[发明专利]一种配电系统负荷模糊建模装置及方法

说明书

技术领域：

本发明属于电力系统负荷建模技术领域，特别涉及一种基于组合云发生器和改进T-S模糊模型的配电系统负荷模糊建模装置及方法。

背景技术：

负荷模型对电力系统暂态稳定、电压稳定和小信号功角稳定都有一定的影响，获得准确的负荷模型对于电力系统分析具有重要的意义。现有的配电系统的负荷建模技术存在的主要问题是由于监测、控制和保护手段落后带来的基础数据不足和不准确，以及负荷波动中存在大量的随机和模糊现象，导致辨识结果无法准确逼近实际负荷特性。

负荷建模方法一般分为统计综合法和总体测辨法。统计综合法以各种典型负荷的平均特性方程为基础进行综合得出该负荷点的负荷模型。总体测辨法将负荷群看成一个整体，通过在现场采集负荷所在母线的电压、频率、有功、无功数据，根据系统辨识理论确定负荷模型结构和参数。但是建立符合实际的动态负荷模型需要有大量的基础数据作为研究的基础，这在当前的系统硬件条件下仍是难题。因此，找到一种有效的获取基础数据的方法具有十分重要的意义。

配电系统数据存在着大量的不确定信息，大多数学者通常用模糊、随机等进行描述。而云模型是在随机理论和模糊理论进行交叉渗透的基础上形成定性概念与其定量表示之间的相互转换模型，用数字特征，揭示随机性和模糊性的内在关联性。建立云模型生成故障数据，在一定程度上能够解决配电网故障数据难以获取的难题。在当前的研究中，将云理论应用于配电系统的负荷预测的文献从本质上仍然与云理论在GIS中的应用是相同的。

云模型(Cloud model)是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型，主要反映客观世界或人类知识中概念的模糊性和随机性，并把二者集成在一起，构成定性和定量相互间的映射。云由许多云滴组成，每一个云滴就是这个定性概念在数域空间中的一次具体实现。这种实现带有不确定性。云是对不确定问题的一种描述方法，下面是它的确切表示。

设U是一个用精确数值表示的定量论域，C是U上的定性概念，若定量值x∈U且x是定性概念C的一次随机实现，若x对C的确定度μ(x)∈[0，1]是有稳定倾向的随机数

μ:U→[0，1]  x∈U  x→μ(x)

则X在论域上的分布成为云，每一个X称为一个云滴。

云模型具有期望值E_x、熵E_n和超熵H_e三个数字特征，云用这3个数字特征来整体表征一个概念。

期望E_x：云滴在论域空间分布的期望。通俗地说，就是最能够代表定性概念的点，或者说是这个概念量化的最典型样本，是在数域空间中最能够代表定性概念的点值，反映了这个概念的云滴群的云重心。

熵E_n：被用来综合度量定性概念的模糊度和概率，揭示了模糊性和随机性的关联性，它一方面直接地反映了在数域空间中可被概念接受的元素范围，即模糊度；另一方面还反映了在数域空间中的点能够代表这个概念的概率。即随机性。熵E_n是定性概念的不确定性度量，由概念的随机性和模糊性共同决定。

超熵H_e：是E_n的不确定度量，即熵的熵，反映了在数域空间代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度，由熵的随机性和模糊性共同决定。超熵的大小间接地表示了云的离散程度和厚度。

正向云发生器是用语言值描述的某个基本概念与其数值表示之间的不确定性转换模型，是从定性到定量的映射。它根据云的数字特征产生云滴，积累到一定数量汇聚为云。正向云发生器实现了从语言值表达的定性信息中获得定量数据的范围和分布规律，其输入为表示定性概念的期望值E_x、熵E_n和超熵H_e，云滴数量N，输出是N个云滴在数域空间的定量位置及每个云滴代表该概念的确定度。云发生器生成的成千上万的云滴构成整个云。

逆向云发生器是实现数值和其语言值之间转换的不确定性转换模型，是从定量到定性的映射。它将一定数量的精确数据有效转换为以恰当的定性语言值E_x、E_n、H_e表示的概念。并据此代表这些精确数据所反映的云滴的整体。云滴对应的精确数据的数量越多反映的概念越确切。

正向云发生器和逆向云发生器组合图如附图1所示。