PDF《tri网的电力市场潜在危害行为识别》

1 1] .而潜在危害 行为的特征可以看成一个定性概念, 因此可以构建 特征云来表达特征库中的各种特征.

4 ) 模糊 P e t r i网的构建 P e t r i网作为一种人工智能技术, 能够运用图形 化的方式将复杂的逻辑形象化并运用解析式表达逻 辑推理过程, 而潜在危害行为的识别过程正是一个 动态逻辑推理过程.根据所建立的潜在危害行为库 与其相应的特征, 确定网络结构、 设计相应的推理算 法, 建立潜在危害行为识别模糊 P e t r i网.

5 ) 操作流程 潜在危害行为识别的具体的操作流程如下: 计 算待识别对象的特征值;

将特征值带入特征云, 计算 特征相似测度;

将特征相似测度作为模糊 P e t r i网 输入库所的初始状态, 根据推理算法进行推理;

计算 库所的最终状态, 得出推理结果, 确定待识别对象的 分类与置信度. 上述步骤中, 由于潜在危害行为库的建立与特 征库的建立都需要对具体对象进行具体分析, 因此 下文不对 这两步进行阐述, 只阐述特征云与模糊Petri网的构建方法.

2 特征云的构建 这里介绍两种特征云的构建方法: 一种是通过 逆向云发生器生成特征云;

另一种是通过专家描述 生成特征云.基于逆向云发生器计算产生的特征云

6 2

2 0

1 9,

4 3 (

2 ) ・学术研究・ h t t p : / / ww w. a e p s - i n f o . c o m 较为客观, 但需先验样本的支持, 对样本数量与质量 的要求较高.此外, 由于样本来源于历史数据, 当环 境发生突变时如规则突然改变, 其所产生的特征云 将不具有有效性.根据专家描述生成的特征云主观 性较强, 但数据需求较少, 并能综合把握市场信息. 2.

1 通过逆向云发生器的云生成 正态云模型可表示为由3个数字特征构成的元 组( Ex, En, He) .其中: Ex 是云模型的期望, 是隶 属度为1的点;

En 是云模型的熵;

He 是 云模型的 超熵. 设有n 个样本已确定为属于某一潜 在危害行 为, 这n 个样本在此潜在危害行为某一特征的特征 值序列为x1, x2, …, x i, …, xn ( 其中x i 表示第i 个 样本的特征值) , 则该特征云的算法如下: Ex =

1 n ∑ n i=1 x i (

1 ) En = π

2 1 n ∑ n i=1 |x i -Ex| (

2 ) He =

1 n-1∑ n i=1 ( x i -Ex)

2 -E2 n (

3 ) 2.

2 通过专家描述的云生成 对某一潜在危害行为的某一特征由多位专家分 别给出一个对应的特征云, 第i 位专家给出的特征 云为( Ex i, En i, He i) . 综合 h 位专家得出的特征云(Ex, En, He) , 其中: Ex = ∑ h i=1 Ex i En i ∑ h i=1 En i (

4 ) En =

1 h ∑ h i=1 En i (

5 ) He = En ε (

6 ) 式中: ε 为正整数, 根据指标的实际情况与不确定性 进行设置, 不确定性越小, ε 越大. 2.

3 相似测度的计算 将待识别对象的特征值代入特征云即可计算待 识别对象对该特征的隶属度即相似测度.但考虑到 正态云模型的隶属度计算公式在一些情况下并不合 理, 因此结合文献[

1 2 -

1 3 ] 对正态云隶属度计算公式 进行一些改变以适应不同的情况.

1 ) 上限型云模型: u i j( x) =

1 x ≥Ex e - ( x- Ex)

2 2( En '

)

2 x cm a x e - ( x- cm i n)

2 2( En '

)

2 x ........