目標解的方向坍縮而不陷入區域性最優解，如下式： Δθij＝-sgn(Ai)×Δθ (17) 式中，U(Δθ)是更新後的量子旋轉門，Δθ是旋轉的角度大小，Ai為機率幅距離常數，這 裡使用自適應的方式來調整量子旋轉角Δθij的方向和大小，Tmax是設定好的最大迭代次數， t是當前的迭代次數，隨著迭代次數的增加減緩旋轉角變化的速度； ⅳ、路徑搜尋計算(34) 使用更新後的量子旋轉門對量子蟻群的位置進行更新來實現路徑搜尋，選擇最優的移 動方向和大小改變每隻螞蟻的量子位機率幅，移動的轉移機率方程構成如下式： 式中， 表示螞蟻k的轉移機率，m表示所有量子位，α(α≥0)為資訊啟發式因子， 為 兩個連線引數向量之間的可見度，Dij為兩個連線引數向量之間的距離，β(β≥0)為期望的啟 髮式因子，μj為第j個個體的量子資訊強度，|λj| 2表示第j個量子位的量子態坍縮到0的概 率，γ(γ≥0)為量子位元啟發式因子； 資訊素更新(35) 為確定最優路徑，控制蟻群的下一步移動，需要利用上步得到的蟻群位置來更新資訊 素，如下式 式中，ρ(0≤ρ＜1)為路徑資訊素的永續性， 為邊弧(i，j)之前的路徑資訊素強度， 是邊弧(i，j)更新之後的路徑資訊素強度， 是螞蟻k在邊弧(i，j)上留下的單位長度 軌跡資訊素數量 .C是常量，為螞蟻k實現一次迴圈所釋放的資訊素總量， 相鄰兩個連線 引數向量之間的距離； ⅵ、判斷是否滿足結束條件(36)，是則進入下一步驟，否則跳轉到步驟ⅲ； ⅶ、解碼輸出(37)。
