CN108923413A - 基于支持向量机的电压质量预测方法 - Google Patents
基于支持向量机的电压质量预测方法 Download PDFInfo
- Publication number
- CN108923413A CN108923413A CN201810503006.9A CN201810503006A CN108923413A CN 108923413 A CN108923413 A CN 108923413A CN 201810503006 A CN201810503006 A CN 201810503006A CN 108923413 A CN108923413 A CN 108923413A
- Authority
- CN
- China
- Prior art keywords
- data
- minimum
- peak
- voltage
- formula
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于支持向量机的电压质量预测方法,包括六个步骤:其中,步骤一,从数据库获取待预测日前三天的环境温度的最高值与最低值、有功负荷的最高值与最低值、无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电压合格率作为训练数据及测试数据;步骤二,对步骤一中采集数据进行预处理,即根据公式(1)将所述训练数据及测试数据进行归一化使数值范围处在[0,1],步骤三至六利用上述数据设置支持向量机预测模型预测电压质量。应用本技术方案提供的电压质量预测方法步骤简单,便于计算,易于实现。
Description
技术领域
本发明涉及电压质量预测领域,具体是指一种基于支持向量机的电压质量 预测方法。
背景技术
电压的波动对电力系统负荷的稳定运行和寿命都会产生一定的影响,所以 电压质量对电力系统的安全、经济输送起到了重要作用,因此,分析及预测出 电压质量的稳定性,然后采取必要的防护措施,对于加强电网电压质量的管理 和考核,优化和完善提高电网电压质量的技术措施,进一步全面提高电网电压 质量具有重要意义。
目前来看,国内对电压质量的预测推断相对较少。文献[电压质量预测软 件设计与开发]通过将传统的惯用法、统计法等方法进行加权组合,建立预测 模型预测电压质量,虽然一定程度解决单独使用一种预测模型可能导致的误差 过大问题,但电压质量影响因素具有多维性、复杂性,难以适应现有的某个或 多个统计模型,适用范围有局限。
发明内容
本发明的目的在于克服上述现有技术中的不足,提供一种基于支持向量机 的电压质量预测方法,这种方法步骤简单,便于计算,易于实现。
为了解决上述技术问题,本发明提供了一种基于支持向量机的电压质量预 测方法,包括以下步骤:
步骤一,从数据库获取待预测日前三天的环境温度的最高值与最低值、有 功负荷的最高值与最低值、无功负荷的最高值与最低值、母线电压水平的最高 值与最低值、电压合格率作为训练数据及测试数据;
步骤二,对所述环境温度的最高值与最低值、有功负荷的最高值与最低值、 无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电压合格率进 行预处理,即根据公式(1)将所述训练数据及测试数据进行归一化使数值范 围处在[0,1];
式中i=1,2,...,n,表示第i组数据;j=1,2,...,38,表示第j维数据,Iij表示经预处理后所述训练数据及测试数据,I′ij表示所述训练数据及测试数据 经归一化后的数值;
步骤三,将预处理后的数据集作为支持向量机的输入,构造输入样本集;
步骤四,采用Gridregression搜索支持向量机容错惩罚系数C、偏离程度 系数ε及核宽度系数σ最优参数,确定模型参数;
步骤五,通过步骤二得到归一化的数值后,结合历史数据构成的训练样本 (xi,yi),i=1,2,...,n,表示第i组数据,其中yi∈{+1,-1};通过超平面方程 w·xi+b=0,将所述训练样本分为两类:
其中,w为平行于超平面的n维向量,b为w·xi;
支持向量机的最优超平面是一个使得分类边缘最大的超平面,即使得 最大,所以求解最优超平面,即目标函数为
式中引入非负的松弛变量ξi和以度量训练样本的偏离程度系数ε,构 造容错惩罚系数C以控制超出误差的样本惩罚程度,式(4)约束条件为
上面的优化函数是个二次规划问题,引入拉格朗日乘子αi,ηi,得到
求最优解有
根据拉格朗日对偶性原理,上述目标函数等效转换为
上式满足以下条件
采用LIBSVM工具箱中函数train-svm的计算,得到偏差b和拉格朗日系 数α,α*,从而得出如下式的预测模型:
式中xi为训练数据,i=1,2,...,n,x为待预测数据,K为核函数,其中,
步骤六,根据历史数据训练好的预测模型式(10),将预测样本数据输入 SVM工具箱中函数predict-svm进行计算,完成对待预测日电压合格率的预测。
在一较佳的实施例中,在理想状态下,使得最大,求解最优超平面的
上式应满足约束条件:yi(w·xi+b)-1≥0,i=1,2,...,n。
在一较佳的实施例中,所述数据库包括中国气象网、科东系统、用电信息 采集系统。
相较于现有技术,本发明的技术方案具备以下有益效果:
本发明提供了一种基于支持向量机的电压质量预测方法,可高效完成对被 预测日的电压合格率的预测,即可提前对相关变电站的电网电压无功优化自动 控制系统(AVC)进行调节控制,避免电压波动对电力系统负荷的稳定运行和 寿命产生消极影响,步骤简单,便于计算,易于实现。并且,通过检验,本发 明提供的支持向量机预测模型不仅可以自主学习,主动跟踪纠正误差,且不受 维数、样本容量和非线性的限制,在选择合适的参数后,即可保证结果具有稳 健性,无需考虑是否符合现有某个或多个统计组合模型,适用范围更广,预测 精度也更高
具体实施方式
下文结合具体实施方式对本发明做进一步说明。
一种基于支持向量机的电压质量预测方法,包括以下步骤:
步骤一,从数据库即中国气象网、科东系统、用电信息采集系统或是网站 及系统获取待预测日前三天的环境温度的最高值与最低值、有功负荷的最高值 与最低值、无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电 压合格率作为训练数据及测试数据;
步骤二,对所述环境温度的最高值与最低值、有功负荷的最高值与最低值、 无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电压合格率进 行预处理,即根据公式(1)将所述训练数据及测试数据进行归一化使数值范 围处在[0,1];
式中i=1,2,...,n,表示第i组数据;j=1,2,...,38,表示第j维数据,Iij表示经预处理后所述训练数据及测试数据,I′ij表示所述训练数据及测试数据 经归一化后的数值;
步骤三,将预处理后的数据集作为支持向量机的输入,构造输入样本集;
具体来说,若是提前一天预测电压质量,选取38维数据集作为支持向量 机的输入:其中预测日前三天的历史电压合格率3维;气象因素8维,分别是 环境温度的最高值与最低值即预测日及其前三天的日最高温度、日最低温度; 有功负荷6维,分别是有功负荷的最高值与最低值即预测日前三天的日最高有 功功率、日最低有功功率;无功负荷6维,分别是无功负荷的最高值与最低值 即预测日前三天的日最高无功功率、日最低无功功率;母线电压6维,分别是 母线电压水平的最高值与最低值即预测日前三天的日最高母线电压、日最低母 线电压;日类型9维,表示1月1日到12月31日,如[1 0 1 1 0 1 1 0 1] 表示12月31日。
步骤四,采用Gridregression搜索支持向量机容错惩罚系数C、偏离程度 系数ε及核宽度系统σ最优参数,确定模型参数;
步骤五,已知所述支持向量机是基于统计学习理论构建的典型神经网络, 它通过建立一个最优分类超平面,使得该平面两侧的两类样本之间的距离最大 化,从而对分类问题提供很好的泛化能力。通过步骤二得到归一化的数值后, 结合历史数据构成的训练样本(xi,yi),i=1,2,...,n,表示第i组数据,其中 yi∈{+1,-1};通过超平面方程w·x+b=0,将所述训练样本分为两类:
其中,w为平行于超平面的n维向量,b为w·xi;
在理想状态下,支持向量机的最优超平面是一个使得分类边缘最大的超平 面,即使得最大,所以求解最优超平面,即目标函数为
上式应满足约束条件:yi(w·xi+b)-1≥0,i=1,2,...,n;
但往往不是所有训练数据都可以在偏离程度系数ε下无误差地进行线性 函数拟合,因此,式(3)转化为下面的式子,即
式中引入非负的松弛变量ξi和以度量训练样本的偏离程度系数ε,构造 容错惩罚系数C以控制超出误差的样本惩罚程度,式(3)约束条件为
上面的优化函数是个二次规划问题,引入拉格朗日乘子αi,ηi,得到
求最优解有
根据拉格朗日对偶性原理,上述目标函数等效转换为
上式满足以下条件
对于非线性情况,通常采用适当的核函数K代替高维空间中的向量内积就 可实现某一线性变换后的线性拟合,本发明通过Gridregression确定了支持 向量机容错惩罚系数C及核宽度系数σ最优参数,采用LIBSVM工具箱中函数
* train-svm的计算,得到偏差b和拉格朗日系数α,α,从而得出如下式的 预测模型:
式中xi为训练数据,i=1,2,...,n,x为待预测数据,K为核函数,其中,
步骤六,根据历史数据训练好的预测模型式(10),将预测样本数据输入 SVM工具箱中函数predict-svm进行计算,完成对待预测日电压合格率的预测。 即可提前对相关变电站的电网电压无功优化自动控制系统(AVC)进行调节控 制,避免电压波动对电力系统负荷的稳定运行和寿命产生消极影响,步骤简单, 便于计算,易于实现。
下面介绍一具体例子来补充说明本发明提供的基于支持向量机的电压质 量预测方法:
根据某地市公司JT轮胎厂历史电压合格率情况,整理导出360组训练样 本,10组测试样本。
本发明首先根据步骤一至步骤三将上述训练样本构成训练集为 {(x1,y1),(x2,y2),...,(x360,y360)},其中,xi∈R38,yi∈(0,1]。接着,通过步骤 四采用Gridregression确定了支持向量机容错惩罚系数C、偏离程度系数ε及 核宽度系统σ最优参数,分别为64、0.051、8。然后根据步骤五通过SVM工 具箱中函数train-svm计算得到预测模型traindata.model,最后,根据步骤 6)结合预测模型,将预测样本数据输入SVM工具箱中函数predict-svm计算 出预测结果,如下表1所示:
表1支持向量机预测结果
由表1所示:通过对组合预测模型、支持向量机预测模型的对比分析,支 持向量机预测模型在准确度和预测精度要优于组合预测模型,其误差均方差 MSE要比组合预测模型小5倍多。因此,通过检验,支持向量机预测模型不仅 可以自主学习,主动跟踪纠正误差,且不受维数、样本容量和非线性的限制, 在选择合适的参数后,即可保证结果具有稳健性,无需考虑是否符合现有某个 或多个统计组合模型,适用范围更广,预测精度也更高。
以上所述,仅为本发明较佳的具体实施方式,但本发明的设计构思并不局 限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,利用此 构思对本发明进行非实质性的改动,均属于侵犯本发明保护范围的行为。
Claims (3)
1.一种基于支持向量机的电压质量预测方法,其特征在于包括以下步骤:
步骤一,从数据库获取待预测日前三天的环境温度的最高值与最低值、有功负荷的最高值与最低值、无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电压合格率作为训练数据及测试数据;
步骤二,对所述环境温度的最高值与最低值、有功负荷的最高值与最低值、无功负荷的最高值与最低值、母线电压水平的最高值与最低值、电压合格率进行预处理,即根据公式(1)将所述训练数据及测试数据进行归一化使数值范围处在[0,1];
式中i=1,2,...,n,表示第i组数据;j=1,2,...,38,表示第j维数据,Iij表示经预处理后所述训练数据及测试数据,I′ij表示所述训练数据及测试数据经归一化后的数值;
步骤三,将预处理后的数据集作为支持向量机的输入,构造输入样本集;
步骤四,采用Gridregression搜索支持向量机容错惩罚系数C、偏离程度系数ε及核宽度系数σ最优参数,确定模型参数;
步骤五,通过步骤二得到归一化的数值后,结合历史数据构成的训练样本(xi,yi),i=1,2,...,n,表示第i组数据,其中yi∈{+1,-1};通过超平面方程w·xi+b=0,将所述训练样本分为两类:
其中,w为平行于超平面的n维向量,b为w·xi;
支持向量机的最优超平面是一个使得分类边缘最大的超平面,即使得最大,所以求解最优超平面,即目标函数为
式中引入非负的松弛变量ξi和以度量训练样本的偏离程度系数ε,构造容错惩罚系数C以控制超出误差的样本惩罚程度,式(4)约束条件为
上面的优化函数是个二次规划问题,引入拉格朗日乘子αi,ηi,得到
求最优解有
根据拉格朗日对偶性原理,上述目标函数等效转换为
上式满足以下条件
采用LIBSVM工具箱中函数train-svm的计算,得到偏差b和拉格朗日系数α,α*,从而得出如下式的预测模型:
式中xi为训练数据,i=1,2,...,n,x为待预测数据,K为核函数,其中,
步骤六,根据历史数据训练好的预测模型式(10),将预测样本数据输入SVM工具箱中函数predict-svm进行计算,完成对待预测日电压合格率的预测。
2.根据权利要求1所述的基于支持向量机的电压质量预测方法,其特征在于,在理想状态下,使得最大,求解最优超平面的目标函数为
上式应满足约束条件:yi(w·xi+b)-1≥0,i=1,2,...,n。
3.根据权利要求1所述的基于支持向量机的电压质量预测方法,其特征在于,所述数据库包括中国气象网、科东系统、用电信息采集系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503006.9A CN108923413A (zh) | 2018-05-23 | 2018-05-23 | 基于支持向量机的电压质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503006.9A CN108923413A (zh) | 2018-05-23 | 2018-05-23 | 基于支持向量机的电压质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108923413A true CN108923413A (zh) | 2018-11-30 |
Family
ID=64404125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810503006.9A Pending CN108923413A (zh) | 2018-05-23 | 2018-05-23 | 基于支持向量机的电压质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108923413A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882416A (zh) * | 2021-01-13 | 2021-06-01 | 大连理工大学 | 一种用于电流输入装置自适应降低功耗的电路 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网系统电压稳定预测装置及方法 |
CN105807136A (zh) * | 2016-03-17 | 2016-07-27 | 国网上海市电力公司 | 一种基于加权支持向量机的谐波发射水平估计方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
-
2018
- 2018-05-23 CN CN201810503006.9A patent/CN108923413A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网系统电压稳定预测装置及方法 |
CN105807136A (zh) * | 2016-03-17 | 2016-07-27 | 国网上海市电力公司 | 一种基于加权支持向量机的谐波发射水平估计方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
Non-Patent Citations (1)
Title |
---|
汤昶烽等: "基于因子分析和支持向量机的电网故障风险评估", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882416A (zh) * | 2021-01-13 | 2021-06-01 | 大连理工大学 | 一种用于电流输入装置自适应降低功耗的电路 |
CN112882416B (zh) * | 2021-01-13 | 2022-01-04 | 大连理工大学 | 一种用于电流输入装置自适应降低功耗的电路 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN107067092A (zh) | 一种特高压输变电工程造价组合预测方法及预测装置 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
Zhang et al. | Transfer learning featured short-term combining forecasting model for residential loads with small sample sets | |
CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN108923413A (zh) | 基于支持向量机的电压质量预测方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN105426987A (zh) | 一种基于燃煤机组运行班组行为分析的用煤量预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |