CN107834551A - 一种基于支持向量机的配电网低电压预测方法 - Google Patents
一种基于支持向量机的配电网低电压预测方法 Download PDFInfo
- Publication number
- CN107834551A CN107834551A CN201711154223.3A CN201711154223A CN107834551A CN 107834551 A CN107834551 A CN 107834551A CN 201711154223 A CN201711154223 A CN 201711154223A CN 107834551 A CN107834551 A CN 107834551A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- voltage
- index
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于支持向量机的配电网低电压预测方法，步骤包括：1)从配电网低电压成因及影响因素中，筛选出不同类型的指标；2)从现有的各种信息系统中提取指标样本数据，构建不同类型的指标集；3)基于不同类型的指标集，分别构造基于支持向量机的配电网低电压预测模型；4)利用粒子群算法对各预测模型中待优化参数进行参数寻优；5)将寻优得到的参数代入预测模型，并将待测配电网的指标数据输入各预测模型，利用各预测模型分别对配电网低电压进行预测；综合各预测结果，得到最终的配电网低电压预测结果。本发明采用多源信息构成分类指标集，不仅能充分利用大数据平台信息多样性的优势，还能有效降低预测模型的数据维度和训练时间。
Description
技术领域
本发明涉及电力系统配电网技术，具体涉及一种基于支持向量机的配电网低电压预测方法。
背景技术
近年来，随着用电负荷的迅猛增长，全国各地的配电网(含中压和低压)均出现了不同程度的低电压现象。低电压不仅影响普通电器的正常和有效工作，对于使用变频设备的工厂，还会造成生产中断(变频器对电压幅度比较敏感)。对于低电压现象，各级供电公司一直比较重视。每年，各供电公司均会安排一定的资金用于配变增容、无功补偿、重负荷线路分流等项目，但这个工作从本质上讲具有滞后性，即往往出现了低电压情况(至少是苗头)才会立项改造。为了更好地解决配网层面的低电压问题，亟需构建配电网低电压预测模型，用现有数据尽可能准确地预测已有配电网或将建配电网出现低电压的可能性，以期为合理安排技改项目提供科学依据。
发明内容
本发明要解决的技术问题是：针对现有方案存在的上述问题，提供一种科学适用的配电网低电压预测方法，为配电网低电压预防及治理提供全面支撑。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于支持向量机的配电网低电压预测方法，包括以下步骤：
1)从配电网低电压成因及影响因素中，筛选出不同类型的指标；
2)从现有的各种信息系统(包括生产管理系统、能量管理系统、地理信息系统、用电信息采集系统、营销系统)中提取指标样本数据，构建不同类型的指标集(按指标所属类型将指标数据划分为不同的指标集)；
3)基于不同类型的指标集，分别构造基于支持向量机的配电网低电压预测模型；
4)利用粒子群算法对各预测模型中待优化参数进行参数寻优；
5)将寻优得到的参数代入预测模型，并将待测配电网的指标数据输入各预测模型，利用各预测模型分别对配电网低电压进行预测；综合各预测结果，得到最终的配电网低电压预测结果(若输入的数据为配电网当前的指标数据，则预测结果为配电网当前的低电压状态，即配电网当前电压为正常电压或低电压)。
进一步地，所述步骤1)中，基于现有配电网低电压现状，挖掘分析配电网低电压成因及影响因素，筛选出线路参数和线路运行两类指标，其中，线路参数指标具体包括线径大小、供电半径和配变容量这三项指标(从生产管理系统、地理信息系统、营销系统中获得)；线路运行指标具体包括电压有效值、故障次数、电流有效值和低压投诉频率这四项指标(从能量管理系统、用电信息采集系统、营销系统中获得)；基于提取的指标数据，分别构建线路参数指标集和线路运行指标集；将线路参数指标集记为{(si,ti)|i＝1,2,…,L}，将线路运行指标集记为{(ui,vi)|i＝1,2,…,M}；其中，L为线路参数指标集中指标样本数据的组数，si为第i组线路参数指标样本数据，是由线径大小、供电半径、配变容量作为坐标值的三维向量；M为线路运行指标集中指标样本数据的组数，ui为第i组线路运行指标样本数据，是由电压有效值、电流有效值、故障次数、低压投诉频率为坐标值的四维向量；ti和vi分别是对应于si和ui的配电网低电压状态值，取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压。
进一步地，所述步骤3)中，首先对指标集中的指标数据进行预处理，再利用其构造基于支持向量机的配电网低电压预测模型；所述步骤5)中，首先对待测配电网的指标数据进行预处理，再将其代入预测模型进行预测；所述预处理包括数据饱和以及归一化处理；其中，数据饱和是为了避免异常数据取值范围过大对各项指标的预测灵敏度产生干扰，归一化是为了以相同的尺度衡量不同取值范围的指标数据对低电压预测结果的影响；数据饱和与归一化处理的公式分别如式(1)和式(2)所示：
z′＝min(z,zrate) (1)
其中，z表示指标数据的原始值；zrate表示指标数据的给定上限值；zmin表示指标数据中的最小值；z′表示z的饱和处理结果；z″表示z′的归一化处理结果。
进一步地，所述步骤3)中，将预处理后的指标集中的数据划分为训练样本和测试样本，方法为：对预处理后的指标集中的每组数据按顺序标注序号(1，2，3，……)，然后采用随机数生成算法产生最大序号范围内的随机数，将以产生的随机数为序号的数据作为训练样本，通过这种方式从线路参数指标集和线路运行指标集中挑选出80％的样本数据作为训练样本，剩余的20％样本数据作为测试样本。
进一步地，所述步骤3)中，基于支持向量机的配电网低电压预测模型如式(3)所示：
其中，x为预测模型输入数据，即待预测配电网的指标数据，f(x)为预测模型输出，即对应于x的配电网低电压状态值，其取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压；N为指标集中训练样本的个数，xi和xj分别是第i和j个训练样本对应的指标样本数据；yi和yj分别是对应于xi和xj的配电网低电压状态值(基于线路参数指标集构建预测模型时，xi＝si，相应的配电网低电压状态值yi＝ti，x为待预测配电网的线路参数指标数据；基于线路运行指标集构建预测模型时，xi＝ui，相应的配电网低电压状态值yi＝vi，x为待预测配电网的线路运行指标数据)；αi和αj分别为与xi和xj对应的拉格朗日乘子；C是惩罚系数；K(xi,xj)是径向基核函数，其表达式如式(4)所示：
K(xi,xj)＝exp(-β||xi-xj||2) (4)
式(4)中，β表示核函数参数；
β、C、αi和αj均为待优化参数。
进一步地，所述步骤4)中，首先，将支持向量机的参数优化问题转换为如下求解数学模型：
然后，为获得较好的预测性能，将核函数参数β和惩罚系数C作为待寻优的参数，利用粒子群算法对其进行寻优，并求解相应的αi和αj的值，包括以下步骤：
4.1)生成初始粒子群；根据β和C的给定变化区间随机生成一组初始粒子群其元素是由β和C组成的二维向量，表示每个粒子在二维搜索空间中的位置；将每个粒子对应的β和C分别代入式(5)，求解相应的αi和αj的值；然后将每个粒子对应的β、C、以及相应的αi和αj带入式(3)，利用式(3)对各个测试样本进行低电压预测，统计预测正确率作为粒子的适应度值；使用向量Pe＝(pe1,pe2,…,peR)记录每个粒子的历史最优位置(每个粒子的历史最大适应度值对应的粒子位置)，使用向量pge记录粒子群的全局最优位置(所有粒子的历史最大适应度值对应的粒子位置)；设置粒子群的初始速度向量为其元素均为2维零向量；
4.2)在第k次迭代过程中，分别按照式(6)和式(7)更新粒子的速度和位置：
式(6)中，k>1，ω是惯性因子，其初始值为0.9，且每经过一次迭代其值减小0.02，但最低不小于0.1；a1和a2是学习因子，其值可设为常数；r1和r2是0～1之间的随机数，每次迭代时需重新选取；如果根据式(7)更新的粒子位置超过了β或C的给定变化区间，则将β或C设置为其区间的上/下限值；
4.3)计算粒子群更新后的适应度值，并更新向量Pe和pge；输出pge两个元素作为核函数参数β和惩罚系数C，代入式(5)，求解相应的αi和αj的值；然后将β、C、以及求解得到的αi和αj代入至式(3)得到配电网低电压预测模型，应用该模型对各个测试样本进行预测，统计出预测正确率；判断测试样本的预测正确率是否高于设定阈值，若是，则迭代结束，输出pge及相应的αi和αj的值作为参数寻优结果，否则重新根据式(6)和式(7)进行下一次迭代。
进一步地，所述步骤4.3)中，设定阈值为95％。
进一步地，所述步骤5)中，最终的配电网低电压预测结果确定方式为：
5.1)如果基于两类指标集构建的预测模型的预测结果均为-1，则最终预测结果为“电压正常”。
5.2)如果基于两类指标集构建的预测模型中任意一个的预测结果为1，则最终预测结果为“低电压”。
有益效果：
1、采用线路参数、采集数据等多源信息分析配电网低电压成因，避免了信息单一化可能造成的缺失，充分利用了大数据平台信息多样性的优势。
2、将多源信息划分为不同指标集，利用各类指标集对应的数据分别进行低电压预测，降低了支持向量机算法的数据维度和训练时间，为扩展训练样本的规模创造了条件。
3、采用粒子群算法对支持向量机预测模型的参数进行优化，能提高预测结果的准确性。
附图说明
图1为本发明实施流程示意图。
具体实施方式
下面结合实例及附图对本发明作进一步说明。
一种基于支持向量机的配电网低电压预测方法，包括以下步骤：
1)从配电网低电压成因及影响因素中，筛选出不同类型的指标；
2)从现有的各种信息系统(包括生产管理系统、能量管理系统、地理信息系统、用电信息采集系统、营销系统)中提取指标样本数据，构建不同类型的指标集(按指标所属类型将指标数据划分为不同的指标集)；
3)基于不同类型的指标集，分别构造基于支持向量机的配电网低电压预测模型；
4)利用粒子群算法对各预测模型中待优化参数进行参数寻优；
5)将寻优得到的参数代入预测模型，并将待测配电网的指标数据输入各预测模型，利用各预测模型分别对配电网低电压进行预测；综合各预测结果，得到最终的配电网低电压预测结果(若输入的数据为配电网当前的指标数据，则预测结果为配电网当前的低电压状态，即配电网当前电压为正常电压或低电压)。
进一步地，所述步骤1)中，基于现有配电网低电压现状，挖掘分析配电网低电压成因及影响因素，筛选出线路参数和线路运行两类指标，其中，线路参数指标具体包括线径大小、供电半径和配变容量这三项指标(从生产管理系统、地理信息系统、营销系统中获得)；线路运行指标具体包括电压有效值、故障次数、电流有效值和低压投诉频率这四项指标(从能量管理系统、用电信息采集系统、营销系统中获得)；基于提取的指标数据，分别构建线路参数指标集和线路运行指标集；将线路参数指标集记为{(si,ti)|i＝1,2,…,L}，将线路运行指标集记为{(ui,vi)|i＝1,2,…,M}；其中，L为线路参数指标集中指标样本数据的组数，si为第i组线路参数指标样本数据，是由线径大小、供电半径、配变容量作为坐标值的三维向量；M为线路运行指标集中指标样本数据的组数，ui为第i组线路运行指标样本数据，是由电压有效值、电流有效值、故障次数、低压投诉频率为坐标值的四维向量；ti和vi分别是对应于si和ui的配电网低电压状态值，取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压。
进一步地，所述步骤3)中，首先对指标集中的指标数据进行预处理，再利用其构造基于支持向量机的配电网低电压预测模型；所述步骤5)中，首先对待测配电网的指标数据进行预处理，再将其代入预测模型进行预测；所述预处理包括数据饱和以及归一化处理；其中，数据饱和是为了避免异常数据取值范围过大对各项指标的预测灵敏度产生干扰，归一化是为了以相同的尺度衡量不同取值范围的指标数据对低电压预测结果的影响；数据饱和与归一化处理的公式分别如式(1)和式(2)所示：
z′＝min(z,zrate) (1)
其中，z表示指标数据的原始值；zrate表示指标数据的给定上限值；zmin表示指标数据中的最小值；z′表示z的饱和处理结果；z″表示z′的归一化处理结果。
进一步地，所述步骤3)中，将预处理后的指标集中的数据划分为训练样本和测试样本，方法为：对预处理后的指标集中的每组数据按顺序标注序号(1，2，3，……)，然后采用随机数生成算法产生最大序号范围内的随机数，将以产生的随机数为序号的数据作为训练样本，通过这种方式从线路参数指标集和线路运行指标集中挑选出80％的样本数据作为训练样本，剩余的20％样本数据作为测试样本。
进一步地，所述步骤3)中，基于支持向量机的配电网低电压预测模型如式(3)所示：
其中，x为预测模型输入数据，即待预测配电网的指标数据，f(x)为预测模型输出，即对应于x的配电网低电压状态值，其取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压；N为指标集中训练样本的个数，xi和xj分别是第i和j个训练样本对应的指标样本数据；yi和yj分别是对应于xi和xj的配电网低电压状态值(基于线路参数指标集构建预测模型时，xi＝si，相应的配电网低电压状态值yi＝ti，x为待预测配电网的线路参数指标数据；基于线路运行指标集构建预测模型时，xi＝ui，相应的配电网低电压状态值yi＝vi，x为待预测配电网的线路运行指标数据)；αi和αj分别为与xi和xj对应的拉格朗日乘子；C是惩罚系数；K(xi,xj)是径向基核函数，其表达式如式(4)所示：
K(xi,xj)＝exp(-β||xi-xj||2) (4)
式(4)中，β表示核函数参数；
β、C、αi和αj均为待优化参数。
进一步地，所述步骤4)中，首先，将支持向量机的参数优化问题转换为如下求解数学模型：
然后，为获得较好的预测性能，将核函数参数β和惩罚系数C作为待寻优的参数，利用粒子群算法对其进行寻优，并求解相应的αi和αj的值，包括以下步骤：
4.1)生成初始粒子群；根据β和C的给定变化区间随机生成一组初始粒子群其元素是由β和C组成的二维向量，表示每个粒子在二维搜索空间中的位置；将每个粒子对应的β和C分别代入式(5)，求解相应的αi和αj的值；然后将每个粒子对应的β、C、以及相应的αi和αj带入式(3)，利用式(3)对各个测试样本进行低电压预测，统计预测正确率作为粒子的适应度值；使用向量Pe＝(pe1,pe2,…,peR)记录每个粒子的历史最优位置(每个粒子的历史最大适应度值对应的粒子位置)，使用向量pge记录粒子群的全局最优位置(所有粒子的历史最大适应度值对应的粒子位置)；设置粒子群的初始速度向量为其元素均为2维零向量；
4.2)在第k次迭代过程中，分别按照式(6)和式(7)更新粒子的速度和位置：
式(6)中，k>1，ω是惯性因子，其初始值为0.9，且每经过一次迭代其值减小0.02，但最低不小于0.1；a1和a2是学习因子，其值可设为常数；r1和r2是0～1之间的随机数，每次迭代时需重新选取；如果根据式(7)更新的粒子位置超过了β或C的给定变化区间，则将β或C设置为其区间的上/下限值；
4.3)计算粒子群更新后的适应度值，并更新向量Pe和pge；输出pge两个元素作为核函数参数β和惩罚系数C，代入式(5)，求解相应的αi和αj的值；然后将β、C、以及求解得到的αi和αj代入至式(3)得到配电网低电压预测模型，应用该模型对各个测试样本进行预测，统计出预测正确率；判断测试样本的预测正确率是否高于设定阈值，若是，则迭代结束，输出pge及相应的αi和αj的值作为参数寻优结果，否则重新根据式(6)和式(7)进行下一次迭代。
进一步地，所述步骤4.3)中，设定阈值为95％。
进一步地，所述步骤5)中，最终的配电网低电压预测结果确定方式为：
5.1)如果基于两类指标集构建的预测模型的预测结果均为-1，则最终预测结果为“电压正常”。
5.2)如果基于两类指标集构建的预测模型中任意一个的预测结果为1，则最终预测结果为“低电压”。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于支持向量机的配电网低电压预测方法，其特征在于，包括以下步骤：
1)从配电网低电压成因及影响因素中，筛选出不同类型的指标；
2)从现有的各种信息系统中提取指标样本数据，构建不同类型的指标集；
3)基于不同类型的指标集，分别构造基于支持向量机的配电网低电压预测模型；
4)利用粒子群算法对各预测模型中待优化参数进行参数寻优；
5)将寻优得到的参数代入预测模型，并将待测配电网的指标数据输入各预测模型，利用各预测模型分别对配电网低电压进行预测；综合各预测结果，得到最终的配电网低电压预测结果。
2.根据权利要求1所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤1)中，基于现有配电网低电压现状，挖掘分析配电网低电压成因及影响因素，筛选出线路参数和线路运行两类指标，其中，线路参数指标具体包括线径大小、供电半径和配变容量这三项指标；线路运行指标具体包括电压有效值、故障次数、电流有效值和低压投诉频率这四项指标；基于提取的指标数据，分别构建线路参数指标集和线路运行指标集；将线路参数指标集记为{(si,ti)|i＝1,2,…,L}，将线路运行指标集记为{(ui,vi)|i＝1,2,…,M}；其中，L为线路参数指标集中指标样本数据的组数，si为第i组线路参数指标样本数据，是由线径大小、供电半径、配变容量作为坐标值的三维向量；M为线路运行指标集中指标样本数据的组数，ui为第i组线路运行指标样本数据，是由电压有效值、电流有效值、故障次数、低压投诉频率为坐标值的四维向量；ti和vi分别是对应于si和ui的配电网低电压状态值，取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压。
3.根据权利要求2所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤3)中，首先对指标集中的指标数据进行预处理，再利用其构造基于支持向量机的配电网低电压预测模型；所述步骤5)中，首先对待测配电网的指标数据进行预处理，再将其代入预测模型进行预测；所述预处理包括数据饱和以及归一化处理；数据饱和与归一化处理的公式分别如式(1)和式(2)所示：
z′＝min(z,zrate) (1)
<mrow>
<msup>
<mi>z</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>z</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，z表示指标数据的原始值；zrate表示指标数据的给定上限值；zmin表示指标数据中的最小值；z′表示z的饱和处理结果；z″表示z′的归一化处理结果。
4.根据权利要求3所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤3)中，将预处理后的指标集中的数据划分为训练样本和测试样本，方法为：对预处理后的指标集中的每组数据按顺序标注序号，然后采用随机数生成算法产生最大序号范围内的随机数，将以产生的随机数为序号的数据作为训练样本，通过这种方式从线路参数指标集和线路运行指标集中挑选出80％的样本数据作为训练样本，剩余的20％样本数据作为测试样本。
5.根据权利要求2所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤3)中，基于支持向量机的配电网低电压预测模型如式(3)所示：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>j</mi>
<mo>|</mo>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mi>C</mi>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，x为预测模型输入数据，即待预测配电网的指标数据，f(x)为预测模型输出，即对应于x的配电网低电压状态值，其取值为-1或1，其中取值为-1表示正常电压，取值为1表示低电压；N为指标集中训练样本的个数，xi和xj分别是第i和j个训练样本对应的指标样本数据；yi和yj分别是对应于xi和xj的配电网低电压状态值；基于线路参数指标集构建预测模型时，xi＝si，相应的配电网低电压状态值yi＝ti，x为待预测配电网的线路参数指标数据；基于线路运行指标集构建预测模型时，xi＝ui，相应的配电网低电压状态值yi＝vi，x为待预测配电网的线路运行指标数据；αi和αj分别为与xi和xj对应的拉格朗日乘子；C是惩罚系数；K(xi,xj)是径向基核函数，其表达式如式(4)所示：
K(xi,xj)＝exp(-β||xi-xj||2) (4)
式(4)中，β表示核函数参数；
β、C、αi和αj均为待优化参数。
6.根据权利要求1所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤4)中，首先，将支持向量机的参数优化问题转换为如下求解数学模型：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mi>C</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
然后，为获得较好的预测性能，将核函数参数β和惩罚系数C作为待寻优的参数，利用粒子群算法对其进行寻优，并求解相应的αi和αj的值，包括以下步骤：
4.1)生成初始粒子群；根据β和C的给定变化区间随机生成一组初始粒子群其元素是由β和C组成的二维向量，表示每个粒子在二维搜索空间中的位置；将每个粒子对应的β和C分别代入式(5)，求解相应的αi和αj的值；然后将每个粒子对应的β、C、以及相应的αi和αj带入式(3)，利用式(3)对各个测试样本进行低电压预测，统计预测正确率作为粒子的适应度值；使用向量Pe＝(pe1,pe2,…,peR)记录每个粒子的历史最优位置，使用向量pge记录粒子群的全局最优位置；设置粒子群的初始速度向量为其元素均为2维零向量；
4.2)在第k次迭代过程中，分别按照式(6)和式(7)更新粒子的速度和位置：
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式(6)中，k>1，ω是惯性因子，其初始值为0.9，且每经过一次迭代其值减小0.02，但最低不小于0.1；a1和a2是学习因子；r1和r2是0～1之间的随机数，每次迭代时需重新选取；如果根据式(7)更新的粒子位置超过了β或C的给定变化区间，则将β或C设置为其区间的上/下限值；
4.3)计算粒子群更新后的适应度值，并更新向量Pe和pge；输出pge两个元素作为核函数参数β和惩罚系数C，代入式(5)，求解相应的αi和αj的值；然后将β、C、以及求解得到的αi和αj代入至式(3)得到配电网低电压预测模型，应用该模型对各个测试样本进行预测，统计出预测正确率；判断测试样本的预测正确率是否高于设定阈值，若是，则迭代结束，输出pge及相应的αi和αj的值作为参数寻优结果，否则重新根据式(6)和式(7)进行下一次迭代。
7.根据权利要求6所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤4.3)中，设定阈值为95％。
8.根据权利要求1所述的基于支持向量机的配电网低电压预测方法，其特征在于，所述步骤5)中，最终的配电网低电压预测结果确定方式为：
5.1)如果基于两类指标集构建的预测模型的预测结果均为-1，则最终预测结果为“电压正常”。
5.2)如果基于两类指标集构建的预测模型中任意一个的预测结果为1，则最终预测结果为“低电压”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711154223.3A CN107834551A (zh) | 2017-11-20 | 2017-11-20 | 一种基于支持向量机的配电网低电压预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711154223.3A CN107834551A (zh) | 2017-11-20 | 2017-11-20 | 一种基于支持向量机的配电网低电压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107834551A true CN107834551A (zh) | 2018-03-23 |
Family
ID=61652860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711154223.3A Pending CN107834551A (zh) | 2017-11-20 | 2017-11-20 | 一种基于支持向量机的配电网低电压预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107834551A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549995A (zh) * | 2018-04-24 | 2018-09-18 | 江苏电力信息技术有限公司 | 一种通过数据挖掘实现配网公变电压异常决策分析的方法 |
| CN110212529A (zh) * | 2019-06-24 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配电网低电压台区预警方法 |
| CN111668829A (zh) * | 2020-05-11 | 2020-09-15 | 国网福建省电力有限公司 | 一种基于气象特征因子的配电网低电压用户数预测方法 |
| CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
| CN115640880A (zh) * | 2022-09-30 | 2023-01-24 | 海南电网有限责任公司 | 一种基于支持向量机的薄弱环节预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力系统稳定评估及控制方法 |
| CN103967478A (zh) * | 2014-05-21 | 2014-08-06 | 北京航空航天大学 | 一种基于电导探针的垂直井流型辨识方法 |
| US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
-
2017
- 2017-11-20 CN CN201711154223.3A patent/CN107834551A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力系统稳定评估及控制方法 |
| CN103967478A (zh) * | 2014-05-21 | 2014-08-06 | 北京航空航天大学 | 一种基于电导探针的垂直井流型辨识方法 |
| US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
Non-Patent Citations (1)
| Title |
|---|
| 毛亚明，许元斌: "基于大数据挖掘的低电压成因诊断方法", 《信息技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549995A (zh) * | 2018-04-24 | 2018-09-18 | 江苏电力信息技术有限公司 | 一种通过数据挖掘实现配网公变电压异常决策分析的方法 |
| CN110212529A (zh) * | 2019-06-24 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配电网低电压台区预警方法 |
| CN111668829A (zh) * | 2020-05-11 | 2020-09-15 | 国网福建省电力有限公司 | 一种基于气象特征因子的配电网低电压用户数预测方法 |
| CN111668829B (zh) * | 2020-05-11 | 2022-08-05 | 国网福建省电力有限公司 | 一种基于气象特征因子的配电网低电压用户数预测方法 |
| CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
| CN113484669B (zh) * | 2021-06-23 | 2022-10-11 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
| CN115640880A (zh) * | 2022-09-30 | 2023-01-24 | 海南电网有限责任公司 | 一种基于支持向量机的薄弱环节预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107834551A (zh) | 一种基于支持向量机的配电网低电压预测方法 | |
| Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
| Bu et al. | A data-driven game-theoretic approach for behind-the-meter PV generation disaggregation | |
| Pinzón et al. | Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN104408667B (zh) | 一种电能质量综合评估的方法和系统 | |
| CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN104573906B (zh) | 用于分析电力传输系统中的振荡稳定性的系统和方法 | |
| Yuan et al. | Outage detection in partially observable distribution systems using smart meters and generative adversarial networks | |
| CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
| Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
| Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| Shin et al. | Spatiotemporal load-analysis model for electric power distribution facilities using consumer meter-reading data | |
| Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
| Guo et al. | The effect of quality and availability of measurement signals on accuracy of on-line prediction of transient stability using decision tree method | |
| CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
| Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
| CN112288172A (zh) | 台区线损率的预测方法、装置 | |
| Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
| Moloi et al. | Fault detection in power system integrated network with distribution generators using machine learning algorithms | |
| Guo et al. | On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties | |
| Zhang et al. | Measurement‐based dynamic load modelling using time‐domain simulation and parallel‐evolutionary search | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |
|
| RJ01 | Rejection of invention patent application after publication |