[发明专利]一种电网可靠性预测方法

权利要求书

1.一种电网可靠性预测方法，其特征在于，所述方法包括：

步骤一、收集电网大数据，并经过离散化处理后分类到决策表中；

步骤二、基于粗糙集理论分析法建立信息熵相关系数，以得到电力系统可靠性的强相关因子；

步骤三、采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，将步骤二中所得到的强相关因子作为预测模型的输入，以预测和评估将来电力系统的可靠性水平。

2.如权利要求1所述的电网可靠性预测方法，其特征在于，在所述步骤一中：

决策表定义为：S＝＜U,R,V,f＞，其中U是一个非空的有限对象集合，表示一个给定的论域；R＝C∪D且其中C是一组条件属性，D是一组决策属性；V是一个属性值集合；f表示一个信息函数：f:U×R→V。

3.如权利要求1或2所述的电网可靠性预测方法，其特征在于，在所述步骤一中：

采用粗糙集理论中的等距离方法来离散化处理所收集到的电网大数据：

离散值的区间长度由l_c＝(max([c])-min([c]))/m计算可得；其中，max([c])和min([c])是属性c的值空间中的最大值和最小值，m是离散区间的数量；对于属性c中的任意值c_i，离散化的结果是其中是一个函数，表示对于任何数x，都是不大于x的最大整数。

4.如权利要求3所述的电网可靠性预测方法，其特征在于，所述步骤二具体包括：

粗糙集理论基于不可区分关系：设U是一个有限集，S和U具有等价关系；如果且那么∩P仍然和U具有等价关系，称为P的不可区分关系，记作IND(P)，由IND(P)确定的U的划分表示为U/IND(P)，表示由IND(P)生成的等价关系的集合：

其中，

令P和Q成为U上的等价关系，即有

X＝U/IND(P)＝{X₁,X₂,...,X_n} (3)

Y＝U/IND(Q)＝{Y₁,Y₂,...,Y_n} (4)

信息熵被定义为：

Q相对于P的条件熵被定义为：

P和Q的互信息被定义为：

I(P；Q)＝H(Q)-H(Q|P) (7)

采用基于归一化互信息的广义相关系数概念，即信息熵相关系数，定义为：

当I_PQ＝1时，P和Q完全相关，当I_PQ＝0时，P和Q完全独立；

计算出各因素与可靠性指标之间的相关系数，并选取主要因素；计算主要因素之间的信息熵相关系数并筛选去除冗余因子，以得到电力系统可靠性的强相关因子。

5.如权利要求1所述的电网可靠性预测方法，其特征在于，在所述步骤三中：

所述改进神经网络方法为：

对传统神经网络方法进行改进：首先引入了一个动量因子α用于修正权重，0≤α≤1；为权重修改选择恒定的记忆修正方向，得到：

w(k+1)＝w(k)+η[(1-α)D(k)+αD(k-1)] (9)

其中，w(k)是该网络中的权重；D(k)是k时刻的负梯度，D(k-1)是k-1时刻的负梯度；η(η＞0)是学习速率；α(α∈(0,1))是动量因子；

采用自适应学习速率，在整个训练过程中根据实际迭代情况进行合理调整，得：

w(k+1)＝w(k)+η(k)[(1-α)D(k)+αD(k-1)] (10)。