列； 步骤六：利用隐马尔科夫模型处理步骤五的结果即反映负荷类别转化的序列，得到更 为精确的负荷类别变化数据。2. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤四中，数字特征取为各类别的稳态分布：式中，P为概率转移矩阵，Pi,为概率转移矩阵的第i行第j列的元素，函数LOimpw；) 的返回值为矩阵的任意行矢量，n表示第一步求取的最优稳态分布，求J的最小 值。3. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤四中，依据矩阵相应的数字特征对时间段的负荷数据进行聚类：设X为聚类向 量，将目标函数设为样本到所属类别中屯、的距离，采用模糊C均值聚类，用迭代的方法求取 最小目标函数。4. 如权利要求3所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，用迭代的方法求取最小目标函数： FCM算法把样本空间X= {xi,而，…，X。}分为C类，2《C《n，任一样本点Xi不会严 格划分为某一类，FCM用模糊划分，使用隶属度Ui, (0《Ui,《1)来确定样本点Xi属于第 j(0《j《C)类的程度。如样本空间X的一个模糊子集所对应的隶属度矩阵是一个模糊隶 属度矩阵，用U=扣ij}表示，隶属度矩阵U具有如下性质： (I) 式中，Uij为隶属度； FCM算法就是在式（1)的约束条件下使目标函数J最小化，即： C,，,..，〇 =玄玄";;'考， 城 式中，111￡[1，-)是模糊加权系数；(3,是(3类中第^'类的聚类中屯、；兩(和^.)二||3',- 6；；| 是Xi到Cj的欧拉距离。5. 如权利要求4所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，FCM算法就是在式（1)的约束条件下使目标函数J最小化，其步骤如下： (1)给定聚类数C，模糊加权系数m，迭代停止阔值e;设迭代次数k= 0,最大迭代次 数km。、;用值在[0, 1]间的随机数初始化隶属矩阵U，使其满足式（1)中的约束条件； 似由式似计算聚类中屯、 花 n Cj =Y/;;X化Iig i=l. 枉1 式中，Uij为隶属度，X1为样本； (3) 由聚类中屯、C,更新隶属度矩阵UAW，即 :挪鸣二这(聲…/斬叩样。巧，...約： 杆1 式中，dij为样本和各类中屯、的距离，上标化+1)表示第k次迭代的相应数值； (4) 给定收敛的判别精度e〉0,若||#"4^|I《e，停止迭代；否则置k=k+1，并 返回步骤（2); (5) 得到X的一个最优模糊C划分隶属度矩阵U=扣1,}和聚类中屯、C= {ci,}。6. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤五中，在进行内插和外推时，用概率转移矩阵生成累积状态转移率矩阵：中元素的取值如下： 巧雌另二1 !E巧,，(）</-游+1 Jd 其中，Pu为概率转移矩阵P的第i行第j列的元素，经过本步骤的处理，累积状态转移 率矩阵的Ptu",Ii为P的所有第i行前j列元素之和。7. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤五中，利用马尔柯夫蒙特卡罗仿真MCMC法生成给定时间长度负荷类别变化时 间序列步骤如下： 1) 随机产生一个在区间[0, 1]内的数U; 2) 将U与Pcum的第P行元素进行比较，假设U落在累积状态转移率矩阵Ptum的P 到P<：um,p(q+i)运个范围内，则认为负荷状态的序列的下一时刻状态为q; 3) 如果生成的序列已经满足时间长度的要求，则转步骤1)继续，否则，令当前状态变 为q，转步骤1)继续，直到达到时间要求。8. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤五中，因为故障时间点随机出现，各时间点之间的时间间隔不统一，相邻两个 时间点之间可能还有其他的负荷状态，所W要统一步长为常数At,累积状态转移率矩阵的 处理相应也要进行改进： 与IPu? ' *PlN 转移概率矩阵F= 中，Pi2表示经过一个步长的时间后，从1状态转 -Pm...Pm- 化为2状态的概率，也可W表示，现在为状态2, 一个步长的时间之前的状态为1的概率，所 臥 &，A巧2 Jc…Pw末 pk _ Pn，k Pw、k ?i- . . . ., -於m，k. 2束 … Pnn，k_ 式中，Pi2，k为已知At时亥ij，负荷状态为1，则第（k4)At时亥ij，负荷处于第2种状态 的概率。 ^1点 *" ,kt PP...P (p了 f二沪乂二言、知把?吟肆 Q ? ? i ? > ? PmM PmM. Pi2,kt= P 2i,k为已知第化+1)At时亥Ij,负荷状态为1，则At时亥Ij,负荷处于第2种状 态的概率。9. 如权利要求1所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特征 是，所述步骤六中，隐马尔科夫模型HMM是一个双重随机过程，它有两个组成部分： a马尔可夫链----描述类别的转移，用转移概率描述；b-般随机过程----描述状态与观察序列间的关系，用观察值概率描述； 一个隐马尔科夫模型HMM常用五元数组来描述：A= (Q，〇，A，B，31)，其中：状态的有 限集合Q=站，Q2,…，q。，}，n为马氏链的状态数；观察值的有限集合O= 1〇1，〇2,…，OnJ，m 为每种类别对应的可能的观察值数目；状态转移概率矩阵A;观察值概率矩阵B;初始概率 分布向量JT。10.如权利要求9所述的一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，其特 征是，用Baum-Welch算法，基于HMM模型识别负荷特性的变化，步骤如下： 1) 建立初始模型即待训练模型入。； 2) 基于AeW及观察值序列0,训练新模型A; 扣如果Io评(〇|A)-l〇评(〇| \。)<〇,说明训练已经达到预期效果，算法结束，式中，P(〇|A)表示在实际模型为A的情况下，观察序列为0的概率，D为设定口阔值； 4)否则，令Ao=A，继续步骤。工作； 训练过程前，需要定义两个辅助变量，第一个辅助变量为Ct(i，j)，表示给定模型入和 观察序列条件下，从i到j的转移概率：式中，at(i) =P(〇i，〇2,…，〇t，Xt=i)，曰^二P(x"1=jIxt=i)，bj(x"i) =P(〇"i|x"i =j)，0t" (j) =P(〇t4, 〇t巧，…，〇Tkt=i，入)； 第二个辅助变量为y,脚=i《化/)为t时刻处于状态Si的概率，；为整个过程中 M 片 1. 从状态Si转出次数的预期，§每(/，./')为从Si跳转到S,次数的预期； 仁1 训练过程：焉=巧稱为当t= 1时，处于Qi的概率；馬、處分别为状态转移概率矩阵A、观察值概率矩阵B中的元素的估计值，当收敛或 达到预置次数时，即可得到状态转移概率矩阵A作为最终结果。
【专利摘要】本发明公开了一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法，包括：找出电压降落的时间点，在电压降落的时间点对应的扰动时刻，进行负荷动特性提取与分类；判断负荷类别间的变化是否具有马氏性，将所有数据按时间平均分段，对每段数据基于最大似然的思想建立马氏链的概率转移矩阵；判断数字特征是否改变，如果未改变，则转入步骤五，否则依据矩阵相应的数字特征对时间段的负荷数据进行聚类，对有改变了数据特征的各时间段负荷数据求概率转移矩阵；利用马尔可夫蒙特卡罗模拟，描述负荷变化情况；利用隐马尔科夫模型处理反映负荷类别转化的序列。本方法对马尔柯夫链蒙特卡罗模拟进行了改进，有效降低了矩阵迭代后陷入稳态的可能性。
【IPC分类】G06K9/62
【公开号】CN105205502
【申请号】CN201510733268
【发明人】王振树, 周光耀
【申请人】山东大学
【公开日】2015年12月30日
【申请日】2015年10月30日