专利名称：一种基于模糊逻辑的覆冰厚度预测方法
技术领域：
本发明属于输电线路覆冰监测技术领域，具体涉及一种基于模糊逻辑的覆冰厚度预测方法。
背景技术：
输电线路覆冰常会引起线路绝缘子冰闪事故，不均勻覆冰或不同期脱冰事故，过负载事故，覆冰导线舞动事故。一次严重的输电线路导线覆冰事故，会导致巨大的经济损失，并严重影响社会生活。现有的研究成果虽然涉及了覆冰形成与气象条件之间的各种关系，但是现有的覆冰厚度预测模型都是通过风洞试验总结而出的，其来自覆冰现场监测的有效数据非常少， 故现有的覆冰厚度预测模型需进一步完善，才能让研究成果更加成熟和准确。
发明内容
本发明的目的是提供一种基于模糊逻辑的覆冰厚度预测方法，解决了现有的覆冰预测模型现场数据来源缺乏、精确度不够的问题。本发明所采用的技术方案是，一种基于模糊逻辑的覆冰厚度预测方法，具体按照以下步骤实施步骤1 获取覆冰数据环境温度、环境湿度、环境风速及导线温度；步骤2 根据步骤1获取的环境温度、环境湿度、环境风速及导线温度的数值，建立覆冰厚度预测模型；步骤3 根据步骤2得到的覆冰厚度预测模型，计算覆冰厚度。本发明的特点还在于，其中步骤1中的环境温度、环境湿度、环境风速及导线温度，是通过覆冰在线监测系统采集的，覆冰在线监测系统的结构为包括MSP430F247，MSP430F247上分别连接有系统电源、液晶显示与时钟模块、覆冰数据采集与处理模块、数据存储单元及通信模块，通信模块包括Zigbee通信模块及GPRS通信模块，系统电源和控制器相连接，控制器还分别于太阳能、蓄电池相连接，覆冰数据采集与处理模块包括覆冰信息处理单元，覆冰信息处理单元的输入端分别与温湿度传感器、风速传感器及温度传感器相连接。其中步骤2建立覆冰厚度预测模型，具体按照以下步骤实施a.模糊化处理，得到变量的隶属度函数；b.确立模糊规则；c.建立模糊预测模型。其中步骤a模糊化处理，具体按照以下步骤实施采用四输入一输出结构，四个输入变量和一个输出变量一致分为五个模糊子集NB 很低/小、NS 较低/小、0 中等、PS 较高/大以及PB 很高/大，各个变量的隶属度函数采用三角形函数。其中步骤b确立模糊规则，具体按照以下步骤实施对环境温度、环境湿度、环境风速、导线温度及覆冰厚度进行统计分析归纳，对每条规则定义一个强度G(k)，即构成规则的每个数据属于其模糊子集的隶属度u (k)相乘，k为规则的序号，如下式，G(k) = U (k) ET X U (k) EHX U (k) EffX u (k) CT.其中，G(k)表示强度；u (k)ET表示环境温度隶属度的大小；!!(⑴皿表示环境湿度隶属度的大小；u(k)EW表示环境风速隶属度的大小；U(k)CT表示导线温度隶属度的大小；遇到矛盾规则出现，则根据其强度大小，按去小留大原则进行取舍，最终确立模糊规则。其中步骤c建立模糊预测模型，具体按照以下步骤实施根据步骤1得到的输入变量、步骤a得到的隶属度函数及步骤b得到的模糊规则，通过MATLAB中的Fuzzy logic模糊逻辑工具箱建立覆冰厚度预测模型。本发明的有益效果是，模型采用的模糊逻辑方法具有多因素综合分析的特点，适合对受多种因素影响的具有不确定性结论的事物或现象作出总的评价。此方法需要覆冰现场的环境温度、环境湿度、环境风速、以及导线温度，这些数据来源于覆冰在线监测系统实时监测的现场覆冰数据，从而得出输电线路覆冰厚度。
图1是本发明方法的流程图；图2是本发明方法中采用的覆冰在线监测系统的结构示意图；图3是实施例中输入变量环境温度的隶属度函数；图4是实施例中输入变量环境湿度的隶属度函数；图5是实施例中输入变量环境风速的隶属度函数；图6是实施例中输入变量导线温度的隶属度函数；图7是实施例中输出变量覆冰厚度的隶属度函数。图中，l.MSP430FM7，2.系统电源，3.液晶显示与时钟模块，4.覆冰信息处理单元，5.温湿度传感器，6.风速传感器，7.湿度传感器，8.太阳能，9.控制器，10.蓄电池， 11.数据存输单元，12. Zigbee通信模块，13. GPRS通信模块。
具体实施例方式下面结合附图和具体实施方式
对本发明进行详细说明。本发明基于模糊逻辑的覆冰厚度预测方法，如图1所示，具体按照以下步骤实施步骤1 获取覆冰数据，采用输电线路覆冰在线监测系统，实时监测覆冰时的环境温度、环境湿度、环境风速以及导线温度这4个覆冰影响因素作为覆冰厚度预测模型的输入变量。覆冰在线监测系统的结构如图2所示，包括MSP430F2471，MSP430F2471上分别连接有系统电源2、液晶显示与时钟模块3、覆冰数据采集与处理模块、数据存储单元11及通信模块，通信模块包括Zigbee通信模块12及GPRS通信模块13，系统电源2和控制器9相连接，控制器9还分别于太阳能8、蓄电池10相连接，覆冰数据采集与处理模块包括覆冰信息处理单元4，覆冰信息处理单元4的输入端分别与温湿度传感器5、风速传感器6及温度传感器7相连接。在线路杆塔上安装一台杆塔监测分机，利用太阳能8和蓄电池10充电工作，可实现对特高压线路及环境参数的全天候监测。监测分机实时监测线路微气象条件和线路覆冰状况，监测信息通过GPRS通信模块13发送至监控中心。步骤2 建立模糊逻辑的覆冰厚度预测模型，具体按照以下步骤实施a.模糊化处理模糊化是指将输入转换为模糊集合，即将实测物理量转化为在该语言变量相应论域内不同语言值的模糊子集，对于模糊逻辑模型的多个输入，每个输入量的模糊化过程都是一样的，进行模糊推理的前提是输入都必须通过模糊化处理。覆冰预测模糊逻辑模型采用四输入一输出结构。基于模糊理论，确定各个变量的模糊集合。为了取得较高预测精度，四个输入变量和一个输出变量一致分为五个模糊子集NB (很低/小)、 NS(较低/小)、0(中等)、PS(较高/大)以及PB(很高/大)。基于对已获取的覆冰数据库进行统计以及现有经验，本发明中各个变量的隶属度函数均采用三角形函数。b.确立模糊规则模糊规则是模糊模型的核心，它相当于模糊模型的校正模块或补偿模块。模糊规则的生成方法大体上有两种一种是根据专家或操作人员对所研究或涉及的领域长期积累的实际经验和知识，归纳总结得出；另一种是对现有的输入-输出的数据中进行分析，归纳总结得出。因目前对覆冰模糊分析的研究甚少，专家经验缺乏，故采取第二种方法对覆冰在线监测系统所获取的大量覆冰数据(包含环境温度、环境湿度、环境风速、导线温度)以及覆冰厚度进行统计分析归纳。在构成的许多条模糊规则中，可能由于监测数据误差等原因会出现模糊规则冲突矛盾，即有些规则前件(输入变量)的模糊子集一样，而后件(输出变量)的模糊子集却不同。为了对矛盾的模糊规则进行筛选取舍，对每条规则定义一个强度G(k)，即构成规则的每个数据属于其模糊子集的隶属度u (k)相乘，k为规则的序号，如式(1)G (k) =u (k) ET X u (k) EHX u (k) EffX u (k) CT (1)其中，G(k)表示强度；u (k)ET表示环境温度隶属度的大小；!!(⑴皿表示环境湿度隶属度的大小；U (k)EW表示环境风速隶属度的大小；U(k)CT表示导线温度隶属度的大小；筛选取舍原则遇到矛盾规则出现，则根据其强度大小，按“去小留大”原则决定取舍。最终即可确立模糊规则。c.建立模糊预测模型根据步骤1所得到的输入变量、步骤a得到其隶属函数以及步骤b得到的模糊规则，通过MATLAB中的Fuzzy logic模糊逻辑工具箱建立覆冰厚度预测模型。步骤3 覆冰厚度预测模型根据输入的四个参数，得到输出变量覆冰厚度覆冰厚度预测模型已建立，将实时监测到的输电线路的环境温度、环境湿度、环境风速以及导线温度输入到模型中即可得到输出量，即覆冰厚度。这个得出过程是根据输入值经过模糊规则来分析判断出的，是借助于MATLAB软件来完成的。模糊逻辑方法适合对受多种因素影响的具有不确定性结论的事物或现象作出总的评价，而输电线路覆冰具有明显的模糊性和不确定性，用模糊逻辑简化覆冰厚度预测模型设计，用自然语言去描述输入、规则和输出，其结果更符合人的要求、更接近人直观理解的思考方式。实施例利用覆冰在线监测系统获取的现场数据，收集了贵州电网8条输电线路的现场覆冰监测数据(500kV安贵一回线、220kV鸡阳二回、220kV凯玉线、IlOkV滥二线、220kV索干二回线、220kV铜黎线、IlOkV 土杨松茅线以及220kV习鸭一回线)。
按模糊逻辑模型分析步骤，首先对这些线路自2008年12月至2009年1月的覆冰数据进行综合统计，得出环境温度ET、环境湿度EH、环境风速EW、导线温度CT以及覆冰厚度IT等数据的变化范围分别为-8°C 17°C、32% 99%、0m/s 8. 6m/s、-12°C 16°C 以及Omm 23. 39mm。4个输入变量的隶属度函数如图3、图4、图5、图6所示及输出变量如图7所示。由于覆冰环境不断变化且覆冰数据监测频率为1次/15min，故数据变化范围并不是一定只局限于以上统计的范围内变化，为了使数据范围能涵盖各种覆冰情况以及便于模糊化分析，将以上环境温度ET、环境湿度EH、环境风速EW、导线温度CT以及覆冰厚度IT 的变化范围适当扩大调整为_20°C 20°C、0% 100%、0m/s 20m/s、-20°C 20°C以及 Omm 30mm。针对这8条输电线路的覆冰数据进行统计归纳总结，结合专家经验得出78条初始模糊规则，通过筛选取舍原则，最终得到了 25条规则，模糊规则采用ifET is…andEH is…and Eff is…and CT is…，then IT is…此模糊语言描述，列出部分规则如表1所示表1模糊规则表
权利要求
1.一种基于模糊逻辑的覆冰厚度预测方法，其特征在于，具体按照以下步骤实施步骤1 获取覆冰数据环境温度、环境湿度、环境风速及导线温度；步骤2 根据步骤1获取的环境温度、环境湿度、环境风速及导线温度的数值，建立覆冰厚度预测模型；步骤3 根据步骤2得到的覆冰厚度预测模型，计算覆冰厚度。
2.根据权利要求1所述的基于模糊逻辑的覆冰厚度预测方法，其特征在于，所述步骤 1中的环境温度、环境湿度、环境风速及导线温度，是通过覆冰在线监测系统采集的，覆冰在线监测系统的结构为包括MSP430F247(1)，MSP430F247(1)上分别连接有系统电源O)、液晶显示与时钟模块(3)、覆冰数据采集与处理模块、数据存储单元(11)及通信模块，通信模块包括Zigbee通信模块(1 及GPRS通信模块(13)，所述的系统电源( 和控制器(9)相连接，控制器(9)还分别于太阳能(8)、蓄电池(10)相连接，所述的覆冰数据采集与处理模块包括覆冰信息处理单元G)，覆冰信息处理单元的输入端分别与温湿度传感器(5)、 风速传感器(6)及温度传感器(7)相连接。
3.根据权利要求1所述的基于模糊逻辑的覆冰厚度预测方法，其特征在于，所述步骤2 建立覆冰厚度预测模型，具体按照以下步骤实施a.模糊化处理，得到变量的隶属度函数；b.确立模糊规则；c.建立模糊预测模型。
4.根据权利要求3所述的基于模糊逻辑的覆冰厚度预测方法，其特征在于，所述步骤a 模糊化处理，具体按照以下步骤实施采用四输入一输出结构，四个输入变量和一个输出变量一致分为五个模糊子集NB 很低/小、NS 较低/小、0 中等、PS 较高/大以及PB 很高/大，各个变量的隶属度函数采用三角形函数。
5.根据权利要求3所述的基于模糊逻辑的覆冰厚度预测方法，其特征在于，所述步骤b 确立模糊规则，具体按照以下步骤实施对环境温度、环境湿度、环境风速、导线温度及覆冰厚度进行统计分析归纳，对每条规则定义一个强度G (k)，即构成规则的每个数据属于其模糊子集的隶属度u(k)相乘，k为规则的序号，如下式，G(k) = u (k) ET X u (k) EH X u (k) Eff X u (k) CT.其中，G(k)表示强度；u (k)ET表示环境温度隶属度的大小；u(k)EH表示环境湿度隶属度的大小；u(k)EW表示环境风速隶属度的大小；u(k)CT表示导线温度隶属度的大小；遇到矛盾规则出现，则根据其强度大小，按去小留大原则进行取舍，最终确立模糊规则。
6.根据权利要求3所述的基于模糊逻辑的覆冰厚度预测方法，其特征在于，所述步骤c 建立模糊预测模型，具体按照以下步骤实施根据步骤1得到的输入变量、步骤a得到的隶属度函数及步骤b得到的模糊规则，通过MATLAB中的Fuzzy logic模糊逻辑工具箱建立覆冰厚度预测模型。
全文摘要
本发明公开的一种基于模糊逻辑的覆冰厚度预测方法，首先获取覆冰数据环境温度、环境湿度、环境风速及导线温度；其次建立覆冰厚度预测模型；最后得到覆冰厚度。本发明基于模糊逻辑的覆冰厚度预测方法，适合对受多种因素影响的具有不确定性结论的事物或现象作出总的评价。此方法根据覆冰现场的环境温度、环境湿度、环境风速以及导线温度的数据，得出输电线路覆冰厚度。数据来源于覆冰在线监测系统实时监测的现场覆冰数据，从而解决了现有的覆冰预测模型现场数据来源缺乏、精确度不够的问题。
文档编号G06N7/02GK102175202SQ201110031728
公开日2011年9月7日 申请日期2011年1月30日 优先权日2011年1月30日
发明者李佳杰, 欧阳丽莎, 黄新波 申请人:西安工程大学