CN109816555A - 一种基于支持向量机的负荷建模方法 - Google Patents

Abstract

本申请公开了一种基于支持向量机的负荷建模方法，包括以下步骤：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；获取PMU数据，对PMU数据进行数据检测和平滑处理，得到待使用数据；通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；通过优化后的支持向量机参数和训练数据组，根据拉格朗日优化方法，得到优化负荷模型。本申请提供的基于支持向量机的负荷建模方法中支持向量机能够较好的解决传统学习算法中存在的小样本、非线性、高维数、局部极小点等问题，具有很强的泛化能力，能够保证负荷模型和参数的准确性，精确仿真负荷动态行为。

Description

一种基于支持向量机的负荷建模方法

技术领域

本申请涉及电力系统领域，尤其涉及一种基于支持向量机的负荷建模方法。

背景技术

目前，电力系统数字仿真已成为电力系统运行、规划和科研的主要工具。电力系统各元件的数学模型是仿真工作的基础，模型的失真将直接影响运行、规划的决策方案，对电力系统构成潜在危险或造成不必要的资源浪费。目前，发电机控制和输电网络模型已相对成熟，但是负荷仿真模型仍较简单，对电力系统仿真结果准确性影响巨大。

电力负荷模型在电网仿真分析计算中至关重要，负荷模型对稳定计算的结果影响甚大。然而，由于电力负荷具有复杂性、时变性和分布性等特点，使得电力系统负荷建模非常困难。在目前的电力系统仿真计算中，使用的负荷模型比较简单，仅仅是单一结构的负荷模型，这与精确的发电机、传输线路和变压器模型在一起，会严重的影响电力系统谐波的分析精度，成为整个电力系统仿真计算中提高精度的瓶颈。由于负荷模型需要辨识的参数较多，而传统算法存在解空间复杂，收敛速度慢，极易陷入局部最优解等问题。

发明内容

本申请提供了一种基于支持向量机的负荷建模方法，以解决现有负荷建模方法的不足。

本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：

步骤S1：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；

步骤S2：获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；

步骤S3：通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；

步骤S4：通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；

步骤S5：通过优化后的支持向量机参数和训练数据组，根据拉格朗日优化方法，得到优化负荷模型。

可选择的，所述根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型包括：

步骤S11：构建含有频率特性的三阶感应电动机模型；

步骤S12：构建含有频率特性的静态负荷模型；

步骤S13：根据所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型，将所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型并联，得到动态综合负荷模型。

可选择的，所述构建含有频率特性的三阶感应电动机模型包括：

步骤S111：获取电动机参数，所述电动机参数包括频率值、初始频率值、定子电阻、定子漏抗、转子电阻、转子漏抗、电动机激磁电抗、转子转速、转子的惯性时间常数、电动机的暂态电动势、定子的电流和机械转矩系数；

步骤S112：根据所述电动机参数，构建含有频率特性的三阶感应电动机模型。

可选择的，所述构建含有频率特性的静态负荷模型包括：

步骤S121：获取负荷参数，所述负荷参数包括静态有功功率、静态无功功率、有功功率中与电压平方成关系的组成比例、有功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、有功功率中与恒电流以及恒功率的组成比例、无功功率中与电压平方成关系的组成比例、无功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、无功功率中与恒电流以及恒功率的组成比例、频率的变化量、频率变化百分之一引起的有功变化百分数和频率变化百分之一引起的无功变化百分数；

步骤S122：根据所述负荷参数，构建含有频率特性的静态负荷模型。

可选择的，所述通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数包括：

步骤S31：获取支持向量机的参数，所述支持向量机的参数包括惩罚系数、允许误差和标准化参数；

步骤S32：通过粒子群算法，对所述支持向量机的参数进行优化。

由以上技术方案可知，本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；通过优化后的支持向量机参数和训练数据组组，根据拉格朗日优化方法，得到优化负荷模型。本申请提供的基于支持向量机的负荷建模方法中支持向量机避免了确定多层次网络结构带来的预测结果不稳定的问题，并且能够较好的解决传统学习算法中存在的小样本、非线性、高维数、局部极小点等问题，具有很强的泛化能力，本申请提供的基于支持向量机的负荷建模方法能够保证负荷模型和参数的准确性，精确仿真负荷动态行为，为电力系统安全稳定运行和规划设计提供可靠保障。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种基于支持向量机的负荷建模方法的一实施例的流程图；

图2为本申请提供的一种基于支持向量机的负荷建模方法的另一实施例的流程图；

图3为本申请提供的一种基于支持向量机的负荷建模方法的负荷模型的结构图；

图4为本申请提供的一种基于支持向量机的负荷建模方法的粒子群算法流程图。

图示说明：

其中，1-静态负荷模型；2-三阶感应电动机模型。

具体实施方式

下面结合本申请中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于再次描述的其他方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

参见图1，图1为本申请提供的一种基于支持向量机的负荷建模方法的一实施例的流程图。本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：

步骤S101：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；

步骤S102：获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；

步骤S103：通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；

步骤S104：通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；

步骤S105：通过优化后的支持向量机参数和训练数据组，根据拉格朗日优化方法，得到优化负荷模型。

由以上技术方案可知，本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；通过优化后的支持向量机参数和训练数据组组，根据拉格朗日优化方法，得到优化负荷模型。本申请提供的基于支持向量机的负荷建模方法中支持向量机避免了确定多层次网络结构带来的预测结果不稳定的问题，并且能够较好的解决传统学习算法中存在的小样本、非线性、高维数、局部极小点等问题，具有很强的泛化能力，本申请提供的基于支持向量机的负荷建模方法能够保证负荷模型和参数的准确性，精确仿真负荷动态行为，为电力系统安全稳定运行和规划设计提供可靠保障。

参见图2，图2为本申请提供的一种基于支持向量机的负荷建模方法的一实施例的流程图。本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：

步骤S201：获取电动机参数，所述电动机参数包括频率值、初始频率值、定子电阻、定子漏抗、转子电阻、转子漏抗、电动机激磁电抗、转子转速、转子的惯性时间常数、电动机的暂态电动势、定子的电流和机械转矩系数。

步骤S202：根据所述电动机参数，构建含有频率特性的三阶感应电动机模型。

上述含有频率特性的三阶感应电动机模型如下：

其中，

式中：Rs、X_s、R_r、X_r、X_m分别是等值电动机的定子电阻、定子漏抗、转子电阻、转子漏抗和电动机激磁电抗，ω为转子的转速，H为转子的惯性时间常数，Ed＇和Eq＇分别为为电动机d轴和q轴的暂态电动势，I_d和I_q分别为定子d轴和q轴的电流，A、B、C为机械转矩系数，f为频率、f0为初始频率。

步骤S203：获取负荷参数，所述负荷参数包括静态有功功率、静态无功功率、有功功率中与电压平方成关系的组成比例、有功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、有功功率中与恒电流以及恒功率的组成比例、无功功率中与电压平方成关系的组成比例、无功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、无功功率中与恒电流以及恒功率的组成比例、频率的变化量、频率变化百分之一引起的有功变化百分数和频率变化百分之一引起的无功变化百分数。

步骤S204：根据所述负荷参数，构建含有频率特性的静态负荷模型。

上述含有频率特性的静态负荷模型如下：

式中，P_Z+P_I+P_P＝1，Q_Z+Q_I+Q_P＝1。U和U₀分别为母线实际电压与母线额定电压；Ps和Qs分别为静态有功和无功功率，P_Z、P_I、P_P分别为负荷有功功率中与电压平方成关系、与电压成线性关系以及与电压无关的恒阻抗、恒电流以及恒功率的组成比例；Q_Z、Q_I、Q_P与之类同；L_DP为频率变化1％引起的有功变化百分数，L_DQ为频率变化1％引起的无功变化百分数；P为有功功率，Q为无功功率；△f为频率变化量。

步骤S205：根据所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型，将所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型并联(参见图3)，得到动态综合负荷模型。

为了使模型参数的基准容量能够动态的跟踪负荷初始功率的变化进而消除因负荷幅值变化引起的负荷时变性对建模的影响，特别定义了两个参数K_pm和M_lf，K_pm为等值电动机负荷在总负荷中所占的比例，K_pm如下式计算得到：

K_pm＝P₀′/P₀，

式中，P'₀为等值感应电动机负荷所消耗的初始有功，P₀为负荷总的初始有功功率；

M_lf为初始负荷率系数，M_lfRU如下式计算得到:

式中，S_MB为感应电动机的额定容量，U_B是负荷基准电压，U₀是负荷母线电压初始值,P'₀为等值感应电动机负荷所消耗的初始有功。

步骤S206：获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据。

对PMU(向量测量单元)数据进行异常数据检测和平滑处理，剔除不良数据。

PMU数据由电网中专有的测量设备获取。

数据异常是指由于测量设备问题造成数据脱离实际的突变，也即造成错误数据。例如：2、4、5、1000、2、5中，1000就是异常数据。

步骤S207：获取支持向量机的参数，所述支持向量机的参数包括惩罚系数、允许误差和标准化参数。

步骤S208：通过粒子群算法，对所述支持向量机的参数进行优化。

支持向量机中C、ε、σ(C为惩罚系数、ε为允许误差、σ为标准化参数)直接影响模型预测精度，基于粒子群算法对三个参数进行优化。

参见图4，为粒子群算法的流程图，粒子群算法的步骤如下：

(1)初始化粒子；

设定算法中涉及的各类参数：搜索空间的下限Ld和Ud，学习因子c1，c2，算法最大迭代次数Tmax，粒子速度范围[-vmax，vmax]；

随机初始化搜索点的位置xi及其速度vi，设当前位置即每个粒子的pbesti，从个体极值找出全体极值，记录该最好值的粒子序号g及其位置gbest。

(2)计算粒子适应值；

计算粒子的适应值(目标函数值)，如果好于该粒子当前的个体极值，则将pbesti设置为该粒子的位置，且更新个体极值；

如果所有粒子的个体极值中最好的好于当前的全局极值，则将gbest设置为该粒子的位置，更新全局极值及其序号g。

(3)更新个体历史最优值；

(4)更新全局最优值；

(5)更新粒子速度和位置，形成新种群；

用速度和位置公式对每一个粒子的速度和位置进行更新；

当vid>vmax时，令vid＝vmax，相反，当vid<vmax时，令vid＝-vmax。

(6)判断是否达到迭代次数，如果达到迭代次数，则结束；反之，则返回第二步。

如果当前的迭代次数达到了预先设定的最大次数Tmax，则停止迭代，输出最优解，否则转到步骤(2)。

步骤S209：通过所述动态综合负荷模型和所述待使用数据，构建训练数据组。

上述训练数据组表示为：(x₁,y₁),...(x_l,y_l)，训练数据组中的数据为动态综合负荷模型的数据和所述待使用数据。

步骤S210：通过优化后的支持向量机参数和训练数据组，根据拉格朗日优化方法，得到优化负荷模型。

给定一组训练数据(x₁,y₁),...(x_l,y_l)，通过支持向量机搜索最大间隔的超平面，可描述为下式：

其中，W表示权系数，b表示阈值。

利用拉格朗日优化方法把最优分类面问题转化为对偶问题问题，即在

的条件下对α求解以下函数的最小值：

式中，α_i和α_j为每个样本对应的拉格朗日乘子x,y为样本；

最终得到的最优分类函数为：

其中sgn{}为符号函数；b^*为分类阈值，分类阈值泛指一类变量，具体有典型数值。

在线性不可分的情况下，增加松弛变量ξ_i≥0，成为

其中，惩罚因子C＞0是一个常数，控制对错分样本的惩罚程度。

对非线性问题，通过某种非线性映射将输入特征X转化到一个高维特征空间，满足Mercer条件的核函数K(x_i·x_j)就可以在最优分类面中实现某一变换后的线性分类，此时目标函数变为：

最优分类函数为：

不同核函数可以实现输入空间类型的非线性决策面的支持向量机，使用最多的核函数主要有：

线性核函数：K(x_i·x)＝(x_i·x)

多项式核函数：K(x_i·x)＝[(x_i·x)+1]^q

径向基核函数：

两层感知核函数：K(x_i·x)＝tanh(ν(x_i·x)+c)。

由以上技术方案可知，本申请提供了一种基于支持向量机的负荷建模方法，所述基于支持向量机的负荷建模方法包括以下步骤：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；通过优化后的支持向量机参数和训练数据组组，根据拉格朗日优化方法，得到优化负荷模型。本申请提供的基于支持向量机的负荷建模方法中支持向量机避免了确定多层次网络结构带来的预测结果不稳定的问题，并且能够较好的解决传统学习算法中存在的小样本、非线性、高维数、局部极小点等问题，具有很强的泛化能力，本申请提供的基于支持向量机的负荷建模方法能够保证负荷模型和参数的准确性，精确仿真负荷动态行为，为电力系统安全稳定运行和规划设计提供可靠保障。

以上仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (5)

1.一种基于支持向量机的负荷建模方法，其特征在于，所述基于支持向量机的负荷建模方法包括以下步骤：

步骤S1：根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型；

步骤S2：获取PMU数据，所述PMU数据包括有功功率、无功功率、电压和频率，对PMU数据进行数据检测和平滑处理，得到待使用数据；

步骤S3：通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数；

步骤S4：通过所述动态综合负荷模型和所述待使用数据，构建训练数据组；

步骤S5：通过优化后的支持向量机参数和训练数据组，根据拉格朗日优化方法，得到优化负荷模型。

2.如权利要求1所述的基于支持向量机的负荷建模方法，其特征在于，所述根据三阶感应电动机模型和静态负荷模型，构建动态综合负荷模型包括：

步骤S11：构建含有频率特性的三阶感应电动机模型；

步骤S12：构建含有频率特性的静态负荷模型；

步骤S13：根据所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型，将所述含有频率特性的三阶感应电动机模型和所述含有频率特性的静态负荷模型并联，得到动态综合负荷模型。

3.如权利要求2所述的基于支持向量机的负荷建模方法，其特征在于，所述构建含有频率特性的三阶感应电动机模型包括：

步骤S111：获取电动机参数，所述电动机参数包括频率值、初始频率值、定子电阻、定子漏抗、转子电阻、转子漏抗、电动机激磁电抗、转子转速、转子的惯性时间常数、电动机的暂态电动势、定子的电流和机械转矩系数；

步骤S112：根据所述电动机参数，构建含有频率特性的三阶感应电动机模型。

4.如权利要求2所述的基于支持向量机的负荷建模方法，其特征在于，所述构建含有频率特性的静态负荷模型包括：

步骤S121：获取负荷参数，所述负荷参数包括静态有功功率、静态无功功率、有功功率中与电压平方成关系的组成比例、有功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、有功功率中与恒电流以及恒功率的组成比例、无功功率中与电压平方成关系的组成比例、无功功率中与电压成线性关系以及与电压无关恒阻抗的组成比例、无功功率中与恒电流以及恒功率的组成比例、频率的变化量、频率变化百分之一引起的有功变化百分数和频率变化百分之一引起的无功变化百分数；

步骤S122：根据所述负荷参数，构建含有频率特性的静态负荷模型。

5.如权利要求1所述的基于支持向量机的负荷建模方法，其特征在于，所述通过粒子群算法，对支持向量机中的参数进行优化，得到优化后的支持向量机参数包括：

步骤S31：获取支持向量机的参数，所述支持向量机的参数包括惩罚系数、允许误差和标准化参数；

步骤S32：通过粒子群算法，对所述支持向量机的参数进行优化。