基于信度的不确定性推理--证据理论及其在电力系统规划中的应用

文章针对电力系统规划中客观存在的难以定量表达的不确定必问题,应用证据理论从不确定推理的角度探讨计及电力系统规划中的非定量不确定因素的方法,给出了证据理论求解不确定性问题的一般过程,并详细讨论了证据理论在电网规划、厂址选择中的应用。     

证据理论及其应用

在讨论了证据理论的特点之后，给出辨识框架、基本概率指派函数(BPA)、似然函数( Pl)、信任函数(Bel)和Dempster合成法则的定义，并介绍了利用证据理论解决不确定性 问题的具体步骤。 通过对证据理论已有的实用成果的介绍，指出了证据理论在电力系统中 的应用前景。     

基于证据理论的综合故障诊断方法研究

基于信息融合的观点解决大型设备故障的综合诊断问题。从证据合成的基本理论出发,分析了故障综合诊断中证据的支持和冲突,以风机液压制动系统的故障诊断为例,表明证据理论可以提高故障判决的准确度。     

基于线性分类器的充油变压器潜伏性故障诊断方法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段。文中介绍了一种基于线性分类器、以DGA数据为特征参数的充油变压器潜伏性故障的识别方法。运用该方法进行了大量的应用实例分析，并将识别结果与BP神经网络法以及IEC三比值法进行了对比。结果表明选用H2、CH4、C2H2、CEH4、C2H6、CO、CO4七种特征气体作为特征参数时，该方法显示出较高的准确度。     

D-S理论多分类器融合的光学遥感图像多目标识别

光学遥感图像的多目标检测与识别一直是图像处理与分析领域的热点研究问题。针对多特征单一分类器决策级融合不能很好的利用特征与分类器的适应性,导致识别的准确率很难进一步提高的问题,提出了基于D-S证据理论的多特征多分类器决策级融合策略。首先提取了两种简单且具有平移、缩放不变性的特征;其次分别引入3种适应性较好的分类器进行分类;最后设计了两级的D-S证据理论的融合方案,并且在置信度函数计算的过程中引入表征分类器性能的混淆矩阵。该算法有效地解决了分类器输出的不确定性问题,进一步提高了光学遥感图像多目标分类识别的准确性。测试表明,对4种目标的识别率达到97.22%,验证了算法的有效性。     

基于证据理论的数字化变电站继电保护容错方法

在数字化变电站时代,过程层采样值信息的网络化传输和共享使得利用冗余信息快速识别错误数据成为可能.本文提出了一种对多源互感器数据进行综合分析以辨识错误数据,并防止继电保护装置误动的新方法.在介绍新方法基本原理的基础上,分析了证据的生成法则、融合信息的选取以及算法流程等关键问题,并对算法的有效性和实时性进行了仿真分析.仿真...     

基于多分类器融合的XLPE电缆局部放电模式识别研究

将多分类器融合的方法应用到XLPE电缆的局部放电模式识别中.针对几种典型的XLPE电缆局部放电类型,提取放电统计特征参数,采用主成分分析(PCA)降维后,应用基于AdaBoost的多感知器神经网络融合分类模型进行分类.实验结果表明算法能有效提高基本分类器的准确率,提供了一种用于局部放电模式识别新的有效方法.     

证据理论在中期负荷预测中的应用

负荷预测中遇到的一个比较大的问题是影响负荷的因素很多，而且其中有很多不确定的因素。为此，本文提出了利用证据理论进行负荷预测的方法。本文中将影响负荷的因素分为三类：一类是负荷本身的历史数据；二类是可定量的相关因素；三类是难以定量的不确定因素。本文中就仅考虑一、二类因素和同时考虑三类因素两种情况，给出了利用证据理论进行负荷预测的推理网络和实现方法。算例表明。本文提出的方法预测精度较高，是一种将经验同数学模型有机结合的理想方法。     

集成证据推理与多神经网络的电力变压器故障综合诊断

电力变压器是电力系统中最为重要的设备之一,及早发现其潜伏性故障对于保障电网的安全稳定运行具有重要意义。文中结合变压器油色谱和电气预防性试验数据,提出一种基于多神经网络与证据推理的变压器故障综合诊断方法。结合神经网络的输出,将证据融合信度分配中的不可知部分分成由权重分配导致的不可知和信息缺乏导致的不可知两部分组成,优化证据推理算法,较客观地减少了诊断的不确定性。最后通过实例仿真表明该方法具有良好的诊断性能。     

基于证据理论的多模型组合电价预测

传统的组合预测方法主要依靠历史预测误差确定组合权值,预测结果受历史预测误差影响较大,没有考虑预测时点的外界影响因素。利用支持向量机,神经网络和时间序列等多种不同的预测方法,从不同侧面对电价进行预测。利用神经网络等模型对预测的历史误差和预测时点的外界影响因素进行分析建模,建立每个模型的可信度评价模型。采用DS(Dempster-Shafe)证据理论对每个模型的可信度进行分析评价和合成,确立最终的模型组合预测权值。通过该权值对相应的预测结果进行加权求和得到最终的预测结果。以加州电力市场为例,证明了该方法的有效性。     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

基于皮尔逊系数和不确定测度的冲突证据组合方法

D-S 证据理论在合成冲突较大的证据时会产生直觉相悖问题,现有的修正证据源的改进方法大多只从单一角度做出改 进,不能全面反映冲突信息特征。 针对此问题,提出了一种基于皮尔逊相关系数和不确定性测度的证据组合方法。 首先,利用 皮尔逊相关系数衡量证据之间的相关性,定义证据的可信度。 其次,引入基于区间概率的不确定度对可信度进行修正,得到权 重。 最后,使用该权重对原始证据进行加权平均,使用 Dempster 组合规则进行合成。 与经典改进方法相比,该方法能有效处理 冲突证据的融合问题,指认正确命题的准确率达到 0. 992 0。 与已有皮尔逊系数改进方法相比该方法更具有合理性,且有较高 的准确度。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

基于证据理论的可中断负荷不确定性风险收益评估模型

电力公司在与用户签订可中断负荷合同的决策问题中存在大量不确定性因素,不仅直接影响电力公司的经济收益,还会产生风险损失,因此电力公司在签订合同前,应充分考虑这些不确定性因素,正确对风险和收益做出评估。本文基于证据理论,建立了综合考虑各种不确定性因素的可中断负荷风险收益评估模型,并结合模糊层次分析法对模型具体设计进行说明;其次简要阐述了模型在电力公司签订可中断负荷合同决策中的运用;最后通过算例验证模型的可行性,并对模型提出了改进的建议。     

基于灰色关联和证据理论的故障诊断方法

本文在证据理论的基础上,结合信息熵和灰色关联算法,提出了一种新的机械故障诊断方法。该方法从信息融合的思想出发,首先依据反映机械故障的信息熵特征,获得基于信息熵的故障诊断标准特征向量。接着采用灰色关联理论建立证据理论的基本概率赋值函数,提出了利用证据理论对单传感器多测量周期证据时域融合和多传感器证据空域融合相结合的时空二级融合算法,最后以基本可信数的决策方法作为故障模式识别依据。通过旋转机械故障的典型实例证明,基于灰色关联和证据理论的机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于冲突证据修正的DS改进方法

DS(Dempster-Shafer)证据理论在不确定推理与信息融合领域有着广泛的应用,但是当证据严重冲突时会出现反直观结果的问题。针对这一问题,提出了一种基于冲突证据修正的DS改进方法,首先根据各证据与平均证据的证据距离确立各证据的权重,以平均权重为阈值确立冲突证据,然后根据冲突证据的权重对其进行折扣度修正,修正后的证据再与非冲突的原始证据使用Dempster组合规则得到最终推理结果。仿真实验表明,有效地改善了经典DS证据理论存在的典型问题,在低冲突证据和高冲突证据的融合处理上,本方法相较于其他方法简单有效,收敛快,可靠性高。     

改进证据理论与神经网络集成的变压器故障诊断

针对变压器故障类型的多样性以及故障信息的不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为实现Dempster合成规则在强冲突证据间信息融合后可信度分配的合理赋值,引入了信任系数的概念,对融合结果进行修正,并应用于最大-最小蚂蚁系统与神经网络算法所形成证据体的合成之中。实验仿真结果表明,该方法可以在初级诊断模块的判断结果出现严重分歧的情况下,仍得到较好的符合性判定结论,从而实现对变压器故障的有效诊断。     

基于DS证据理论的SVM分类模糊域数据修正

在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。     

证据理论与模糊理论集成的XLPE电缆绝缘状态评估研究

为提高XLPE电缆的绝缘诊断精度,提出了多绝缘参数综合评估方法。针对D-S证据理论中各证据体可信度分配难以确定的问题,建立了证据理论与模糊理论集成的XLPE电缆绝缘状态综合评估模型。此模型将模糊理论中的模糊集合与隶属度函数概念引入证据理论,利用隶属度函数构造证据理论的合理信度函数分配。在此基础上,通过证据理论联合每个证据体的可信度从而形成最终的电缆绝缘状态评估结果。实例分析表明该模型可有效评估XLPE电缆的绝缘状态,具有一定的理论和实用价值。     

一种基于目标识别的证据理论改进方法的研究

随着现代战场环境的复杂变化,如何快速准确地对目标进行识别显得尤为重要,而环境的复杂多变可能会产生高度冲突的信息证据。针对高度冲突证据的合成问题,分析了D-S合成方法,引入了一种新的改进方法,在保持D-S合成公式不变的情况下,对证据模型即证据源进行修正,通过算法寻找产生冲突的证据,并进行修正,通过算法仿真,验证了该算法的有效性及合理性。