CN107067341A - 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 - Google Patents
一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 Download PDFInfo
- Publication number
- CN107067341A CN107067341A CN201710211925.4A CN201710211925A CN107067341A CN 107067341 A CN107067341 A CN 107067341A CN 201710211925 A CN201710211925 A CN 201710211925A CN 107067341 A CN107067341 A CN 107067341A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- index
- layers
- power distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 22
- 230000001537 neural effect Effects 0.000 abstract description 13
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 24
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明的目的是针对现有配电自动化系统运行评价方法的不足,结合一般配电自动化系统在指标方面的数据体量及数据特点,公开一种基于多级熵权的RBF神经网络配电自动化状态操作评价方法。该方法是结合多级熵权评价结果,应用RBF神经网络进行训练的一种非线性评价方法,可以建立各种特征组合与相应评价数据之间的映射关系,网络训练好之后,即可用于对配电自动化系统运行状态的评价。该网络具有良好的学习能力及概括能力,且测试误差较少。
Description
技术领域
在机器学习RBF(Radial Basis Function Neural Network)神经网络(RBF网络一般结构如图2所示)领域内,一种可以普适于配电自动化系统状态操作评价的智能评价模型。
背景技术
配电网处于电力系统末端,是电力系统与用户联系,向用户供应电能和分配电能的重要环节。配电自动化系统(DAS)是应用计算机技术、自动控制技术、电子技术、通讯技术等现代科学手段对配电系统中的电器元器件进行智能化测量、监控、控制、管理,从而使配电系统处于安全、经济、优质、高效的最优运行状态。随着计算机技术发展和配电设备的开发,配电自动化系统的全面实现几乎不存在技术难题,美国、日本等国家的配电自动化系统早已发展到较高的水平,我国也紧随脚步,近几年来加大了配电自动化系统的建设力度。配电自动化系统越来越多的投入运行,在已经投运的配电网中如何对配电自动化系统的运行状态进行评价,怎么科学地判断状态操作效果,从而提高系统运维效率和优化运维效果,已经成为亟需解决的问题。
常用的配电自动化系统综合评价方法有专家咨询法、层次分析法、模糊综合评价法、数据包络法、灰色综合评价法,熵权法等。这些方法各有优缺点,各自适用于不同的评价体系。专家咨询法最为简单易行,适用场合比较广泛,但带有强烈的主观意味。层次分析法是指将需要评价的问题的有关元素分解为多个层次,用一定的标度对人们的主观判断进行客观的量化,在此基础上采用定性和定量的方法进行评价。相比其他评价方法来说比较简单,更具实用性、系统性、简洁性,所需数据量较少,决策花费时间较短。模糊数学则着重研究“认知但不确定”类问题,广泛地应用于经济、社会等领域。数据包络法是处理多目标决策问题的一种好方法。它是应用数学规划模型的计算比较个决策单元之间的相对效率,对评价对象做出评价。灰色综合评价则要求样本数据有明显的时间序列。熵权法评价较为客观,精确度高,可用于多种评价系统,但计算较繁琐。
目前来看,配电自动化系统的评价方法主要是以上五种方法中的一种,或者多种结合的评价。而对配电自动化系统状态操作的评价往往使用专家咨询或层次分析法,都不可避免的有不够客观,计算复杂或过程繁琐等缺点。行业内对这方面研究较为欠缺,申请发明专利也较少。
发明内容
本发明的目的是针对现有配电自动化系统运行评价方法的不足,结合一般配电自动化系统在指标方面的数据体量及数据特点,提出一种基于多级熵权的RBF神经网络配电自动化状态操作评价方法。该方法是结合多级熵权评价结果,应用RBF神经网络进行训练的一种非线性评价方法,可以建立各种特征组合与相应评价数据之间的映射关系,网络训练好之后,即可用于对配电自动化系统运行状态的评价。该网络具有良好的学习能力及概括能力,且测试误差较少。为配电自动化系统状态评价提供了一种新的思路和方法。
为实现本发明目的而采用的技术方案是这样的,一种基于多级熵权的RBFNN配电自动化系统状态操作评价方法,其特征在于利用配电自动化系统状态操作分层指标体系的多级熵权综合评价结果训练基于高斯核的RBF网络(如图3示)评价模型,包括以下步骤:
(1)建立配电自动化系统状态操作评价指标体系,该体系是一个分层指标体系,共r层,每一层具有若干个评价指标,如图1示。
(2)计算熵权法评价结果
值得说明的是,熵最先由香农引入信息论,现在已在工程技术、社会经济等诸多领域得到了非常广泛的应用。一般来说,某指标的信息熵Ej越小,则权重越大,Ej越大,则权重越小。
1)选定第r-1层的任意一个指标,该指标由第r层的n个指标X1,X2,…,Xn共同决定,该分层指标体系有m组数据样本,即Xi={x1,x2,…,xm,}。指标矩阵Hr=(xij)m×n如下,i=1、2……m,j=1、2……n:
1-1)数据标准化
对各指标数据标准化后的值为Yij,
1-2)求各指标信息熵Ej
其中,如果pij=0,则令
1-3)确定各指标权重
由1-2)中公式计算出E1,E2,…,En,通过信息熵计算各指标权重:
其中,j=1,2,…,n。
1-4)计算最终得分
其中,l=1,2,…,m。
1-5)重复1-1)~1-4),遍历第r-1层全部指标,得到第r-1层各指标对应的第r层权重,加权求和得到第r-1层各指标评分结果,得到指标矩阵Hr-1。
2)重复步骤1),依次以第r-1层指标矩阵Hr-1计算第r-2层指标矩阵Hr-2、第r-2层指标矩阵Hr-2计算第r-3层指标矩阵Hr-3……第2层指标矩阵H2计算第1层指标矩阵H1,即按照自底向上的顺序计算至第1层。
3)重复步骤1-1)~1-3),计算第1层t个指标的各权重wj,矩阵H1=(kij)m×t,i=1、2……m,j=1、2……t,利用此结果分别加权求和得到m组数据样本的最终综合评价结果yi:
(3)构建RBF神经网络评价模型
在训练中,采用非监督聚类学习算法选取RBF网络中心与宽度,采用LMS算法训练隐层与输出层间权值。该方法由两步组成:第一步为无监督学习阶段,学习隐含层的基函数中心与方差,确定网络输入层与隐含层间的权值;第二步有监督学习阶段,确定训练隐藏层与输出层间的权值。训练的最终目的为确定两层之间的权值和阈值。
由(2)中数据标准化后的第r层各指标xi作为RBF网络输入向量X,(2)中最终计算所得分值的理论输出Ty为目标输出向量Y,计算公式如下:
其中max ym为第r层各指标达到满分时的状态操作综合评价得分,Ty∈[0,1]。
具体的算法步骤如下:
(A)确定学习中心Tk(k=1,2,…,l)
其中l为隐含层神经元个数(l可由1开始自动增加,直到训练误差满足要求)。确定学习中心时常用的是K_均值聚类算法,假设聚类中心有一个,设Tk(n)(k=1,2,…,l)是第n次迭代时基函数中心,K_均值聚类算法具体步骤见附图4。
(B)确定方差σk(k=1,2,…,l)
学习中心一旦学完之后就固定了,接下来要确定基函数的方差。本次选用高斯函数,方差计算式如下:
式中dmax为所取中心之间的最大距离。
(C)学习权值Wkj(k=1,2…,l;j=1,2…,J)。权值学习可以用最小均方(LMS)算法,步骤如图5所示。
计算机编程实现步骤如下:
(a)设计输入输出
包括特征向量的选择,样本数据预处理及训练样本和检验样本的选择。
(b)创建并训练网络
调用newrb函数创建RBF神经网络,网络模拟仿真函数为sim,径向基传递函数为radbas,确定径向基函数的分布密度spread的值。RBF神经网络的创建过程就是训练过程,创建好的网络net已经是训练好了的网络。
(c)测试和修改网络
调用sim函数测试网络。若输出结果跟实际结果误过大(按实际结果,误差率超过2%则输出评价结果视为过大,不能接受),必须根据实际情况重新选择样本数据及调整网络结构和参数,直到误差在实际可接受的范围内,则模型训练成功。
(4)使用训练得到的模型进行配电自动化系统状态操作评价
4-1)将配电自动化系统操作状态中某待评价底层指标数据输入RBF神经网络模型,得到输出值Ty。
4-2)实际评价结果为:
y=Ty*max ym
其中y∈[0,100],对于y值落在各取值范围的评价建议结果如下表1所示:
表1 y-评价结果对照表
由此配电自动化系统状态操作评价结果可为配电自动化系统的运维检修及改进升级提供辅助决策支撑。
值得说明的是,本发明先通过对配电自动化系统操作结果进行统计分析,分析反映运行状态关键环节,全面、科学、客观地建立执行水平评价指标分层体系。再结合层次分析法思想,运用多级熵权法求取评价结果。然后利用计算机,通过编程,构建神经网络模型,设计输入输出,确定径向基函数,扩展常数等,然后合理选择学习样本和检验样本,进行网络训练。
本发明结合层次分析法思想,将比较客观的熵权法运用在分层指标体系中,提高了评价的可信度和精确度。再将各指标数据标准化后作为RBF神经网络的输入,熵权法得到的评分结果标准化作为RBF神经网络的输出,训练的网络模型具有较高的精度,大大降低了数据运算的体量和复杂度。评价结果也能客观反映配电自动化系统运行状态的实际情况,能为配电自动化系统的运维及改进提供辅助决策。
附图说明
图1指标分层体系;
图2RBF神经网络一般网络模型;
图3基于高斯核的RBF神经网络结构图;
图4基函数中心的聚类算法步骤;
图5输入输出层权值学习步骤;
图6工作流程图;
图7RBF网络训练误差下降曲线;
图8RBF网络模型输出预测曲线;
图9RBF网络模型输出检验曲线。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例中,工作流程如附图6所示。下面详细描述本发明的实施例,结合具体实施方式,进一步说明本发明。
一种基于多级熵权的RBF神经网络配电自动化系统状态操作评价方法,以某市几个大区某年配电自动化系统周状态样本数据为例,对配电自动化系统状态操作进行评价。方法如下:
(1)指标确定
通过专家组咨询及业务流程分析,选择主站在线率、终端在线率,遥控成功率,遥控使用率,遥信动作正确率、配电终端覆盖率等六项实用化底层指标作为配电自动化系统状态操作的评价指标。指标分层体系如下:
各指标计算方法见下表2,本例中选取120组样本数据,样本部分内容见下表3。
表2 指标计算公式
表3 指标具体内容
(2)熵权法评价结果
根据上图所示的配电自动化自动系统状态操作评价指标分层体系,结合层次分析法思想,本次实验创造性地采用二级熵权法计算方式,即先用熵权法对运行状态指标进行评价,利用该结果,接着再次使用熵权法对运行指标及系统自动化水平赋予权重,从而得到配电自动化系统状态操作评价的总体评价。此法充分考虑了系统的多指标、多层次因素,使得评价结果更为精确和客观。
<1>熵权法对运行状态指标进行赋权
现有m组样本数据,m=120;运行状态指标下有n个底层指标,
n=5。
1)数据标准化
表4 底层熵权标准化数据
2)求各底层指标信息熵
表5 底层指标信息熵
指标 | X1 | X2 | X3 | X4 | X5 |
信息熵 | 0.98 | 0.97 | 0.98 | 0.96 | 0.98 |
3)计算各底层指标权重
表6 各底层指标权重
指标 | X1 | X2 | X3 | X4 | X5 |
信息熵 | 0.1538 | 0.2308 | 0.1538 | 0.3077 | 0.1538 |
4)一级熵权评价结果
表7 运行状态指标加权结果
样本序号 | 1 | 2 | 3 | …… | 118 | 119 | 120 |
得分 | 97.07 | 89.91 | 96.37 | …… | 97.14 | 91.71 | 95.26 |
<2>熵权法对上层指标赋权
利用表7得到的运行指标(u1)的结果重复计算<1>中步骤1)→3),得到u1、u2权重如下表8所示:
表8 二级熵权权重
从而加权求和可得各样本的总体评分及理论输出的部分内容如下表9所示,理论输出为各组总分与各指标达到满分时的总得分的比值。本例满分max ym=99.9973。
表9 总得分及理论输出值表
(3)模型训练
本次实例共有120组样本,抽取其中100组作为训练样本,20组作为检验样本。
<1>将100组训练样本标准化后作为输入向量X,多级熵权得分的理论输出作为输入向量Y。在计算机中编程,使用newrb创建RBF神经网络,模拟仿真函数为sim,径向基传递函数为radbas,训练误差设为err_goal=0.0001,分布密度S=4,迭代次数最多为2000次。
<2>网络训练的误差下降曲线如图7所示。
从图7中可以看出迭代50次之后,网络误差达到设定的0.0001以下,满足要求。
<3>网络训练的输入输出拟合曲线图如图8所示,可以看出,拟合效果很好。
(4)用检验组的20组数据对训练好的模型进行检验,效果图9所示。
(5)误差比较
本例采用比较科学的平均误差来计算20组检验数据的模型输出与实际输出的误差,公式如下:
本例中,
其中J=1,2,…,20,tysj为模型输出。
误差在可接受的范围内,说明训练的基于多级熵权的RBF模型与实际情况相符,效果比较理想。
(6)使用得到的RBF模型进行评价
某待评指标向量为:
作为模型输入向量,输出结果为Tys=0.9551,y=95.51。说明此时的配电自动化系统状态操作结果理想。
Claims (1)
1.一种基于多级熵权的RBFNN配电自动化系统状态操作评价方法,其特征在于利用配电自动化系统状态操作分层指标体系的多级熵权综合评价结果训练RBF网络评价模型,包括以下步骤:
(1)建立配电自动化系统状态操作评价指标体系,该体系是一个分层指标体系,共r层,每一层具有若干个评价指标,如图1示。
(2)计算所述熵权法评价结果
1)选定第r-1层的任意一个指标,该指标由第r层的n个指标X1,X2,…,Xn共同决定,该分层指标体系有m组数据样本,即Xi={x1,x2,…,xm,}。指标矩阵Hr=(xij)m×n如下,i=1、2……m,j=1、2……n:
1-1)数据标准化
对各指标数据标准化后的值为Yij,
1-2)求各指标信息熵Ej
<mrow>
<msub>
<mi>E</mi>
<mi>J</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>ln</mi>
<mi>m</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>lnp</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,如果pij=0,则令
1-3)确定各指标权重
由1-2)中公式计算出E1,E2,…,En,通过信息熵计算各指标权重:
<mrow>
<msub>
<mi>W</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,j=1,2,…,n。
1-4)计算最终得分
<mrow>
<msub>
<mi>Z</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
</mrow>
其中,l=1,2,…,m。
1-5)重复1-1)~1-4),遍历第r-1层全部指标,得到第r-1层各指标对应的第r层权重,加权求和得到第r-1层各指标评分结果,得到指标矩阵Hr-1。
2)重复步骤1),依次以第r-1层指标矩阵Hr-1计算第r-2层指标矩阵Hr-2、第r-2层指标矩阵Hr-2计算第r-3层指标矩阵Hr-3……第2层指标矩阵H2计算第1层指标矩阵H1,即按照自底向上的顺序计算至第1层。
3)重复步骤1-1)~1-3),计算第1层t个指标的各权重wj,矩阵H1=(kij)m×t,i=1、2……m,j=1、2……t,利用此结果加权求和得到m组数据样本的最终综合评价结果yi:
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
(3)训练RBF神经网络评价模型
由(2)中数据标准化后的第r层各指标xi作为RBF网络输入向量X,(2)中最终计算所得分值的理论输出Ty为目标输出向量Y,计算公式如下:
<mrow>
<msub>
<mi>Ty</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mrow>
<mi>max</mi>
<mi> </mi>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中maxym为第r层各指标达到满分时的状态操作综合评价得分,Ty∈[0,1]。
(4)使用训练得到的模型进行配电自动化系统状态操作评价
4-1)将配电自动化系统操作状态中某待评价底层指标数据输入RBF神经网络模型,得到输出值Ty。
4-2)实际评价结果为:
y=Ty*maxym
其中y∈[0,100],对于y值落在各取值范围的评价建议结果如下:y∈[0,60),极不理想
y∈[60,80),不理想
y∈[80,95),比较理想
y∈[95,100],理想。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211925.4A CN107067341B (zh) | 2017-04-01 | 2017-04-01 | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211925.4A CN107067341B (zh) | 2017-04-01 | 2017-04-01 | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067341A true CN107067341A (zh) | 2017-08-18 |
CN107067341B CN107067341B (zh) | 2021-06-01 |
Family
ID=59602738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211925.4A Expired - Fee Related CN107067341B (zh) | 2017-04-01 | 2017-04-01 | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067341B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446826A (zh) * | 2018-02-11 | 2018-08-24 | 中国电子科技网络信息安全有限公司 | 基于信息熵建立大型异构通信网运行状态评估模型的方法 |
CN109492913A (zh) * | 2018-11-13 | 2019-03-19 | 广东电网有限责任公司 | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
CN109615246A (zh) * | 2018-12-14 | 2019-04-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种主动配电网经济运行状态确定方法 |
CN110061868A (zh) * | 2019-04-04 | 2019-07-26 | 中国航天系统科学与工程研究院 | 一种网络安全度量指标体系区分度评价模型 |
CN110097282A (zh) * | 2019-04-30 | 2019-08-06 | 中国人民解放军海军工程大学 | 一种基于lmbp模型的供应链质量绩效评估方法 |
CN110231808A (zh) * | 2019-05-24 | 2019-09-13 | 重庆邮电大学 | 一种生产过程能效跨尺度智能协同控制系统与方法 |
CN116187830A (zh) * | 2023-01-06 | 2023-05-30 | 北京科技大学 | 基于熵权-理想解法的带钢冷连轧自动化率综合评价方法 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
CN117540283B (zh) * | 2024-01-10 | 2024-04-26 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034019A (zh) * | 2010-10-12 | 2011-04-27 | 重庆大学 | 六氟化硫电气设备绝缘状态综合评估的方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
US8260732B2 (en) * | 2009-11-24 | 2012-09-04 | King Fahd University Of Petroleum And Minerals | Method for identifying Hammerstein models |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
-
2017
- 2017-04-01 CN CN201710211925.4A patent/CN107067341B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260732B2 (en) * | 2009-11-24 | 2012-09-04 | King Fahd University Of Petroleum And Minerals | Method for identifying Hammerstein models |
CN102034019A (zh) * | 2010-10-12 | 2011-04-27 | 重庆大学 | 六氟化硫电气设备绝缘状态综合评估的方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
HAIPENG PAN ET AL.: ""Sliding mode control for nonlinear system with hysteresis based on RBFNN approximation"", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
石东源 等: ""基于径向基函数神经网络和模糊积分融合的电网分区故障诊断"", 《中国电机工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446826A (zh) * | 2018-02-11 | 2018-08-24 | 中国电子科技网络信息安全有限公司 | 基于信息熵建立大型异构通信网运行状态评估模型的方法 |
CN109492913A (zh) * | 2018-11-13 | 2019-03-19 | 广东电网有限责任公司 | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
CN109492913B (zh) * | 2018-11-13 | 2022-01-25 | 南方电网电力科技股份有限公司 | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
CN109615246A (zh) * | 2018-12-14 | 2019-04-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种主动配电网经济运行状态确定方法 |
CN110061868A (zh) * | 2019-04-04 | 2019-07-26 | 中国航天系统科学与工程研究院 | 一种网络安全度量指标体系区分度评价模型 |
CN110097282A (zh) * | 2019-04-30 | 2019-08-06 | 中国人民解放军海军工程大学 | 一种基于lmbp模型的供应链质量绩效评估方法 |
CN110231808A (zh) * | 2019-05-24 | 2019-09-13 | 重庆邮电大学 | 一种生产过程能效跨尺度智能协同控制系统与方法 |
CN116187830A (zh) * | 2023-01-06 | 2023-05-30 | 北京科技大学 | 基于熵权-理想解法的带钢冷连轧自动化率综合评价方法 |
CN116187830B (zh) * | 2023-01-06 | 2024-04-16 | 北京科技大学 | 基于熵权-理想解法的带钢冷连轧自动化率综合评价方法 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
CN117540283B (zh) * | 2024-01-10 | 2024-04-26 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107067341B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067341A (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
Coccia | New models for measuring the R&D performance and identifying the productivity of public research institutes | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
CN107169633A (zh) | 一种输气管网、储气库调峰方案综合评价方法 | |
CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
US6951008B2 (en) | Evidential reasoning system and method | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN107315884A (zh) | 一种基于线性回归的建筑能耗建模方法 | |
CN105894125A (zh) | 一种输变电工程造价预测方法 | |
CN107145976A (zh) | 一种预测用户用电负荷的方法 | |
CN104077493B (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
CN102496069A (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
Alqahtani et al. | Artificial neural networks incorporating cost significant items towards enhancing estimation for (life-cycle) costing of construction projects | |
CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
Lahdelma et al. | Stochastic multicriteria acceptability analysis (SMAA) | |
CN104537432B (zh) | 基于证据推理的电力系统多目标优化调度的决策方法 | |
CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
Fong et al. | Applying a hybrid model of neural network and decision tree classifier for predicting university admission | |
CN107300907A (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
CN109086887A (zh) | 深度rbf神经网络与基于熵权的ahp结合的预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210601 |