[发明专利]基于模糊信息粒化的变压器绕组热点温度波动范围预测方法

权利要求书

1.一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，其特征是：包括:

根据模糊信息粒化品质确定粒化时窗的个数，运用模糊信息粒化技术提取原始数据的有效信息；

基于有效信息构建小波神经网络预测模型，并通过和声搜索算法对小波神经网络的结构参数进行优化；

使用结构与参数调整后的模型对变压器绕组热点温度波动范围进行预测；

所述根据模糊信息粒化品质确定粒化时窗的个数，运用模糊信息粒化技术提取原始数据的有效信息，包括：

设绕组热点温度时间序列T＝[t1,t2,…,tn]，模糊信息粒化后LOW＝[a1,a2,…,al]，R＝[m1,m2,…,ml]，UP＝[b1,b2,…,bl]；

定义模糊信息粒化的数据压缩比为：

C_R＝n/(3l) (6)

式(6)中，n为原始序列T的长度，l为LOW、R、UP的长度，C_R越大则数据压缩程度越高；

引入了信息熵，对粒化前后数据所携带信息量进行描述，求解T、LOW、R、UP的信息熵，设分别为H_T、H_LOW、H_R、H_UP，则模糊信息粒化后数据的丢失量定义为：

S越大，表明模糊信息粒化后数据丢失越严重；

模糊信息粒化品质因数定义为：

品质因数越高，模糊信息粒化结果越优，即在数据压缩比与数据丢失量之间寻找一个平衡点，希望模糊信息粒化后的结果数据丢失量较少的同时拥有一定的压缩比。

2.如权利要求1所述的一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，其特征是：运用模糊信息粒化技术提取原始数据的有效信息的过程中，具体包括：

变压器绕组热点温度时间序列按需分解成若干个小的子序列，每一个子序列作为一个操作时窗进行模糊化；

在每个子序列上建立一个三角型模糊粒子；

将时间序列按从小到大排序，求取各个三角型模糊粒子的平均值、下界和上界。

3.一种基于模糊信息粒化的变压器绕组热点温度波动范围预测方法，其特征是：包括:

更新历史数据，对历史数据样本数据进行模糊信息粒化，得到平均值、下界和上界，计算模糊信息粒化品质因数，选取最优粒化结果；

筛选粒化后的历史数据，运用训练集样本初步建立多种不同结构的小波神经网络预测模型，通过该模型判断输入层节点数与隐藏层节点数，并定时更新；

确定了输入层、隐藏层与输出层即确定了需要优化的结构参数，对优化对象进行编码，定义适应度值函数，通过和声搜索对小波神经网络的结构参数进行筛选；

利用筛选后的小波神经网络分别对平均值、下界和上界进行预测，得到变压器绕组热点温度波动范围；

采用均方误差、平均绝对误差和相关系数三个指标对模型预测性能进行评估；

所述更新历史数据，对历史数据样本数据进行模糊信息粒化，得到平均值、下界和上界，计算模糊信息粒化品质因数，选取最优粒化结果，包括：

设绕组热点温度时间序列T＝[t1,t2,…,tn]，模糊信息粒化后LOW＝[a1,a2,…,al]，R＝[m1,m2,…,ml]，UP＝[b1,b2,…,bl]；

定义模糊信息粒化的数据压缩比为：

C_R＝n/(3l) (6)

式(6)中，n为原始序列T的长度，l为LOW、R、UP的长度，C_R越大则数据压缩程度越高；

引入了信息熵，对粒化前后数据所携带信息量进行描述，求解T、LOW、R、UP的信息熵，设分别为H_T、H_LOW、H_R、H_UP，则模糊信息粒化后数据的丢失量定义为：

S越大，表明模糊信息粒化后数据丢失越严重；

模糊信息粒化品质因数定义为：

品质因数越高，模糊信息粒化结果越优，即在数据压缩比与数据丢失量之间寻找一个平衡点，希望模糊信息粒化后的结果数据丢失量较少的同时拥有一定的压缩比。