一种组合隶属度函数及其在电能质量模糊评价中的应用_杨家豪

合集下载

一种新的电能质量扰动分类方法

一种新的电能质量扰动分类方法
岑钊华;徐立成;杨嘉辉;刘士亚
【期刊名称】《现代机械》
【年(卷),期】2022()2
【摘要】在电力系统中,由于加入了大量非线性用电设备,导致电能质量大幅度降低。

对大规模电力系统进行实时性电压扰动识别,是提升电能质量的有效手段之一。

为
降低谐波扰动信号对电力网络的影响,通过对电压扰动信号建模,采用局部均值分解
与神经网络相结合来构建分类模型,实现对七种电压扰动信号的分类处理。

局部均
值分解通过三层分解,将电压扰动信号转化为电压幅频信息的乘积函数,送入神经网
络进行分类。

仿真结果证明了该方法的有效性。

【总页数】5页(P98-102)
【作者】岑钊华;徐立成;杨嘉辉;刘士亚
【作者单位】佛山市劲能电力工程有限公司;佛山科学技术学院
【正文语种】中文
【中图分类】TM712
【相关文献】
1.一种基于PSO-SVM的电能质量扰动识别与分类的新方法
2.一种实时电能质量
扰动分类方法3.一种电能质量多扰动分类中特征组合优化方法4.一种新的电能质
量扰动分类识别算法5.一种实时电能质量扰动识别分类方法
因版权原因，仅展示原文概要，查看原文内容请购买。

犹豫模糊集决策理论与方法综述

收稿日期：２０２０－１２－２９基金项目：安徽省自然科学基金青年项目（１８０８０８５ＱＦ１９６）；安徽省高等学校自然科学重点研究项目（ＫＪ２０２０Ａ００１１）；安徽财经大学教研重点项目（ａｃｊｙｚｄ２０１８１４）作者简介：殷仕淑（１９７３—），女，安徽蚌埠人，教授，硕士生导师，研究方向为管理决策优化。

犹豫模糊集决策理论与方法综述殷仕淑，信　芳（安徽财经大学管理科学与工程学院，安徽蚌埠２３３０４１）摘要：犹豫模糊集是在模糊信息的基础上通过采用多个隶属度来充分刻画原始信息的一种信息表达方式。

与模糊集相比它能够全面刻画专家给出的决策信息，与直觉模糊集相比它更加符合人在决策时的犹豫性。

对犹豫模糊集决策理论和方法进行综述，介绍犹豫模糊集的发展历程，分别回顾犹豫模糊集的信息融合理论、信息测度理论、偏好关系理论以及多属性决策理论，总结了犹豫模糊环境下决策理论与方法的未来研究方向。

关键词：多属性决策；犹豫模糊集；信息融合；信息测度；偏好关系中图分类号：Ｃ９３４　文献标识码：Ａ　文章编号：２０９６－７９０Ｘ（２０２１）０５－００２６－０９ＤＯＩ：１０．１９５７６／ｊ．ｉｓｓｎ．２０９６－７９０Ｘ．２０２１．０５．００６ＲｅｖｉｅｗｏｆＨｅｓｉｔａｎｔＦｕｚｚｙＳｅｔＤｅｃｉｓｉｏｎＴｈｅｏｒｙａｎｄＭｅｔｈｏｄＹｉｎＳｈｉｓｈｕ，ＸｉｎＦａｎｇ（ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ，ＢｅｎｇｂｕＣｉｔｙ，ＡｎｈｕｉＰｒｏｖｉｎｃｅ２３３０４１）Ａｂｓｔｒａｃｔ：Ｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｉｓａｋｉｎｄｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｐｒｅｓｓｉｏｎｂａｓｅｄｏｎｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎｂｙｕｓｉｎｇｍｕｌｔｉｐｌｅｍｅｍｂｅｒｓｈｉｐｄｅｇｒｅｅｓｔｏｆｕｌｌｙｄｅｓｃｒｉｂｅｔｈｅｏｒｉｇｉｎａｌｉｎｆｏｒｍａｔｉｏｎ．Ｃｏｍｐａｒｅｄｗｉｔｈｆｕｚｚｙｓｅｔｓ，ｉｔｃａｎｄｅｓｃｒｉｂｅｔｈｅｄｅｃｉｓｉｏｎｉｎｆｏｒｍａｔｉｏｎｇｉｖｅｎｂｙｅｘｐｅｒｔｓｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ．Ｃｏｍｐａｒｅｄｗｉｔｈｉｎｔｕｉｔｉｏｎｉｓｔｉｃｆｕｚｚｙｓｅｔｓ，ｉｔｉｓｍｏｒｅｃｏｎｓｉｓｔｅｎｔｗｉｔｈｐｅｏｐｌｅ＇ｓｈｅｓｉｔａｔｉｏｎｉｎｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ．Ｔｈｉｓｐａｐｅｒｒｅｖｉｅｗｓｔｈｅｔｈｅｏｒｙａｎｄｍｅｔｈｏｄｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｄｅｃｉｓｉｏｎｍａｋｉｎｇ．Ｔｈｉｓｐａｐｅｒｆｉｒｓｔｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｓ，ｔｈｅｎｒｅｖｉｅｗｓｔｈｅｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｔｈｅｏｒｙ，ｉｎｆｏｒｍａｔｉｏｎｍｅａｓｕｒｅｍｅｎｔｔｈｅｏｒｙ，ｐｒｅｆｅｒｅｎｃｅｒｅｌａｔｉｏｎｔｈｅｏｒｙａｎｄｍｕｌｔｉ－ａｔｔｒｉｂｕｔｅｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｔｈｅｏｒｙｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｓ，ａｎｄｆｉｎａｌｌｙｉｔｓｕｍｍａｒｉｚｅｓｔｈｅｆｕｔｕｒｅｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｏｆｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｔｈｅｏｒｙａｎｄｍｅｔｈｏｄｉｎｈｅｓｉｔａｎｔｆｕｚｚｙｅｎｖｉｒｏｎｍｅｎｔ．Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉａｔｔｒｉｂｕｔｅｄｅｃｉｓｉｏｎｍａｋｉｎｇ；ｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔ；ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｍｅａｓｕｒｅ；ｐｒｅｆｅｒｅｎｃｅｒｅｌａｔｉｏｎ０　引言在政治、经济、文化、军事等各个领域，决策的身影随处可见。

《电力大数据》2020年1-12期总目录

２０２０年１２月第２３卷第１２期电力大数据２０２０年总目录　Ｄｅｃ２０２０，Ｖｏｌ２３，Ｎｏ１２ＰＯＷＥＲＳＹＳＴＥＭＳＡＮＤＢＩＧＤＡＴＡＧｅｎｅｒａｌｃｏｎｔｅｎｔｓｉｎ２０２０《电力大数据》２０２０年１～１２期总目录第１期□大数据专题基于集中器ＳＩＭ卡状态分析的异常检测　董重重，王　吁，夏水斌，孙秉宇，何　欢，王先培（１）…………基于Ｑ－Ｌｅａｒｎｉｎｇ算法用户最优充电站运营研究　刘　燕，贾肇伟，高　虹（８）………………………………………基于倾角传感器及不同杆塔类型的输电线路覆冰监测研究　殷蔚翎，黄　良（１４）………………………………………………基于人工智能的风机塔筒倾覆智能预警系统建设与开发　陈万勋，刘春波，赵坚强（２１）……………………………………基于蛛状网拓扑智能变电站“三层一网”通信系统研究　单梦琦（２８）………………………………………………………基于数据可视化的隔离开关运检辅助决策　门业堃，于　钊，宋　威，侯宇程，钱梦迪，滕景竹（３７）…………基于大数据挖掘的电网监控信息智能监控研究　孙云岭，徐建建，李　飞，李少博，苏玉京，李　芸（４５）…………智能变电站集中式站域测控装置设计与实现　辛明勇，杨　婧，高吉普，王　宇，张　历，汪明媚（５１）…………基于大数据的电力环保数据平台建设　雒　军，唐　坚，赵　喆，王　佩，闫　强，陈　星（５８）…………新能源综合服务平台及在配电网中的应用研究　王建平，李　莎，罗子昀，王永琦（６４）……………………………节能灯谐波指纹的测试研究与分析于　洋，李成升（７０）…………气象模拟仿真技术在电力安全应急培训中的应用与研究　陈肖龙，刘　航，李卓晖，张宝星，潘岐深，张荣鑫（７８）…………基于负荷曲线的配网支线负荷电流计算研究与应用　林　元（８４）………………………………………………………第２期□大数据专题基于ＦＡＨＰ的电网企业配电变压器供应商分级管理评价模型　代　洲，尹　华，李桧禹，毛　磊（１）……………………………贵州省近６０年气温变化特征分析及对输电线路运维的影响　刘发勇，犹珀玉（９）………………………………………………基于大数据平台的点负荷近中期负荷预测及行业负荷增长　特征分析李　健，王琛，林韶生，杜佩仁（１７）……………………智慧能源区块链平台及典型应用分析与设计　裴求根（２６）………………………………………………………大数据技术在火电厂ＳＣＲ脱硝系统中的应用　唐　坚，尹二新，路光杰，陈　鸥，张　军，刘永岩（３２）…………基于电力物联网和ＧＩＳ融合的变电智能运检系统研究　李　飞，赵大兴（３８）………………………………………………电力领域科技查新系统的设计与实现　韦嵘晖，王庆红，孙辛博，王洪俊（４６）……………………………基于ＲｅｔｉｎａＮｅｔ模型的鸟巢智能检测　时　磊，杨　恒，周振峰，杨刘贵，张　辉，杜　浩（５３）…………电网转型背景下地市级智能电网示范区规划研究　唐小璐，赵伟然，古　含，何　鑫（５９）……………………………基于高层气象大数据的风电场中长期风功率预测研究　李　飞，纪　元（６６）………………………………………………基于决策流程的电网强降雨及地质灾害应急信息系统研究　苏华英，唐延婧，夏晓玲，田连杰（７３）……………………………无人机载多载荷输电线路巡检方法研究　陈科羽，王　萍，，石书山，周筑博，杨鹤猛（８０）…………………面向电力物联网的电力大数据应用　王海洋，赵忠强，唐建华（８７）……………………………………第３期□大数据专题基于大数据的台区行业聚合分类方法及分类特征分析　李　健，林韶生，陈　芳，杜佩仁（１）……………………………实时电价下用户侧电力需求响应模型优化策略及数字仿真　谈竹奎，汪元芹，赵　菁，刘　斌，刘　敏（１０）…………………设备监控信息大数据与设备模型的互校验及实用化事件分析　高　志，樊锐轶，米　超，王大海，胡庆博，冯　超（１９）…………利用大数据实现电能计量装置运行状态质量评估　妙红英，李　蒙，王艳芹，王　松，洪　虹，康　强（２７）…………基于稳态波形分解与神经网络的负荷识别方法　陈伟伟，洪彬倬（３４）………………………………………………基于大数据的导线悬垂面脱冰跳跃高速摄影测量方法研究　马晓红，吕乾勇，毛先胤，徐舒蓉，王建国，唐　敏（４０）…………基于ＢＰ神经网络的输电线路隐患预放电识别研究　杨　旗，曾华荣，黄　欢，马晓红，毛先胤，张露松（４７）…………大数据理念下的供应商分析及应用研究　方茂欢，贺绍鹏，陈金猛，李　屹，郝嘉诚（５５）…………………基于Ｈａｄｏｏｐ和ＨＢａｓｅ的输变电设备数据聚合平台　陈　锐，吴应双，曹　杰，刘明顺（６２）……………………………基于用户行为的分时电价时段划分和价格制定　陈巨龙，黄剑平，张　裕，代　江（６９）……………………………智能变电站二次系统组网结构与信息传输优化研究　唐孝舟，刘青红，孙长兰，章叶青，葛立青（７７）…………………电力大数据第２３卷考虑多场景新能源预测的月度机组组合研究　赵　倩，赵翔宇，苏华英，汪明清，游成彬，黄红伟（８５）…………第４期□大数据专题基于故障概率的配电设备排查路径规划　马天佚，朱建明，杨　霖，张　驰（１）……………………………多源信息融合的微服务化电网事故追忆　韦洪波，曹　伟，叶桂南，韦昌福，何伊妮（８）……………………基于人工智能的电网调度操作智能防误系统建设及实践　蔡新雷，齐　颖（１６）………………………………………………电力物联网中５Ｇ边缘计算技术的研究　王　亮，鲜　柯（２４）………………………………………………基于ＬｏＲａ技术的低压集抄系统运行可靠性分析　孙　航，梁丹丹，郝凤柱，何　毅，张　鸷（３１）…………………基于规则和机器学习的核电文件分发系统研究　刘帝勇，杨　强，岳振兴（３９）……………………………………基于大数据模式识别机器学习算法的热力站动态能耗指标　预测模型王　炎，张海增，胡新华，赵　隽，李　添（４７）………基于ＸＧｂｏｏｓｔ的线路覆冰测量中激光测距的误差研究　曾华荣，谢百明，王　冕，林呈辉，高吉普（５４）…………………多虚拟电厂接入的主动配电系统优化经济调度　邵倩文，姚　璐，谢　威，李舒佳，谢　敏，李建钊（６２）…………基于预期完成率的月内滚动机组组合研究　田年杰，苏华英，刘明顺，李　赟，黄红伟，游成彬（７１）…………电能表运行误差与状态评价模型研究　王晨丞，张君胜，蒲丽娟，何培东，杜　斌，赵智辉（７９）…………存在反向有功电量低压用户的研判方法研究　马　浩，王立斌，武超飞，赵国鹏，马婷婷（８６）…………………第５期□大数据专题基于生存分析模型的电力设备故障预测方法　王春波，陈　刚，周　融，马莉娟（１）……………………………基于人工智能技术的电网调度控制业务研究　范英乐，王　浩，白玉东，李　熙（９）……………………………基于神经棒的电力变压器离线图像识别研究与应用　曾　惜，王　冕，王林波，龙思璇，吕　飞，陈华彬（１６）…………低照度液晶屏幕图像增强算法　张薇薇，王　彦，张庆伟，付龙明，黄　辉（２３）…………………一种改进的ＲＧＢ－ＤＳＬＡＭ室内空间三维重建方法　余兆凯，彭晓峰，邱昌杰，李　训，常友谦（３０）…………………综合能源热力潮流节点标幺值模型及算法实现　陈　晓，齐文斌，平　原，谭志海，刘兴艳（３８）…………………考虑发电能力匹配性的输变电设备检修优化方法　李　豹，袁　泉，张　蔷，卢明富，张德亮，黄红伟（４６）…………大数据技术在配网单线图自动成图的应用研究　何雄坤，周宏志，聂　辉，陈满超，齐志刚（５４）…………………基于数据驱动的物资储检配一体化系统研究和应用　彭　坤，朱长征，高书怡，朱孝峰，潘　敏，李　刚（６４）…………基于大数据的发电量预测分析数据平台建设　张睿锐，徐俊强，童　琪（７２）……………………………………一种云计算数字签名技术的研究与实现　杨凯利，瞿　强，张永超，张其静，娄红红（８０）…………………面向电网实时运行风险的快速定级方法研究及应用　罗　艳，陈子敬，高　浩，粟　景（８６）……………………………第６期□大数据专题基于用户停车行为统计的电动汽车快速充电站最优规划　陈巨龙，刘振铭，薛　毅，廖志军，郑方鹏，徐立新（１）…………大数据环境下基于Ｋ－ｍｅａｎｓ聚类算法的分组负荷预测研究　史　静，南开辉，周　琪，谈　健，李　琥（９）……………………基于改进的ＳＡＥ和ＤＣＴ的自适应无人机巡线图像识别算法研究　王　鑫，李天睿，焦睦涵，刘萌森，刘逸涵（１７）…………………基于ＫＣ－ＬＳＳＶＭ－ＭＡＦＳＡ的并网光伏微网系统的能量管理　黄　柯，李佳蓉，杨璐瑜，陈　爽（２６）……………………………基于ＢＰ神经网络模型的输电线路造价预测模型研究　张宇晨，张宇霖，封春菲，王　晨（３５）…………………………基于ＴＯＰＳＩＳ的私自增容专变电力用户排查方法　王立斌，张思为，马　浩，赵　佩，李梦宇（４３）…………………基于多级属性加密的零信任访问授权控制方法研究与设计　黄　何，刘　劼，袁　辉（５１）……………………………………基于大数据分析的电力用户多维价值识别精准营销投入产出　模型研究姚丹靖，褚　燕（５７）……………………………………基于大数据技术的配网故障抢修分析预测系统的设计与实践　王海洋，迟兆江，蔡鹏飞（６３）……………………………………数据标签研究与应用李阿勇，税　雪，宋志伟（６９）………………基于泛在感知及Ｐｙｔｈｏｎ编程的线损问题区间快速定位方法　黑　阳，单宇南，李文澜，张　维，郝旭东，胡一平（７５）…………基于同步向量的配电网运行数据监测装置设计　曾　惜，王元峰，王林波，杨琦岑，蔡广林（８５）…………………第７期□大数据专题基于ＦａｃｅＮｅｔ的无人值守变电站智能监控终端　宗祥瑞，王　洋，金　尧，周　斌，任新颜，庞玉志（１）…………基于大数据的电网状态估计精细化分析　刘　爽，张　硕，郑　璐，王兴才，金宜放，王　铎（９）…………　第１２期《电力大数据》２０２０年总目录数据挖掘技术在反窃电工作中的应用研究　秦　娜，高振江，白泽明，栾德佳，李雨庭（１６）…………………水火电发电权交易机制及水电市场化发展模式探究　吕　翔，吴引航，戴晓娟，卢冬雪，陈雨果（２４）…………………基于随机模型预测控制的能源互联网双层协调优化调度　蒋泽甫，张　彦，高　华，何向刚，周杨林（３１）…………………一种基于ＳＱＬｉｔｅ数据库的电网滚动规划分布式收资方法　俞秋阳，何俊峰，常宝立，王新宝（３９）……………………………利用差分－花粉算法实现反时限过流优化　罗　琨，罗晨瑀，刘　丽，李正新，周　坤，郝东方（４６）…………变电站双星形并联电容器组电容量快速测量方法　杨　旗，谢百明，陈沛龙，文　屹，马晓红，陈　竹（５４）…………基于数据分析的ＭＧＰ并网系统电气端口的谐波特性　陈巨龙，薛　毅，李庆生，张裕，何向刚（６２）……………………基于聚类分析的低压配电设备误告警识别方法　冯　义，李中文，晋　斌，张腾飞（７２）……………………………一种基于主站多源信息的配网故障定位方法研究　练　寅，王　荣，刘安茳，王昆伦（７９）……………………………贵州火电机组机网耦合扭振典型故障分析与寿命评估　徐章福，邓彤天，李志凌，姜延灿（８６）……………………………第８期□大数据专题基于电力大数据的新能源跨区域消纳研究　彭　旭，郭耀松，刘　琼，周兆南，白　鑫，高　翔（１）…………基于小波变换的多路基坑尺寸检测降噪评估　张　周，胡　科，张　鹏，林　佳，胡涤尘（９）……………………基于多层协作负荷辨识技术的新型智能电表研制及应用　田　欣，王克南，宁　蒙，邓士伟，李世洁（１８）…………………考虑稳控系统动作策略的大电网实时风险评估　康　鹏，陈俊全，姚　刚，宋　弦，白宏宇，杨　帅（２６）…………基于电力大数据的多源异构数据融合技术研究与应用　毛先胤，文　屹，马晓红，黄　欢，张　辉，余　容（３３）…………考虑设备利用效率和规划执行情况的配电网规划投资分配模型　张　彦，高　华，刘金森，李丽娟（４０）……………………………基于ＰＳＯ－ＬＳＳＶＭ的输电杆塔腐蚀失重回归拟合研究和分析　王　立，李　振，王　伟，杨世平，刘　恒（４７）…………………基于营配大数据的配网故障定位系统的设计与实现　袁忠军，王　丹，段湛辉，陈业伟，李明勇，张宁欢（５６）…………基于健康度与重要度的配电网线路评价　林　元（６３）………………………………………………………基于新型滑模观测器的ＭＭＣ子模块ＩＧＢＴ开路故障诊断方法　刘方艳，汤亚芳（７１）………………………………………………基于电量守恒原理台区拓扑计算模型研究与应用　梁旭常，汪　毅，黄兆鹏，靳　光，刘　林，王　鹏（７９）…………深度调峰工况下外圈配水湿式冷却塔模拟研究　王锁斌，邓彤天，王红波，李晨宇（８６）……………………………第９期□大数据专题基于电网电厂数据交互的居民垃圾分类激励方法及效果预测　方　响，王　亿，夏　霖，孙智卿，徐祥海，侯伟宏（１）…………基于无线传感器与边缘网关的变电站全物联体系方案　朱　成，黄　娅，刘　沁，张　力，刘光程，周哲夫（１０）…………基于大数据技术的电网自然灾害应急救援能力评价体系研究　秦浩然，夏银宽（１８）………………………………………………基于改进粒子群算法的接地网腐蚀诊断研究　陈敬友，付　明，张　军，张　超，杨尊富，雷治炼（２６）…………基于用电信息的电力能效服务潜在客户挖掘　王立斌，马　浩，杨　鹏，张　晶，张肖杰（３４）…………………基于模糊聚类与互信息的电网运营指标类间筛选策略　李嘉周，尹　远，刘俊勇，王电钢，黄　林，唐　杰（４２）…………基于监控ＰａａＳ的大数据治理研究　王　军，宋　尧，于全喜，宁　楠，廖清阳（５０）…………………考虑抽蓄电站运行特性的电网经济调度方法　袁　泉，周　鑫，张　蔷，周毓敏，黄红伟，李　展（５８）…………基于改进内点法的电热联合系统优化研究　陈　晓，谭志海，平　原，刘兴艳，李玉芬（６６）…………………ＳＰＷＭ逆变器输出共模电压影响因素研究　江　娜，曾　鹏，艾　波，李　锦，王生平，谢明威（７４）…………机网系统耦合作用下贵州火电机组轴系扭振建模与实测验证　徐章福，邓彤天，李志凌，姜延灿（８５））…………………………第１０期□大数据专题基于一维卷积神经网络和自注意力机制的非侵入式负荷分解　蒙　亮，于　超，张希翔，覃智君（１）……………………………弱约束关联下考虑社会属性的低压居民台区负荷预测　卢德龙，缪继东，吕培强，殷　勤，吴　阳（９）……………………基于多维特征模糊聚类的负荷用户精准用电管理策略　殷新博，王　数，陆　芸（１７）……………………………………ＲＩＭＡ－ＭＳＦＤ组合模型在甘肃省水力发电量预测中的应用　成禹蓉，冶海廷（２５）………………………………………………大数据思维推进光伏扶贫管理创新的实践及应用研究　罗　凡，徐兰兰，边海源，杨照逵，白闻强，王小龙（３４）…………基于移动边缘计算的电力需求响应业务分配研究　胡　波，王建红（４２）………………………………………………基于大数据的企业用能数据共享分析平台设计与实现　张　颖，郭思炎，张益辉（４９）……………………………………电力大数据第２３卷基于云计算的小水电远程集控平台的设计与实现　陈云鹏，郑黎明，邱生顺，刘德文，李晓波，杜　炜，陈庆锋（５５）……基于数据中台的电力数据报表模型研究与应用　张　帆，杨　志，李文娟，胡锡双，张　乐（６３）…………………基于规划工具的配电网规划现状数据分析研究　关守姝，董小虎，孙　强，冯　涛，韩天华（７０）…………………南方电网发电侧运行备用容量统计研究及应用　李慧勇，杜　旭，方必武，杨　林，郭自豪，丁　刚（７９）…………电力数据标签库建设及服务能力研究　郭　敏，林晓静，尹泽楠，万　凯（８６）……………………………第１１期□大数据专题基于电网大数据的故障风险分析研究　裴求根，杨舒涵，卢宾宾（１）………………………………………基于改进ＦａｓｔｅｒＲＣＮＮ的配网架空线路异常状态检测　王超洋，罗敬一（９）………………………………………………基于ＡＩ大数据技术的无人机巡线研究　王　勇，王永旺，郭建勋（１７）……………………………………基于大数据的输电线路无人机巡检路径追踪方法　吴晏芳，梁智勇，陈冠胜，黄　浩，姜　南，魏子力（２４）…………基于边缘计算的ＧＩＳ母线热特性状态辨识研究　程占峰，夏　博，李波涛，王兴江，朱思尧（３１）…………………基于大数据技术的交直流混合主动配电网规划模型构建　胡　波，赵善龙，庞伟林（３８）……………………………………呼和浩特地区电网基于大数据的ＢＰ神经网络短期负荷预测　姜海洋，周芮冰，王烁罡，周定均，刘昌新，云　卿（４７）…………智慧家庭储能系统配置与运行双层优化　胡厚鹏，林晓明，钱　斌，梁　雾，刘安茳，练　寅（５５）…………基于出力－等值容量特性的光伏出力预测方法　吴　雨，张　宇，赵紫恒，连　欣（６３）……………………………基于电力大数据分析的综合能源服务分析与服务策略制定　曹　敏，白泽洋，巨　健（７２）……………………………………基于电量实时计算的市场监测数字化分析研究与应用　王林信，罗世刚，江　元，李竣业（７９）……………………………基于大数据分析的火电机组节能诊断与能效管理　张　平，孙雪丽（８６）………………………………………………第１２期□大数据专题Ｘ射线数字成像技术与图像人工智能诊断的探索与实践　谢百明，李　波，樊　磊（１）………………………………………基于大数据多元电网动态参数应用的研究　谢怀影，于　淼，贾　威，赵　军，李　婷，王钒宇（１０）…………基于ＣＥＥＭＤＡＮ－ＷＰＴ的台区线损组合变权预测模型研究　周　彬，李宜伦，张异殊，王国栋，蔡娇彧，牛　俊（１８）…………基于大数据分析的园区综合能源企业能效评价　郭　飞，王　波，王　亮，史渊源，胡建军，李秀广（２９）…………基于数据挖掘的南网异地容灾数据负载分析及磁盘空间预测　姜　南，梁智勇，吴晏芳，黄　浩，魏子力，吴浩珊（３７）…………江苏核电基于Ｓｏｌｒ与ＨＢａｓｅ的ＣＣ１设备信息工作台的设计　与实现　朱云飞，杨　强，秦绪涛，张钧鸣（４４）…………………………社会治理视角下的城市大脑电力驾驶舱设计及应用　王　亿，陈　奕，方　响，宣　弈，徐祥海，孙智卿（５０）……基于电力负荷大数据的负荷分析方法及其在无锡地区疫情　期间的应用　董金哲，白晨阳，刘志仁，於慧敏，胡晓青，李　澄（５７）……基于电力大数据的企业复工复产模型研究及应用　王林信，江　元，罗世刚，李竣业（６５）…………………………融合气象信息的配网故障特征挖掘和故障预报研究　周小华，范美鹏，袁雪松，舒文雄（７２）…………………………居民用电行为分析及潜力研究　杨　宏，邓晨成，邹　芹，石　莹（８０）…………………………《电力大数据》２０２０年１～１２期总目录　（８９）………………………………………………。

电能质量及其模糊方法评价_贾清泉

文章编号:1000-3673(2000)06-0046-04电能质量及其模糊方法评价贾清泉1,宋家骅1,兰　华1,杨以涵2,尹昌新3(1.东北电力学院,吉林省吉林市132012;　2.华北电力大学,北京100085;3.鞍山电业局,辽宁省鞍山市114002)QUALITY OF ELEC TRICITY C OMMODITY AND ITS FUZZY EVALUATION JIA Qing-quan1,SON G J ia-hua1,LAN H ua1,YAN G Yi-han2,YIN Chang-xin3(1.No rtheast China Electric Pow er Institute,J ilin132012,China;2.No rth C hina Electric Power Univ ersity,Beijing100085,C hina;3.Anshan Electricity Bureau,Anshan114002,China)ABSTRACT:Quantitativ ely ev aluating the quality o f power commodity is sig nificant in electricity mar ket.T his pa per dis-cusses indices tha t deter mine the quality of electric pow er, show s that service indices as well as technical indices should be taken to measure the quality.A procedur e employing fuzzy theory to sy nthesize these indices,and to ar riv e at the quanti-tativ e ev aluatio n of electric po wer quality is propo sed.Also, so me ideas o n implementatio n of quality evaluation a re g iv en.KEY WORDS:electricity ma rket;pow er commodity;quality ev aluatio n;fuzzy method摘要:论述了确定电能质量的指标,并指出应该从技术性指标和服务性指标两方面加以衡量。

基于熵权法和组合隶属函数的雷达质量评估方法研究

评估需求%针对测试数据&通过组合隶属度函数获取评价
确定隶属度的常用方法有$种*专家打分法'模糊统
信息&对不能用数据直接表示的指标&则采用专家打分的计法'模糊分布法%专家打分是由专家根据一些准则或经
方法&兼顾考虑了指标因素的主观性和客观性%
验对评价对象某些指标进行打分确定$模糊统计法是通过
@! 模糊综合评判相关理论
>'96"(1+*QDTDQ$_LDV9;NDSSHSSWH7;$RL``N6EW<QHJH7S9[HH[DVLD;9E7$H7;QE<N\H9IJ;WH;JET$WHWPHQSJ9<THIQHH&6EWP97HT WHWPHQSJ9<RL76;9E7
?! 引言
根据军事百科全书中的相关定义&装备质量是指 +装备的固有特性满足要求的程度,&其固有特性分为功能特性和保障特性%功能特性主要有机动性'防护能力'火力' 通讯能力等$保障特性主要包括可靠性'维修性'保障性' 测试性和安全性等%对于不同类型的装备有不同的研究角度&其质量也有不同的具体内涵 % (&) 近年来& 随着复杂装备的系统集成化'操控信息化的程度越来越高&对其操作使用和保养维修提出了更高的要求&因此&准确评价其质量状况具有重要意义 % (") 雷达作为航空航天领域的 +千里眼, +顺风耳,& 具有目标探测'侦察预警'导航跟踪等强大功能&是现代化武器系统的重要组成部值为 R%& 所有因素的权重集为 3 d 2R&&R"& 4 &R%3%

基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型

基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型目录1. 内容概览 (2)1.1 研究背景 (3)1.2 研究意义 (4)1.3 国内外研究现状 (5)2. 模糊逻辑控制理论基础 (6)2.1 模糊逻辑控制概述 (8)2.2 模糊逻辑控制器设计方法 (9)2.3 模糊逻辑控制器性能评估方法 (10)3. 混合储能系统概述 (11)3.1 混合储能系统的定义与分类 (13)3.2 混合储能系统关键技术 (14)3.3 混合储能系统应用领域 (16)4. 风电调频优化配置模型 (17)4.1 风电场运行状态描述 (19)4.2 风电调频目标函数与约束条件 (20)4.3 双层优化配置模型构建 (22)5. 基于模糊逻辑控制的风电调频优化配置方法 (22)5.1 模糊逻辑控制器设计 (24)5.2 模糊逻辑控制器参数辨识 (25)5.3 模糊逻辑控制器性能分析 (26)6. 实验与结果分析 (27)6.1 实验平台与数据采集 (28)6.2 实验设计与仿真验证 (29)6.3 结果分析与讨论 (30)7. 结论与展望 (31)7.1 主要研究成果总结 (32)7.2 研究不足与改进方向 (33)7.3 对未来研究方向的展望 (35)1. 内容概览本篇文档深入探讨了基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型。

该模型旨在通过先进的控制策略和优化的资源配置，实现风能的高效利用和电网的稳定运行。

在模型的上层，我们着重于总体架构的设计和优化目标的设定。

通过引入风功率预测和电池荷电状态等关键信息，上层优化模型致力于确定混合储能系统的最佳配置，包括储能单元的类型、数量以及各自的功能分配。

上层模型还考虑了经济性、环保性和可靠性等多重约束条件，力求在满足风电调频需求的同时，实现能源利用的高效化和成本的最小化。

下层优化则聚焦于具体的控制策略和能量管理，基于模糊逻辑的控制方法被应用于实现储能系统的快速响应和精确管理。

基于改进dematel的区间对偶犹豫模糊多属性决策方法

第 43 卷第报( 自然科学版)
JOUＲNAL OF EAST CHINA UNIVEＲSITY OF TECHNOLOGY
doi: 10． 3969 / j． issn． 1674-3504． 2020． 01． 013
基于改进 DEMATEL 的区间对偶犹豫模糊多属性决策方法
验法”，是一种用于解决复杂系统工程问题的整套方法论( Seyed-Hosseini et al．，2006) 。因其良好适用性，已有学者就 DEMATEL 在不同场景下的应用进行了研究。谢晖等( 2014) 将 DEMATEL 分析法应用到基于直觉模糊偏好的群组决策; Asan 等 ( 2018) 给出了基于区间犹豫模糊集的 DEMATEL 分析方法; 杨威等( 2018) 提出了基于 DEMATEL 和 TOPSIS 法的多值中智模糊多属性决策方法; 同时，为评价方案间的优劣程度，以 TOPSIS 为代表的逼近理想解的排序方法，近年被广泛应用到多种模糊决策及对策问题的研究当中 ( Hajek et al．，2019; Zhang et al．，2019; Wu et al．，2019) ，为解决具有异质评价信息的管理问题，提供了行之有效的方法。
|
k)
1 k
( 5)
D 为( Farhadinia，2014) :
D = { 〈＜ x，f( x) ，h( x) 〉| x ∈ X}
( 1)
式中，f( x) 、h( x) 是若干个区间［0，1］上的闭子区
2 基于改进 DEMATEL 的区间对偶犹豫模糊多属性决策方法
间集合，分别代表所有可能的区间值隶属度与非隶
为描述客观世界中亦此亦彼的不确定性现象，美国控制论专家 Zadeh( 1965) 提出了模糊集理论，用隶属度将元素与现象集合建立对应关系。 Atanassov( 1986) 引入非隶属度的概念，将模糊集拓展为直觉模糊集，以反映评价者多维度的偏好信息。 Torra( 2010) 将决策信息与模糊理论相结合，提出了由多个隶属度构成的犹豫模糊集。为兼顾多维偏好，对偶犹豫模糊理论得到了研究人员的广泛关注 ( Zhu et al．，2012; Wang et al．，2013) 。依据决策对象的自有特性以及评价者本身的犹豫属性，区间数代表隶属度与非隶属度的区间值对偶犹豫模糊集被广泛地应用于模糊多属性决策问题( Farhadinia， 2014) 。Xiao 等 ( 2018) 研究了区间对偶犹豫模糊不平衡语言集的多属性群决策方法及其应用。杨宗华等( 2017) 给出了基于 IVDHFS 不确定语言变量的多属性决策方法。

基于改进物元组合赋权模型的电能质量综合评价

基于改进物元组合赋权模型的电能质量综合评价巨克玲;应永刚;路阳【摘要】电能质量综合评价是考核电能合格与否的重要方法.针对电能质量评价中的不确定性和主观性,提出了一种基于改进组合赋权物元模型的电能质量综合评价方法.该方法在经典物元模型的基础上,对物元经典域和待评物元的量值做规格化处理,以克服其在评价过程中关联度函数无法计算的缺点;同时,运用组合赋权法确定评价指标的权重,克服了单一赋权法的不足,减少了电能质量评价的主观因素参与,最后通过权重与关联度计算对电能质量等级进行识别.以甘肃电力公司某380V观测点为例进行实证分析,验证了所提方法的客观性和有效性.【期刊名称】《电子世界》【年(卷),期】2016(000)019【总页数】3页(P107-109)【关键词】电能质量;综合评价;物元模型;组合赋权法;关联度【作者】巨克玲;应永刚;路阳【作者单位】国网青海省电力公司西宁供电公司;国网青海省电力公司西宁供电公司;北京一同宇科技发展有限公司【正文语种】中文随着当前国民经济和科学技术的高速发展，用户对电能的需求量日益增加，现代化电气设备对电能质量的要求也越来越高，因此，电能质量问题已经引起了供电部门和电力用户的高度重视［1］。

目前，世界各国针对电能质量制定了一系列标准，我国共制定了6项电能质量国家标准［2］［3］。

这些标准规定了各项电能质量指标的限值范围，但不能反映电能质量的整体情况，有必要建立一种客观、合理的综合评价方法对电能质量进行评价。

目前常用的电能质量评价方法主要有模糊熵综合评价法、博弈决策评价法、智能综合评价法等几大类。

模糊熵综合评价法中评价指标受主观因素的影响较大，限制了评价结果的客观性；博弈决策评价法评价结果对评价指标的基准值精度要求较高，较难满足要求；智能综合评价法一般需要大量的训练样本，并且其模型的物理意义不明显［4］。

文献［5］采用三角模糊区间取代常规的评价矩阵，提高了电能质量综合评估的准确性和全面性，但评价方法对样本有一定的依赖性且步骤繁琐。

基于Matlab的模糊控制系统实时混合仿真平台

th Proceedings of the 25 Chinese Control Conference 7-11 August, 2006, Harbin, Heilongjiang基于Matlab 的模糊控制系统实时混合仿真平台杨鹏，李永富，张燕，李松河北工业大学电气与自动化学院, 天津市 300130E-mail: yphebut@摘要: 介绍了利用MATLAB 的实时工具箱RTW 和RTWT ，建立模糊控制实时混合仿真平台的方法。

该平台分为上下两层，上层为计算机，应用Matlab 完成模糊控制算法的计算，下层为一块I/O 卡，实现现场数据的采集和控制量的输出，将实际系统引入到了仿真回路里。

平台应用Matlab 模糊逻辑工具箱或S 函数完成模糊控制算法的设计。

系统仿真结果表明基于MATLAB 的混合仿真系统具有很高的仿真精度，并能真实反映实际工业过程控制中的各种扰动和噪声的影响，为从事模糊控制的研究人员提供了一种快捷、方便、经济的控制系统分析与设计工具。

关键词: MATLAB, 模糊控制, 混合仿真, RTWReal-Time Mixed Simulation Platform For Fuzzy Control Systerm Based OnMatlabFirst A. Peng Yang, Second B. Yongfu Li, Third C. Yan Zhang ,Forth D.Song LiDepartment of Automation, Hebei University of Technology, Tianjin 300130E-mail: yphebut@Abstract: This paper introduces a method of building a real-time mixed simulation platform for fuzzy control system based on MATLAB.The platform is composed of two layers.The upper layer is computer for the realization of fuzzy control algorithm with MATLAB. The lower one is a I/O card which is used for acquiring data and outputing the control value ，and then puts the real system into the simulate loop.The design of fuzzy control algorithm is completed by the use of fuzzy logic box or S function provided by MATLAB. Simulation results show that the mixed simulation platform can simulate processes with high precision, and it will reflect the effect of disturbances and noise in practical industrial processes.Key Words: MATLAB ，fuzzy control ，mixed simulation ，RTWT个问题，本论文提出了一种将硬件系统引入到仿真回路里的混合仿真平台。

隶属度函数分类

隶属度函数分类一、引言隶属度函数是模糊逻辑和模糊集合理论中的核心概念，用于描述一个元素属于某个模糊集合的程度。

通过隶属度函数，可以将经典的集合论扩展到模糊集合论，从而在处理不确定性和模糊性方面发挥重要作用。

本文将对隶属度函数的分类进行详细介绍，包括函数形式、参数调整、多分类问题、模糊逻辑与隶属度函数以及应用领域等方面。

二、函数形式根据不同的应用需求和场景，隶属度函数有多种形式。

其中最常见的是三角形、梯形和高斯型隶属度函数。

这些函数形式在形状、取值范围和特性上有所不同，可根据具体问题选择合适的函数形式。

三、参数调整在隶属度函数中，参数的调整对函数的形状和特性有很大的影响。

对于一些常见的隶属度函数，如三角形、梯形和高斯型隶属度函数，可以通过调整参数来改变函数的形状和取值范围，从而更好地适应实际问题。

参数调整的方法包括手动调整和自动调整两种方式，自动调整方法如遗传算法、粒子群优化等。

四、多分类问题在多分类问题中，每个样本可能属于多个类别。

为了解决多分类问题，可以采用扩展的隶属度函数方法。

该方法的基本思想是将多分类问题转化为多个二分类问题，并利用隶属度函数来描述样本属于某个类别的程度。

扩展的隶属度函数方法包括最大值型、最小值型和乘积型等多种形式。

五、模糊逻辑与隶属度函数模糊逻辑是一种处理不确定性和模糊性的逻辑，而隶属度函数是模糊逻辑中的重要概念。

通过引入隶属度函数，可以将不确定的推理转化为数学计算，从而实现模糊逻辑的应用。

隶属度函数在模糊逻辑中扮演着关键角色，可用于描述模糊命题和模糊规则等。

六、应用领域隶属度函数在许多领域都有广泛的应用，如模式识别、智能控制、数据挖掘、医疗诊断等。

在模式识别中，隶属度函数可以用于描述样本属于某个类别的程度，从而进行分类或聚类；在智能控制中，隶属度函数可用于实现模糊控制，提高系统的鲁棒性和自适应性；在数据挖掘中，隶属度函数可以用于处理不确定性和噪声数据，发现隐藏的模式和规律；在医疗诊断中，隶属度函数可用于描述症状与疾病之间的关系，辅助医生进行诊断和治疗。

蜂窝铝面内动态压缩性能和吸能特性比较

胞元为正六边形, 胞壁厚度为 0.3 mm, 边长为 2.7 mm, 胞元壁厚度与胞元边长之比为 1/9。蜂窝铝结构的变形模式对边界条件和模型的尺寸(高宽比)很敏感, 取试件整体尺寸 L1 × L2 = 100 mm × 100 mm, 法向厚度取 10 mm。基体材料为金属铝, 模型为理想弹塑性模型, 弹性模量 Es = 69 GPa, 泊松比μ = 0.3, 屈服应力σys = 76 MPa, 基体材料的密度ρs = 2 700 kg/m3, 使用推荐的剪切因子, 整个试件重量 0.036 kg。计算中使用 SHELL163 壳单元, 为保证收敛, 沿厚度方向取 5 个积分点。对于变形过程中可能的接触, 如同大多数冲击碰撞类型问题的接触算法将采用单面自动接触算法, 摩擦系数取 0.5。刚性板定义为刚度充足的 Q235 钢材以保证在冲击过程中不发生变形, 分为顶面和底面, 顶面为冲击端, 底部为固定端, 两钢板表面与蜂窝试件的外表面视为光滑无摩擦。刚性板沿冲击蜂窝试件时, 试件的底端固定, 左右两侧自由。为保证变形的平面应变状态, 所有节点异面方向位移均被限制。整体效果如图 1 所示。
Yang Jialun, Hu Jun (School of Civil Engineering, Anhui Jianzhu University, Hefei 230601, China)
Abstract: Taking the hexagonal honeycomb material member as the research object and using LS-DYNA finite element simulation analysis, the deformation mechanism and energy absorption characteristics of honeycomb structures under different impact velocities and different impact directions are discussed.The results show that under the condition of medium-low speed, the whole deformation in the X2 direction is mainly complex and disordered by plastic bending and stacking, and the deformation mode is relatively stable in the X1 direction.At high-speed, both deformations are mainly manifested by inertial effects. Regarding the comparison of energy absorption, at the same speed, the energy absorption characteristic in the X2 direction is superior to the X1 direction, At different speeds, energy absorption in any direction will increase with speed. Key words: hexagonal honeycomb; different impact directions; deformation mode; energy absorption characteristics

基于模糊聚类的区域变电站节电划分方法

基于模糊聚类的区域变电站节电划分方法欧阳森;郜幔幔;杨家豪;王克英【摘要】区域变电站具有数目众多、类型多样、线损构成及节电特性复杂的特点.为提升区域变电站节电研究效率,实现区域变电站节电特性的科学划分,文中提出了一种基于模糊c-均值聚类(FCM)的变电站节电划分的方法.首先,设计一套变电站节电划分综合指标体系,包括涵盖变电站主变容量、主变台数等基本参数的基本属性指标子体系和涵盖输送电量、站用电量等电气参数的电气属性指标子体系;其次,依据各指标对变电站的损耗及其节电特性的影响程度,应用层次分析法(AHP)确定各指标权重,建立AHP-FCM的变电站节电划分模型;然后,分别应用所设计的节电划分综合指标体系、基本属性指标子体系和电气属性指标子体系从3个不同的角度运用AHP-FCM实现区域变电站的划分,通过对3种节电划分结果及其聚类中心矩阵分析研究,获得对各类变电站损耗及其综合节电特性的深入认识,为变电站后续的研究提供参考依据和重要指导;最后,以某区域90个变电站的实际数据进行实例分析,验证了所提方法的实用性和有效性.【期刊名称】《华南理工大学学报（自然科学版）》【年(卷),期】2016(044)008【总页数】8页(P39-46)【关键词】模糊聚类;层次分析法;节电划分指标体系;区域变电站【作者】欧阳森;郜幔幔;杨家豪;王克英【作者单位】华南理工大学电力学院,广东广州510640;华南理工大学电力学院,广东广州510640;华南理工大学电力学院,广东广州510640;华南理工大学电力学院,广东广州510640【正文语种】中文【中图分类】TM711节能减排已成为全球关注的焦点，电力行业节能减排责任重大[1- 2]；变电站是电力系统的重要组成部分之一，变电站线损主要由变压器、电容器、电抗器、站用负荷等站内设备的损耗构成[3]，由于变电站类型多样，线损构成复杂、影响因素众多，对变电站线损的分析一直缺乏系统化的研究，但随着节能减排工作和电力体制改革的推进，变电站的线损构成及其节电潜力近年来已逐步受到关注．目前对变电站的节电研究往往面临以下几个问题：①变电站的线损及其节电潜力的影响因素众多，且各因素之间的关系复杂多样、相互影响、难以具体描述；②现阶段，与变电站损耗及其节电特性相关因素的基础数据比较匮乏，变电站尤其是区域变电站普遍存在监测装置不完备、历史数据匮乏、数据记录混乱等问题，使得通过大量历史数据及样本的训练，建立精确的变电站节电潜力模型难以实现；③变电站数量众多、类型多样，一个市级电网企业可能要管理数十甚至上百个变电站，受技术、资金等因素限制，不可能对所有变电站逐个进行线损分析以达到节电研究的目的．因此，目前变电站的线损分析及其节电研究存在以下两方面亟待解决的问题：①在考虑数据易获取的基础上，如何筛选出与变电站线损及其节电特性密切相关的、适量的影响因素作为节电研究分析指标；②采用何种分析方法以提高对数量众多、类型多样的变电站的研究效率，降低节电研究难度.模糊聚类算法[4- 5]是一种通过定量确定待分析对象间亲疏关系，将具有相似特性的对象分为一类的分析方法，包括模糊c-均值(FCM)聚类算法、可能性c均值聚类算法等，该方法已经在电力负荷分类、负荷建模、电网故障元件定位、无功电压控制分区、负荷预测等[6- 12]领域得到广泛应用，目前仅文献[13]将模糊聚类原理应用于变电站的节电划分中，但该文献提出的变电站节电属性指标体系较单一，难以满足不同变电站的需求，且在变电站节电划分中未考虑指标权重的影响，节电划分结果较粗略.层次分析法(AHP)[14- 16]是由美国运筹学家于20世纪70年代初提出来的用于确定层次权重决策的分析方法，它广泛应用于能源系统分析、经济管理、科研评价等众多领域．针对以上现状，文中拟尝试一种基于FCM的区域变电站节电研究方法；首先，提出用于变电站节电研究和聚类划分的节电划分指标体系，以期解决变电站节电研究中面临的第①个问题；然后，应用AHP将各指标对变电站线损及其节电特性的影响大小转化为各指标的区别权重，建立AHP-FCM的变电站节电划分模型，并运用该模型将具有相似线损构成及节电特性的变电站划分为同一类，从而将对数量众多、类型多样的变电站的研究转化为少数几类变电站的研究，提高变电站线损分析及其节电研究效率，以解决第②个问题；最后，以某区域变电站的节电研究实例对文中方法的正确性和有效性进行验证．文中对变电站的线损分析及节电研究基于以下考虑或限制：①节电研究对象为同一区域的变电站，由此可排除不同区域变电站的设备先进水平、自动化程度、管理和制度等的差异造成的变电站线损及节电特性的巨大不同；②节电研究对象为同一电压等级的变电站，一般来说，同区域的同一电压等级的变电站的设备配置、计量水平等较为类似；③在以上两点的基础上，对变电站进行分区分层的线损分析及节电研究，且粗略认为变电站损耗越大则其节电潜力越大，从而将线损分析和节电研究工作统一起来．文中节电划分指标体系的建立原则为：①各指标数据易获取；②能够反映变电站的基本线损概况；③能够体现变电站线损受外界影响的波动性；④能够适应不同的变电站需求．基于以上原则建立综合指标体系及其子体系如表1所示.确定各指标权重，准确反映各指标对变电站线损及其节电特性影响的差异，是应用各指标体系对变电站节电特性正确划分的关键．AHP提供了一种合理确定权值的有效方法．首先建立影响因素的层次结构模型，如图1所示；然后构造判断矩阵P，并进行一致性检验，即从准则层开始，使用1-9尺度描述两两准则间或指标间的相对重要性，以pij表示指标xi对xj的相对重要性数值，对任何判断矩阵都有pji=1/pij；最后，由Pω=maxω计算判断矩阵P的最大特征值max所对应的特征向量ω=(ω1,ω2,…,ωs)T，并对其作正规化处理.其中s为指标个数，所得ωi即为指标xi的权重．模糊聚类算法有多种，文中采用FCM算法，通过最小化基于某种范数和聚类原型的目标函数将设有标签的数据分为c个模糊类[3- 4]；由于FCM在聚类分析中对各指标并未区别对待，与各指标对变电站节电特性影响的差异性不符，故文中建立基于AHP赋权的FCM节电划分模型，具体步骤如下.步骤1 建立变电站的原始数据矩阵并采用式(1)进行归一化处理，归一化后的数据矩阵为ij)n×s；；j=1,2,…,s式中：n为待分析变电站个数；ij分别表示归一化前后的第i个变电站的第j个指标值；xjmax、xjmin分别为n个变电站的第j个指标的最大值、最小值；步骤2 确定变电站的分类数区间[a,b](b>a>1)，对任意分类数c∈[a,b][16]，初始化聚类中心用V(0)=(vij)c×s表示，设置收敛的精度ε>0，标记迭代次数k=0；步骤3 得到AHP-FCM模型的目标函数及隶属度矩阵和聚类中心矩阵的迭代方程.s.式中：m>1为加权指数，其决定聚类的模糊程度及样本在类间的分享程度，文中取m=2；U=(uij)c×n为变电站的隶属度矩阵，uij表示第j个样本xj属于第i类的隶属度值；ωk为应用AHP确定的第k个指标权重，dij表示样本点xj到聚类中心vi的加权距离.隶属度矩阵U和聚类中心矩阵V的迭代方程：其中,Ij={xj=vi,1≤i≤c}；步骤4 令k=k+1，用式(6)计算隶属度矩阵U(k+1)，式(5)计算聚类中心矩阵V(k+1)，迭代直至满足终止条件：‖V(k)-V(k+1)‖≤ε，k≥1；由式(7)计算各分类数c对应的改进Xie-Beni聚类有效性指标值[17]，并输出此时对应的聚类中心矩阵V；步骤5 取最小的Vxie对应的分类数作为最优分类数c，并将其对应的聚类中心矩阵V作为初始聚类中心V(0)，重复步骤3、4，输出最优分类结果和聚类中心矩阵．AHP-FCM节电划分模型具体流程图如图2所示.以某区域90个变电站为例，应用文中方法进行变电站线损及节电研究，其中该区域有220 kV变电站20个、110 kV变电站70个．4.1 220 kV变电站节电划分表2为各220 kV变电站原始数据，限于篇幅，不再列出所建立的原始数据矩阵及归一化处理结果．由于表2管理模式指标在该例中不具有区分度，故未设置权重；结合文献[3]中变电站线损各构成部分的比例，应用AHP得到的指标x2，x3,…,x9权重值为(0.09，0.21，0.3，0.1，0.15，0.07，0.03，0.05).应用AHP-FCM节电划分模型分别对文中提出的基本属性指标子体系、电气属性指标子体系、综合指标体系进行聚类有效性检验，分类数区间取为[2，7]时对应的聚类有效性指标Vxie分别为：[14.98，12.29，12.14，37.01，36.5，38.2]、[4.51，5.91，7.11，6.82，21.58，29.46]、[17.16，13.99，13.62，88.12，86.07，70.62]，故应用各指标体系聚类所对应的最佳分类数分别是3、2、4类.应用AHP-FCM的节电划分结果如表3所示.由以上可以看出：(1)基本属性指标子体系．由表3，应用该指标体系将变电站划分为3类，Ⅰ类为变电站8、9、20，由表2，变电站8、9、20的基本参数非常相近，故由聚类划分原理，不难理解其位于同一类；但变电站1、4、17和变电站20的基本参数仅x2不同，其他完全相同，却被分到类别Ⅲ，仔细分析原因有以下两点：比较Ⅰ、Ⅲ类的变电站，其主要差别在于指标x2和x4；由隶属度矩阵(未列出)，变电站20属于Ⅰ、Ⅲ类的隶属值都较大，即变电站20处于Ⅰ、Ⅲ类的边界上，对于Ⅱ类变电站进行类似的分析，不难验证表3中应用基本属性指标子体系时节电划分结果的合理性和正确性.基本属性指标子体系仅需收集变电站最基本的参数，便可将同一区域同一电压等级的变电站依据其线损概况及基本节电特性进行合理划分，具有广泛适用性和一定实用性，但由于未计及电量、时间等的影响，这种划分结果较为粗略．(2)电气属性指标子体系．该指标体系的各指标受外界环境、时间等的影响较大，其对变电站损耗及节电特性的反映较片面、粗略、不稳定，故宜结合基本属性指标子体系对应的节电划分结果进行综合分析．例如：基本属性指标子体系对应的第Ⅲ类即变电站1、2、4、5、6、10、13、17、19，在电气属性指标子体系的分类中变电站17、19和1、2、4、5、6、10、13分别被分到Ⅰ、Ⅱ类；由表2，第Ⅱ类变电站的电气指标值远大于第Ⅰ类，故在忽略变电站类内差异的情况下，可粗略认为变电站1、2、4、5、6、10、13的损耗及综合节电空间略大于变电站17、19；这种结合基本属性指标子体系和电气属性指标子体系的节电划分结果对变电站损耗及其综合节电特性的评估，直观、清晰且有利于促进对各变电站线损概况及其节电特性的深入理解．但由于类内间距的客观存在，该种综合评估方法稍显粗略，需经过两次聚类和分析，工作量稍大．(3)综合指标体系.由表3，其节电划分结果和基本属性指标子体系对应的结果基本一致，仅更为细致的将基本属性指标子体系分类结果中的Ⅱ类分成两类；基本属性指标子体系分类结果中Ⅱ类包括变电站3、7、11、12、14、15、16、18，由电气属性指标子体系的分类结果，变电站3、7、11、12、14、15、16、18仍位于同一类，若忽略类内间距，则易得出变电站3、7、11、12、14、15、16、18的损耗及其综合节电特性基本一致的结论；事实上，在考虑两次聚类结果中类内间距的客观存在，应用综合指标体系聚类时，变电站11、14、15、16和变电站3、7、12、18更适合分别归类，对表2各变电站的原始数据进行分析，不难发现此种分类的客观性和准确性．综上所述，对于以上提出的3种节电划分及节电特性分析评估所示方法，各有优缺点，可适用于不同的场合．在数据充足的情况下，推荐采用综合指标体系对变电站进行节电划分，以进行更全面、准确、细致的变电站线损及综合节电特性评估．4.2 110 kV变电站节电划分应用综合指标体系对110 kV变电站进行节电划分，结果如表4所示，由于变电站计量缺失，未能获得x7指标数据．聚类中心矩阵VZH如下，各列从左到右依次为指标x2，x3, (x9)VZH= .由表4可知：(1)运用AHP-FCM模型将70个变电站按照节电特性分成了6类，各类变电站之间不存在指标都交叉的情况，聚类结果较理想，即文中AHP-FCM模型对规模较大的变电站仍具有较好的效果．(2)聚类中心矩阵的各指标值是各类变电站指标值大小的综合反映，可为各类变电站的线损及综合节电特性评估提供重要参考，尤其是当变电站数量多、指标范围大、部分类别变电站的个别指标范围存在交叉的情况；由VZH，Ⅰ类变电站主变台数为3，主变容量、线路电量、站用负荷电量明显较其他变电站大，容性和感性无功补偿容量也处于较高水平，故可初步估算该类变电站的线损及综合节电潜力最大，而Ⅲ类变电站的各指标值都处于较低水平，其线损及节电空间最小．同理，可粗略估计其他各类变电站的损耗和节电潜力大小．4.3 区域变电站节电划分的应用以综合指标体系对应的节电划分结果为例，分析区域变电站节电划分的具体应用．(1)指导典型变电站的选择．对各电压等级变电站进行节电划分后，可从每类变电站中选出隶属度值最大的变电站作为典型变电站．对于220 kV和110 kV变电站仅需依据隶属度矩阵分别选择4个和6个典型变电站即可．(2)指导变电站的线损分析及节电改造．由对节电划分结果的分析，可初步评估各电压等级各类变电站的线损及其节电潜力大小，在资源有限的情况下，可优先研究节电潜力较大的变电站，对于220 kV和110 kV变电站分别建议优先研究或改造Ⅱ和Ⅰ类变电站．(3)提高变电站节电研究效率．以上两点应用，皆有助于提高变电站节电研究效率、减小分析工作量，使快速、高效的获取数量众多的区域变电站的线损及其节电特性成为可能．文中首次建立了一套变电站节电划分综合指标体系，包括基本属性指标子体系和电气属性指标子体系，为解决变电站节电研究中指标体系的选择提供参考依据．文中建立的AHP-FCM的变电站节电划分模型，依据各指标对变电站损耗及其节电特性的影响大小设置区别权重，进而将模糊聚类原理应用到区域变电站的线损分析和节电研究中；同时，聚类中心矩阵和隶属度矩阵为研究各类变电站的综合节电特性及典型变电站选取提供了依据.实例证明该模型可实现对变电站的合理分类，提高区域变电站的节电研究效率．文中推荐采用综合指标体系对变电站的损耗及综合节电特性进行评估，其对应的节电划分结果更加全面、准确、细致，且节电分析工作量相对更小．【相关文献】[1] 尚金成．电力节能减排的理论体系与技术支撑体系 [J]．电力系统自动化，2009，33(6)：31- 35．SHANG Jin-cheng．Theoretical system and technical supporting system for energy-saving and emission-reducing of electric power system [J]．Automation of Electric Power Systems，2009，33(6)：31- 35.[2] 陈启鑫，康重庆，夏清．电力行业低碳化的关键要素分析及其对电源规划的影响 [J]．电力系统自动化，2009，33(15)：18- 23．CHEN Qi-xin，KANG Chong-qing，XIA Qing．Key low-carbon factors in the evolution of power decarbonisation and their impacts on generation expansion planning．Automation of Electric Power Systems，2009，33(15)：18- 23.[3] 吴东升．500kV变电站理论线损计算 [D]．广州：华南理工大学电力学院，2005．[4] 曲福恒，崔广才，李岩芳，等．模糊聚类算法及应用 [D]．北京：国防工业出版社．2011．[5] 许翠娟．负荷特性聚类分析方法的研究 [D]．北京：华北电力大学电气与电子工程学院，2007．[6] 李培强，李欣然，陈辉华，等．基于模糊聚类的电力负荷特性的分类与综合 [J]．中国电机工程学报，2005，25(24)：73- 78．LI Pei-qiang，LI Xin-ran，CHEN Hui-hua，et al．The characteristics classification and synthesis of power load Based on the fuzzy clustering [J]．Proceedings of the CSEE，2005，25(24)：73- 78.[7] LI Pei-qiang．Transformer substation load chararteristics multi-distance discrimination analysis [C]∥International Conference on Computational Intelligence and Industrial Application(PACIIA)．Wuhan：IEEE，2010：410- 413．[8] 黄梅．模糊聚类在负荷实测建模中的应用 [J]．电网技术，2006，30(14)：49- 52．HUANG Mei．Application of fuzzy clustering in measurement-based loadmodeling [J]．Power System Technology，2006，30(14)：49- 52．[9] 黄梅，贺仁睦，杨少兵，等．东北电网负荷模型的分类与应用 [J]．电力系统自动化，2005，29(4)：85- 87．HUANG Mei，HE Ren-mu，YANG Shao-bing，et al．Application of load modelclassification in northeast power network [J]．Automation of Electric Power Systems，2005，29(4)：85- 87.[10] 徐岩，刘金生，张亚刚，等．基于模糊聚类理论的电网故障元件定位 [J]．电网技术,2010，34(8)：188- 193．XU Yan，LIU Jin-sheng，ZHANG Ya-gang，et al．Location of faulty power componentbased on fuzzy cluster analysis [J]．Power System Technology,2010，34(8)：188- 193.[11] 杨秀媛，董征，唐宝，等．基于模糊聚类分析的无功电压控制分区[J]．中国电机工程学报，2006，26(22)：6- 10．YANG Xiu-yuan，DONG Zheng，TANG Bao，et al．Power network partitioningbased on fuzzy clustering analysis [J]．Proceedings of the CSEE，2006，26(22)：6- 10.[12] 姚李孝，宋玲芳，李庆宇，等．基于模糊聚类分析与BP网络的电力系统短期负荷预测[J]．电网技术,2005，29(1)：20- 23．YAO Li-xiao，SONG Ling-fang，LI Qing-yu，et al．Power system short-term load forecasting based on fuzzy clustering analysis and BP network [J]．Power System Technology,2005，29(1)：20- 23．[13] 郜幔幔，耿红杰，欧阳森，等．基模糊聚类在区域变电站节电研究中的应用 [J]．电力需求侧管理，2015，17(4)：20- 24．GAO Man-man，GENG Hong-jie，OUYANG Sen，et al．Application of fuzzy clustering algorithm in electricity saving work of regional substations [J]．Power DSM，2015，17(4)：20- 24．[14] 李正明，张纪华，陈敏洁．基于层次分析法的企业有序用电模糊综合评价 [J]．电力系统保护与控制，2013，41(7)：126- 141．LI Zheng-ming，ZHANG Ji-hua，CHENG Min-jie．Fuzzy comprehensive evaluation of enterprise’s orderly po wer utility based on analytic hierarchy process [J]．Power System Protection and Control，2013，41(7)：126- 141．[15] 刘海龙，钱海忠，王骁，等．采用层次分析法的道路网整体匹配方法 [J]．武汉大学学报(信息科学版)，2015，40(5)：1- 8．LIU Hai-Long，QIAN Hai-zhong，WANG Xiao，et al．Road networks global matching method using analytical hierarchy process [J]．Geomatics and Information Science of Wuhan University，2015，40(5)：1- 8.[16] 周黎莎，于新华．基于网络层次分析法的电力客户满意度模糊综合评价 [J]．电网技术，2009，33(17)：191- 197．ZHOU Li-sha，YU Xin-hua．Fuzzy comprehensive evaluation of power customer satisfaction based on analytic network process [J]．Power System Technology，2009，33(17)：191- 197．[17] 唐明会．模糊聚类有效性的研究进程 [D]．成都：西南交通大学计算机与通信工程学院，2010．。

基于改进雷达图法与高斯隶属度相结合的电能质量综合等级评估

基于改进雷达图法与高斯隶属度相结合的电能质量综合等级评估刘蓉晖;王毅超【摘要】针对目前国家规定的六个稳态电能指标限值,融合雷达图法与隶属度算法的优点,提出了一种将改进型雷达图与高斯隶属度函数相结合的电能质量等级评估方法,将电能质量指标化为逆向雷达图的形式得出综合指标再以隶属度函数分级.每个指标对应部分环形,环形部分角度主要受权重的大小而变化,得出逆向雷达图的面积和周长后再将之进行处理得到电能质量综合评估指标,然后以大量数据分布规律作为综合评估指标等级划分依据,最后采用高斯隶属度函数求出综合指标在各个区间的隶属度值,求出最大隶属度值所属区间,以此来进行综合指标分级.相较以往的综合评估算法而言,该方法不仅提出了高斯隶属度函数在电能质量指标评估中的应用,还借助图形算法来对不合格指标进行具体分析并提供了综合指标等级划分的依据.经算法验证,该方法具有较好的可行性.【期刊名称】《电测与仪表》【年(卷),期】2018(055)014【总页数】6页(P69-74)【关键词】电能质量;雷达图;综合评估;等级划分;高斯隶属度【作者】刘蓉晖;王毅超【作者单位】上海电力学院,上海200090;上海电力学院,上海200090【正文语种】中文【中图分类】TM9330 引言近年来，随着工业化和国民经济水平的不断发展，整个社会对电能的实用更加地广泛，对电能质量的要求也逐步提高，电能质量的合格度直出一种合适的电能质量评估方法用以综合性评估电能质量指标，对改善电能质量优化电力市场有着重要意义。

我国提出了九项电能质量国家标准用以分析电能质量问题，其中分为六项稳态指标和三项暂态指标，由于暂态指标没有明确的数据限值不易进行评估，所以现在的电能质量综合评估主要从稳态指标入手。

六项稳态指标分别为供电电压允许偏差、电压波动、电压闪变、谐波畸变率、三相电压不平衡度、电力系统频率允许偏差[1]。

在电能质量综合评估方面，已经提出了很多方法，其中文献[2]所提出的模糊评估法建立隶属度函数上受人为因素影响主观性太重，无法适用于普遍情况；文献[3]所提出的概率统计法评估结果受基准值影响较大，而基准值的选取同样带有较强的主观性不利于电能质量客观评价；文献[4-5]所提出的人工智能算法需采用的样本数据量过大，增加了电能质量评估过程的工作量。

有源并联混合储能系统的模糊PI控制仿真研究

ＤＯＩ：１０．３９６９／ｊ・ｉｓｓｎ．１０００—３８８６．２０１３．０６．００７
［中图分类号］ＴＭ６１４［文献标志码］Ａ［文章编号］１０００— ３８８６（２０１３）０６— ００１７— ０３
Ａｂｓｔｒａｃｔ：Ｄｉｓｔｉｂｒｕｔｅｄｅｎｅｒｇｙｈａｓｂｅｅｎｗｉｄｅｌｙｄｅｖｅｌｏｐｅｄａｎｄａｐｐｌｉｅｄ．ＴｈｉｓｐａｐｅｒｓｔｕｄｉｅｓａｆｕｚｚｙＰＩｃｏｎｔｒｏｌｏｆｔｈｅｈｙｂｉｄｒｅｎｅｒｇｙｓｔｏｒａｇｅｓｙｓｔｅｍ
李铁民。王冕。陈国柱（１．浙江大学电气工程学院．浙江杭州３１００２７；２．金日成综合大学电子自动化系。朝鲜平壤）
摘要：目前分布式能源的开发和应用日趋广泛。对直流侧含有超级电容器和锂电池的混合储能系统（ＨＥＳＳ）的模糊ＰＩ控制进行了研究，采用有源并联结构，锂电池和超级电容器分别由两个两相交错并联Ｂｕｃｋ—Ｂｏｏｓｔ型双向ＤＣ／ＤＣ变换器与直流侧连接。基于ＭＡＴＬＡＢＳｉｍｕｌｉｎｋ仿真工具建立了系统模型，分析了混合储能系统的充放电控制过程。通过模糊ＰＩ控制仿真结果与普通ＰＩ控制仿真结果相比较验证了所提出方法的有效性。关键词：分布式发电（ＤＧ）；混合储能系统（ＨＥＳＳ）；双向ＤＣ／ＤＣ变换器；模糊ＰＩ控制；超级电容器

隶属函数法综合评价

隶属函数法综合评价隶属函数法综合评价________________________隶属函数法是一种常用的多属性决策综合评价方法，它是基于属性取值的线性模糊集成，是模糊集理论在决策分析中的重要应用。

隶属函数法综合评价可以较好地解决多目标决策问题，是一种灵活的评价方法。

一、什么是隶属函数法隶属函数法是一种通过对决策属性取值进行模糊化来处理多目标决策问题的有效方法。

它把决策属性的取值转化为模糊集，利用隶属函数的形式来描述模糊集。

隶属函数的特性使得它可以反映出专家对决策对象的评价过程，对于决策者而言，隶属函数可以提供一个有利于理解的评价模型，使得多目标决策问题变得更加容易。

二、隶属函数法的原理隶属函数法是一种基于属性取值的模糊集合来实现的，它的原理是利用隶属函数的形式来描述模糊集。

即根据决策者的定义，对决策属性取值进行模糊化，然后将所有的决策属性取值用隶属函数表达式来表示，最后使用隶属函数进行评价，从而得到最优决策。

三、隶属函数法的优势1、它具有较强的弹性，可以根据不同的决策问题需要，在输入、输出、隶属函数形式上作出相应的调整；2、它具有较好的可操作性，即在计算过程中，可以使用多种数学工具来完成；3、它能够充分体现专家对决策对象的评价过程，对于决策者而言，也提供了一个有利于理解的评价模型；4、它能够反映决策者对不同属性及不同取值的重要性，在评价过程中充分体现决策者自身的主观意见；5、它能够有效地避免因不同评价者而引起的主观差异；6、它具有很好的适应性，能够适应各种不同形式的决策问题。

四、隶属函数法的应用隶属函数法在多目标决策中得到了广泛应用，其中包括四个主要方面：一是多目标优化问题；二是多目标决策问题；三是多目标冲突分析问题；四是多目标协调分析问题。

隶属函数法可以适用于各个领域，如工业企业生产、市场营销、金融投资、信息处理、医学诊断、文化事业、交通运输、能源开发、水利工程、土地开发、保护生态、气象预测、水文测量等。

隶属度函数

隶属度函数美国加利福尼亚大学控制论教授扎得(L、A、Zadeh)经过多年的琢磨，终于在1965年首先发表了题为《模糊集》的论文。

指出:若对论域(研究的范围)U中的任一元素x，都有一个数A(x)?[0，1]与之对应，则称A为U上的模糊集，A(x )称为x对A的隶属度。

当x在U中变动时，A( x)就是一个函数，称为A的隶属函数。

隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低。

用取值于区间[0，1]的隶属函数A(x)表征x 属于A的程度高低，这样描述模糊性问题比起经典集合论更为合理。

隶属度属于模糊评价函数里的概念:模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。

隶属度函数及其确定方法分类隶属度函数是模糊控制的应用基础,正确构造隶属度函数是能否用好模糊控制的关键之一。

隶属度函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊概念的认识理解又有差异,因此,隶属度函数的确定又带有主观性。

隶属度函数的确立目前还没有一套成熟有效的方法,大多数系统的确立方法还停留在经验和实验的基础上。

对于同一个模糊概念,不同的人会建立不完全相同的隶属度函数,尽管形式不完全相同,只要能反映同一模糊概念,在解决和处理实际模糊信息的问题中仍然殊途同归。

下面介绍几种常用的方法。

(1)模糊统计法:模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个可变动的清晰集合A3作出清晰的判断。

对于不同的试验者,清晰集合 A3可以有不同的边界,但它们都对应于同一个模糊集A。

模糊统计法的计算步骤是:在每次统计中, vo是固定的,A3的值是可变的,作 n次试验,其模糊统计可按下式进行计算v0对 A 的隶属频率 = v0?A 的次数 / 试验总次数 n随着 n的增大,隶属频率也会趋向稳定,这个稳定值就是 vo对A 的隶属度值。

隶属度函数分类 -回复

隶属度函数分类-回复隶属度函数是模糊逻辑中非常重要的概念之一，它用于描述模糊集合中元素与某个模糊集合的关系程度。

隶属度函数分类是指将隶属度函数按照不同的特性划分为不同的类别。

本文将一步一步回答有关隶属度函数分类的问题，并详细介绍每个分类的特点和应用。

一、什么是隶属度函数？在模糊逻辑中，隶属度函数被用来度量模糊集合中元素与该集合的归属程度。

它通过将元素映射到一个[0,1]区间上的实数，来表示元素属于模糊集合的程度。

隶属度函数决定了元素在模糊集合中所起的作用。

二、隶属度函数分类的意义是什么？隶属度函数分类的目的是对不同类型的隶属度函数进行系统性的整理和分类，以便更好地根据需求选择合适的隶属度函数。

不同的隶属度函数在描述模糊集合时具有不同的特点和应用，对于具体问题的建模和求解有着重要的意义。

三、隶属度函数分类的基本原则是什么？将隶属度函数进行分类时，可以从不同的角度出发，考虑不同的特性。

基本原则是根据隶属度函数的形状、变化方式以及数学表达式等特点进行分类。

四、根据形状的特点，隶属度函数分类可以分为哪些类别？根据形状的特点，隶属度函数可以分为三类：三角隶属度函数、梯形隶属度函数和钟形隶属度函数。

四、1 三角隶属度函数三角隶属度函数以三角形状的方式描述元素与模糊集合的关系。

它的特点是从某个点开始上升，然后再从另一个点开始下降。

三角隶属度函数的拐点可以通过设置不同的参数来调整。

三角隶属度函数常用于描述具有明显上升和下降趋势的模糊集合。

例如，在温度控制系统中，可以使用三角隶属度函数来描述温度对于低、中、高三个模糊集合的归属程度。

四、2 梯形隶属度函数梯形隶属度函数以梯形的形状描述元素与模糊集合的关系。

它的特点是在某个点上升到达一定的高度后保持不变，然后再从另一个点开始下降。

梯形隶属度函数的拐点也可以通过设置参数来控制。

梯形隶属度函数常用于描述具有平台的模糊集合。

例如，在汽车自动驾驶系统中，可以使用梯形隶属度函数来描述车辆与“保持车速”、“加速”、“减速”等模糊集合的归属程度。

一种区间二型模糊隶属度函数的构造新方法

一种区间二型模糊隶属度函数的构造新方法纪雯;王建辉;方晓柯;顾树生【摘要】针对现有区间二型模糊隶属度函数的构造方法中,存在受试者需为模糊专家,易出现不确定迹(FOU)填满现象(下隶属度函数近似为0),或需预先确定不确定迹的形状的问题,设计受试者不为模糊专家也可正确回答的调查问题,提出一种构造区间二型模糊集隶属度函数的新方法.该法不需预先确定FOU的形状,受试者不必为模糊专家.该法的基本思想是从一组领域专家中收集类属词的上下隶属度区间数据,对所获数据进行数据预处理,最后获得类属词的隶属度函数和FOU.实验结果表明,所提出的新方法可有效构造区间二型模糊隶属度函数,避免出现填满现象.【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2013(034)005【总页数】6页(P618-623)【关键词】区间二型模糊集;隶属度函数;数据预处理;不确定迹;填满【作者】纪雯;王建辉;方晓柯;顾树生【作者单位】东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819【正文语种】中文【中图分类】TP273在模糊系统中，一型模糊集已被广泛应用到各个领域［1-3］，其不确定性用［0，1］之间的数字表示.然而，一型模糊集的隶属度函数是完全精确的.二型模糊集［4］是一型模糊集的扩展，其隶属函数是一型模糊集.由于二型模糊集的维数的扩展及其自由度的提高，受到学者的广泛关注，特别是二型模糊集的简化——区间二型模糊集，它在实际系统的应用已取得很多成果，如自动控制［5-6］、模式识别［7-8］、数据分类［9-10］、函数逼近［11］、医学应用［12］.但在实际应用中，首先需确定二型模糊集的隶属度函数，然后将其应用到实际系统中.因此，合理地构造区间二型模糊集的隶属度函数在实际应用中具有重要意义.目前，区间二型模糊集的隶属度函数构造方法有:个人隶属度函数法［13］，区间端点法［13］，区间法［14］，增强区间法［15］等.其中，个人隶属度函数法利用所有获得的数据，可直接建立不确定迹(FOU)的形状，当不确定性消失时区间二型模糊集隶属度函数变为一型模糊集隶属度函数，但是其受试者必须为模糊专家.在区间端点法中，收集数据区间时受试者不必为模糊专家，利于数据的收集，但是需预先设定FOU 的形状，并且当不确定性消失时区间二型模糊集隶属度函数不能变为一型模糊集隶属度函数.区间法和增强区间法结合上述两种方法的优点，可建立区间二型模糊隶属度函数，但仍需预先设定FOU 的形状.因此，本文提出一种构造区间二型模糊集隶属度函数的新方法，其不需预先确定FOU 的形状，受试者不必为模糊专家.1 基础知识定义1［3］给定连续论域X 上的二型模糊集，可以表示为其中:(x，u)∈［0，1］是集合的三维隶属度函数；u ∈Jx⊆［0，1］，Jx是主隶属度值；(x)=是次隶属度函数，fx(u)为次隶属度；fx(u)/u 表示论域中的元素u 与其隶属度fx(u)之间的对应关系；Jx的并集称为不确定迹(FOU)，FOU 的上、下限对应上、下隶属度函数；∫∫表示所有x 和u 的并集.如果论域X 是离散的，则用∑取代∫，∑表示模糊集合在论域X 上的整体.在二型模糊集合中，其隶属度是模糊的，即对二型模糊集中任何一个元素，其隶属度为一个［0，1］区间上的隶属函数，而不是一个［0，1］上的值，该隶属函数的定义域为［0，1］上的子集，值域为［0，1］.所以，二型模糊集的隶属函数是三维的.定义2［5］若对∀x∈X 及u∈Jx，次隶属度值均为1，则称为区间二型模糊集合，可以表示为区间二型模糊集的隶属度函数如图1 所示，其中UMF(upper MF)为上隶属度函数，LMF(lower MF)为下隶属度函数.在二型模糊系统中，区间二型模糊集合的次隶属度值均为1，降低了集合的复杂性，其中上、下隶属度函数在区间二型模糊集合的计算中起主要作用，图1 中阴影区域为FOU，其描述了区间二型模糊集的隶属度函数.即当FOU 确定时，其对应的区间二型模糊隶属度函数也随之确定.图1 区间二型模糊集的隶属度函数Fig.1 Membership function of intervaltype-2 fuzzy sets若下隶属度函数近似为零时，FOU 覆盖上隶属度函数以下整个区域，称该现象为填满现象，此时区间二型模糊集的隶属度函数如图2 所示.图2 发生填满现象时区间二型模糊集的隶属度函数Fig.2 Membership functionof interval type-2 fuzzy sets for FOU be filled in2 区间二型模糊集隶属度函数的构造新方法在区间二型模糊集隶属度函数的构造方法中，现有的方法存在受试者需为模糊专家，需预先确定FOU 的形状及易出现填满现象等问题.本文提出一种新的区间二型模糊集隶属度函数的构造方法.新方法的受试者不必为模糊专家，不需预先设定FOU 的形状.该方法首先设计一个新的调查问题进行数据收集，然后对所获数据进行预处理，最后经过最小二乘估计获得类属词的FOU，其包括收集数据、数据预处理、确定隶属度函数等三部分.2.1 收集数据1)设计对受试者所提的问题.在对受试者进行数据收集前，首先需设计对受试者所提的问题.区间二型模糊集隶属度函数的构造方法有:个人隶属度函数法、区间端点法、区间法和增强区间法.第一种方法是向模糊专家提出类属词在其定义域上的上隶属度和下隶属度，因所提问题涉及到模糊术语，所以其受试者必须为模糊专家，不利于数据收集.而后三种方法主要针对类属词，向受试者直接提出属于类属词的范围区间，并未限定受试者为模糊专家.基于上述方法的优缺点，本文不直接询问上、下隶属度和类属词的范围区间是多少，而是通过非模糊语言以间接的方式进行提问，以获取上、下隶属度.首先给定定义域U 和类属词B，设计如下问题.问题:请给出U 内每一个值属于B 的最小可能性a 和最大可能性b.在所设计的问题中，区间左端点值a∈［0，1］对应下隶属度，区间右端点值b∈［0，1］对应上隶属度.由于定义域为连续的，不可能对定义域内的每个值进行提问，因此在对受试者提问时，首先从定义域均匀选取s(s≥10)个值，然后对所选取的值进行提问.在所设计的问题中，并未出现模糊术语，便于受试者的理解，方便数据收集.2)获取数据.选取n(n≥30)［13］个应用领域中的专家，通过网络在线提问或问卷调查等形式对他们进行提问，并收集所获结果.设第i 个应用领域专家对类属词B 给出的区间二型模糊集为(ei):其中，对于，i=1，2，…，n，n为专家个数为第i 个专家的区间二型模糊隶属度函数分别为区间二型模糊隶属度函数的上、下隶属度.2.2 数据预处理从n 个领域专家中收集的数据为［L(i)，U(i)］，i=1，2，…，n.由于所获数据中可能存在一些不合理的数据，为此，对所收集的数据进行预处理，主要包括坏数据处理、异常值处理、容忍限处理和合理区间处理等四步.1)坏数据处理.一些受试者没有对调查中所提问题进行认真回答而是直接给出无用结果称为坏数据(不良数据).坏数据处理是将所获数据中的不良数据剔除.当所获数据中的区间端点值满足则保留该数据，否则将其剔除.其中，i=1，2，…，n.经过坏数据处理后，所获数据中剩余n'≤n 组数据.2)异常值处理.异常值是指所获数据中的个别值，其数值明显偏离所获数据的其余值.剔除数据中的异常值称为异常值处理，通常采用箱形图［16］剔除异常值.在箱形图中，将大于1.5IQR +Q(0.75)或小于Q(0.25)-1.5IQR 的点称为异常值.其中:Q(0.25)为第一四分位数，其等于所有数据由小到大排列后第25%的数值；Q(0.75)为第三四分位数，其等于所有数据由小到大排列后第75%的数值；IQR 为四分位距，是第三四分位数与第一四分位数的差距.由于所获得数据包含区间端点值和区间长度，为此，需要检测它们是否存在异常点.首先对区间端点值进行检测，当所获数据中的区间端点值满足则保留该数据，否则将其剔除.其中，QL为区间左端点值的四分位数；IQRL为区间左端点值的四分位距；QU为区间右端点值的四分位数；IQRU为区间右端点值的四分位距，i=1，2，…，n'.此时，所获数据中剩余n″≤n'组数据.其次，检测区间长度是否存在异常点，当区间长度满足则保留该数据，否则将其剔除.其中，区间长度为式(7)中:QD为区间长度的四分位数；IQRD为区间长度的四分位距，i=1，2，…，n″，此时，所获数据中剩余m'≤n″组数据.3)容忍限处理.当所获数据超出其公差范围时，剔除该数据.如果数据满足则保留该数据，否则将其剔除.其中，i=1，2，…，m'，ML为m'个数据区间左端点值的均值，计算公式为δL为m'个数据区间左端点值的标准差，计算公式为在式(9)中，MU和MD分别为m'个数据区间右端点值的均值和m'个数据区间长度的均值，其计算公式与式(10)相似；δU和δD分别为m'个数据区间右端点值的标准差和m'个数据区间长度的标准差，其计算公式与式(11)相似.其中，容忍因子k 确定过程为:对于均值和标准差未知的正态分布，其容忍限为ML±kδL(MU±kδU 或MD±kδD)，通过查表1确定容忍因子k，使得给定容忍限至少包含100(1-α)%的测量数据，其置信度为100(1-γ)%.据m'，1 -α 和1 -γ，从表1 可知k.当m'=30，1 -α=0.95，1 -γ=0.95 时，由表1 可得k=2.549，即给定容忍限至少包含95%的所测数据，其置信度为95%.假设数据区间左、右端点值近似为正态分布，容忍限的容忍因子可由表1 确定.由于不同的类属词的坏数据处理和异常值处理过程是相互独立的，则不同类属词对应的m'不同.经过容忍限处理后，所获数据中剩余m″≤m'组数据，计算m″个数据区间左、右端点值的均值ML和MD，及m″个数据区间左、右端点值的标准差δL 和δU.表1 收集数据为m'时，置信度为1 -γ 的容忍因子kTable 1 Tolerance factor k for a number of collected data m'，confidence level 1-γ4)合理区间处理.在区间二型模糊中，强调同一类属词对于不同的人含义不同，然而，同一类属词对于不同的人含义也应相近.为此，对于不同的人，同一类属词的同一个值对应的上、下隶属度区间应有重叠部分，这样的区间称为合理区间.在合理区间处理过程中，只保留合理区间.如果数据区间［L(i)，U(i)］满足式(12)时，则保留该数据，否则剔除.经过合理区间处理后，剩余m≤m″组数据，对这m 组数据重新编号为1，2，…，m.2.3 确定隶属度函数经过2.2 节中四步预处理过程后，获得m 组数据.此时，为了获得类属词B 的隶属度函数，对剩余的m 组数据进行聚合运算.为了不损失数据信息，其中聚合运算取并.则类属词B 的隶属度上界为B 的隶属度下界(x)为因此，类属词B 的上隶属度函数为B 的下隶属度函数为则可获得类属词B 的隶属度函数，其不确定迹FOU()为对式(13)和式(14)进行最小二乘估计［16］，即可获得类属词的上、下隶属度函数的数学模型.3 实验验证随着脑卒中患者［17］的不断增加，利用康复医疗手段对脑卒中患者进行康复评价、康复训练和康复治疗受到广泛关注.其中康复训练方案的制定在患者的康复训练中起关键作用，但是在制定康复训练方案的过程中存在患者不确定性问题，为此利用区间二型模糊集处理其不确定性问题.在处理该不确定性过程中，首先需构造二型模糊隶属度函数.本文通过构造脑卒中患者的障碍程度的隶属度函数，对区间二型模糊集隶属度函数的构造方法进行验证.据康复医师临床经验，脑卒中患者的障碍级别可划分为严重障碍、明显障碍、中度障碍、轻度障碍及无障碍等5 个级别，由于脑卒中患者的康复训练是以五自由度上肢康复机器人［18］为平台，因此，所选患者限定在障碍程度为中度障碍、轻度障碍和无障碍三种情况.假设B1，B2，B3分别表示中度、轻度和无等3 个类属词，据康复医师临床经验其定义域分别为U1∈［60，95］，U2∈［85，100］，U3∈［94，100］.从辽宁省康复中心选取60 名康复医师，按照2.1节中所设计的问题，对B1，B2，B3类属词向这60 名医师进行问卷调查，在其定义域内分别选取s1，s2，s3个值，其中s1=36，s2=16，s3=13，保存所获区间数据，最后通过Matlab 编程对这些数据进行预处理.由于各个类属词的数据预处理过程相同，这里只给出B1中的数据预处理.当x=80 时，经过数据预处理可得，n=60，n'=54，n″=51，m'=50，m=49.对于B1，其中第15 个康复医师的隶属度函数如图3 所示.图3 第15 个专家的隶属度函数Fig.3 Membership function of rehabilitation physician 15图3 中，灰色粗线数据区间是该康复医师给出的不良数据，在这些数据区间中，“* ”表示定义域内的值属于B1的下隶属度，“□”表示定义域内的值属于B1的上隶属度，所有上隶属度连成的曲线对应B1的上隶属度函数，所有下隶属度连成的曲线对应B1的下隶属度函数.经过数据预处理，对剩余的数据进行聚合(取并)运算，可得B1的隶属度函数如图4 所示.对所获数据利用个人隶属度函数法构造的隶属度函数时，可得其隶属度函数如图5 所示.由图5 可知，个人隶属度函数法对所获数据直接进行聚合并运算，使得B1的下隶属度函数接近零，由二型模糊理论可知此时不确定性几乎消失，二型模糊集趋于一型模糊集，对应的FOU 不好.图4 与图5 相比可知，新的隶属度函数构造方法可有效构造B1的隶属度函数，避免出现填满现象.图4 利用新方法所得B1的隶属度函数Fig.4 Membership function of B1by new construction method图5 利用个人隶属度函数法所得B1的隶属度函数Fig.5 Membership function of B1by person membership function在图4 中，B1的上隶属度函数为，其中B1的下隶属度函数为，其中同理对其余两个类属词进行上述处理，也可获得它们的隶属度函数.图6 给出3 个类属词的隶属度函数.图6 3 个类属词的隶属度函数Fig.6 Membership function of three words4 结论1)本文提出一种区间二型模糊集隶属度函数的构造新方法.2)在所提出的方法中，通过设计一个调查问题获取数据，并对所获数据进行预处理，利用最小二乘估计获得区间二型模糊集的隶属度函数.该法不需预先确定FOU 的形状，受试者不必为模糊专家.3)实验结果表明，所提方法可有效构造区间二型模糊隶属度函数，避免出现填满现象.参考文献：【相关文献】［1］Molina-Lozano H.A new fast fuzzy Cocke-Younger-Kasami algorithm for DNA strings analysis［J］.International Journal Machine Learning and Cybernetics，2011，2(3):209 -218.［2］Wang X Z，He Y L，Dong L C，et al.Particle swarm optimization for determining fuzzy measures from data［J］.Information Sciences，2011，181(19):4230 -4252.［3］Wu J，Wang S T，Chung F L.Positive and negative fuzzy rule system，extreme learning machine and image classification［J］.International Journal Machine Learningand Cybernetics，2011，2(4):261 -271.［4］Zadeh L A.The concept of a linguistic variable and its application to approximate reasoning—I ［J］.Information Sciences，1975，8(3):199 -249.［5］Hagras H.A hierarchical type-2 fuzzy logic control architecture for autonomous mobile robots［J］.IEEE Transactions on Fuzzy Systems，2004，12(4):524 -539.［6］Lin F J，Chou P H.Adaptive control of two-axis motion control system using interval type-2 fuzzy neural network［J］.IEEE Transactions on Industrial Electronics，2009，56(1):178 -193.［7］Melin P，Mendoza O，Castillo O.An improved method for edge detection based on interval type-2 fuzzy logic［J］.Expert Systems with Applications，2010，37(12):8527 -8535.［8］Choi B I，Frank C H R.Interval type-2 fuzzy membership function generation methods for pattern recognition［J］.Information Sciences，2009，179:2102 -2122. ［9］Lucas L A，Centeno T M，Delgado M nd cover classification based on general type-2 fuzzy classifiers［J］.International Journal of Fuzzy Systems，2008，10(3):207 -216. ［10］Zeng J，Liu Z Q.Type-2 fuzzy Markov random fields and their application to handwritten Chinese character recognition［J］.IEEE Transactions on Fuzzy Systems，2008，16(3):747 -760.［11］Zarandi M F，Rezaee B，Turksen I，et al.A type-2 fuzzy rule based expert system model for stock price analysis［J］.Expert Systems with Applications，2009，36(1):139 -154.［12］Lee C S，Wang M H，Hagras H.A type-2 fuzzy on tology and its application to personal diabetic-diet recommendation［J］.IEEE Transactions on Fuzzy Systems，2010，18(2):374 -395.［13］Jerry M puting with words and its relationship with fuzzistics［J］.Information Sciences，2007，177(4):988 -1006.［14］Liu F L，Jerry M M.Encoding words into interval type-2 fuzzy sets using an interval approach［J］.IEEE Transactions on Fuzzy Systems，2008，16(6):1503 -1521.［15］Wu D R，Jerry M M，Simon C.Enhanced interval approach for encoding words into interval type-2 fuzzy sets and its convergence analysis［J］.IEEE Transactions on Fuzzy Systems，2012，20(3):499 -513.［16］Walpole R W，Myers R H，Myers A L，et al.Probability ＆statistics for engineers and scientists［M］.Upper Saddleback River:Prentice-Hall，2007.［17］Smith D L，Akhtar A J.Motor function after stoke［J］.Age Ageing，1985，14:46 -48.［18］吕广明，孙立宁，唐余勇.五自由度上肢康复机器人的运动学逆解［J］.黑龙江大学:自然科学学报，2007，24(1):54 -57.(Lü Guang-ming，Sun Li-ning，Tang Yu-yong.The invertible solution of kinematics about 5-DOF upper limb rehabilitant robot［J］.Journal of Natural Science of Heilongjiang University，2007，24(1):54 -57.)。

ANPFuzzy方法在电力企业绩效考核中的应用研究

2、权重分配
采用AHP法确定各指标的权重，能够客观地反映各指标在绩效考核中的重要程度。通过计算每个一级指标下的二级指标对于该一级指标的关联度，可以发现不同指标之间的差异性，有助于提高评价结果的准确性。
3、评估标准
采用ANPFuzzy方法进行评估，能够克服传统绩效考核方法的不足。通过建立灰色关联度评估模型，能够将定性评价与定量评价相结合，使评价结果更具有客观性和准确性。同时，该方法还可以根据实际情况调整指标权重和评估标准，具有较好的灵活性和适用性。
2、确定指标权重
本次演示采用层次分析法（AHP）确定各指标的权重。通过构建判断矩阵，计算各指标的权重向量，并进行一致性检验，最终得到各指标的权重。
3、收集并处理数据
针对电力企业的实际情况，采用问卷调查和访谈法收集数据。对收集到的数据进行清洗、整理和标准化处理，以确保数据的质量和客观性。
4、应用NPFuzzy方法进行评估
ANPFuzzy方法在电力企业绩效考核中的应用研究
01 引言
03 参考内容
目录
02 ANPFuzzy方法简介
引言
绩效考核是一种重要的管理工具，可以帮助企业提高效率和业绩。在电力企业中，绩效考核同样至关重要。然而，传统的绩效考核方法往往侧重于量化指标，忽视定性因素，难以全面反映员工的综合表现。为了解决这一问题，本次演示探讨了ANPFuzzy方法在电力企业绩效考核中的应用。
7、制定改进计划：根据反馈报告
1、确保评估的公正性和客观性：在评估过程中，应该采取匿名方式，避免评估人员因顾虑而影响评估结果。同时，需要对评估数据进行严格保密，避免数据泄露对被评估者造成不良影响。
2、增强与员工的沟通：在评估过程中，需要与员工进行充分沟通，确保他们了解评估的目的、标准和方法，以便更好地参与评估。同时，在评估结束后，需要与员工一起制定改进计划，并定期跟进实施情况。