【文章內(nèi)容簡(jiǎn)介】 積累還遠(yuǎn)遠(yuǎn)沒有達(dá)到能夠制定分析判斷標(biāo)準(zhǔn)的程度,也沒有充分依據(jù)表明報(bào)警閾值設(shè)置多少才合適。目前神經(jīng)網(wǎng)絡(luò)、模糊控制、專家知識(shí)等智能算法已經(jīng)開始廣泛的應(yīng)用于智能輸電線路監(jiān)測(cè)系統(tǒng)。本課題將深入對(duì)云模型的基本方法，物理屬性，數(shù)字特征，各類衍生理論及相關(guān)性質(zhì)進(jìn)行研究，設(shè)定一個(gè)綜合的智能監(jiān)控終端，通過運(yùn)用輸電線路導(dǎo)線弧垂監(jiān)測(cè)、桿塔傾斜監(jiān)測(cè)、線路風(fēng)偏監(jiān)測(cè)、覆冰監(jiān)測(cè)、導(dǎo)線溫度監(jiān)測(cè)、導(dǎo)線微風(fēng)振動(dòng)監(jiān)測(cè)、絕緣子污穢監(jiān)測(cè)、微氣象監(jiān)測(cè)及檢測(cè)線路CMA心跳和傳感器心跳監(jiān)測(cè)等智能監(jiān)測(cè)系統(tǒng)所監(jiān)測(cè)到的數(shù)據(jù)，對(duì)原始數(shù)據(jù)進(jìn)行處理，然后將處理后的數(shù)據(jù)輸入到云決策器中，云決策器通過自身設(shè)定的規(guī)則來判斷輸電線路正常運(yùn)行的偏離程度大小，通過對(duì)偏離程度的大小進(jìn)行監(jiān)測(cè)，來判別輸電線路的安全系數(shù)。從而進(jìn)一步將整個(gè)輸電線路監(jiān)測(cè)系統(tǒng)智能化，完善化，進(jìn)而達(dá)到提高電力電網(wǎng)架空輸電線路穩(wěn)定安全運(yùn)行的效果。本課題是基于云模型在智能控制上的應(yīng)用將智能輸電線路監(jiān)測(cè)系統(tǒng)進(jìn)行研究分析，據(jù)相關(guān)資料表明，將云模型應(yīng)用在輸電線路監(jiān)控系統(tǒng)中在世界尚屬首例。本課題將以文獻(xiàn)研究、理論分析、實(shí)驗(yàn)研究、對(duì)比研究四種方法進(jìn)行逐步深入的研究。本文基于文獻(xiàn)的閱讀和實(shí)際調(diào)研分析，主要對(duì)以下內(nèi)容進(jìn)行了分析和研究。（1）深入學(xué)習(xí)云理論、云模型以及各種衍生知識(shí)。深入剖析云模型在智能控制領(lǐng)域的應(yīng)用。13（2）研究智能輸電線路監(jiān)測(cè)技術(shù)以及各類監(jiān)測(cè)終端設(shè)備。（3）研究如何利用云模型在監(jiān)測(cè)系統(tǒng)中對(duì)輸電線路監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析預(yù)控。（4）研究仿真測(cè)試方法。第 2 章 云模型概述作為一種利用語言值來表示的不確定性轉(zhuǎn)換模型，云是某個(gè)定性概念與其定量表示之間的不確定性。它主要反映了在客觀世界中存在的事物或者在人類知識(shí)中所存在概念的兩種不確定性：模糊性和隨機(jī)性，并將兩者結(jié)合在一起，構(gòu)建定性和定量之間的映射關(guān)系。在數(shù)域空間，云并非一個(gè)確定的概率密度函數(shù)或者一條明晰的隸屬曲線，而是一個(gè)一對(duì)多的數(shù)學(xué)映射圖象，相識(shí)于自然現(xiàn)象中云的不確定性質(zhì)，所以李德毅院士將這個(gè)數(shù)據(jù)——概念之間的數(shù)學(xué)轉(zhuǎn)換理論命名為“云” 。我們以一個(gè)數(shù)學(xué)模型來詳細(xì)描述云的定義，取 U 為一個(gè)用精確數(shù)值來表達(dá)的定量論域， T 為 U 在論域空間上的定性概念，如果 x（ x ? X）對(duì) T 的隸屬的確定度度表達(dá) CT(x) [0,1]為一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)，那么在數(shù)域空間內(nèi)，概念 T 從論域 U 到區(qū)間[0,1]的映射的分布，我們稱之為：CT(x):U ??[0,1] ?x ??X （X?U ） x ??CT(x) 將這個(gè)定義推廣到 N 維云。即如果 U 為 N 維論域， （ X ? U） 則為 N 維元素，其中 對(duì) T 的隸屬的確定度 CT(x)，隨機(jī)數(shù)[0,1]12nxx X??（ ， ， ， ） （ ）具有穩(wěn)定的傾向。可知,在給定論域的數(shù)域空間中，x 為 ，則一12nx?（ ， ， ， ）個(gè)云滴的嚴(yán)格表達(dá)是一個(gè)由自變量的論域空間坐標(biāo)及其所對(duì)概念的確定度的數(shù)值對(duì)，即： (論域空間坐標(biāo)，確定度) ????, |CloudnceptTrmExnHexU????我們可知，U 上概念 T 從論域 U 到區(qū)間[0,1]是一對(duì)多的映射關(guān)系，即論域中某一元素與它對(duì)概念 T 的隸屬度之間的映射是一對(duì)多的轉(zhuǎn)換關(guān)系，而非在傳統(tǒng)模糊隸屬函數(shù)中的一對(duì)一的關(guān)系。許許多多的云滴組成了表達(dá)概念 T 的云，每個(gè)云滴代表的是這個(gè)定性概念映射到數(shù)域空間的一個(gè)點(diǎn)，也就是說，定性概14念的語言值在數(shù)量上的一次具體樣例，帶有一定的不確定性的實(shí)現(xiàn)。這種實(shí)現(xiàn)模型同時(shí)也表達(dá)出這個(gè)點(diǎn)所能夠代表該定性概念的確定程度。每個(gè)云滴的產(chǎn)生都是隨機(jī)的，每個(gè)云滴所代表的該定性概念的確定程度也具有很大的模糊性，不斷的在細(xì)微的變化著。這種一個(gè)定量數(shù)值本質(zhì)上是屬于一個(gè)定性概念語言的不確定變化，通過每個(gè)云滴來看，也許不會(huì)對(duì)云的整體特征有很大的影響，一個(gè)特定的云滴可能會(huì)無關(guān)緊要。但是，當(dāng)大量云滴整合到一起的時(shí)候，其整體分布特性上就體現(xiàn)出了云映射的模糊性和隨機(jī)性，也就是說，云的整體形狀所反映的是在用定量數(shù)值所表示定性概念時(shí)的不確定特性。比如， “汽車向南位移50 米左右”是一個(gè)空間概念，而“汽車向南位移 50 米”卻是一個(gè)空間數(shù)據(jù)，是該定性概念所表示的是在論域中的一次具體的定量實(shí)現(xiàn)，經(jīng)過云映射分析，那么這個(gè)云滴所代表該定性概念的確定程度的數(shù)值是 1。但是，這種實(shí)現(xiàn)也可能是“汽車向南位移 49 米”等數(shù)據(jù)，所代表的該定性概念的確定程度也可能是 等等。當(dāng)所有的這些實(shí)現(xiàn)積累到一定的數(shù)量之后，經(jīng)過云映射，那么在論域空間內(nèi)就形成一朵云，充分表達(dá)出“汽車向南位移 50 米左右”這個(gè)概念了。從上述可以看出，云有效地把模糊性和隨機(jī)性這兩個(gè)特性完全整合起來，并對(duì)自然語言中的最基本的語言值進(jìn)行研究，發(fā)現(xiàn)其所蘊(yùn)含的不確定性的普遍規(guī)律，這樣會(huì)有可能使得我們可以從語言值表達(dá)的定性信息中，獲取定量數(shù)據(jù)的取值范圍及其分布規(guī)律，也有可能用恰當(dāng)?shù)亩ㄐ哉Z言值來表達(dá)精確數(shù)值。 云的數(shù)字特征云的數(shù)字特征體現(xiàn)的是定性概念的定量特性，如圖 所示，通過運(yùn)用期望 Ex（Expected value） 、熵 En（Entropy）和超熵 He（Hyper entropy）這三個(gè)數(shù)值來進(jìn)行表征。作為產(chǎn)生虛擬云、完成云變換、實(shí)現(xiàn)云計(jì)算、描述云模型的數(shù)值基礎(chǔ)，同樣云的數(shù)字特征也是利用云技術(shù)從具有不確定性的空間數(shù)據(jù)庫中發(fā)現(xiàn)空間知識(shí)的基礎(chǔ)。15圖 隸屬度函數(shù)及隸屬云圖 云的數(shù)字特征云的數(shù)字特征僅用了三個(gè)數(shù)值就可以將由成千上萬的云滴來構(gòu)成的整個(gè)云勾畫出來，并將定性表示的語言值中的模糊性及隨機(jī)性完全整合到一起，這正是云的數(shù)字特征的獨(dú)特之處。圖 所顯示的是具有不同的數(shù)字特征的云模型，其中圖 [1]的期望不同于圖 [2]的期望，[1]的熵不同于[3]的熵，[1]的超熵不同于 [4]的超熵。與粗集等用于不確定性研究的數(shù)學(xué)工具相比，一朵云在計(jì)算機(jī)中所存儲(chǔ)的數(shù)據(jù)只是三個(gè)數(shù)字特征而已，這樣就極大地節(jié)省了計(jì)算資源和存儲(chǔ)資源。在我們只是考慮數(shù)據(jù)的整體分布規(guī)律，而不考慮具體的單一數(shù)據(jù)的情況下，利用云模型來壓縮數(shù)據(jù)并進(jìn)行分析就會(huì)很方便。16圖 不同數(shù)字特征的云 正態(tài)云模型作為一種用于定性定量轉(zhuǎn)換的基本模型，云模型（Cloud model）是以一種用語言值來表達(dá)定性概念與其定量表示之間不確定關(guān)系的轉(zhuǎn)換模型，是各種云技術(shù)的核心。最小單位是基云，與自然語言中的最基本的語言值——語言原子，或者思維的基本單位——原子概念相對(duì)應(yīng)。云模型把隨機(jī)性和模糊性完全整合起來，研究自然語言中的語言原子所蘊(yùn)含的不確定性普遍規(guī)律，使得我們可以從語言值表達(dá)的定性信息中獲得定量數(shù)據(jù)的變化范圍及其分布規(guī)律，并將精確數(shù)值轉(zhuǎn)換為恰當(dāng)?shù)亩ㄐ哉Z言值。作為一種基本的云模型，正態(tài)云模型是表征語言原子的有力工具之一。它具有很強(qiáng)的普適性，在社會(huì)和自然科學(xué)中，擁有大量定性知識(shí)的云的期望曲線都近似得服從正態(tài)或半正態(tài)分布。在論域空間內(nèi)的正態(tài)云模型，其某一點(diǎn)的隸屬度分布與統(tǒng)計(jì)學(xué)意義上的正態(tài)分布規(guī)律相符，均以云的穩(wěn)定傾向云期望曲線上的點(diǎn)作為期望值。期望和熵所確定具有正態(tài)分布形式的云期望曲線方程，很明顯可以看出，這是一個(gè)正態(tài)分布曲線。正態(tài)云模型可包括完整云、左半云和右半云。完整云指的是具有完備特征的定性概念，而半云模型指具有單側(cè)特征的定性概念，例如如果完整云表示“距離” ，右半云表示“很小”，而左半云則表示“很大” ，如圖 [1]可看出。17圖 基于云模型的語言規(guī)則18圖 概念“原點(diǎn)附近”的各種云模型．云發(fā)生器云發(fā)生器（Cloud generator，簡(jiǎn)稱 CG）是指被軟件模塊化或者是硬件固化了的云模型的生成算法，它可以建立起定性和定量之間相互依存、相互聯(lián)系、性中有量、量中有性的映射關(guān)系，主要有正向云發(fā)生器、逆向云發(fā)生器、X 條件云發(fā)生器和 Y 條件云發(fā)生器（圖 ）四種類型。云發(fā)生器是構(gòu)造不確定性推理模型的基礎(chǔ)，指由多個(gè)云發(fā)生器按照一定的規(guī)律有機(jī)地集成在一起而構(gòu)成的云的不確定性推理器，是基于云模型 SDMKD 而開發(fā)的基本工具。因?yàn)檎龖B(tài)云模型是基本的云模型，故本文以正態(tài)云模型為例來對(duì)云發(fā)生器進(jìn)行分析研究。圖 云發(fā)生器．正向云發(fā)生器作為用語言值來表達(dá)某個(gè)基本概念與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型，正向云發(fā)生器（Forward cloud generator）是指從定性到定量的映射關(guān)系。它通過對(duì)云的數(shù)字特征進(jìn)行分析來產(chǎn)生云滴，當(dāng)云滴積累到一定的數(shù)量之后就會(huì)匯聚為云（圖 [1]） 。正向云發(fā)生器可以通過對(duì)語言值表達(dá)的定性信息進(jìn)行分析，來獲取定量數(shù)據(jù)范圍及其分布規(guī)律，其過程是直接的、前向的，其輸入為表示定性概念的期望值 Ex 、熵 En ，超熵 He 以及云滴數(shù)量 N，輸出為 N 個(gè)云滴在數(shù)域空間內(nèi)的定量位置，也表示每個(gè)云滴代表的該概念的確定度。 一維云發(fā)生器的算法云是由許許多多的云滴組成的，而每一個(gè)云滴就是指定性概念 映射到數(shù)域空間（一維的、二維的或者多維的）上的一個(gè)點(diǎn)，即實(shí)現(xiàn)了一次量化，而這19種實(shí)現(xiàn)有一定的不確定性，云模型所給出的這個(gè)點(diǎn)也能夠代表定性概念 的確定度。社會(huì)和自然科學(xué)的各個(gè)分支已經(jīng)充分的證明了正態(tài)分布的具有很高的普適性。因此，正態(tài)云就成為了最基本的“云” ，它在用于表達(dá)自然語言中的基本語言值——語言原子的時(shí)候最為有用。當(dāng)定性概念所對(duì)應(yīng)的數(shù)域?yàn)橐痪S的時(shí)候，正態(tài)云發(fā)生器的算法如下所示：輸入：相應(yīng)的數(shù)字特征值 Ex，En，He 以及云滴數(shù) N；輸出：N 個(gè)云滴的定量值、每個(gè)云滴代表的概念 的確定度。算法 1：一維正向云發(fā)生器步驟 1：生成一個(gè)以 En 為期望值、He 為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù) En’；步驟 2：生成以 Ex 為期望值、En’的絕對(duì)值為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)值 x；步驟 3：令 x 為定性概念 的一次具體量化值，稱之為云滴；步驟 4：利用公式計(jì)算步驟 5：取 y 為 x 屬于定性概念 的確定度；步驟 6：｛x，y｝反映出在這一次定性定量轉(zhuǎn)換的全部?jī)?nèi)容；步驟 7：重復(fù)步驟 1~6，直至產(chǎn)生 N 個(gè)云滴。如果概念所對(duì)應(yīng)的論域?yàn)?n 維空間，那么算法就可以很容易的進(jìn)行拓廣，從而得到 n 維的正態(tài)云。 云滴群對(duì)定性概念的貢獻(xiàn)定義 1：對(duì)于云 X 中的任一個(gè)小區(qū)間 上的元素，其對(duì)定性概念 的貢獻(xiàn)為：明顯可見，論域中所有的元素對(duì)概念 的總貢獻(xiàn) C 為：20因?yàn)?，所以對(duì)于定性概念X，存在著一定貢獻(xiàn)的定量值，其主要落在區(qū)間 上，甚至我??Ex3n,E??們可以忽略在 區(qū)間之外的定量值對(duì)于定性概念 的貢獻(xiàn)，這??Ex3n,E??就是所謂的正態(tài)云的“ 規(guī)則” 。通過計(jì)算，位于區(qū)間上的那些元素，占全部定量值的百分比為 %，其?,.?對(duì)定性概念的貢獻(xiàn)占總貢獻(xiàn)的一半，對(duì)于這部分元素，我們稱之為“骨干元素” ；而位于區(qū)間[ExEn,Ex+En]的那些元素，占全部元素的三分之一，它們對(duì)定性概念的貢獻(xiàn)占的 %，我們稱這部分元素為“基本元素” ；位于區(qū)間[Ex2En,ExEn]和[Ex+En,Ex+2En]上的那些元素，占全部元素的三分之一，它們的貢獻(xiàn)所占總貢獻(xiàn)的比例為 %，這部分元素我們稱之為“外圍元素” ；而位于區(qū)間[Ex3En,Ex2En]和[Ex+2En,Ex+3En]上的那些元素，占所有元素的三分之一，它們的貢獻(xiàn)占總貢獻(xiàn)的比例為 %，這部分的元素稱為“弱外圍元素” 。圖 論域 X 的正態(tài)云分布．基于云模型的不確定推理基于云模型的不確定推理指的是根據(jù)一定的已知條件，利用云的不確定性21的推理器，在一定的環(huán)境中推導(dǎo)出所得到的目標(biāo)規(guī)則的過程。其規(guī)則一般由規(guī)則前件（條件）及規(guī)則后件（規(guī)則知識(shí)）兩部分組成，由于規(guī)則前件或者規(guī)則后件的數(shù)量的不同，基于云模型的不確定推理大致可以分為單規(guī)則推理和多規(guī)則推理兩大類型。在知識(shí)發(fā)現(xiàn)和空間數(shù)據(jù)挖掘中，就是顧及空間實(shí)體的不確定性，在空間數(shù)據(jù)庫中利用云的不確定性推理器來挖掘事先未知的感興趣的空間規(guī)則知識(shí)。．單規(guī)則推理 單規(guī)則推理所使用的是基于云的單條件單規(guī)則及多條件單規(guī)則的不確定性推理器。單規(guī)則可形式化的表示為：“IF A, THEN B”或“IF A1，A2，… ，An THEN B” 。其中 A 、B 為用云模型表示的語言值。比如， “若土地區(qū)位好，則地價(jià)高” ， “若水平方向位移很小，而垂直方向幾乎沒有沉降，那么滑坡體很穩(wěn)定” 。這些語言值都不能用簡(jiǎn)單的精確數(shù)值來進(jìn)行準(zhǔn)確的描述。圖 是一維兩條件單規(guī)則發(fā)生器的示意圖 ,其中的 CG1 、CG2 分別表示為對(duì)應(yīng)的輸入語言值 A1 、A2 的 X 條件云,y = f ( x1 , x2 ) 則表示對(duì)應(yīng)輸入的線性輸出。當(dāng)某一特定的輸入 x1 和 x2 刺激 CG1 、CG2 時(shí), CG1 、CG2 會(huì)隨機(jī)產(chǎn)生一個(gè)二維隸屬度向量,然后再進(jìn)行軟與運(yùn)算得到 μk ,μk 則反映了對(duì)應(yīng)該條定性規(guī)則的激活強(qiáng)度,最后由規(guī)則后件線性輸出。單條件單規(guī)則推理的算法可以通過把將 X 條件云發(fā)生器和 Y 條件云發(fā)生器的算法結(jié)合起來生成。我們由 X 條件云發(fā)生器和 Y 條件云發(fā)生器的特性可知，在利用單條件單規(guī)則不確定性推理器進(jìn)行單規(guī)則推理時(shí)，規(guī)則的輸出值并不是一個(gè)單一的數(shù)值，而是一個(gè)隨機(jī)分布的云團(tuán)，其輸入輸出之間的關(guān)系不再是一個(gè)簡(jiǎn)單的點(diǎn)對(duì)點(diǎn)的函數(shù)式關(guān)系，而是多對(duì)多的不確定性關(guān)系，如圖 所示。在多條件單規(guī)則推理的算法中，構(gòu)造由多個(gè)語言值組成的規(guī)則前件的直接方法采用的是多維云發(fā)生器?？墒?，如果要表示前件所對(duì)應(yīng)的多維論域空間中的所有語言值，則需要大量的多維云。比如，假設(shè)規(guī)則前件有兩個(gè)語言變量，每個(gè)變量有五個(gè)語言值，那么經(jīng)過組合前件可能會(huì)有 25 個(gè)語言值，也就是說，在整個(gè)論域空間中的語言值需要有 25 個(gè)