买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网东北分部绿源水力发电公司太平湾发电厂

摘要：本发明提供一种基于混沌理论与量子神经网络的径流预测方法，包括流域内径流数据的收集，对径流数据进行预处理，并用完备总体经验模态分解对径流序列进行分解；采用自相关法与互信息法确定延迟时间τ的值、采用假近邻点确定嵌入维度m，将各分量序列转化为延迟向量并构建延迟向量矩阵；采用Wolf方法计算重构相空间的李雅普诺夫指数，验证各径流分量的可预报性并使用最大李雅普诺夫指数确定最大可预报时间；根据最大可预报时段及相空间重构理论尽可能采用多的相点进行预测；构建量子神经网络对各径流分量序列进行预测；采用最小二乘法对分量重构方法进行优化，并利用梯度下降法求出各分量的重构系数。

主权项：1.一种基于混沌理论与量子神经网络的径流预测方法，包括收集流域内径流数据并对所述径流数据进行预处理，其特征在于，还包括以下步骤：步骤1：用完备总体经验模态分解对径流序列进行分解；步骤2：将各径流分量序列的转化为延迟向量，并构建延迟矩阵，采用自相关法与互信息法确定延迟时间τ的值，包括以下子步骤：步骤201：将序列xt分别延迟不同的时间步长k，得到一组延迟时间序列Y＝{xk,xk+1,…,xn}，将原序列去除最后k个数据，记为X＝{x1,x2,…,xn-k}，计算延迟序列与原序列的自相关函数ACFk与互信息函数MIk随k的变化，公式为ACFk＝CorrX,Y其中，X和Y分别代表处理后的序列与延迟时间序列，Corr表示相关系数；以ACF值为纵坐标，k为横坐标做出图形，找到第一个显著的截断点或零交叉点，该点对应的k值为延迟时间τ；步骤202：以MI值为纵坐标，k为横坐标做出图形，找到互信息的局部最小值点或饱和点，该点对应的k值为延迟时间τ，互信息计算公式为 其中，px,y表示变量X和Y同时取值x和y的概率，px和py分别表示变量X和Y取值x和y的边际概率；步骤203：比较所述步骤201和步骤202中的方法确定的延迟时间τ的值，确定最终选取的延迟时间τ的取值；采用假近邻点确定嵌入维数m，将分量序列转化为延迟向量并构建延迟向量矩阵，包括以下子步骤：步骤211：给定一个嵌入维数m0，根据确定延迟时间τ的值及假定的嵌入维数m0将原始序列转化为延迟向量，公式为x′t＝[xt,xt+τ,xt+2τ,...,xt+m0-1τ]其中，τ是延迟时间，m是嵌入维数，延迟向量x′t可以看作是一个m0维向量，t＝1,2,…,M0，M0＝n-m0-1τ；对于m0维相空间的每一个向量x′i，i＝1,2,…,M，在m0维相空间中找出与它距离最近向量x′j，计算两者的欧氏距离，计算式如下： 其中，为向量x′i与x′j之间的欧氏距离；向量x′i与x′j在m0+1维相空间中的距离为： 其中，为向量x′i与x′j之间的欧氏距离；步骤212：计算该m0下虚假近邻点占点比例，依次增大m0，直到虚假近邻点百分比很小或者不随m0增大而减少时，此时的m0即为所需要的嵌入维数m，如果则为虚假近邻点，定义其比值： 其中，Ri为虚假近邻点占比；若RiR0，则称x′j为x′i的假近邻点，R0为阈值，通常取大于10的值，计算该m0下虚假近邻点占点比例，依次增大m0，直到虚假近邻点百分比很小或者不随m0增大而减少时，此时的m0即为所需要的嵌入维数m；步骤213：根据确定的参数构建延迟矩阵，包括根据确定延迟时间τ的值及嵌入维数m将原分量序列转化为延迟向量：x1t＝[xt,xt+τ,xt+2τ,...,xt+m-1τ]其中，t＝1,2,…,M，M＝n-m-1τ，M为延迟向量个数；将延迟向量构建为延迟矩阵，记为 步骤3：从所述延迟向量中构建相空间轨迹，使用李雅普诺夫指数判断各径流分量的可预报性，使用最大李雅普诺夫指数确定各径流分量的最大可预报时间；采用Wolf方法计算重构相空间的李雅普诺夫指数，将延迟矩阵中的每一个延迟向量视为m维相空间中的一个相点，以初始相点为基点，在点集的其余相点中选取与基点最近的点为端点，构成初始向量，使初始向量沿轨迹向前演化固定的时间得到一新向量，计算在该时间段内系统线度指数增长率，继续计算至所有相点取各指数增长率的平均值作为李雅普诺夫指数估计值；使用李雅普诺夫指数判断径流分量的可预报性，当判断径流分量不可预报时重复步骤二重新选取延迟时间与嵌入维数，可预报时，计算最大李雅普诺夫指数确定径流分量的最大可预报时间；步骤4：基于混沌理论，采用量子神经网络对各径流分量进行预报；基于混沌理论进行预测时，为提高预报效果，根据最大可预报时段tp，综合考虑相点Xt+Δt与Xt、Xt-Δt、…、Xt-tp之间的依赖关系，采用相点Xt、Xt-Δt、…、Xt-tp对相点Xt+Δt进行预测；构建量子神经网络进行预测时，先将相点Xt+Δt和Xt、Xt-Δt、…、Xt-tp中的确定性数据转化为量子态，量子态输入数据与隐藏层之间的连接权值为量子旋转门Rθ的旋转角度θ，使用带参数λ的量子非门Uλ处理输入数据，将y的基态|1的概率幅作为最终量子态输出；步骤5：重复步骤2至步骤4，直至所有径流分量预报完毕，并对径流分量进行重构。

全文数据：

权利要求：

百度查询： 国网东北分部绿源水力发电公司太平湾发电厂 一种基于混沌理论与量子神经网络的径流预测方法