[发明专利]基于随机森林和多层架构聚类的配电网故障预测方法

权利要求书

1.基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，包括以下步骤：

获取配电网数据构建数据集；

采用随机森林方法对所述数据集进行配电网故障特征选取；

采用多层架构聚类模型对所述配电网故障特征进行类聚，对类聚后的配网故障特征采用改进灰色关联分析法确定输入样本；

采用极限学习机构建预测模型；

将所述输入样本通过所述预测模型进行配电网故障预测。

2.根据权利要求1所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，对所述数据集进行预处理。

3.根据权利要求1所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，采用随机森林方法对所述数据集进行配电网故障特征选取包括以下步骤：

对所述数据集的数据进行样本设定，并对所述样本进行初始化，得到初始化的数据集；

计算初始化的数据集的分类准确率；

修改所述初始化的数据集，并根据所述分类准确率的计算方法重新计算分类准确率；

根据重新计算的分类准确率计算特征的相关性程度；

对相关性程度进行降序排列，并选取大于或等于设定阈值的相关性程度对应的特征作为配电网故障特征。

4.根据权利要求1所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，采用多层架构聚类模型对所述配电网故障特征进行类聚包括以下步骤：

基于范围估值对所述配电网故障特征进行初级聚类；

基于改进模糊C均值类聚方法对初级类聚的配电网故障特征进行二次类聚。

5.根据权利要求1所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，对类聚后的配网故障特征采用改进灰色关联分析法确定输入样本包括：判别配电网故障的影响因素的所属类别，采用改进灰色关联分析方法，从对应类别的配电网故障特征样本数据中挖掘与待预测对象相似程度最高的少数样本数据作为最终的预测模型输入。

6.根据权利要求1所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，采用极限学习机构建预测模型包括：

设定序列x＝[x₁,x₂,...,x_n]^T，x_i∈Rⁿ，y＝[y₁,y₂,...,y_n]^T，y_i∈Rⁿ为给定序列的标签，假设模型有l个隐含层节点，激活函数设定为g(x)，极限学习机模型T表示为：

式(14)中，ω_i和b_i分别为激活函数的第i个权重值和阈值，i＝1,2,...,l，权重值具体表示为ω_i＝[ω_i1，ω_i2，...,ω_im]；β_i为极限学习机隐含层第i个节点的权重值，具体表示为β_i＝[β_i1，β_i2，...,β_im]，t_m为第m个时刻的状态量；

简化式(14)得到：

T^T＝H_1×lβ_l×m (15)

式(15)中，H由激活函数等组成，称为输出矩阵。

输出层权值β的计算公式如下：

式(16)中，式(16)的实际解为H⁺表示H的广义逆。

7.根据权利要求1或6所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，采用改进粒子群算法对所述预测模型关键性参数进行优化。

8.根据权利要求7所述的基于随机森林和多层架构聚类的配电网故障预测方法，其特征在于，所述改进粒子群算法包括以下步骤：

粒子群算法中“粒子”速度经过t+1次迭代的计算公式为：

式(17)中：表示第t+1次迭代粒子飞行速度；表示第t次迭代粒子飞行速度；c₁和c₂分别表示两个学习因子，取值范围均为[0,2]；ω表示惯性权重；rand表示范围在[0,1]之间的随机数值，两个rand均为无关联的随机数值；

粒子群算法中“粒子”位置经过t+1次迭代的计算公式为：

式(18)中，表示第t+1次迭代粒子实际位置；表示第t次迭代粒子实际位置；

针对粒子群算法权重ω对粒子群优化算法的影响过大，采用自适应方法对传统粒子群算法进行改进，通过粒子群权重动态化来增强粒子群的局部与全局寻优能力，权重ω的自适应计算公式为：

式(19)中，f为当前粒子适应度，f_avg为粒子群平均适应度，f_max为粒子群最大适应度，f_min为粒子群最大适应度，ω_max为权重的最大值，ω_min为权重的最小值。