智能電能表是智能電網(wǎng)建設(shè)中重要的一環(huán),為了推進(jìn)智能電網(wǎng)建設(shè)進(jìn)程,國家電網(wǎng)公司在國內(nèi)開展關(guān)于智能電能表的相關(guān)研究。國家標(biāo)準(zhǔn)規(guī)定,電能表(1、2級)在使用8年后需回收并進(jìn)行檢測,而檢測后的電能表需要進(jìn)過“兩拆兩裝”才能繼續(xù)使用,此舉導(dǎo)致電能表每年的浪費(fèi)量巨大。因此,研究如何對電能表運(yùn)行狀態(tài)進(jìn)行更科學(xué)有效的評估,以減少浪費(fèi)節(jié)約成本具有重要意義。數(shù)據(jù)融合作為一種通過對多種來源的觀測信息進(jìn)行綜合分析以輔助決策的技術(shù),被廣泛應(yīng)用于各行各業(yè)。為了減少電能表資源的浪費(fèi),本文使用基于概率圖模型的數(shù)據(jù)融合技術(shù)對智能電能表運(yùn)行狀態(tài)進(jìn)行評估。主要工作如下:(1)在數(shù)據(jù)預(yù)處理過程中,本文首先使用基于信息熵的數(shù)據(jù)離散化算法對原始數(shù)據(jù)進(jìn)行處理,然后使用模擬退火對數(shù)據(jù)特征進(jìn)行選擇,以便模型能更好的利用數(shù)據(jù);(2)使用改進(jìn)版人工蜂群算法對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行學(xué)習(xí)。本文在改進(jìn)版人工蜂群算法中引入了模擬退火的思路,使用熱力學(xué)公式以一定概率接納次優(yōu)解,優(yōu)化更新蜜源的策略。(3)為提高模型泛化能力,本文使用集成算法對基于改進(jìn)版人工蜂群算法的貝葉斯網(wǎng)絡(luò)模型進(jìn)行集成,并在此基礎(chǔ)上利用k-means聚類算法對模型進(jìn)行選擇性集成。為了更...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖41人工蜂群算法流程圖

第4章基于改進(jìn)版人工蜂群算法的貝葉斯網(wǎng)絡(luò)的狀態(tài)評價模型25出增長式蜂群算法，在不斷迭代的過程中，逐漸增發(fā)蜂群的種群規(guī)模，從而達(dá)到大規(guī)模持續(xù)優(yōu)化的效果。圖4_1人工蜂群算法流程圖ABC算法執(zhí)行步驟如圖4_1所示，該算法將目標(biāo)解模擬為蜜源，通過仿照雇傭蜂、跟隨蜂、探索蜂三個蜂種來尋找....

圖51集成算法流程

第5章基于選擇性集成與凸函數(shù)證據(jù)理論的狀態(tài)評價模型35第5章基于選擇性集成與凸函數(shù)證據(jù)理論的狀態(tài)評價模型5.1基于選擇性集成的信息融合算法5.1.1集成算法簡介使用基于人工蜂群的貝葉斯網(wǎng)對智能電能表的狀態(tài)進(jìn)行評估時，能取得較高的評估正確率。但是，單個貝葉斯網(wǎng)算法泛化能力較差。當(dāng)訓(xùn)....

圖52選擇性集成算法流程

第5章基于選擇性集成與凸函數(shù)證據(jù)理論的狀態(tài)評價模型37全集D，即在減少基分類器的同時，盡量減少預(yù)測準(zhǔn)確率的下降。最優(yōu)的基分類器子集D’理論上可以通過對全集D窮舉獲得，但該算法需要窮舉出集合D的所有組合，時間復(fù)雜度過高。算法的大體流程如圖5_2所示，先通過Bagging或Boost....

圖53模型結(jié)構(gòu)圖

第5章基于選擇性集成與凸函數(shù)證據(jù)理論的狀態(tài)評價模型42假設(shè)有訓(xùn)練集為DX和預(yù)測集Dy，將Dx切割成占比為0.6/0.4的子數(shù)據(jù)集Dx1和Dx2；設(shè)Bagging采樣的次數(shù)為N；選擇性集成中簇的個數(shù)為K；凸函數(shù)證據(jù)理論中，gd的上、下界閾值分別為Δ。步驟1：利用5.1.2.2節(jié)中的....

本文編號：3977451