CN105022021A - 一种基于多智能体的关口电能计量装置的状态识别方法 - Google Patents

Abstract

本发明提供一种基于多智能体的关口电能计量装置的状态识别方法，包括以下步骤，S1,数据收集；S2,特征提取；S3,状态分类；S4,构建数据库；S5,分析判别：实时采集关口电能计量装置的电气信息，利用多智能体算法进行关口电能计量装置的在线监测及状态判别；S6,状态反馈：将对关口电能计量装置状态的判别在显示屏上显示，供用户读取，实现了对关口电能计量装置的远程在线监测和状态识别，为其是否存在计量误差提供了判别依据。避免了对关口计量装置的现场校验、定期更换的不便，降低了电网公司和发电厂因计量误差带来的经济损失。

Description

一种基于多智能体的关口电能计量装置的状态识别方法

技术领域

本发明涉及关口电能计量装置的监测方法，特别涉及对关口电能计量装置的状态识别，具体是一种基于多智能体的关口电能计量装置的状态识别方法。

背景技术

关口计量装置是发电企业和电网企业、电网企业之间、电网企业和用户贸易结算的重要依据。由于人为窃电、电能计量装置故障或计量误差超差等原因，将导致电能计量装置所计电量与实际使用情况不符，从而使电网企业或发电企业蒙受经济损失，影响计量的公正、公平。

传统的计量装置管理以定期的人工现场校验和表计的周期检定为主，需要逐只开展，工作量大，工作流程繁琐、复杂，无法准确实时测量系统计量误差；而且现场工作必须在带电的情况下进行操作，具备一定安全风险，稍有不慎将给系统带来较大的安全隐患。

针对上述问题，本发明利用多智能体(Multi-Agent)算法，设计出关口计量装置在线监测及状态识别系统，能够实现对关口电能计量装置的远程误差检验，满足了智能电网的建设要求。

发明内容

本发明的目的在于提供一种基于多智能体的关口电能计量装置的状态识别方法，能够检测出计量装置是否存在误差或者有误差趋势。

本发明的技术方案：一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：包括以下步骤，

S1,数据收集：实时收集所监测关口的电流、电压数据及功率数据；

S2,特征提取：对步骤S1采集到的电流、电压数据及功率数据进行特征提取，特征参数包括功率因数、总谐波畸变率、50HZ周期采样数据的峰值和50HZ周期采样数据的标准差；

S3,状态分类：将关口电能计量装置的状态分为正常状态、产生误差状态和有误差趋势的状态；

S4,构建数据库：基于历史数据统计和专家经验，对步骤S2收集到的每组特征数据参照步骤S3的状态分类进行状态说明，大量的特征数据及其状态作为数据库；

S5,分析判别：实时采集关口电能计量装置的电气信息，利用多智能体算法进行关口电能计量装置的在线监测及状态判别；

S6,状态反馈：将对关口电能计量装置状态的判别在显示屏上显示，供用户读取。

所述步骤S3中的状态分类是通过基于聚类方法的分类器和基于神经网络的分类器针对特征参数进行决策，采用多智能体算法将两个分类器针对特征参数的决策进行融合，得到最终的分类决策。

所述步骤S5中多智能体算法流程如下：

1)确定智能体的个数，

2)数据库中各次采集的关口数据作为融合训练集；

3)对融合训练集上各样本的决策结果进行统计，得到混淆矩阵和决策共现矩阵，

4)融合决策，对待判断的关口计量装置样本进行融合决策，输出状态判别结果。

所述步骤4)中融合决策流程如下：

(a)计算样本的分类可信度矩阵；

(b)定义各代理将样本向各个状态决策的概率矩阵；

(c)定义变量value表示各个智能体判决后，集中在一个状态的个数占总个数的比例，定义label为个数最多的状态，表示融合后的决策，初始value为融合训练集各个状态所含样本数占总样本数的比例；

(d)若value大于某阈值t,则表示各智能体已基本达成共识，转到(h)；否则转到(e)；

(e)根据智能体的共现情况改变决策概率矩阵；

(f)将决策概率矩阵的每行进行归一化，仍令其行和为1；

(g)重新计算value和label，意义同(c)；转至(d)；

(h)label即为各代理的融合结果，即对被测关口的状态分类。

本发明的技术效果：实现了对关口电能计量装置的远程在线监测和状态识别，为其是否存在计量误差提供了判别依据。避免了对关口计量装置的现场校验、定期更换的不便，降低了电网公司和发电厂因计量误差带来的经济损失。其中，与传统算法相比，本发明对状态分析识别采用的多智能体(Multi-Agent)算法，基于简单的聚类分析和神经网络进行初步状态识别，然后进行决策融合，提高了状态识别率。本发明对关口电能计量的误差判别更准确，使得远程在线监测关口电能计量装置的效益更大化。

附图说明

图1是本发明多智能体关口电能计量装置状态识别方法流程图；

图2是本发明两个分类器针对特征参数的决策进行融合决策流程图；

图3是本发明多智能体融合决策流程图。

具体实施方式

下面结合附图对本发明进一步说明：

如图1所示，一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：包括以下步骤，

S1,数据收集：实时收集所监测关口的电流、电压数据及功率数据；

S2,特征提取：对步骤S1采集到的电流、电压数据及功率数据进行特征提取，特征参数包括功率因数、总谐波畸变率、50HZ周期采样数据的峰值和50HZ周期采样数据的标准差；

S3,状态分类：将关口电能计量装置的状态分为正常状态、产生误差状态和有误差趋势的状态；

S4,构建数据库：基于历史数据统计和专家经验，对步骤S2收集到的每组特征数据参照步骤S3的状态分类进行状态说明，大量的特征数据及其状态作为数据库；

S5,分析判别：实时采集关口电能计量装置的电气信息，利用多智能体算法进行关口电能计量装置的在线监测及状态判别；

S6,状态反馈：将对关口电能计量装置状态的判别在显示屏上显示，供用户读取。

本发明中给定两个分类器e_k(k为分类器编号)，基于聚类方法的分类器和基于神经网络的分类器。目的是对关口电能计量装置进行状态分类识别，类别分别为正常状态，产生误差状态和有误差趋势的状态，记作^＝{1,2,...,M}。每个分类器都会对要判别的关口计量装置x进行分类决策，e_k(x)＝j_k,(k＝1,2,...,K)。然后，采用Multi-agent算法将两个分类器针对4个特征参数的决策进行融合，得到最终的分类决策E(x)＝j,j∈^U{M+1}。

1.聚类分析分类器

聚类分析进行状态识别分类的实现过程如下：

(1)数据归一化。为去除数据的数量级对状态分析的影响，将提取出的数据特征值进行归一化。

$x_{ij}^{\′}=\frac{x_{ij}}{\underset{i}{max}\left\{x_{ij}\right\}},(i=1,2,...,m,j=1,2,...,n)$

(2)模糊C均值聚类。采用FCM算法提取同类状态的共同特征进行聚类。

设数据集X＝{x₁,x₂,...,x_n}，它的模糊c划分可用模糊矩阵U＝[u_ij]表示，矩阵U的元素u_ij表示第j(j＝1,2,…,n)个数据点属于第i(i＝1,2,…,c)类的隶属度，u_ij满足如下条件：

$\∀j,\underset{i=1}{\overset{e}{\Σ}}{u}_{ij}=1;\∀i,j\[0,1\]\∈u_{ij};\∀i,\underset{i=1}{\overset{e}{\Σ}}{u}_{ij}>0;$

目标函数是： $\left(min\right)J_m(U,V)=\underset{j=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{ij}^m{d}_{ij}^2\left(x_{j,}{v}_i\right)$

式中，n为样本数据集的个数，即数据库中各个关口采集数据的总次数；c为聚类中心数即3；m为加权指数；d_ij为样本点和聚类中心的距离，即d_ij(x_i,v_i)＝||v_i-x_j||。

(a)确定聚类数目，初始化模糊指标及聚类中心。本发明中聚类数目为3，即正常状态、产生误差状态和有误差趋势的状态。

(b)建立模糊相似矩阵，初始化隶属矩阵。

(c)算法开始迭代，直到目标函数收敛到极小值。

(d)根据迭代结果，由最后的隶属矩阵确定数据所属的类，显示最后的聚类结果。

(3)聚类评判指标采用聚类有效性指标L(c)和MIA。

(4)采用基于信息熵的ID3算法构造决策树，决策树按照四个特征参数的优先级排列，叶子结点代表所属类别。

(5)对要监测的关口数据提取四个特征参数，根据决策树进行类别判断。

2.神经网络分类器

人工神经网络，通过输入特征量与输出参量之间的非线性映射来逼近实际结果，忽略了过程中的原理和各方面细节，得到模型。具体实现过程如下：

(1)根据Kolmogorov定理，若隐含层节点单元可以任意配置，三层非线性网络可以任意经度逼近任意非线性函数。所以我们采用三层BP神经网络，、输入层至中间层的传递函数和中间层到输出层的传递函数都使用Sigmoid函数，保证输出层的数据限制在0-1之间。

(2)BP神经网络的输入为四节点，对应功率因数、总谐波畸变率、50HZ电流周期采样数据平均值与50HZ电流周期采样数据标准差。输出为三节点吗，通过节点输出数值判断用电器工作状态，对于第i种状态，其第i个输出节点的值为1，其余节点的值均为0。

(3)学习效率、与目标误差视情况而定。

(4)学习过程

通过上述步骤将数据库数据一部分进行神经网络的训练，一部分作为检验误差数据进行检验，保证训练网络的普适性。

(5)最后，将待识别关口的特征参量输入算法，得到关口的工作状态。

3.多智能体(Multi-Agent)算法

算法实现过程：

(1)确定智能体的个数：

选取4个特征参数：功率因数、总谐波畸变率、50HZ周期采样数据的峰值、50HZ周期采样数据的标准差；

采用两个分类器：基于聚类分析的分类器和基于神经网络的分类器；

总的智能体个数为：2*4＝8。

(2)数据库中各次采集的关口数据作为融合训练集U。

(3)对融合训练集U上各样本的决策结果进行统计，得到混淆矩阵C和决策共现矩阵D。

混淆矩阵C包括8个3*3的矩阵C(k)(k＝1,2,…,K)。矩阵C(k)的元素表示第k个智能体将第i类样本划分为第j类的个数。

决策共现矩阵它表示两两智能体之间的决策相关性。其元素表示智能体k1将第i类分为第j1类，同时智能体k2将第i类分为第j2类的频率，定义为

$d_{j_1,j_2,i,k_1,k_2}=P(E=i|e_{k_1}=j_1,e_{k_2}=j_2)\·$

$\frac{\left|\right\{x|E\left(x\right)=i,e_{k_1}\left(x\right)=j_1,e_{k2}\left(x\right)=j_2,U\∈\∀x\}|}{\sqrt{\left|\right\{x|E\left(x\right)=i,e_{k_1}\left(x\right)=j_1,U\∈\∀x\}|\·|\left\{x\right|E\left(x\right)=i,e_{k2}\left(x\right)=j_2,U\∈\∀x\left\}\right|}}$

其中，|·|表示集合的基数，U表示融合训练集。

(4)融合决策。对待判断的关口样本x记性融合决策。

(a)计算样本x的分类可信度矩阵B(x)：

智能体k的决策对于样本属于各类别的可信度，有 $b_{ki}\left(x\right)=P\left(E\right(x)=i|e_k\left(x\right)=j_k)=\frac{c_{{\mathrm{ij}}_k}^{\left(k\right)}}{\underset{i=1}{\overset{M}{\Σ}}{c}_{{\mathrm{ij}}_k}^{\left(k\right)}},$

其中，是混淆矩阵C的元素。对样本x，分类可信度矩阵B(x)的行和为1，即 $\underset{i=1}{\overset{M}{\Σ}}{b}_{ki}\left(x\right)=1,k=1,2,...,K;$

(b)定义各代理将样本x向各个状态决策的概率矩阵Z＝[z_ki]_K×M，其中，元素z_ki表示第k个代理向i状态决策的概率。矩阵Z的行和为1，初始时，设Z＝B(x)；

(c)定义变量value表示各个智能体判决后，集中在一个状态的个数占总个数的比例。定义label为个数最多的状态，表示融合后的决策。初始value为融合训练集U中各个状态所含样本数占总样本数的比例。

(d)若value大于某阈值t,则表示各智能体已基本达成共识，转到(h)；否则转到(e)；

(e)根据智能体的共现情况改变决策概率矩阵Z：

$z_{ki}=z_{ki}+\frac{1}{K}\underset{k1=1,k1\≠k}{\overset{k}{\Σ}}{d}_{j,j_1,i,k,k_1}\·\sqrt{z_{ki}\·z_{k1,i}}$

其中，上式对应第k个智能体与其他智能体在共同决策至状态i时，需要交换的信息总量，是为了调整增量在适当的范围内，不要振荡，并能尽快收敛；

(f)将矩阵Z的每行进行归一化，仍令其行和为1；

(g)重新计算value和label，意义同(c)；转至(d)；

(h)label即为各代理的融合结果，即对被测关口的状态分类。

本发明的优势在于，实现了对关口电能计量装置的远程在线监测和状态识别，为其是否存在计量误差提供了判别依据。避免了对关口计量装置的现场校验、定期更换的不便，降低了电网公司和发电厂因计量误差带来的经济损失。其中，与传统算法相比，本发明对状态分析识别采用的多智能体(Multi-Agent)算法，基于简单的聚类分析和神经网络进行初步状态识别，然后进行决策融合，提高了状态识别率。本发明对关口电能计量的误差判别更准确，使得远程在线监测关口电能计量装置的效益更大化。

Claims (4)

1.一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：包括以下步骤，

S1,数据收集：实时收集所监测关口的电流、电压数据及功率数据；

S2,特征提取：对步骤S1采集到的电流、电压数据及功率数据进行特征提取，特征参数包括功率因数、总谐波畸变率、50HZ周期采样数据的峰值和50HZ周期采样数据的标准差；

S3,状态分类：将关口电能计量装置的状态分为正常状态、产生误差状态和有误差趋势的状态；

S4,构建数据库：基于历史数据统计和专家经验，对步骤S2收集到的每组特征数据参照步骤S3的状态分类进行状态说明，大量的特征数据及其状态作为数据库；

S5,分析判别：实时采集关口电能计量装置的电气信息，利用多智能体算法进行关口电能计量装置的在线监测及状态判别；

S6,状态反馈：将对关口电能计量装置状态的判别在显示屏上显示，供用户读取。

2.根据权利要求1所述的一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：所述步骤S3中的状态分类是通过基于聚类方法的分类器和基于神经网络的分类器针对特征参数进行决策，采用多智能体算法将两个分类器针对特征参数的决策进行融合，得到最终的分类决策。

3.根据权利要求1所述的一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：所述步骤S5中多智能体算法流程如下：

1)确定智能体的个数，

2)数据库中各次采集的关口数据作为融合训练集；

3)对融合训练集上各样本的决策结果进行统计，得到混淆矩阵和决策共现矩阵，

4)融合决策，对待判断的关口计量装置样本进行融合决策，输出状态判别结果。

4.根据权利要求3所述的一种基于多智能体的关口电能计量装置的状态识别方法，其特征在于：所述步骤4)中融合决策流程如下：

(a)计算样本的分类可信度矩阵；

(b)定义各代理将样本向各个状态决策的概率矩阵；

(c)定义变量value表示各个智能体判决后，集中在一个状态的个数占总个数的比例，定义label为个数最多的状态，表示融合后的决策，初始value为融合训练集各个状态所含样本数占总样本数的比例；

(d)若value大于某阈值t,则表示各智能体已基本达成共识，转到(h)；否则转到(e)；

(e)根据智能体的共现情况改变决策概率矩阵；

(f)将决策概率矩阵的每行进行归一化，仍令其行和为1；

(g)重新计算value和label，意义同(c)；转至(d)；

(h)label即为各代理的融合结果，即对被测关口的状态分类。