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

申请日：2017-12-08

公开（公告）日：2020-03-20

公开（公告）号：CN108075467B

主分类号：H02J3/00(20060101)

分类号：H02J3/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.03.20#授权;2018.06.19#实质审查的生效;2018.05.25#公开

摘要：本发明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，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。

主权项：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wj0，第j类聚类中心vj的取值vj0，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sima,b进行计算，有： 式中a,b∈[0,1]，a∩b＝mina,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＝η1-zj4wj＝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||wjt-wjt+1||+||vjt-vjt+1||＜ε是否成立，如果成立，学习过程结束，vjt+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wjt和vjt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vjt+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；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：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，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；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mkAn：mkAn＝μnk；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，mA1和mA2分别为证据S1和S2合成后对命题A1和A2的支持程度，mA1表示配电网发生低电压的可能性大小。

全文数据：一种基于多源证据融合的配电网低电压预测方法技术领域[0001]本发明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。背景技术[0002]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。发明内容[0003]本发明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。[0004]本发明为解决上述技术问题所采用的技术方案为：[0005]—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：[0006]步骤SI:设定辨识框架为Ω=，其中命题A1S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AdPA2的原型特征向量；[0007]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;[0008]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。[0009]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。[0010]进一步地，所述步骤Sl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Ai和A2的原型特征向量步骤为：[0011]Stepll、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U1，分别通过公式吋其进行变换，将其映射到[0，1]区间上，得到相应的待分类样本X1，其中i=l，2,…，M，M为样本个数；[0012]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=O、第j类中间网络参数w啲取值Wj®，第j类聚类中心^的取值Vj®，j=l，2;[0013]Stepl3、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Zi，…，ζ。、输出层结点输出yi，…，y。，并由yi，…，y。变换得到μ」，若μ」=1表明输入的待分类样本^属于第j类，第j类获胜，则对第j类的中间网络参数W和第j类的聚类中心Vj进行调整；具体的计算公式如下：[0014][0015]式⑴采用Pedrycz相似度算子sima,b进行计算，有：[0016][0017]式中a，be[0，l]，aΠb=mina,b,a^b=sup{he[0,1],aΠh^ib},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；[0018]定义误差为：[0019]3[0020]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：[0021]若，则[0022]ΔWj=TlI-Zj4[0023]Wj=Wj+ΔWj[0024]否则，Wj不变；[0025]若WjXi=Vj，且，则[0026]5[0027]若WjXiEvj，且VjXi，贝Ij[0028]6[0029]Vj=Vj+ΔVj[0030]否则Vj不变；[0031]Stepl4、判断I|wj⑴-Wjt+1I|+|IVjt-Vjt+1IIXi^Vj，则[0077]17[0078]若，则[0079]18：[0080]若，则[0081]19[0082]Vj=Vj+ΔVj[0083]否则Vj不变。[0084]这样就完成了一次学习过程，每次学习将有一个网络参数得到调整，整个聚类过程就是由有这些学习过程反复进行完成的。[0085]St印4、判断I|wjt-Wjt+1I|+||vjt-Vjt+1I|ε是否成立，如果成立，学习过程结束，Vjt+1为第j类的聚类中心，进入Step5;如果不成立，贝Ij令t=t+Ι，并转向Step3;其中Wjt和Wt分别为第t次学习过程调整得到的第j类中间网络参数巧和第j类聚类中心巧的取值；[0086]Step5、对于各个聚类中心vt+1，计算其与属于第j类的各个样本X1的距离，得到与其距离最近的样本对应的电压检测值山;根据《中国南方电网电压质量和无功电力管理标准》的要求，220V单相用户受端供电电压允许偏差为额定电压的+7%〜-10%，将电压降（220VD超过额定电压10%的1^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%的山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；[0087]利用湖南湘西凤凰县野鸡寨台区电压监测数据，选取电压降在额定电压5%_15%范围内的监测数据，对供电半径与接入负荷容量两个指标数据对应的电压检测值规格化数据为样本，以模糊逻辑神经元聚类网络学习法求取其聚类中心，与聚类中心距离最近的样本对应的电压检测值的电压降及相应供电半径接入负荷容量如表1、2所示。[0088]表1电压降及相应供电半径[0090]表2电压降及相应接入负荷容量Τ〇〇92Ϊ~根据表1、表2及220V单相用户受端供电电压允许偏差的要求，将电压降超过10%的电压检测值所对应的供电半径200m作为供电半径指标51支持命题A1的原型特征向量，将电压降不超过10%的电压检测值所对应的供电半径loom作为供电半径指标31支持命题A2的原型特征向量，将电压降超过10%的电压检测值所对应的接入负荷容量50kVA作为接入负荷容量指标S2支持命题Ai的原型特征向量，将电压降不超过10%的电压检测值所对应的接入负荷容量40kVA作为接入负荷容量指标S2支持命题A2的原型特征向量，原型特征向量Yi、Y2分别记作：[0093]Si：Yi=[200]τ[0094]γ2=[100]τ[0095]S2：Yi=[50]t[0096]Y2=[40]τ[0097]步骤S2:将待预测配电网对应的供电半径、输入负荷容量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供电半径、接入负荷容量构建证据合成所需的基本信任分配函数BBA，形成了多种证据基本信任分配函数用于证据合成；[0098]Step21、将待预测配电网对应的供电半径、输入负荷容量值作为证据向量Xk，k=1，···，Ν，N为证据类型数目，建立以下优化模型：[0099]20：[0100]其中，L为辨识框架中命题数，本发明中L=2，ynk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sXs阶的对称正定矩阵，本发明中A取一阶单位矩阵I时，式20对应于欧氏距离;最优化准则为取J的最小值，μ*为待求解的参数；[0101]Step22、利用拉格朗日乘数法来求解使J最小的ynk的值：[0102]建立以下目标函数[0103]21[0104]其中，λ为中间参数（中间参数在后面推导就自然消去，无需确定其取值）。[0105]最优化的一阶必要条件为[0106]22[0107]23[0108]由式（13得[0109]24[0110]当yik=ynk时，有[0111]25[0112]对式（22而言，ynk是定值，对式（23、式（24而言，yik是变量，将式（24代入式22令式（212中的μη1ί等于式（24中的ylk，实际上是形成一个将定值用变量代换的式子得：[0113]Cb[0114]所以[0115]Ti[0116]将式27代入式25得[0117]28[0118]考虑到cU可能为0,分两种情况讨论使得J为最小的μη1ί值：[0119]29[0120]Step23、将隶属度μη1ί作为证据向量xk的支持命题An的基本信任分配函数mkAn:[0121]mkAn=Unk30[0122]根据原型特征向量的结构型式分别采用湖南湘西凤凰县野鸡寨某台区某时刻的配变供电半径160m、接入负荷容量45.5kVA构造证据向量Χ1、χ2有：[0123]Si：xi=[160]T[0124]S2：X2=[45.5]t[0125]根据式（19-20可得供电半径和接入负荷容量的基于最优化聚类法的BBA，记作：[0126]Si：miAl=0.692miA2=0.308[0127]S2:m2Al=0.59m2A2=0.41[0128]从结果可以直观的看出：虽然证据偏向支持低电压命题A1，但若仅依靠单一证据如接入负荷容量不到60%的支持度就进行低电压预警，显然有些武断。[0129]步骤S3:利用D-S证据合成法则，实现了多种低电压预测证据的有机融合，根据融合结果，预测配电网发生低电压的可能性;达成预测结果更为全面、客观的目的。[0130]根据D-S证据合成法则有：[0131]:31[0132]其中，mAl和mA2分别为证据Si和S2合成后对命题Ai和A2的支持程度，mAl表不配电网发生低电压的可能性大小。[0133]根据式22将步骤2中BBA进行证据合成结果如下。[0134]表3证据合成结果[0135][0136]证据合成后，合成结果提示出现低电压的可能性大大提升，达到76%，明显超过单独依靠单一指标进行低电压预测的结果，表明基于信息融合多源信息融合的配电网低电压预测的方式可以有效提升低电压预测效果，实现多源证据的有机融合。[0137]本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或者补充或采用类似的凡是替代，但不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

权利要求：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SI:设定辨识框架为Ω=U1,A2}，其中命题A1S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AjPA2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Sl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AjPA2的原型特征向量步骤为：Stepll、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U1，分别通过公式对其进行变换，将其映射到[〇，1]区间上，得到相应的待分类样本X1，其中i=1，2,…，M，M为样本个数；Stepl2、初始化;设置聚类数c=2、步长ri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啲取值Wj®，第j类聚类中心^的取值Stepl3、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Zi，…，zc、输出层结点输出yi，…，y。，并由yi，…，y。变换得到μ」，若μ」=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W和第j类的聚类中心V通行调整;具体的计算公式如下：1式⑴采用Pedrycz相似度算子sima，b进行计算，有：2式中表示集合{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：3根据定义的误差准则和梯度下降学习方法，巧和W的调整方式如下：若，则否则，w_i不变；若且贝IJ5若，且，则6否则Vj不变；Stepl4、判断是否成立，如果成立，学习过程结束，为第j类的聚类中心，进入Stepl5;如果不成立，贝Ij令t=t+l，并转向Stepl3;其中wjt和Wt分别为第t次学习过程调整得到的第j类中间网络参数^和第j类聚类中心Vj的取值；Stepl5、对于各个聚类中心vt+1，计算其与属于第j类的各个样本X1的距离，得到与其距离最近的样本^及^对应的电压检测值山;将电压降超过额定电压10%的山所对应的指标值作为该类型指标支持命题^原型特征向量，电压降未超过额定电压10%的山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。4.根据权利要求3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Step12中，设置步长终止阈值ε=0.00005，初始化第j类中间网络参数Wj的取值Wj=0.01，第j类聚类中心Vj的取值5.根据权利要求3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为证据类型数目，建立以下优化模型：⑺其中，L为辨识框架中命题数，本发明中L=2，ynk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sXs阶的对称正定矩阵，本发明中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，ynk为待求解的参数；Step22、利用拉格朗日乘数法求解使J最小的μη1ί的值，得到：Step23、将隶属度ynk作为证据向量Xk的支持命题An的基本信任分配函数mkAn:6.根据权利要求5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S3中，证据融合公式为：10其中，mAl和mA2分别为证据Si和S2合成后对命题Ai和A2的支持程度，mAl表不配电网发生低电压的可能性大小。

百度查询： 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 一种基于多源证据融合的配电网低电压预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD