[发明专利]一种基于T-S模糊神经网络的配电网低电压预测方法

权利要求书

1.一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，包括如下步骤：

步骤1，首先需建立T-S模糊神经网络模型，对包括输入节点维数、输出节点维数、隐藏节点维数、系数学习率α、参数学习率β，算法迭代次数G_max，隶属函数中心c，宽度b的初始化；

所述的T-S模糊神经网络模型包括四层，输入层、模糊层、模糊规则计算层和输出层；

1)输入层连接到输入向量，节点数等于输入向量的维数；在输入层输入X＝[x₁,x₂,...,x_r]；

2)在模糊层中，通过隶属度函数式(3)计算模糊隶属度值μ；

输入变量x_j的隶属度为：

其中x_j为第j个输入变量，与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度；

步骤2，根据已有的样本训练数据库构建模型训练数据集，将历史电压数据、天气状况、时间段、区域温度、日期类型模糊化处理，作为模型的训练输入，并将相应历史当天电压作为模型的训练输出；

步骤3，执行T-S模糊神经网络算法，用于模型训练，在训练过程中不断更新网络参数与形成基于T-S模糊神经网络的配电网低电压预测模型；

步骤4，根据基于T-S模糊神经网络的配电网低电压预测模型当进行低电压实时预测时，依据历史电压数据、当天的天气状况、时间段、区域温度、日期类型指标作为输入，对配电网当天出口电压进行预测。

2.根据权利要求1所述的一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，步骤3中形成基于T-S模糊神经网络的配电网低电压预测模型的方法为；

步骤3.1输入历史当天之前七天的电压数据，模糊化后的天气状况、时间段、区域温度、日期类型数据，输出为历史当天电压值，作为训练数据集；形成X＝[x₁,x₂,x₃,K,x₁₁]作为输入数据，网络输出期望值y_d；

步骤3.2输入数据归一化；

步骤3.3计算网络模糊隶属度值μ，模糊算子θ，网络训练实际值y_c；

步骤3.4更新系数

·输入计算误差η：

在式(6)中，y_d是网络输出期望值，y_c是网络训练实际值，η是y_d和y_c之间的计算误差；

系数校正：

归一化后的总目标函数为：

在式(7)和(8)中，是T-S模糊神经网络的系数，α是系数学习率，x_i是网络的输入参数，θⁱ为隶属度相乘构成的模糊算子；

根据梯度下降法，在网络学习的过程中，对前提参数进行校正，参数修正量为：

在式(9)和(10)中，与为隶属函数的可调参数，为高斯函数的中心，为高斯函数的宽度，β为参数学习率；

步骤3.5判断结束条件，若迭代次数达到G_max，算法结束，形成基于T-S模糊神经网络的配电网低电压预测模型；反之，返回步骤3.3。

3.根据权利要求2所述的一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，步骤3.2中输入数据归一化采用min-max法，计算公式为其中，x为输入数据集，x＝[x₁，x₂，x₃，…x_r]，r为输入数据维数，为归一化后的输入数据，max(r)表示r维输入数据中的最大值，max(r)表示r维输入数据中的最小值，n的取值分别为1，2，3，…r。

4.根据权利要求1所述的一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，还包括，步骤5设立低电压阈值，当预测的电压低于低电压阈值时发出低电压告警信号，实现对配电网低电压预测告警。

5.根据权利要求1所述的一种基于T-S模糊神经网络的配电网低电压预测方法，其特征在于，还包括，天气状况包括晴天、阴天和雨雪，对应的模糊化值分别为0，1和2；时间段包括23点-7点、7点-11点、13点-17点、19点-23点、11点-13点和17点-19点，对应的模糊化值分别为0、1、1、2、3和3；日期类型包括休息日和正常工作日，对应的模糊化值分别为1和0；区域温度包括小于0度、0-10度、11-20度、21-30度、30-35度和大于36度；对应的模糊化值分别为1、2、3、4和5。