[发明专利]一种基于多源证据融合的配电网低电压预测方法

权利要求书

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U_i，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x_i，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w_j的取值w_j⁽⁰⁾，第j类聚类中心v_j的取值v_j⁽⁰⁾，j＝1,2；

Step13、进行第t次学习过程，依次对每个待分类样本x_i，首先计算隐层节点输出z₁,…,z_c、输出层结点输出y₁,…,y_c，并由y₁,…,y_c变换得到μ_j，若μ_j＝1表明输入的待分类样本x_i属于第j类，第j类获胜，则对第j类的中间网络参数w_j和第j类的聚类中心v_j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，w_j和v_j的调整方式如下：

若w_j≤(x_i≡v_j)，则

Δw_j＝η(1-z_j) (4)

w_j＝w_j+Δw_j

否则，w_j不变；

若w_j＞(x_i≡v_j)，且v_j≤x_i，则

若w_j＞(x_i≡v_j)，且v_j＞x_i，则

v_j＝v_j+Δv_j

否则v_j不变；

Step14、判断||w_j^(t)-w_j^(t+1)||+||v_j^(t)-v_j^(t+1)||＜ε是否成立，如果成立，学习过程结束，v_j^(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w_j^(t)和v_j^(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w_j和第j类聚类中心v_j的取值；

Step15、对于各个聚类中心v_j^(t+1)，计算其与属于第j类的各个样本x_i的距离，得到与其距离最近的样本x_j及x_j对应的电压检测值U_j；将电压降超过额定电压10％的U_j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U_j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；

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，具体包括以下步骤：

Step 21、将待预测配电网对应的各种类型的指标值作为证据向量x_k，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，L＝2，μ_nk表示证据向量x_k对于辨识框架中命题A_n的隶属度；d_nk表示证据向量x_k与相应类型的证据支持A_n的原型特征向量Y_n之间的距离，A为s×s阶的对称正定矩阵；最优化准则为取J的最小值，μ_nk为待求解的参数；

Step 22、利用拉格朗日乘数法求解使J最小的μ_nk的值，得到：

Step 23、将隶属度μ_nk作为证据向量x_k的支持命题A_n的基本信任分配函数m_k(A_n)：

m_k(A_n)＝μ_nk； (9)

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；其中证据融合公式为：

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。