基于改进制造技术

本发明专利技术属于电力工程技术领域，公开了一种基于改进

【技术实现步骤摘要】
基于改进DS证据理论的电力系统应急发电资源可靠性分析方法


[0001]本专利技术属于电力工程
，涉及电力系统应急发电资源可靠性分析，尤其涉及一种基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法
。

技术介绍

[0002]当强台风
、
地震
、
暴雨等极端自然灾害发生时，极易发生大规模停电，由此带来巨大的经济损失和政治社会影响
。
在大规模停电到来时，应急发电系统作为必要的应急保障措施，是直接服务于用户的关键环节
。
在极端自然灾害发生下的应急发电配置系统正常运行对于保障居民生产生活
、
抵御灾害事故
、
推动社会发展具有重要意义
。
[0003]在配电系统由于自然灾害发生故障时，要求尽快采用可行的应急发电资源，以保障各种需求的用电
。
启用应急发电资源时，需要考虑应急发电资源的可持续供电时长，以及供电可靠性
。
高可靠性是指电源在紧急状态下能可靠供电
。
保证供电是电源的第一目的，只要元器件可以运行而不致损坏，供电就不能停止
。
在应急供电状态下，元器件的工作状态可能相当严酷，电源的某些电气参数在特殊状态时可能不理想，因此，会在应急发电装置上设置检测发电装置各种参数的传感器，以检测应急供电装置的故障概率，保证供电的可靠性以及持久性
。
[0004]在信息传感技术快速发展的今天，应急发电资源的故障诊断中存在大量传感器数据源，只针对单一数据源的数据分析系统难以提供全面准确的反馈信息
。
在应急发电资源的故障诊断中，系统会收集大量参数型信息，需要使用数据融合技术对得到的大量信息进行融合，以判断发电系统故障的概率
。
[0005]数据融合技术是将不同数据源收集的不全面的信息融合在一起，将不同数据相互整合得到有决策意义的参考信息，可以减少单个数据源中信息的不完整性问题，为决策者提供更加准确全面的参考意见，使最终决策相对合理，能符合生产实际
。
目前，数据融合技术在目标识别
、
故障检测
、
气候分析等领域都有良好的应用效果
。
[0006]DS
证据理论是信息融合领域常用且有效的融合方法之一
。
它首先由
Dempster
于
1967
年提出，并由
Shafer
进一步扩展为处理多源不确定性推理的系统方法
。
虽然
DS
证据理论在许多领域都有不错的应用效果，但是仍然存在一些不足，特别是在处理应急供电系统内的多传感器获取的设备信息时，主要存在的问题可以总结为以下几点：
[0007](1)
当证据之间出现高度冲突的时候，即证据冲突因子
K
→1时，信息融合的结果往往与实际相反
。
[0008](2)
如果基本概率函数发生细微的变化，会对融合结果造成突变
。
[0009](3)
对证据模糊程度辨别能力弱，当子集的元素变多时，子集的模糊程度也会增加
。
[0010]由于各种不确定因素，系统通过单个传感器采集和分析得到的信息可能不准确，造成数据融合时使用的原始数据有误差，从而使得数据融合过后得到的结果可靠度下降，
对分析应急供电系统的可靠性无利，甚至可能由于得到的信息有误而造成应急发电资源无法使用等情况，影响应急发电，对本就使用应急发电的系统造成严重的财产损失
。
[0011]因此，仅仅直接分析应急供电系统的参数信息难以为决策者提供准确的参考
。

技术实现思路

[0012]本专利技术目的旨在针对现有技术中存在的上述问题，提供一种基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，结合应急供电系统故障检测反馈参数的特点，对
DS
理论的融合算法的合成规则增加了判断条件，切实保障应急发电系统供电的可靠性与稳定性
。
[0013]为达到上述目的，本专利技术采用以下技术方案来实现
。
[0014]由于应急供电装置及发电环境的数据源较多，当其中一个信息源出现故障时，会出现与其他传感器高度冲突的反馈信息，会造成信息融合的结果与实际相差甚远
。
基于此本专利技术提供了一种基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，包括以下步骤：
[0015]步骤一，获取用于电力系统应急发电资源检测的各传感器概率；
[0016]步骤二，获取所有传感器的概率均值；
[0017]步骤三，获取各传感器概率与概率均值之间的距离；若距离大于设定阈值，则将该传感器的概率赋值为均值，否则保持传感器的概率不变，得到各传感器的修正后概率；
[0018]步骤四，通过
DS
证据理论对各传感器的修正后概率进行融合，得到融合结果
。
[0019]步骤一中，基于各传感器采集数据通过
BP
神经网络
、
人工神经网络
ANN
或深度卷积神经网络获取各传感器概率
。
所述传感器包括发电机输出电压传感器
、
振动传感器
、
温度传感器
。
[0020]步骤四中，在
DS
证据理论中，首先需要建立一个辨识框架
(Frame of Discernment
，
FOD)
，定义为非空有限集
Ω
＝
{X1,X2,
…
,X
n
}
，其中包含
n
个互斥的事件
(
即本专利技术中得到的各传感器的修正后概率
)
，表示所有可能的假设，2Ω
是由所有可能的子集组成的幂集
。
接下来需要对辨识框架下的事件进行基本概率分配
(Basic Probability Assignment
，
BPA)
，映射
m:2
Ω
→
[0,1]过程中所用到的函数称为
mass
函数，它满足下列约束条件：
[0021][0022]其中，
A
表示在辨识框架
Ω
内的假设事件，
m(A)
表示对假设事件
A
的支持程度；
[0023]如果用一个区间来表示对一个假设的支持力度，那么信度函数
(Belief Function,Bel)
与似然函数
(Plausibility Function,PI)
则组成了这个区间
[Bel(A),PI(A)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，其特征在于，包括以下步骤：步骤一，获取用于电力系统应急发电资源检测的各传感器概率；步骤二，获取所有传感器的概率均值；步骤三，获取各传感器概率与概率均值之间的距离；若距离大于设定阈值，则将该传感器的概率赋值为均值，否则保持传感器的概率不变，得到各传感器的修正后概率；步骤四，通过
DS
证据理论对各传感器的修正后概率进行融合，得到融合结果
。2.
根据权利要求1所述的基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，其特征在于，步骤一中，基于各传感器采集数据通过
BP
神经网络
、
人工神经网络
ANN
或深度卷积神经网络获取各传感器概率
。3.
根据权利要求2所述的基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，其特征在于，所述传感器包括发电机输出电压传感器
、
振动传感器
、
温度传感器
。4.
根据权利要求1所述的基于改进
DS
证据理论的电力系统应急发电资源可靠性分析方法，其特征在于，步骤四中，在
DS
证据理论中，首先建立一个辨识框架，定义为非空有限...

【专利技术属性】
技术研发人员：李显忠，刘兵，吴岩，潘可佳，王云飞，姚宬丞，邓冰妍，杜雪松，
申请(专利权)人：国网四川省电力公司信息通信公司，
类型：发明
国别省市：