[發(fā)明專利]基于改進TOPSIS和聚類分析的智能電表運行狀態(tài)評價方法

有效

• 申請?zhí)枺?/td>: 202010867862.X
• 申請日: 2020-08-26
• 公開（公告）號: CN111949939B
• 公開（公告）日: 2022-07-19
• 發(fā)明（設(shè)計）人: 許丹;李游
• 申請（專利權(quán)）人: 北京航空航天大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/18;G06K9/62
• 代理公司: 北京孚睿灣知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11474
• 代理人: 王冬杰;韓燕

1.一種基于改進TOPSIS和聚類分析的智能電表運行狀態(tài)評價方法，其特征在于，其包括如下步驟：

S1、構(gòu)建并量化智能電表運行狀態(tài)影響量；

根據(jù)狀態(tài)影響量構(gòu)建原則，構(gòu)建并量化智能電表運行狀態(tài)影響量，所述狀態(tài)影響量包括誤差最值，誤差一致性，誤差變差和批次故障率；

誤差最值為：

S₁＝max{|e₁|,|e₂},...,|e_n|}

其中，e₁,e₂,...,e_n，分別為第1次到第n次測量電能表誤差，由于電表的誤差具有對稱性，因此將電表的誤差取絕對值；

誤差一致性的定義為：同一批次數(shù)只被試樣品在同一測試點的測試誤差與平均值間的偏差；第i個電表的誤差一致性的計算表達式如下：

其中，E_a表示一致性誤差值，e_i表示被評價電表在第i個測試點下的測量誤差值，表示在相同測試點下同一批次數(shù)只被試樣品在同該測試點下的測試誤差平均值；如果在多個負載點進行了測量，取這幾個測量誤差變差的最大值進行計算；可以得到狀態(tài)影響量：

S₂＝max{|E_a1|,|E_a2|,...,|E_an|}

其中，|E_a1|,|E_a2|,...,|E_an|代表電表在同一負載電流下所測得的n次誤差一致性絕對值；

誤差變差的定義為：對同一被試樣品相同的測試點,在負荷電流為1b、功率因數(shù)為1.0和0.5L的負載點進行重復測試,相鄰測試結(jié)果間的最大誤差變化的絕對值；誤差變差的計算表達式如下：

E_c＝|max{e_i-e_j}|

其中，E_c代表誤差變差值，e_i和e_j表示在同一負載點進行的第i次和第j次測量誤差值(i≠j)；若在某個負載點進行了多次測試，則可以取變差的最大值進行計算，故可以得到狀態(tài)影響量的量化表達式有：

S₃＝max{E_c1,E_c2,...,E_cn}

其中，E_c1,E_c2,...,E_cn代表多個誤差變差值；

批次故障率代表該智能電表所屬批次的故障率，代表該批次電能表總體質(zhì)量水平的高低，其計算表達式如下：

其中，n_f為該批次電能表故障數(shù)量，n為該批次電能表總數(shù)量；

S2、利用改進的TOPSIS方法計算所述狀態(tài)影響量的TOPSIS得分，步驟如下；

S21、構(gòu)造決策矩陣X＝(x_ij)_m×n；

其中，m為評價對象的個數(shù)，n為每個評價對象的狀態(tài)影響量的個數(shù),x_ij表示第i個被評價對象在第j個狀態(tài)影響量下的值，i＝1,2,…,m；j＝1,2,…,n；

S22、對決策矩陣X按狀態(tài)影響量的性質(zhì)進行無量綱化處理；

對于效益型狀態(tài)影響量的決策矩陣X，無量綱化處理后為：

對于成本型狀態(tài)影響量的決策矩陣X，無量綱化處理后為：

其中，Z_ij表示x_ij經(jīng)過無量綱化處理之后的數(shù)值，即分別表示第j個狀態(tài)影響量下的最大值和最小值；

S23、確定Z_ij的正理想解A_ij⁺和負理想解A_ij^-，所述正理想解是第i個評價對象對于第j個狀態(tài)影響量最好的值，所述負理想解是第i個評價對象對于第j個狀態(tài)影響量最差的值；

S24、分別計算Z_ij與正理想解A_ij⁺的距離和負理想解A_ij^-的距離

S25、計算x_ij與正理想解A_ij⁺的相對貼近度得到改進的所述狀態(tài)影響量的TOPSIS得分；

用相對貼近度來衡量各評價對象在各狀態(tài)影響量下靠近正理想解的程度，越大，表示評價對象在該向量下越優(yōu)；

根據(jù)不同狀態(tài)影響量性質(zhì)，的計算表達式分別為：

成本型狀態(tài)影響量時：

效益型狀態(tài)影響量時：

S3：計算各狀態(tài)影響量的離差最大化權(quán)重值，步驟如下：

設(shè)各個狀態(tài)影響量之間的加權(quán)向量為W,且W＝(W₁,W₂,…,W_n)^T＞0，并滿足表達式：

加權(quán)向量下的加權(quán)決策矩陣為：

其中，Z_ij表示經(jīng)過無量綱化處理之后的決策矩陣數(shù)值，W_j表示第j個狀態(tài)影響量的權(quán)重；

S31：計算所有評價對象在第j個狀態(tài)影響量下與其他評價對象的總離差V_j(W)；

對于第j個狀態(tài)影響量來說第i個評價對象與其他所有決策方案的離差用V_ij(W)表示為：

其中，Z_ij與Z_kj都表示經(jīng)過無量綱化處理之后的決策矩陣數(shù)值,k≠i，W_j表示第j個狀態(tài)影響量的權(quán)重；

則對第j個狀態(tài)影響量而言，所有評價對象與其他評價對象的總離差V_j(W)為

其中，Z_ij與Z_kj都表示經(jīng)過無量綱化處理之后的決策矩陣數(shù)值，k≠i，W_j表示第j個狀態(tài)影響量的權(quán)重；

S32：構(gòu)造目標函數(shù)，得到使總離差V_j(W)達到最大的權(quán)重向量

為使評價對象在加權(quán)向量W下得到盡可能的區(qū)分，應(yīng)該使得離差V_j(W)最大，為求出能使得V_j(W)達到最大的權(quán)向量，構(gòu)造目標函數(shù)：

得到：

其中，Z_ij與Z_kj都表示經(jīng)過無量綱化處理之后的決策矩陣數(shù)值，k≠i，W_j表示第j個狀態(tài)影響量的權(quán)重；

對權(quán)向量W_j進行歸一化處理，得到歸一化之后的權(quán)重向量為：

S4、根據(jù)得到的離差最大化權(quán)重和改進的狀態(tài)影響量TOPSIS得分的貼近度C⁺_ij計算智能電表運行狀態(tài)得分S_i；

第i個被評價電表的運行狀態(tài)評分表達式為：

其中，S_i表示第i個被評價對象的運行狀態(tài)得分，表示歸一化之后的第j個狀態(tài)影響量的，C⁺_ij表示第i個被評價對象在第j個狀態(tài)影響量下與正理想解的貼近度；

S5、根據(jù)對智能電表狀態(tài)影響量數(shù)據(jù)的聚類分析，得到智能電表的運行狀態(tài)聚類類別；

聚類分析過程如下；

S51、確定狀態(tài)影響量數(shù)據(jù)的聚類方法，所述聚類方法為層次聚類、劃分聚類、基于密度的聚類和基于網(wǎng)格的聚類方法中的一種；

S52、確定狀態(tài)影響量數(shù)據(jù)的聚類評價指標，所述聚類評價指標至少包括CH指標、輪廓系數(shù)和DBI指數(shù)中間的一種；

S53、根據(jù)聚類評價指標確定狀態(tài)影響量數(shù)據(jù)的最佳聚類數(shù)目；

S54、根據(jù)最佳聚類數(shù)目對狀態(tài)影響量進行聚類，得到電表的運行狀態(tài)聚類類別；

S6、根據(jù)電表的運行狀態(tài)聚類類別，確定電表的運行狀態(tài)得分劃分閾值，得到智能電表運行狀態(tài)的等級劃分結(jié)果。