一种基于模糊识别的电网山火风险等级评估的方法与流程

文档序号:13934936

本发明涉及电网输电线路技术领域,尤其涉及一种电网山火风险等级评估的方法,具体是指一种基于模糊识别的电网山火风险等级评估的方法。



背景技术:

近年来,由于植树造林、退耕还林等政策的出台,输电线路附近的植被密度和高度明显增加。另外,受极端天气等因素的影响,输电线路因山火引起的跳闸事故明显增加,对输电线路的安全运行造成了严重威胁,从而影响正常供电。因山火引起的跳闸事故对居民的正常生活造成了极大的不利影响,也对输电线路的正常运行工作带来了新的挑战。

目前,相关部门对因气象因素引起的输电线路故障已经开始重视,然而对于因山火引起的输电线路故障风险评估的研究较少。因此,评估电网山火风险等级,对输电线路的安全运行具有十分重要的意义。



技术实现要素:

本发明的目的为了克服现有技术中的不足之处,本发明提供一种基于模糊识别的电网山火风险等级评估的方法,目的是为了提供一于种准确度高,能够为输电线路设计运维工作提供有效的指导的基于模糊识别的电网山火风险等级评估的方法。

为了实现上述发明目的,本发明是通过以下技术方案来实现的:

一种基于模糊识别的电网山火风险等级评估的方法,包括以下步骤:

(1)建立标准模型库;

(2)建立待识别的数据矩阵;

(3)计算格贴近度;

(4)计算改进的贴近度;

(5)择近原则;

(6)划分风险等级。

所述建立标准模型库是指将历史山火风险数据划分为4个风险等级的,每个等级由6个指标构成的标准模型库。

所述4个风险等级为极高风险、高风险、中风险和低风险等级。

所述6个指标分别为:实时空气温度、连续无雨日数、实时空气湿度、实时风力等级、植被等级和人为用火指数。

所述标准模型库由多年历史数据进行模糊聚类分析,将历史数据划分为4类,并对4类的6个指标分别求均值得到。

所述建立待识别的数据矩阵是指由待识别的包含6个指标的数据建立的矩阵。

所述计算格贴近度是指计算待识别的数据矩阵B与标准模型库A1,A2,A3,A4之间的格贴近度σ0(A1,B)、σ0(A2,B)、σ0(A3,B)和σ0(A4,B)的方法;

为A,B的格贴近度;为A,B的内积,为A,B的外积;

其中σ0代表格贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“o”为求内积运算符号,“e”为求外积符号,“∨”、“∧”分别为取大、取小运算符号,“∈”为属于符号,U为论域,x为U的元素。

所述计算改进的贴近度是指计算待识别的数据矩阵B与标准模型库A1,A2,A3,A4之间的改进的贴近度σ1(A1,B)、σ1(A2,B)、σ1(A3,B)和σ1(A4,B)的方法,其中,为A,B的改进的贴近度,此处“∧”为取小运算;

其中σ1改进的贴近度,“∑”为求和运算符,A为山火风险标准模型库,B为待识别的数据矩阵,U为论域,x为U的元素,“∧”为取小运算,“+”为加号,K表示元素在矩阵中的序号。

所述择近原则是指比较待识别的数据矩阵B与标准模型库A1,A2,A3,A4的格贴近度σ0(A1,B)、σ0(A2,B)、σ0(A3,B)和σ0(A4,B),若存在i0∈{1,2,3,4},使表示B与最贴近;

其中σ0代表格贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“∈”为属于符号,“{}”代表集合,“∨”为取大运算符号,K表示元素在矩阵中的序号,i0表示数据矩阵的行标;

比较待识别的数据矩阵B与标准模型库模型A1,A2,A3,A4的改进的贴近度σ1(A1,B)、σ1(A2,B)、σ1(A3,B)、σ1(A4,B),若存在j0∈{1,2,3,4},使则表示B与最贴近;

其中σ1改进的贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“∈”为属于符号,“{}”代表集合,“∨”为取大运算符号,K表示元素在矩阵中的序号,j0表示数据矩阵的列标。

所述划分风险等级是指若与相同,则将B划分为类;若与不相同,则将B划分为类或

本发明具有下列有益效果:

1、基于模糊识别的电网山火风险等级评估,评估结果较为合理,能够为相关人员提供可靠的资料;

2、制定了利用模糊识别对电网山火风险等级进行评估的方法,有利于划分山火风险等级的实际应用,为输电线路设计运维工作的开展,提供实际的指导意义。

3、该方法准确度较高,便于使用。即可以兼顾电力系统安全,同时也可以有效的维护山火引起的电网跳闸故障率,有效地保障了电力系统的安全稳定运行,减少了因山火带来的不必要的经济损失。

附图说明

下面结合具体实施例和附图对本发明作进一步详细说明。

图1是本发明采用模糊识别方法对电网山火风险等级进行评估的流程图。

具体实施方式

本发明是一种基于模糊识别的电网山火风险等级评估的方法,如图1所示,该方法可以通过编写程序代码实现。包括以下步骤:

(1)建立标准模型库;

(2)建立待识别的数据矩阵;

(3)计算格贴近度;

(4)计算改进的贴近度;

(5)择近原则;

(6)划分风险等级。

1、建立标准模型库:

建立标准模型库是指将历史山火风险数据划分为4个风险等级的,每个等级由6个指标构成的标准模型库A。

设在论域U={山火风险},将山火风险等级划分为极高风险、高风险、中风险和低风险4个等级,构成了U上的标准模型库A={A1,A2,A3,A4}。描述山火风险等级的指标共6个,分别为:实时空气温度、连续无雨日数、实时空气湿度、实时风力等级、植被等级和人为用火指数。

标准模型库由多年历史数据进行模糊聚类分析,将历史数据划分为4类,并对4类的6个指标分别求均值得到。

2、建立待识别的数据矩阵:

建立待识别的数据矩阵是指由待识别的包含6个指标的数据建立的矩阵B。标准模型库A和待识别数据矩阵B如表1所示。

3、计算格贴近度:

计算格贴近度是指计算待识别的数据矩阵B与标准模型库A1,A2,A3,A4之间的格贴近度σ0(A1,B)、σ0(A2,B)、σ0(A3,B)和σ0(A4,B)的方法;为A,B的格贴近度;为A,B的内积,为A,B的外积。

其中σ0代表格贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“o”为求内积运算符号,“e”为求外积符号,“∨”、“∧”分别为取大、取小运算符号。“∈”为属于符号,U为论域,x为U的元素。

4、计算改进的贴近度:

计算改进的贴近度是指计算待识别的数据矩阵B与标准模型库A1,A2,A3,A4之间的改进的贴近度σ1(A1,B)、σ1(A2,B)、σ1(A3,B)和σ1(A4,B)的方法,其中,为A,B的改进的贴近度,此处“∧”为取小运算。

其中σ1改进的贴近度,“∑”为求和运算符,A为山火风险标准模型库,B为待识别的数据矩阵,U为论域,x为U的元素,“∧”为取小运算,“+”为加号,K表示元素在矩阵中的序号。

5、择近原则:

择近原则是指比较待识别的数据矩阵B与标准模型库A1,A2,A3,A4的格贴近度σ0(A1,B)、σ0(A2,B)、σ0(A3,B)和σ0(A4,B),若存在i0∈{1,2,3,4},使表示B与最贴近。

其中σ0代表格贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“∈”为属于符号,“{}”代表集合,“∨”为取大运算符号,K表示元素在矩阵中的序号,i0表示数据矩阵的行标。

比较待识别的数据矩阵B与标准模型库模型A1,A2,A3,A4的改进的贴近度σ1(A1,B)、σ1(A2,B)、σ1(A3,B)、σ1(A4,B),若存在j0∈{1,2,3,4},使则表示B与最贴近。

其中σ1改进的贴近度,A为山火风险标准模型库,B为待识别的数据矩阵,“∈”为属于符号,“{}”代表集合,“∨”为取大运算符号,K表示元素在矩阵中的序号,j0表示数据矩阵的列标。

6、划分风险等级:

划分风险等级是指若与相同,则将B划分为类;若与不相同,则将B划分为类或

表1:标准模型库A和待识别数据矩阵B。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1