b) 基于模糊理论的方法
为了解决迭代自组织数据分析算法(Iterative Self Organizing Data Analysis Techniques Algorithm,ISODATA)对初始聚类中心选取敏感的问题,文献[20]中讲述了将遗传算法的改进ISODATA方法应用于电力系统中那些不良数据辨识的提议。将相邻采样时刻量测值与量测值的标准残差之间的差作为特征量,接着使用遗传算法得到初始分类矩阵,然后通过遗传操作来行使迭代计算,最终能够实现对量测数据所进行模糊聚类分析的目的,最后通过隶属度的大小来判断是否为不良数据。为了能让算法实现可以跳出局部最优解的功能,文献[21]使用了模糊大变异的操作并提出了实施了改进的遗传算法,这样就避免了遗传算法易于陷于局部最优解而无法跳出而且收敛的进行速度缓慢等缺陷。
模糊理论和神经网络的方法在电力系统中的大力研究使得智能控制、检测与辨识取得了十分迅速的进展。虽然模糊理论与神经网络是两种不同的方法,并且原理和应用范围也相差甚远,但在人工智能领域的科学研究中二者占有重要的位置,综合各种研究结果我们可以得到:这两种理论是可以做到相辅相成的[22],并且二者的有益结合对于电力系统中不良数据的辨识有着非常有效的应用结果。
基于模糊理论的方法,其数据辨识本质是结合遗传算法和模糊聚类实现不良数据的检测的目的,因此存在最后隶属度的选择会比较主观的缺陷。