本发明专利技术公开了一种基于T‑S模糊神经网络的配电网低电压预测方法。该方法首先建立了T‑S模糊神经网络回归模型，并将配电网区域天气状况、时间段、区域温度、日期类型模糊化处理后、与历史出口电压一同作为模型的训练输入，并将相应的结果出口电压作为模型的训练输出。然后，将T‑S模糊神经网络算法用于模型训练。最后，将训练模型应用于未来出口电压的预测，通过对电压实时预测，设置低电压阈值，建立低电压预警机制。通过仿真和系统分析表明，所提出的低电压预测告警方法具有较高的准确性与可靠性，其在配电网低电压预测告警领域有实用价值。
【技术实现步骤摘要】
一种基于T-S模糊神经网络的配电网低电压预测方法
本专利技术涉及一种基于T-S模糊神经网络的配电网低电压预测方法，属于配电网低电压预测领域。
技术介绍
随着配电网的扩展和负载的高速增长，在电网结构单一的地区，配网上最终到达用户的电压是小于理想值的。过低的电压可能会导致电力设备运行效率下降，同时也会使整体发电成本上升。随着国家一系列强农惠农政策、家电下乡政策的实施，农村家用电器的增长呈加速趋势,导致一些农村地区用电水平远超出农网改造的设计标准。我国有些农村电网点多、线长、面广、山大沟深、交通不便、维护成本高昂，配电网低电压的现象更为严重，解决此问题刻不容缓。最近几年农民收入增加，农村家电也随之增多，这对于电网质量本来就不好的农村来说，在用电高峰时段其低压问题更为突出。因此，通过设备改造和技术手段提高农村的供电质量和电力可靠性，对指导农村电网的建设，解决农村的低电压问题尤其重要。农村低压配电网的低电压预测告警能够有效预警配电网区域低电压，对降低农村低电压风险危害，提高农村供电可靠性有重要意义。以往策略中主要分析研究了农村低压配电网低电压的产生原因以及相关治理措施，很少考虑低电压的短期预测，不利于采取应对措施，实施防范未然举措的开展。
技术实现思路
本专利技术要解决的技术问题是实现配电网低电压预测，为解决所述技术问题，本专利技术提出一种基于T-S模糊神经网络的配电网低电压预测方法，具体包括如下步骤：步骤1，首先需建立T-S模糊神经网络模型，对包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数Gmax，隶属函数中心c，宽度b的初始化；所述的T-S模糊神经网络模型包括四层，输入层、模糊层、模糊规则计算层和输出层；1)输入层连接到输入向量，节点数等于输入向量的维数；在输入层输入X＝[x1,x2,...,xr]；2)在模糊层中，通过隶属度函数式(3)计算模糊隶属度值μ；输入变量xj的隶属度为：其中xj为第j个输入变量，与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度；步骤2，根据已有的样本训练数据库构建模型训练数据集，将历史电压数据、天气状况、时间段、区域温度、日期类型模糊化处理，作为模型的训练输入，并将相应历史当天电压作为模型的训练输出；步骤3执行T-S模糊神经网络算法，用于模型训练，在训练过程中不断更新网络参数与形成基于T-S模糊神经网络的配电网低电压预测模型；步骤4根据基于T-S模糊神经网络的配电网低电压预测模型当进行低电压实时预测时，依据历史电压数据、当天的天气状况、时间段、区域温度、日期类型指标作为输入，对配电网当天出口电压进行预测。所述的历史电压数据是指当天之前几天的电压数据，例如当天之前七天的电压数据。步骤5设立低电压阈值，当预测的电压低于低电压阈值时发出低电压告警信号，实现对配电网低电压预测告警。进一步的，步骤3中形成基于T-S模糊神经网络的配电网低电压预测模型的方法为；步骤3.1输入历史当天之前七天的电压数据，模糊化后的天气状况、时间段、区域温度、日期类型数据，输出为历史当天电压值，作为训练数据集；形成X＝[x1,x2,x3,K,x11]作为输入数据，网络输出期望值yd。步骤3.2输入数据归一化，归一化处理采用min-max法，对输入数据做线性变换，使结果值映射到[0–1]之间，计算公式x为输入数据集，x＝[x1，x2，x3，…xr]，r为输入数据维数，为归一化后的输入数据，max(r)表示r维输入数据中的最大值，max(r)表示r维入数据中的最小值，n的取值分别为1，2，3，……r。步骤3.3计算网络模糊隶属度值μ，模糊算子θ，网络训练实际值yc；步骤3.4更新系数·输入计算误差η：在式(6)中，yd是网络输出期望值，yc是网络训练实际值，η是yd和yc之间的计算误差；系数校正：归一化后的总目标函数为：在式(7)和(8)中，是T-S模糊神经网络的系数，α是系数学习率，xi是网络的输入参数，θi为隶属度相乘构成的模糊算子；根据梯度下降法，在网络学习的过程中，对前提参数进行校正，参数修正量为：在式(9)和(10)中，与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度，β为参数学习率；步骤3.5判断结束条件，若迭代次数达到Gmax，算法结束，形成基于T-S模糊神经网络的配电网低电压预测模型；反之，返回步骤3.3。进一步的，天气状况包括晴天、阴天和雨雪，对应的模糊化值分别为0，1和2；时间段包括23点-7点、7点-11点、13点-17点、19点-23点、11点-13点和17点-19点，对应的模糊化值分别为0、1、1、2、3和3；日期类型包括休息日和正常工作日，对应的模糊化值分别为1和0；区域温度包括小于0度、0-10度、11-20度、21-30度、30-35度和大于36度；对应的模糊化值分别为1、2、3、4和5。有益效果：本专利技术提出一种基于T-S模糊神经网络的配电网低电压预测方法，根据模糊数学原理，建立T-S模糊神经网络，合理模糊量化因素边界，有效的预测当天电压，当预测电压过低时主动告警。具有较高的计算效率与预测精度，提高配电网供电可靠性和运行安全性。附图说明图1是本专利技术的计算过程框图图2是本专利技术预测的低电压值与实际电压值对比图，图3是本专利技术预测的低电压值与实际电压值误差图具体实施方式T-S模糊算法T-S模糊系统具有强大的自适应能力，可以自动更新并校正隶属度函数的模糊子集。T-S模糊系统可以根据“if-then”规则进行定义，在Ri规则的控制下，控制规则具有以下形式：其中，i是规则数，是系统输入量的模糊集，是模型实值参数，yi是根据第i个模糊规则的系统输出。即输入的一部分是模糊的，而输出的一部分是确定的。假设有输入X＝[x1,x2,...,xr]，首先，根据模糊规则，计算每个输入变量xk的隶属度。本专利技术选择高斯函数作为网络的隶属度函数，如下式：其中与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度。模型中的模糊算子θi定义为以下公式：根据模糊计算结果，可以计算出模糊模型的输出值yi为：T-S模糊神经网络模型根据T-S模糊算法，构建模糊神经网络模型。T-S模糊神经网络分为以下四个部分：输入层，模糊层，模糊规则计算层和输出层。其主要网络层构建的相互逻辑关系如下：·输入层连接到输入向量，节点数等于输入向量的维数。·在模糊层中，通过隶属度函数(3)计算模糊隶属度值μ。·在模糊规则计算层中，函数(4)计算出了模糊算子θ。·在输出层中，通过公式(5)计算出的模糊神经网络的输出yi。T-S模糊神经网络学习算法本文档来自技高网...
【技术保护点】
1.一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，包括如下步骤：/n步骤1，首先需建立T-S模糊神经网络模型，对包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数G
【技术特征摘要】
1.一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，包括如下步骤：
步骤1，首先需建立T-S模糊神经网络模型，对包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数Gmax，隶属函数中心c，宽度b的初始化；
所述的T-S模糊神经网络模型包括四层，输入层、模糊层、模糊规则计算层和输出层；
1)输入层连接到输入向量，节点数等于输入向量的维数；在输入层输入X＝[x1,x2,...,xr]；
2)在模糊层中，通过隶属度函数式(3)计算模糊隶属度值μ；
输入变量xj的隶属度为：
其中xj为第j个输入变量，与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度；
步骤2，根据已有的样本训练数据库构建模型训练数据集，将历史电压数据、天气状况、时间段、区域温度、日期类型模糊化处理，作为模型的训练输入，并将相应历史当天电压作为模型的训练输出；
步骤3，执行T-S模糊神经网络算法，用于模型训练，在训练过程中不断更新网络参数与形成基于T-S模糊神经网络的配电网低电压预测模型；
步骤4，根据基于T-S模糊神经网络的配电网低电压预测模型当进行低电压实时预测时，依据历史电压数据、当天的天气状况、时间段、区域温度、日期类型指标作为输入，对配电网当天出口电压进行预测。
2.根据权利要求1所述的一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，步骤3中形成基于T-S模糊神经网络的配电网低电压预测模型的方法为；
步骤3.1输入历史当天之前七天的电压数据，模糊化后的天气状况、时间段、区域温度、日期类型数据，输出为历史当天电压值，作为训练数据集；形成X＝[x1,x2,x3,K,x11]作为输入数据，网络输出期望值yd；
步骤3.2输入数据归一化；
步骤3.3计算网络模糊隶属度值μ，模糊算子θ，网络训练实际值yc；
步骤3.4更新系数
·输入计算误差η：
在式(6)中，...
【专利技术属性】
技术研发人员：朱英凯，季学彪，丁彤，王彪，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
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。