一种用于输电系统的层次概率模糊推理方法技术方案

本发明专利技术公开了一种用于输电系统的层次概率模糊推理方法，基于层次概率模糊推理系统进行推理；层次概率模糊推理系统的输入变量为影响输电线的各参数，包括包括平均风速，日降雨量，平均气压，平均气温，最高气温和最低气温；采用四组三角形函数作为输入隶属度函数以对应PDF中的四个数值区间，PDF为概率分布函数；并将这四个数值区间分别定义为：罕见(R)、较少(I)、可能(P)、常见(F)；层次概率模糊推理系统的输出量为风险等级；基于四组梯形函数设计输出隶属度函数，其中的四个模糊集分别对应四个概率模糊风险等级：低(L)、中(M)、高(H)、极高(E)。采用这种方法能提升系统的实用性。(E)。采用这种方法能提升系统的实用性。(E)。采用这种方法能提升系统的实用性。

【技术实现步骤摘要】
一种用于输电系统的层次概率模糊推理方法


[0001]本专利技术涉及一种用于输电系统的层次概率模糊推理方法。

技术介绍

[0002]现有的针对输电系统的推理系统，运算复杂度高，且没有考虑到罕见变量，因此，有必要设计一种新的用于输电系统的层次概率模糊推理方法。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种用于输电系统的层次概率模糊推理方法，该方法能减小FIs的运算复杂度并提升实用性。
[0004]专利技术的技术解决方案如下：
[0005]一种用于输电系统的层次概率模糊推理方法，其特征在于，基于层次概率模糊推理系统进行推理；
[0006]层次概率模糊推理系统的输入变量为影响输电线的各参数，包括平均风速，日降雨量，平均气压，平均气温，最高气温和最低气温；；采用四组三角形函数作为输入隶属度函数以对应PDF中的四个数值区间，PDF为概率分布函数；并将这四个数值区间分别定义为：罕见(R)、较少(I)、可能(P)、常见(F)，其中模糊集的划分都取决于各个连续特征中数值区间的划分；
[0007]层次概率模糊推理系统的输出量为风险等级；基于四组梯形函数设计输出隶属度函数，其中的四个模糊集分别对应四个概率模糊风险等级：低(L)、中(M)、高 (H)、极高(E)。
[0008]表1 选取的环境特征及所含元素汇总
[0009][0010][0011]表2 第一个FIs应用的模糊规则
[0012][0013][0014]模糊规则集如表1和表2所示。/>[0015]其中：1)表1表示图5中左上角处第一个FIs所应用的模糊规则集，而表2表示图5中其余四个FIs所使用的模糊规则集；2)表4
‑
2中的“风险”表示前一个FIs输出的结果；3)“&&”在隶属度中的计算方法为M
(A&&B)
＝min(M
A
，M
B
)。
[0016]有益效果：
[0017]本专利技术对传统模糊推理系统(FuzzyInferenceSystem，FIs)提出了两点改进。一方面，采用了层次结构，可以减小FIs的运算复杂度；另一方面，在构建隶属度函数时应用了概率模糊风险取代传统的直接模糊风险，能够以相同的函数形式处理不同类型的连续特征，从而可以减小FIs的运算复杂度并提升实用性。此外，基于概率模糊风险还能够直接将连续特征中的罕见变量纳入到分析中。综合以上两方面设计层次概率模糊推理系统(HierarchicalProbabilityFuzzyInferenceSystem，HPFIs)
附图说明
[0018]图1为输入特征筛选流程图；
[0019]图2为输入特征有效性验证原理图；
[0020]图3为连续环境特征值PDF及各个数值区间概率分布示意图，其中图a
‑
f分别对应平均气温、最高气温、最低气温、平均气压、日降水量和平均风速的概率分布图；
[0021]图4为FIs输入隶属度函数；
[0022]图5为HFIs结构示意图；
[0023]图6为FIs输出隶属度函数示意图；
[0024]图7为FIs概率模糊风险分析示例图；
[0025]图8为集成式模型的结构示意图；
[0026]图9为FCARM模型流程图。图10为预测模型流程图。
具体实施方式
[0027]以下将结合附图和具体实施例对本专利技术做进一步详细说明：
[0028]实施例1：
[0029]输电线路系统外部环境数据可以分为两种类型：离散特征和连续特征。其中，离散特征的环境元素以相互分离的个体形式存在，可直接通过关联规则挖掘进行处理；而连续
特征则需要事先离散化，由于主观性较大而存在一定的随机性和不确定性，故直接基于关联规则挖掘进行处理时的预测效果通常有限。而FIs相较关联规则挖掘模型更适用于处理连续特征。
[0030]将计及罕见变量的关联规则挖掘(Association Rule Mining with RareElements and Time series，ARMret)模型与HPFIs(层次模糊推理系统)相结合，构建了一种集成式模型：模糊条件关联规则挖掘(Fuzzy ConditionalAssociation Rule Mining，FCARM)预测模型，从而可以将离散特征和连续特征分别基于不同的专家模型进行挖掘分析，尽可能发挥出不同模型各自的优势，进而提升预测的准确性。将连续特征与离散特征分离，其中离散特征仍由ARMret 模型进行处理，而连续特征采用基于ARMret模型和FIs组成的集成式模型进行处理。通过构建集成式学习(Ensemble Learning，EL)模型分别求解了FIs和 ARMret子模型各自的最优专家权重，以尽可能减小误差的影响。
[0031]实例及数据分析：
[0032]本专利采用位于南部某省的高压输电线路系统作为算例测试系统。由于该省具有地形复杂、气候多变的特点，能够提供充足的故障样本以满足验证预测效果的数据需求。本专利基于从2012至2016年发生在该系统110kV及以上线路中的故障进行分析。相应时段内该省份的相关气象数据由中国气象部门提供，其中数据更新频率为以UTC通用协调时为基础的每一小时更新一次。本专利所采用的原始故障记录中含有24个环境特征，原始气象数据中包含25个气象特征。
[0033]一方面，为增强本专利所提出的FCARM模型在不同应用场景中的实用性和灵活性，需要对原始数据中的特征进行筛选。因此，本专利依据图1中的五个特征筛选条件进行筛选。通过筛选，一些适用性窄的特征被剔除，如绝缘器材质、导线覆冰厚度、杆塔编号等。
[0034]另一方面，为确保所筛选的环境特征有助于预测效果的提升，本专利选择格兰杰因果关系测试对通过初步筛选的输入环境特征进行有效性验证，即在不受其他特征影响时衡量单个特征在预测过程中的作用。假设一组时间序列U能够有助于预测另一组时间序列V，或时间序列U的历史信息能够改善时间序列V的预测效果时，则称时间序列U和时间序列V之间存在格兰杰因果相关。本专利采用AUROC 作为预测效果的衡量标准。因此，将比较当应用除待验证特征f
j
外的其他特征时的预测效果，与当包括待验证特征f
j
在内的所有特征时的预测效果之间是否存在改善。此外，预测效果的对比将基于每一个研究周期进行，并重复直至所有的研究周期均被验证完毕。验证的原理示意图如图2所示。
[0035]结合以上两个方面的筛选，本专利采用故障记录中的九个环境特征和气象数据中的九个特征进行预测。
[0036]综合以上信息，本算例所选取的环境特征以及所含元素如表1所示。
[0037]表1 选取的环境特征及所含元素汇总
[0038][0039][0040]连续特征的预处理
[0041]针对输电线路系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于输电系统的层次概率模糊推理方法，其特征在于，基于层次概率模糊推理系统进行推理；层次概率模糊推理系统的输入变量为影响输电线的各参数，包括包括平均风速，日降雨量，平均气压，平均气温，最高气温和最低气温；；采用四组三角形函数作为输入隶属度函数以对应PDF中的四个数值区间，PDF为概率分布函数；并将这四个数值区间分别定义为：罕见(R)、较少(I)、可能(P)、常见(F)，其中模糊集的划...

【专利技术属性】
技术研发人员：孙辰昊，曾祥君，姜飞，杨洪明，夏向阳，唐欣，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：