一种基于多源证据融合的配电网低电压预测方法技术

本发明专利技术公开了一种基于多源证据融合的配电网低电压预测方法，包括以下步骤：首先选取反映配电网低电压发生可能性的多类指标，收集各类型指标下不同指标值对应的电压检测值，利用模糊逻辑神经元聚类网络学习法求取各类型指标支持低电压、非低电压命题的原型特征向量；然后偶将待预测配电网对应的各种类型的指标值作为其低电压预测的证据，利用最优化聚类法对各类证据构建基本信任分配函数；最后利用D‑S证据合成法则，将多种低电压预测的证据进行融合，根据融合结果，预测配电网发生低电压的可能性。采用本发明专利技术，可对配电网低电压现象展开预测，利用多源信息融合可以使得预测结果更加客观可靠，为合理安排治理低电压现象的技改项目提供科学依据。

【技术实现步骤摘要】
一种基于多源证据融合的配电网低电压预测方法
本专利技术涉及配电网的低电压预测，尤其是一种基于多源证据融合的配电网低电压预测方法。
技术介绍
配电网供电半径、配电网线径、配电变压器容量和无功补偿配比等因素的不足，导致配网低电压的问题日益严重，已经影响到日常生产生活。线径大小、供电半径、接入负荷容量、负荷状况、功率因数等指标数据能够反映低电压发生的可能性。但是，低电压可能是由多种因素导致的，依赖单个指标进行预测可能不够精确。特别是当单个指标处于临界点时无法实现有效的状态预测。因此，有必要开展全面的配电网低电压预测模型，通过多源配网数据来预测评价已有配电网或将建配电网出现低电压的可能性，从而制定相应的技改策略，提高配电网运维水平。
技术实现思路
本专利技术主要解决的现有的技术问题是：提供了一种基于多源证据融合的配电网低电压预测方法，能够客观准确地预测配电网低电压可能性，以期为合理安排技改项目提供科学依据。本专利技术为解决上述技术问题所采用的技术方案为：一种基于多源证据融合的配电网低电压预测方法，其特征在于，包括以下步骤：步骤S1：设定辨识框架为Ω＝{A1,A2}，其中命题A1为低电压，命题A2为非低电压；收集选取反映配电网低电压发生可能性的多类指标；收集各类型指标下不同指标值对应的电压检测值，收集的电压检测值的电压降需在额定电压的5％-15％范围内；利用模糊逻辑神经元聚类网络学习法求取各类型指标支持命题A1和A2的原型特征向量；步骤S2：将待预测配电网对应的各种类型的指标值作为其低电压预测的证据，利用最优化聚类法对各类证据构建基本信任分配函数(BBA)；步骤S3:利用D-S证据合成法则，将多种低电压预测的证据进行融合，根据融合结果，预测配电网发生低电压的可能性。进一步地，所述指标类型包括线径大小、供电半径、接入负荷容量、负荷状况和功率因数。进一步地，所述步骤S1中，利用模糊逻辑神经元聚类网络学习法求取某一类型的指标支持命题A1和A2的原型特征向量步骤为：Step11、数据规格化；选取该类型指标下不同指标值对应的电压检测值Ui，分别通过公式对其进行变换，将其映射到[0,1]区间上，得到相应的待分类样本xi，其中i＝1,2,…,M，M为样本个数；Step12、初始化；设置聚类数c＝2、步长η和ζ、终止阈值ε，初始化学习次数t＝0、第j类中间网络参数wj的取值wj(0)，第j类聚类中心vj的取值vj(0)，j＝1,2；Step13、进行第t次学习过程，依次对每个待分类样本xi，首先计算隐层节点输出z1,…,zc、输出层结点输出y1,…,yc，并由y1,…,yc变换得到μj，若μj＝1表明输入的待分类样本xi属于第j类，第j类获胜，则对第j类的中间网络参数wj和第j类的聚类中心vj进行调整；具体的计算公式如下：式(1)采用Pedrycz相似度算子sim(a,b)进行计算，有：式中a,b∈[0,1]，a∩b＝min(a,b)，a→b＝sup{h∈[0,1],a∩h≤b}，sup表示集合{h}的上确界，即集合{h}中的任意一个元素均小于或等于该值；定义误差为：根据定义的误差准则和梯度下降学习方法，wj和vj的调整方式如下：若wj≤(xi≡vj)，则Δwj＝η(1-zj)(4)wj＝wj+Δwj否则，wj不变；若wj＞(xi≡vj)，且vj≤xi，则若wj＞(xi≡vj)，且vj＞xi，则vj＝vj+Δvj否则vj不变；Step14、判断||wj(t)-wj(t+1)||+||vj(t)-vj(t+1)||＜ε是否成立，如果成立，学习过程结束，vj(t+1)为第j类的聚类中心，进入Step15；如果不成立，则令t＝t+1，并转向Step13；其中wj(t)和vj(t)分别为第t次学习过程调整得到的第j类中间网络参数wj和第j类聚类中心vj的取值；Step15、对于各个聚类中心vj(t+1)，计算其与属于第j类的各个样本xi的距离，得到与其距离最近的样本xj及xj对应的电压检测值Uj；将电压降超过额定电压10％的Uj所对应的指标值作为该类型指标支持命题A1原型特征向量，电压降未超过额定电压10％的Uj所对应的指标值作为该类型指标支持命题A2原型特征向量；进一步地，所述Step12中，设置步长η＝ζ＝0.01、终止阈值ε＝0.00005，初始化第j类中间网络参数wj的取值wj(0)＝0.01，第j类聚类中心vj的取值vj(0)＝0，j＝1,2。进一步地，所述步骤S2中具体包括以下步骤：Step21、将待预测配电网对应的各种类型的指标值作为证据向量xk，k＝1,…,N，N为证据类型数目，建立以下优化模型：其中，L为辨识框架中命题数，本专利技术中L＝2，μnk表示证据向量xk对于辨识框架中命题An的隶属度；dnk表示证据向量xk与相应类型的证据支持An的原型特征向量Yn之间的距离，A为s×s阶的对称正定矩阵，本专利技术中A取一阶单位矩阵I时，式(10)对应于欧氏距离；最优化准则为取J的最小值，μnk为待求解的参数；Step22、利用拉格朗日乘数法求解使J最小的μnk的值，得到：Step23、将隶属度μnk作为证据向量xk的支持命题An的基本信任分配函数mk(An)：mk(An)＝μnk(9)进一步地，所述步骤S3中，证据融合公式为：其中，m(A1)和m(A2)分别为证据S1和S2合成后对命题A1和A2的支持程度，m(A1)表示配电网发生低电压的可能性大小。有益效果：采用本专利技术，可对配电网低电压现象展开预测，利用多源信息融合可以使得预测结果更加客观可靠，为合理安排治理低电压现象的技改项目提供科学依据。具体具有以下优点：1)本专利技术综合考虑了反映低电压发生可能性多源信息，并利用证据理论实现其有机融合，使得配网低电压预测更加全面可靠。2)本专利技术利用最优化聚类法构建基本信任分配函数(BBA)，使得BBA构建方法更加客观。3)本专利技术提出了以D-S证据合成法则对多源证据进行证据合成，用以强化对相关命题的支持程度。附图说明图1为本专利技术具体实施流程图；图2为实施的配网低电压预测辨识框架结构图；图3为模糊逻辑神经元聚类网络拓扑图。具体实施方式下面对本专利技术作进一步说明。步骤S1：设定辨识框架为Ω＝{A1,A2}，其中命题A1为低电压，命题A2为非低电压。建立的配网低电压预测辨识框架结构图如图2所示；收集选取反映配电网低电压发生可能性的多类指标；收集各类型指标下不同指标值对应的电压检测值，利用模糊逻辑神经元聚类网络学习法求取各类型指标支持命题A1和A2的原型特征向量；指标包括线径大小、供电半径、接入负荷容量、负荷状况、功率因数，不同指标值对应的电压检测值主要来源于SCADA系统、生产管理系统(PMS系统)、配电管理系统(DMS系统)等；进而，根据构建的配网低电压预测辨识框架，利用模糊逻辑神经元聚类网络学习法确定描述低电压、非低电压命题的上述各种指标的原型特征向量；本实施例中选取供电半径和接入负荷容量作为指标。利用湖南湘西凤凰县野鸡寨台区数据，以野鸡寨配变为参考点，建立的模糊逻辑神经元聚类网络学习法网络拓扑如图3所示。其中x作为输入样本，z、y分别是隐层节点和输出层结点的输出，μ是对y的变换，w和v是网络参数。利用模糊逻辑神经元聚类网络学习法求取原型特征向量步骤为本文档来自技高网...

【技术保护点】
一种基于多源证据融合的配电网低电压预测方法，其特征在于，包括以下步骤：步骤S1：设定辨识框架为Ω＝{A1,A2}，其中命题A1为低电压，命题A2为非低电压；选取反映配电网低电压发生可能性的多类指标，收集各类型指标下不同指标值对应的电压检测值，收集的电压检测值的电压降需在额定电压的5％‑15％范围内；利用模糊逻辑神经元聚类网络学习法求取各类型指标支持命题A1和A2的原型特征向量；步骤S2：将待预测配电网对应的各种类型的指标值作为其低电压预测的证据，利用最优化聚类法对各类证据构建基本信任分配函数；步骤S3:利用D‑S证据合成法则，将多种低电压预测的证据进行融合，根据融合结果，预测配电网发生低电压的可能性。

【技术特征摘要】
1.一种基于多源证据融合的配电网低电压预测方法，其特征在于，包括以下步骤：步骤S1：设定辨识框架为Ω＝{A1,A2}，其中命题A1为低电压，命题A2为非低电压；选取反映配电网低电压发生可能性的多类指标，收集各类型指标下不同指标值对应的电压检测值，收集的电压检测值的电压降需在额定电压的5％-15％范围内；利用模糊逻辑神经元聚类网络学习法求取各类型指标支持命题A1和A2的原型特征向量；步骤S2：将待预测配电网对应的各种类型的指标值作为其低电压预测的证据，利用最优化聚类法对各类证据构建基本信任分配函数；步骤S3:利用D-S证据合成法则，将多种低电压预测的证据进行融合，根据融合结果，预测配电网发生低电压的可能性。2.根据权利要求1所述的基于多源证据融合的配电网低电压预测方法，其特征在于，所述指标类型包括线径大小、供电半径、接入负荷容量、负荷状况和功率因数。3.根据权利要求1所述的基于多源证据融合的配电网低电压预测方法，其特征在于，所述步骤S1中，利用模糊逻辑神经元聚类网络学习法求取某一类型的指标支持命题A1和A2的原型特征向量步骤为：Step11、数据规格化；选取该类型指标下不同指标值对应的电压检测值Ui，分别通过公式对其进行变换，将其映射到[0,1]区间上，得到相应的待分类样本xi，其中i＝1,2,…,M，M为样本个数；Step12、初始化；设置聚类数c＝2、步长η和ζ、终止阈值ε，初始化学习次数t＝0、第j类中间网络参数wj的取值wj(0)，第j类聚类中心vj的取值vj(0)，j＝1,2；Step13、进行第t次学习过程，依次对每个待分类样本xi，首先计算隐层节点输出z1,…,zc、输出层结点输出y1,…,yc，并由y1,…,yc变换得到μj，若μj＝1表明输入的待分类样本xi属于第j类，第j类获胜，则对第j类的中间网络参数wj和第j类的聚类中心vj进行调整；具体的计算公式如下：式(1)采用Pedrycz相似度算子sim(a,b)进行计算，有：式中a,b∈[0,1]，a∩b＝min(a,b)，a→b＝sup{h∈[0,1],a∩h≤b}，sup表示集合{h}的上确界，即集合{h}中的任意一个元素均小于或等于该值；定义误差为：根据定义的误差准则和梯度下降学习方法，wj和vj的调整方式如下：若wj≤(xi≡vj)，则Δwj＝η(1-zj)(4)wj＝wj+Δ...

【专利技术属性】
技术研发人员：郭文明，朱吉然，张帝，张志丹，唐海国，龚汉阳，冷华，刘海峰，陈跃辉，
申请(专利权)人：国网湖南省电力有限公司，国网湖南省电力公司电力科学研究院，国家电网公司，
类型：发明
国别省市：湖南,43