欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種電力系統(tǒng)可靠性預(yù)測方法與流程

文檔序號(hào):12064438閱讀:458來源:國知局
一種電力系統(tǒng)可靠性預(yù)測方法與流程

本發(fā)明涉及電力系統(tǒng)智能監(jiān)控技術(shù)領(lǐng)域,更具體地,涉及電力系統(tǒng)可靠性預(yù)測方法。



背景技術(shù):

目前,傳統(tǒng)電力系統(tǒng)運(yùn)行可靠性預(yù)測技術(shù)大多基于具體元件可靠性模型出發(fā),在綜合考慮故障相關(guān)性、運(yùn)行方式以及潮流分布等因素的基礎(chǔ)上,通過解析運(yùn)算或者統(tǒng)計(jì)數(shù)值模擬等方式推算經(jīng)過標(biāo)準(zhǔn)化定義的電力系統(tǒng)可靠性指標(biāo)。為明確建立輸入因素和輸出指標(biāo)的函數(shù)關(guān)系,上述現(xiàn)有基于邏輯推理或統(tǒng)計(jì)分析的建模方法,往往需要在相對穩(wěn)定的網(wǎng)架結(jié)構(gòu)或理想實(shí)驗(yàn)環(huán)境中,盡可能獲取足量的事件樣本和緊密相關(guān)的環(huán)境特征信息,這種數(shù)據(jù)要求對于大多處于網(wǎng)架結(jié)構(gòu)快速發(fā)展和環(huán)境因素不斷轉(zhuǎn)變中的當(dāng)代某些產(chǎn)業(yè)的電力系統(tǒng)過于嚴(yán)苛。比如說,現(xiàn)階段電網(wǎng)企業(yè)所開展的大數(shù)據(jù)電力系統(tǒng)建設(shè),正逐步形成一種服務(wù)于電力系統(tǒng)運(yùn)行規(guī)劃可靠性分析的數(shù)據(jù)驅(qū)動(dòng)型建模分析環(huán)境。大數(shù)據(jù)具有種類多高,數(shù)量龐大,更新速度快和可信度高的4V特征,為以數(shù)據(jù)驅(qū)動(dòng)型的方式研究電力系統(tǒng)可靠性高維復(fù)雜非線性關(guān)系提供了新的途徑。

目前,現(xiàn)有技術(shù)提出數(shù)據(jù)驅(qū)動(dòng)型的可靠性指標(biāo)建模和數(shù)值預(yù)測方法,這些方法仍然以足量信息作為前提,實(shí)際電力系統(tǒng)中,由于電力系統(tǒng)升級(jí)改造、冗余度高以及記錄缺失等方面的影響,有效故障樣本 數(shù)據(jù)較為稀少的狀況普遍存在。

所以,在大數(shù)據(jù)環(huán)境尚未完善的大環(huán)境下,需要解決數(shù)據(jù)樣本不足情況下電力系統(tǒng)可靠性預(yù)測的準(zhǔn)確準(zhǔn)確性問題。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的電力系統(tǒng)可靠性預(yù)測方法。

根據(jù)本發(fā)明的一個(gè)方面,提供一種電力系統(tǒng)可靠性預(yù)測方法,包括:步驟1,利用bootstrap增廣技術(shù)或核密度拉丁超立方采樣增廣技術(shù)對各影響因素?cái)?shù)據(jù)小樣本進(jìn)行初級(jí)增廣,得到初級(jí)增廣矩陣AE;步驟2,基于初級(jí)增廣矩陣AE進(jìn)行單輸出神經(jīng)網(wǎng)絡(luò)訓(xùn)練,通過向所述獲得的單輸出神經(jīng)網(wǎng)絡(luò)輸入各影響因子的預(yù)測值,進(jìn)而獲得可靠性指標(biāo)的預(yù)測值。

本申請?zhí)岢鲆环N電力系統(tǒng)可靠性預(yù)測方法。本申請針對目前電力系統(tǒng)中故障-環(huán)境關(guān)聯(lián)樣本較為稀少的現(xiàn)狀,通過對比分析兩種小樣本增廣技術(shù)——bootstrap小樣本增廣技術(shù)和核密度拉丁超立方采樣增廣技術(shù),提出并探討了一種基于BP人工神經(jīng)網(wǎng)絡(luò)可靠性預(yù)測方法。本發(fā)明能夠給出最為精確的故障總時(shí)間指標(biāo)預(yù)測結(jié)果,解決了數(shù)據(jù)樣本不足情況下,電力系統(tǒng)運(yùn)行可靠性準(zhǔn)確預(yù)測的問題。

附圖說明

圖1為根據(jù)本發(fā)明實(shí)施例一種電力系統(tǒng)可靠性預(yù)測方法的整體流程示意圖;

圖2為根據(jù)本發(fā)明實(shí)施例一種電力系統(tǒng)可靠性預(yù)測方法利用bootstrap技術(shù)時(shí)對樣本數(shù)據(jù)擴(kuò)充后的離散樣本分布的示意圖;

圖3為根據(jù)本發(fā)明實(shí)施例一種電力系統(tǒng)可靠性預(yù)測方法利用bootstrap技術(shù)時(shí)對樣本數(shù)據(jù)擴(kuò)充后的高斯核密度的示意圖;

圖4為根據(jù)本發(fā)明實(shí)施例一種電力系統(tǒng)可靠性預(yù)測方法利用一種小樣本數(shù)據(jù)增廣方法時(shí)對樣本數(shù)據(jù)擴(kuò)充后的高斯核密度的示意圖;

圖5為根據(jù)本發(fā)明實(shí)施例一種電力系統(tǒng)可靠性預(yù)測方法利用一種小樣本數(shù)據(jù)增廣方法時(shí)對樣本數(shù)據(jù)擴(kuò)充后的高斯核密度的示意圖;

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例,對本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明,但不用來限制本發(fā)明的范圍。

圖1中,本發(fā)明一個(gè)具體實(shí)施例中,示出一種電力系統(tǒng)可靠性預(yù)測方法流程示意圖。總體上,包括:步驟1,利用bootstrap增廣技術(shù)或核密度拉丁超立方采樣增廣技術(shù)對各影響因素?cái)?shù)據(jù)小樣本進(jìn)行初級(jí)增廣,得到初級(jí)增廣矩陣AE;步驟2,基于初級(jí)增廣矩陣AE進(jìn)行單輸出神經(jīng)網(wǎng)絡(luò)訓(xùn)練,通過向所述獲得的單輸出神經(jīng)網(wǎng)絡(luò)輸入各影響因子的預(yù)測值,進(jìn)而獲得可靠性指標(biāo)的預(yù)測值。

本發(fā)明另一個(gè)具體實(shí)施例中,一種電力系統(tǒng)可靠性預(yù)測方法,包括:步驟1,利用bootstrap技術(shù)或基于核密度擬合并考慮小樣本相關(guān)性的拉丁超立方采樣的小樣本增廣技術(shù)對各影響因素?cái)?shù)據(jù)小樣本進(jìn)行初級(jí)增廣,得到矩陣AE∈RN×(M+1);步驟2,基于矩陣AE∈RN×(M+1)進(jìn)行單輸出神經(jīng)網(wǎng)絡(luò)訓(xùn)練,通過向所述獲得的單輸出神經(jīng)網(wǎng)絡(luò)輸入各影響因子的預(yù)測值。

本發(fā)明另一個(gè)具體實(shí)施例中,一種電力系統(tǒng)可靠性預(yù)測方法,步驟2中通過向所述獲得的單輸出神經(jīng)網(wǎng)絡(luò)輸入各影響因子的預(yù)測值包括,假設(shè)訓(xùn)練所獲得的所述單輸出神經(jīng)網(wǎng)絡(luò)具有一個(gè)輸入層(第0層),M個(gè)隱藏層以及一個(gè)輸出層(第M+1層),具體步驟為:給定S(0)個(gè)影響因素的預(yù)測值,記為向量I(0),根據(jù)具有遞進(jìn)關(guān)系的式(1)和式(2),即可計(jì)算輸出層的o(M+1)(j)為:

o(k+1)(j)=h(k+1)[n(k+1)(i)] (2)

其中,o(0)(j)=I(0)(j),S(k)代表地k層所擁有的神經(jīng)元個(gè)數(shù),所有內(nèi)封ω以及b字樣的符號(hào)均代表神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練確定的參數(shù),對于任意k層,h(x)=2/(1+exp(-2*x))-1。

本發(fā)明另一個(gè)具體實(shí)施例中,一種電力系統(tǒng)可靠性預(yù)測方法。所述步驟1中基于核密度擬合并考慮小樣本相關(guān)性的拉丁超立方采樣小樣本增廣技術(shù)對各影響因素?cái)?shù)據(jù)小樣本進(jìn)行初級(jí)增廣,得到初級(jí)增廣矩陣AE包括:步驟11,基于各影響因素?cái)?shù)據(jù)樣本,分別獨(dú)立進(jìn)行非參數(shù)化高斯核密度估計(jì);基于所得高斯核密度,對各變量進(jìn)行拉丁超立方采樣,將所得樣本亂序排列,得到樣本陣A;步驟12,求得A對應(yīng)Spearman等級(jí)相關(guān)系數(shù)矩陣RA,基于RA進(jìn)行Cholesky分解得到下三角陣LRA;求得A對應(yīng)Van Der Waerden Score矩陣V,求得V對應(yīng)Spearman等級(jí)相關(guān)系數(shù)矩陣RV,基于RV進(jìn)行Cholesky分解得到下三角陣LRV;基于所述LRA、LRV獲得變量等級(jí)描述矩陣步驟13,將A按照中元素排列方式重新排列得到增廣樣本矩陣AE。

本發(fā)明另一個(gè)具體實(shí)施例中,一種電力系統(tǒng)可靠性預(yù)測方法。所述步驟1中對各個(gè)網(wǎng)絡(luò)均利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱,采用Levenberg-Marquardt optimization算法進(jìn)行訓(xùn)練。

本發(fā)明另一個(gè)具體實(shí)施例中,一種電力系統(tǒng)可靠性預(yù)測方法。所述方法以預(yù)測某電力電力系統(tǒng)用戶年均停電時(shí)間指標(biāo)為例,其步驟如下:以提供的年用戶停電小時(shí)(TOH)指標(biāo)和關(guān)聯(lián)性最強(qiáng)的六個(gè)影響因素的10個(gè)(系統(tǒng))原始統(tǒng)計(jì)樣本為基礎(chǔ),見如下表1所示,將其中系統(tǒng)編號(hào)1~7的樣本作為原始小樣本庫,其余3個(gè)留作驗(yàn)證樣本。

表1

利用bootstrap小樣本增廣技術(shù)、基于核密度擬合并考慮小樣本相 關(guān)性的拉丁超立方采樣小樣本增廣技術(shù)或者兩者的結(jié)合,分別對小樣本庫進(jìn)行100倍擴(kuò)充。

任選三個(gè)結(jié)構(gòu)不同的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比訓(xùn)練,各個(gè)網(wǎng)絡(luò)所包含的隱藏層、神經(jīng)元個(gè)數(shù)以及傳遞函數(shù)匯總于下表2和表3中。

表2

表3

對各個(gè)網(wǎng)絡(luò)均利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱,采用訓(xùn)練速度最快的Levenberg-Marquardt optimization算法進(jìn)行訓(xùn)練,其它參數(shù)均采用軟件包默認(rèn)設(shè)置。

不同小樣本增廣方法的效果通過同一神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,驗(yàn)證樣本庫的TOH預(yù)測值與觀測值之間的均方差(MSE)進(jìn)行說明。設(shè)定以下十二種情形(S1~BK3)參與觀察對比:

S1:原始小樣本+網(wǎng)絡(luò)I;

S2:原始小樣本+網(wǎng)絡(luò)II;

S3:原始小樣本+網(wǎng)絡(luò)III;

B1:bootstrap小樣本擴(kuò)充+網(wǎng)絡(luò)I;

B2:bootstrap小樣本擴(kuò)充+網(wǎng)絡(luò)II;

B3:bootstrap小樣本擴(kuò)充+網(wǎng)絡(luò)III;

K1:核密度小樣本增廣+網(wǎng)絡(luò)I;

K2:核密度小樣本增廣+網(wǎng)絡(luò)II;

K3:核密度小樣本增廣+網(wǎng)絡(luò)III;

每種情形下訓(xùn)練樣本庫自身的預(yù)測值和真值之間的均方差結(jié)果如下表4和表5所示。

表4

表5

圖2中,本發(fā)明另一個(gè)具體實(shí)施例中,示出一種電力系統(tǒng)可靠性預(yù)測方法中利用bootstrap技術(shù)對各影響因素?cái)?shù)據(jù)樣本進(jìn)行擴(kuò)充后的離散樣本分布示意圖。

圖3中,本發(fā)明另一個(gè)具體實(shí)施例中,示出一種電力系統(tǒng)可靠性預(yù)測方法中利用bootstrap技術(shù)對各影響因素?cái)?shù)據(jù)樣本進(jìn)行擴(kuò)充后的高斯核密度示意圖。

圖4中,本發(fā)明另一個(gè)具體實(shí)施例中,示出一種電力系統(tǒng)可靠性預(yù)測方法中利用基于核密度擬合并考慮小樣本相關(guān)性的拉丁超立方采樣小樣本增廣技術(shù)對各影響因素?cái)?shù)據(jù)樣本進(jìn)行擴(kuò)充后的離散樣本分布示意圖。

圖5中,本發(fā)明另一個(gè)具體實(shí)施例中,示出一種電力系統(tǒng)可靠性預(yù)測方法中利用基于核密度擬合并考慮小樣本相關(guān)性的拉丁超立方采樣小樣本增廣技術(shù)對各影響因素?cái)?shù)據(jù)樣本進(jìn)行擴(kuò)充后的高斯核密度示意圖。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法??傮w來說,包括:步驟01,基于各影響因素?cái)?shù)據(jù)樣本,分別獨(dú)立進(jìn)行非參數(shù)化高斯核密度估計(jì);基于所得高斯核密度,對各變量進(jìn)行拉丁超立方采樣,將所得樣本亂序排列,得到樣本陣A;步驟02,求得A對應(yīng)Spearman等級(jí)相關(guān)系數(shù)矩陣RA,基于RA進(jìn)行Cholesky分解得到下三角陣LRA;求得A對應(yīng)范得瓦爾登評分矩陣V,求得V對應(yīng)Spearman等級(jí)相關(guān)系數(shù)矩陣RV,基于RV進(jìn)行Cholesky分解得到下三角陣LRV; 基于所述LRA和LRV獲得變量等級(jí)描述矩陣步驟03,將A按照中元素排列方式重新排列得到增廣樣本矩陣AE。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法步驟01中將所得樣本亂序排列,得到樣本陣A包括:將所得樣本亂序排列,形成樣本陣A:N×M,其中N>N0代表希望擴(kuò)充的樣本數(shù)量。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法,所述步驟02中求得A對應(yīng)范得瓦爾登評分矩陣V,包括:選取A中服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)亂序拉丁超立方樣本組成列向量,利用所得各列向量構(gòu)成矩陣V。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法,所述步驟02中基于所述LRA和LRV獲得變量等級(jí)描述矩陣包括:定義新的矩陣將中各個(gè)元素按照其所處列中的大小關(guān)系進(jìn)行編號(hào)排序,所有編號(hào)在元素對應(yīng)位置排布后得到的矩陣即為的等級(jí)描述矩陣。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法,所述步驟03還包括:將A中的元素以列為單位按照與中對應(yīng)位置的編號(hào)完全一致的方式,重新排列得到增廣樣本矩陣AE。

本發(fā)明另一個(gè)具體實(shí)施例中,一種小樣本數(shù)據(jù)增廣方法,所述步驟選取A中服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)亂序拉丁超立方樣本,組成列向量,利用所得各列向量構(gòu)成矩陣V包括:Vj={Φ-1(i/(N+1))}亂序,i∈{1,...,N},j=1,...,M,其中Vj為矩陣V中的列向量,N為組成該列向量服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)亂序拉丁超立方樣本個(gè)數(shù)。

最后,本申請的方法僅為較佳的實(shí)施方案,并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi),所作的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會(huì)獲得點(diǎn)贊!
1
德钦县| 闸北区| 慈溪市| 大荔县| 涞源县| 阿尔山市| 郧西县| 醴陵市| 金溪县| 凤翔县| 垦利县| 三亚市| 龙山县| 武穴市| 黄平县| 自治县| 长葛市| 鲁山县| 连山| 林西县| 普陀区| 威信县| 莱西市| 高邑县| 宁远县| 开鲁县| 崇仁县| 桓台县| 榕江县| 蓝山县| 桃江县| 股票| 贞丰县| 景德镇市| 读书| 恩施市| 富宁县| 农安县| 靖安县| 洱源县| 循化|