CN117526328A - 一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 - Google Patents
一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 Download PDFInfo
- Publication number
- CN117526328A CN117526328A CN202311233628.1A CN202311233628A CN117526328A CN 117526328 A CN117526328 A CN 117526328A CN 202311233628 A CN202311233628 A CN 202311233628A CN 117526328 A CN117526328 A CN 117526328A
- Authority
- CN
- China
- Prior art keywords
- data
- mlssvr
- ihs
- power flow
- harmony
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 25
- 238000002347 injection Methods 0.000 claims description 14
- 239000007924 injection Substances 0.000 claims description 14
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 12
- 239000000243 solution Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于IHS‑MLSSVR数据驱动的非线性潮流回归方法,包括如下步骤:步骤1,收集电力系统各节点的历史运行数据,将数据划分为训练集和测试集对数据,并进行归一化处理,步骤2,建立MLSSVR非线性潮流回归模型;步骤3,设置IHS算法的参数,使用IHS算法对MLSSVR非线性潮流回归模型进行参数寻优,建立最优参数的MLSSVR非线性潮流回归模型;步骤4,使用测试集数据对最优参数的MLSSVR非线性潮流回归模型测试,评价模型的精度。本发明解决了拓扑结构和网络参数未知的电力系统潮流计算问题、线性潮流无法精确表达潮流计算的非线性关系问题和模型参数寻优的问题。
Description
技术领域
本发明涉及一种电力系统潮流计算方法,具体涉及一种基于IHS-MLSSVR数据驱动的潮流非线性回归方法。
背景技术
潮流计算是电力系统规划和运行中至关重要的工具之一。传统的潮流计算方法依赖于对电网的物理模型、线路参数和负荷信息进行准确建模和数据采集。尽管这些方法具有高计算精度,可以相对完整地描述电网实际运行情况,但其模型复杂度较高,求解过程可能会出现收敛速度慢、计算时间长等问题。对于线路参数以及拓扑结构信息不准确或未知的系统,传统的潮流计算方法将不再适用。因此,亟需一种精度高、计算速度快,并且不依赖于传统物理模型的潮流计算方法。基于数据驱动的潮流计算方法因此应运而生。它通过分析大量的历史电气数据,在不需要进行物理建模的情况下,建立输入量与输出量之间的映射关系。这种方法的出现填补了传统方法的不足,为解决线路参数不准确或未知的系统提供了一种有效的替代方案。
发明内容
本发明目的是提出一种基于IHS-MLSSVR数据驱动的潮流非线性回归方法,解决了拓扑结构和网络参数未知的电力系统潮流计算问题、线性潮流无法精确表达潮流计算的非线性关系问题和模型参数寻优的问题。
为实现上述目的,本发明提出一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,包括如下步骤:
步骤1,收集电力系统各节点的历史运行数据,将数据划分为训练集和测试集对数据,并进行归一化处理,;
步骤2,建立MLSSVR非线性潮流回归模型;
步骤3,设置IHS算法的参数,使用IHS算法对MLSSVR非线性潮流回归模型进行参数寻优,建立最优参数的MLSSVR非线性潮流回归模型;
步骤4,使用测试集数据对最优参数的MLSSVR非线性潮流回归模型测试,评价模型的精度。
优选地,所述的步骤1包括以下步骤:
步骤1.1,收集电力系统各节点的历史运行数据,包括各节点的注入有功功率、注入无功功率、电压幅值和电压相角。
步骤1.2,数据集为(X,Y)={(x1,y1),(x2,y2),…,(xi,yi)},其中xi∈Rn为输入数据,包括PQ节点的注入有功和无功、PQ节点的注入有功和相角、平衡节点的电压和相角,yi∈Rm为输出数据,包括PQ节点的电压和相角PQ节点的注入无功和相角、平衡节点的有功和无功。取数据集的80%为训练集数据,20%为测试集数据,
步骤1.3,对数据进行归一化处理,归一化公式如下所示:
式中,x′为归一化处理后的输入数据;x为原始输入数据;xmax,xmin分别为原始输入数据中的最大值和最小值;y′为归一化处理后的输出数据;y为原始输出数据;ymax,ymin分别为原始输出数据中的最大值和最小值。
优选地,所述步骤2包括以下步骤:
步骤2.1,建立MLSSVR非线性潮流回归模型,对输入输出的潮流数据进行有监督式训练,将n维输入xi映射到m维输出yi,映射关系为:
式中:为非线性映射函数;W=[w1,w2,…,wm],wi为特征空间的权向量;b=[b1,b2,…,bm]T,bi为偏置量。
权向量wi可以分解为:
wi=w0+vi (4)
式中:w0为均值向量;vi为特征信息的差分向量。
步骤2.2,模型转化,对于MLSSVR非线性潮流回归模型,定义Λ(B)为求方阵B的迹;repmat(F,m,n)表示由F组成的m×n阶平铺块状矩阵,Ξ(F1,F2,…,Fn)表示由对角块矩阵F1,F2,…,Fn组成的分块对角矩阵,基于结构风险最小化原则,其模型为:
式中:λ,γ为正则化参数;w0=[w0,w0,…,w0],表示共有m个w0;V=[v1,v2,...,vm]∈Rn×m;Ψ=[ξ1,ξ2,…,ξm]∈Rq×m,由松弛变量ξi组成;Λ表示求矩阵的迹。
步骤2.3,模型求解,式(5)的拉格朗日函数为:
式中:A=[α1,α2,…αm]∈Rq×m是由拉格朗日乘子组成的矩阵。
根据KKT的优化理论条件,可以得到:
消去式(7)中的W和Ψ后,可以得到以下线性矩阵方程:
式中:P=Ξ(1q,1q,…,1q)∈Rqm×m,其中1q=[1,1,…1]T;H=Ω1+(1/γ)I+(m/λ)Ω2∈Rqm×qm;I为单位矩阵;Ω1=repmat(K,m,n)∈Rqm×qm;Ω2=Ξ(K,K,…,K)∈Rqm×qm;K=ZTZ∈Rq×q表示核函数,即Kij=κ(xi,xj),α=[α1,α2,…,αm]T∈Rqm;y=[y1,y2,…,yq]T∈Rqm。
κ(x,xj)为MLSSVR的核函数,在模型中有着决定性的作用,它能将低维输入映射到高维空间,从而在高维空间中寻找最优的超平面来拟合数据,实现非线性回归。核函数为高斯核函数,表示为:
式中:ρ为内核带宽。
由于H为对称半定矩阵,H-1存在,由式(8)解得b和α为:
由此可以得回归函数为:
优选地,所述步骤3包括以下步骤:
步骤3.1,IHS算法共有5个基本参数,分别为和声记忆库容量(harmony memorysize,HMS)、和声记忆库取值概率PHMCR(harmony memory considering rate,HMCR)、微调概率PPAR(pitch adjusting rate,PAR)、调整带宽Bw、最大迭代次数Tmax。
IHS算法,使动态参数值来提高HS的性能:
一、HS算法固定取值微调概率PPAR会使微调速度慢,IHS算法引入动态的微调概率PPAR,如公式(12)所示;二、HS算法固定取值的带宽Bw在迭代后期应逐渐变小,才能使迭代结果更加精确,IHS算法引入动态调整带宽Bw,如公式(13)所示。
式中:i为迭代次数;PPARmax,PPARmin分别为最大、最小的微调概率;Bwmax,Bwmin分别为最大、最小的调整带宽。
步骤3.2,选取MLSSVR的误差平方和作为HS算法的适应度函数,对MLSSVR的三个参数s=[λ,γ,ρ]进行寻优,分别为正则化参数λ和γ、核函数的内核带宽ρ,可以表示为:
式中:Dp为待优化参数的维数,Dp=3;sm,k,max,sm,k,min分别为第k个参数的上下限,是sk的解空间。
步骤3.3,IHS算法寻优步骤
步骤3.3.1初始化基本参数:初始化和声记忆库容量HMS、和声记忆库取值概率PHMCR、微调概率PPAR、调整带宽Bw和最大迭代次数Tmax。
步骤3.3.2初始化和声记忆库HM:根据每个待优化参数的范围,确定解空间,使用随机和声生成函数生成S1,S2,…,SHMS共HMS组解向量作为初始和声记忆库,并记录对应的适应度值f(S1),f(S2),…,f(SHMS)。
和声生成函数为:
式中:sm,k,max,sm,k,min分别为第m组的第k个待优化参数的声上下限;rand为随机函数,随机生成一个0-1之间的数。
和声记忆库HM矩阵为:
步骤3.3.3通过随机选取和音调微调生成新的和声向量Snew=(snew,1,snew,2,…,snew,k):
a.随机选取:随机产生一个0-1之间的数R1,若R1小于等于和声记忆库取值概率PHMCR,则在和声记忆库HM中随机选取一个,即snew,k=sm,k;反之使用和声生成函数随机生成一个,且不进行微调。
b.音调微调:在a的基础上,再随机产生一个0-1之间的数R2,若R2小于微调概率PPAR,则按照式(16)进行微调,得到更新后的和声向量。
步骤3.3.4更新和声记忆库,计算步骤3.3.3中和声向量的适应度值,若优于HM中的最差和声,则替换掉HM中的最差和声;若差于HM中的最差和声,则淘汰新和声。
步骤3.3.5判断是否达到迭代次数,若达到最大迭代次数,则停止迭代,并输出最优解;若未达到最大迭代次数,则重复步骤3.3.3和步骤3.3.5,直至达到最大迭代次数,输出最优参数sbest=[λbest,γbest,ρbest],建立最优参数MLSSVR非线性潮流回归模型。
优选地,所述步骤4模型评价指标为:
采用均方根误差ERMSE(root mean square error,RMSE)和决定系数R2(coefficient of determination)作为评价指标:
式中:l为样本个数;m为每个样本内所含元素的个数;yij为第i个样本的第j个预测值;为第i个样本的第j个实际值;/>为第i个样本所有实际值的平均数。
本发明提出的一种基于IHS-MLSSVR数据驱动的潮流非线性回归方法,其优点是:
1)多输出最小二乘支持向量回归(MLSSVR)是一种潮流非线性回归方法,其优势在于不依赖传统的电力系统物理模型。该方法能够有效地考虑不同输出之间的相关性,从而更准确地反映电力系统的真实运行状态。
2)数据驱动的潮流非线性回归方法在实际应用中可能面临模型参数不准确和计算速度慢的问题。为了克服这些挑战,我们采用了改进和声搜索(IHS)算法,对模型参数进行寻优。相较于传统的MLSSVR算法和HS-MLSSVR算法,经过IHS算法的优化,该方法在回归精度和求解速度方面表现更优异。通过使用IHS算法,我们能够更准确地估计模型参数,并且更快速地求解电力系统的潮流非线性回归问题。
附图说明
图1为本发明流程图。
图2为本发明实施例的不同算法电压回归精度R2示意图。
图3为本发明实施例的不同算法相位回归精度R2示意图。
具体实施方式
以下结合附图和实施例详细说明本发明的具体实施方式:
如图1所示,本发明提出一种基于IHS-MLSSVR数据驱动的潮流非线性回归方法,包括如下步骤:
步骤1,收集电力系统各节点的历史运行数据,将数据划分为训练集和测试集对数据,并进行归一化处理,;
步骤2,建立MLSSVR非线性潮流回归模型;
步骤3,设置IHS算法的参数,使用IHS算法对MLSSVR非线性潮流回归模型进行参数寻优,建立最优参数的MLSSVR非线性潮流回归模型;
步骤4,使用测试集数据对最优参数的MLSSVR非线性潮流回归模型测试,评价模型的精度。
优选地,所述的步骤1包括以下步骤:
步骤1.1,收集电力系统各节点的历史运行数据,包括各节点的注入有功功率、注入无功功率、电压幅值和电压相角。
步骤1.2,数据集为(X,Y)={(x1,y1),(x2,y2),…,(xi,yi)},其中xi∈Rn为输入数据,包括PQ节点的注入有功和无功、PQ节点的注入有功和相角、平衡节点的电压和相角,yi∈Rm为输出数据,包括PQ节点的电压和相角PQ节点的注入无功和相角、平衡节点的有功和无功。取数据集的80%为训练集数据,20%为测试集数据,
步骤1.3,对数据进行归一化处理,归一化公式如下所示:
式中,x′为归一化处理后的输入数据;x为原始输入数据;xmax,xmin分别为原始输入数据中的最大值和最小值;y′为归一化处理后的输出数据;y为原始输出数据;ymax,ymin分别为原始输出数据中的最大值和最小值。
优选地,所述步骤2包括以下步骤:
步骤2.1,建立MLSSVR非线性潮流回归模型,对输入输出的潮流数据进行有监督式训练,将n维输入xi映射到m维输出yi,映射关系为:
式中:为非线性映射函数;W=[w1,w2,…,wm],wi为特征空间的权向量;b=[b1,b2,…,bm]T,bi为偏置量。
权向量wi可以分解为:
wi=w0+vi (4)
式中:w0为均值向量;vi为特征信息的差分向量。
步骤2.2,模型转化,对于MLSSVR非线性潮流回归模型,定义Λ(B)为求方阵B的迹;repmat(F,m,n)表示由F组成的m×n阶平铺块状矩阵,Ξ(F1,F2,…,Fn)表示由对角块矩阵F1,F2,…,Fn组成的分块对角矩阵,基于结构风险最小化原则,其模型为:
式中:λ,γ为正则化参数;w0=[w0,w0,…,w0],表示共有m个w0;V=[v1,v2,...,vm]∈Rn×m;Ψ=[ξ1,ξ2,...,ξm]∈Rq×m,由松弛变量ξi组成;Λ表示求矩阵的迹。
步骤2.3,模型求解,式(5)的拉格朗日函数为:
式中:A=[α1,α2,…αm]∈Rq×m是由拉格朗日乘子组成的矩阵。
根据KKT的优化理论条件,可以得到:
消去式(7)中的W和Ψ后,可以得到以下线性矩阵方程:
式中:P=Ξ(1q,1q,…,1q)∈Rqm×m,其中1q=[1,1,…1]T;H=Ω1+(1/γ)I+(m/λ)Ω2∈Rqm×qm;I为单位矩阵;Ω1=repmat(K,m,n)∈Rqm×qm;Ω2=Ξ(K,K,…,K)∈Rqm×qm;K=ZTZ∈Rq×q表示核函数,即Kij=κ(xi,xj),α=[α1,α2,…,αm]T∈Rqm;y=[y1,y2,…,yq]T∈Rqm。
κ(x,xj)为MLSSVR的核函数,在模型中有着决定性的作用,它能将低维输入映射到高维空间,从而在高维空间中寻找最优的超平面来拟合数据,实现非线性回归。核函数为高斯核函数,表示为:
式中:ρ为内核带宽。
由于H为对称半定矩阵,H-1存在,由式(8)解得b和α为:
由此可以得回归函数为:
优选地,所述步骤3包括以下步骤:
步骤3.1,IHS算法共有5个基本参数,分别为和声记忆库容量(harmony memorysize,HMS)、和声记忆库取值概率PHMCR(harmony memory considering rate,HMCR)、微调概率PPAR(pitch adjusting rate,PAR)、调整带宽Bw、最大迭代次数Tmax。
IHS算法,使动态参数值来提高HS的性能:
一、HS算法固定取值微调概率PPAR会使微调速度慢,IHS算法引入动态的微调概率PPAR,如公式(12)所示;二、HS算法固定取值的带宽Bw在迭代后期应逐渐变小,才能使迭代结果更加精确,IHS算法引入动态调整带宽Bw,如公式(13)所示。
式中:i为迭代次数;PPAR max,PPAR min分别为最大、最小的微调概率;Bw max,Bw min分别为最大、最小的调整带宽。
步骤3.2,选取MLSSVR的误差平方和作为HS算法的适应度函数,对MLSSVR的三个参数s=[λ,γ,ρ]进行寻优,分别为正则化参数λ和γ、核函数的内核带宽ρ,可以表示为:
式中:Dp为待优化参数的维数,Dp=3;sm,k,max,sm,k,min分别为第k个参数的上下限,是sk的解空间。
步骤3.3,IHS算法寻优步骤
步骤3.3.1初始化基本参数:初始化和声记忆库容量HMS、和声记忆库取值概率PHMCR、微调概率PPAR、调整带宽Bw和最大迭代次数Tmax。
步骤3.3.2初始化和声记忆库HM:根据每个待优化参数的范围,确定解空间,使用随机和声生成函数生成S1,S2,…,SHMS共HMS组解向量作为初始和声记忆库,并记录对应的适应度值f(S1),f(S2),…,f(SHMS)。
和声生成函数为:
式中:sm,k,max,sm,k,min分别为第m组的第k个待优化参数的声上下限;rand为随机函数,随机生成一个0-1之间的数。
和声记忆库HM矩阵为:
步骤3.3.3通过随机选取和音调微调生成新的和声向量Snew=(snew,1,snew,2,…,snew,k):
a.随机选取:随机产生一个0-1之间的数R1,若R1小于等于和声记忆库取值概率PHMCR,则在和声记忆库HM中随机选取一个,即snew,k=sm,k;反之使用和声生成函数随机生成一个,且不进行微调。
b.音调微调:在a的基础上,再随机产生一个0-1之间的数R2,若R2小于微调概率PPAR,则按照式(16)进行微调,得到更新后的和声向量。
步骤3.3.4更新和声记忆库,计算步骤3.3.3中和声向量的适应度值,若优于HM中的最差和声,则替换掉HM中的最差和声;若差于HM中的最差和声,则淘汰新和声。
步骤3.3.5判断是否达到迭代次数,若达到最大迭代次数,则停止迭代,并输出最优解;若未达到最大迭代次数,则重复步骤3.3.3和步骤3.3.5,直至达到最大迭代次数,输出最优参数sbest=[λbest,γbest,ρbest],建立最优参数MLSSVR非线性潮流回归模型。
优选地,所述步骤4模型评价指标为:
采用均方根误差ERMSE(root mean square error,RMSE)和决定系数R2(coefficient of determination)作为评价指标:
式中:l为样本个数;m为每个样本内所含元素的个数;yij为第i个样本的第j个预测值;为第i个样本的第j个实际值;/>为第i个样本所有实际值的平均数。
实施例:
本发明以采用IHS-MLSSVR算法和MLSSVR算法、HS-MLSSVR算法进行对比仿真,在IEEE33节点系统进行测试验证。考虑用户用电行为不同的特点,将各节点的负荷在原水平上设置±30%的随机均匀分布的功率扰动,通过Matpower7.0进行精确的潮流计算,得到所有节点的有功功率、无功功率、电压幅值、相位的分布情况,共采样500组潮流数据,将其中1-400组数据作为训练集,401-5000组数据作为测试集,模型输入包括PQ节点的注入有功和无功、PQ节点的注入有功和相角、平衡节点的电压和相角,模型输出包括PQ节点的电压和相角PQ节点的注入无功和相角、平衡节点的有功和无功。
表1为本发明实施例的不同算法电压回归精度ERMSE,表2为本发明实施例的不同算法相位回归精度ERMSE,图2为本发明实施例的不同算法电压回归精度R2;图3本发明实施例的不同算法相位回归精度R2。
表1不同算法的电压回归精度ERMSE
电压回归 | MLSSVR | HS-MLSSVR | IHS-MLSSVR |
ERMSE(×10-2) | 1.5186 | 0.1498 | 0.1387 |
时间 | 755.44 | 29.53 | 17.87 |
表2不同算法的相位回归精度ERMSE
相位回归 | MLSSVR | HS-MLSSVR | IHS-MLSSVR |
ERMSE(×10-2) | 1.4956 | 0.1928 | 0.1926 |
时间 | 1133.53 | 32.87 | 18.26 |
从实验结果可知:本发明所提出的一种基于IHS-MLSSVR数据驱动的潮流非线性回归方,在回归精度和求解时间上都优于MLSSVR算法和HS-MLSSVR算法。
Claims (8)
1.一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,包括如下步骤:
步骤1,收集电力系统各节点的历史运行数据,将数据划分为训练集和测试集对数据,并进行归一化处理;
步骤2,建立MLSSVR非线性潮流回归模型;
步骤3,设置IHS算法的参数,使用IHS算法对MLSSVR非线性潮流回归模型进行参数寻优,建立最优参数的MLSSVR非线性潮流回归模型;
步骤4,使用测试集数据对最优参数的MLSSVR非线性潮流回归模型测试,评价模型的精度。
2.根据权利要求1所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤1具体为:
步骤1.1,收集电力系统各节点的历史运行数据,包括各节点的注入有功功率、注入无功功率、电压幅值和电压相角;
步骤1.2,数据集为(X,Y)={(x1,y1),(x2,y2),…,(xi,yi)},其中xi∈Rn为输入数据,包括PQ节点的注入有功和无功、PQ节点的注入有功和相角、平衡节点的电压和相角,yi∈Rm为输出数据,包括PQ节点的电压和相角PQ节点的注入无功和相角、平衡节点的有功和无功;取数据集的80%为训练集数据,20%为测试集数据;
步骤1.3,对数据进行归一化处理,归一化公式如下所示:
式中,x′为归一化处理后的输入数据;x为原始输入数据;xmax,xmin分别为原始输入数据中的最大值和最小值;y′为归一化处理后的输出数据;y为原始输出数据;ymax,ymin分别为原始输出数据中的最大值和最小值。
3.根据权利要求1所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤2具体为:
步骤2.1,建立MLSSVR非线性潮流回归模型,对输入输出的潮流数据进行有监督式训练,将n维输入xi映射到m维输出yi,映射关系为:
式中:为非线性映射函数;W=[w1,w2,…,wm],wi为特征空间的权向量;b=[b1,b2,…,bm]T,bi为偏置量;
权向量wi可以分解为:
wi=w0+vi (4)
式中:w0为均值向量;vi为特征信息的差分向量;
步骤2.2,模型转化,对于MLSSVR非线性潮流回归模型,定义Λ(B)为求方阵B的迹;repmat(F,m,n)表示由F组成的m×n阶平铺块状矩阵,Ξ(F1,F2,…,Fn)表示由对角块矩阵F1,F2,…,Fn组成的分块对角矩阵,基于结构风险最小化原则,其模型为:
式中:λ,γ为正则化参数;w0=[w0,w0,…,w0],表示共有m个w0;V=[v1,v2,...,vm]∈Rn ×m;Ψ=[ξ1,ξ2,…,ξm]∈Rq×m,由松弛变量ξi组成;Λ表示求矩阵的迹;
步骤2.3,模型求解,式(5)的拉格朗日函数为:
式中:A=[α1,α2,…αm]∈Rq×m是由拉格朗日乘子组成的矩阵;
根据KKT的优化理论条件,可以得到:
消去式(7)中的W和Ψ后,可以得到以下线性矩阵方程:
式中:P=Ξ(1q,1q,…,1q)∈Rqm×m,其中1q=[1,1,…1]T;H=Ω1+(1/γ)I+(m/λ)Ω2∈Rqm ×qm;I为单位矩阵;Ω1=repmat(K,m,n)∈Rqm×qm;Ω2=Ξ(K,K,…,K)∈Rqm×qm;K=ZTZ∈Rq×q表示核函数,即Kij=κ(xi,xj),α=[α1,α2,…,αm]T∈Rqm;y=[y1,y2,…,yq]T∈Rqm;
κ(x,xj)为MLSSVR的核函数,在模型中有着决定性的作用,它能将低维输入映射到高维空间,从而在高维空间中寻找最优的超平面来拟合数据,实现非线性回归;核函数为高斯核函数,表示为:
式中:ρ为内核带宽;
由于H为对称半定矩阵,H-1存在,由式(8)解得b和α为:
由此可以得回归函数为:
4.根据权利要求1所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤3具体为:
步骤3.1,IHS算法共有5个基本参数,分别为和声记忆库容量(harmony memory size,HMS)、和声记忆库取值概率PHMCR(harmony memory considering rate,HMCR)、微调概率PPAR(pitch adjusting rate,PAR)、调整带宽Bw、最大迭代次数Tmax;
IHS算法,使动态参数值来提高HS的性能:
一、HS算法固定取值微调概率PPAR会使微调速度慢,IHS算法引入动态的微调概率PPAR,用公式(12)所示;
二、HS算法固定取值的带宽Bw在迭代后期应逐渐变小,才能使迭代结果更加精确,IHS算法引入动态调整带宽Bw,用公式(13)所示;
式中:i为迭代次数;PPARmax,PPARmin分别为最大、最小的微调概率;Bwmax,Bwmin分别为最大、最小的调整带宽;
步骤3.2,选取MLSSVR的误差平方和作为HS算法的适应度函数,对MLSSVR的三个参数s=[λ,γ,ρ]进行寻优,分别为正则化参数λ和γ、核函数的内核带宽ρ,可以表示为:
式中:Dp为待优化参数的维数,Dp=3;sm,k,max,sm,k,min分别为第k个参数的上下限,是sk的解空间;
步骤3.3,IHS算法寻优步骤:
步骤3.3.1初始化基本参数;
步骤3.3.2初始化和声记忆库HM;
步骤3.3.3通过随机选取和音调微调生成新的和声向量Snew=(snew,1,snew,2,…,snew,k);
步骤3.3.4更新和声记忆库,计算步骤3.3.3中和声向量的适应度值,若优于HM中的最差和声,则替换掉HM中的最差和声;若差于HM中的最差和声,则淘汰新和声;
步骤3.3.5判断是否达到迭代次数,若达到最大迭代次数,则停止迭代,并输出最优解;若未达到最大迭代次数,则重复步骤3.3.3和步骤3.3.5,直至达到最大迭代次数,输出最优参数sbest=[λbest,γbest,ρbest],建立最优参数MLSSVR非线性潮流回归模型。
5.根据权利要求1所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤4具体为:
采用均方根误差ERMSE(root mean square error,RMSE)和决定系数R2(coefficient ofdetermination)作为评价指标:
式中:l为样本个数;m为每个样本内所含元素的个数;yij为第i个样本的第j个预测值;为第i个样本的第j个实际值;/>为第i个样本所有实际值的平均数。
6.根据权利要求4所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤3.3.1具体为:
初始化和声记忆库容量HMS、和声记忆库取值概率PHMCR、微调概率PPAR、调整带宽Bw和最大迭代次数Tmax。
7.根据权利要求4所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤3.3.2具体为:
根据每个待优化参数的范围,确定解空间,使用随机和声生成函数生成S1,S2,…,SHMS共HMS组解向量作为初始和声记忆库,并记录对应的适应度值f(S1),f(S2),…,f(SHMS);
和声生成函数为:
式中:sm,k,max,sm,k,min分别为第m组的第k个待优化参数的声上下限;rand为随机函数,随机生成一个0-1之间的数;
和声记忆库HM矩阵为:
8.根据权利要求4所述的一种基于IHS-MLSSVR数据驱动的非线性潮流回归方法,其特征在于,所述步骤3.3.3具体为:
a.随机选取:随机产生一个0-1之间的数R1,若R1小于等于和声记忆库取值概率PHMCR,则在和声记忆库HM中随机选取一个,即snew,k=sm,k;反之使用和声生成函数随机生成一个,且不进行微调;
b.音调微调:在a的基础上,再随机产生一个0-1之间的数R2,若R2小于微调概率PPAR,则按照式(18)进行微调,得到更新后的和声向量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233628.1A CN117526328A (zh) | 2023-09-22 | 2023-09-22 | 一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233628.1A CN117526328A (zh) | 2023-09-22 | 2023-09-22 | 一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117526328A true CN117526328A (zh) | 2024-02-06 |
Family
ID=89759435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311233628.1A Pending CN117526328A (zh) | 2023-09-22 | 2023-09-22 | 一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117526328A (zh) |
-
2023
- 2023-09-22 CN CN202311233628.1A patent/CN117526328A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、系统及介质 | |
CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN112085254B (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
CN112378619B (zh) | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 | |
CN113449802A (zh) | 基于多粒度互信息最大化的图分类方法及装置 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114611676A (zh) | 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
Zhang et al. | Generalized maximum correntropy-based echo state network for robust nonlinear system identification | |
CN103489037A (zh) | 一种可发电风资源的预测方法 | |
CN117526328A (zh) | 一种基于ihs-mlssvr数据驱动的潮流非线性回归方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
CN114744618A (zh) | 考虑气象特征的深度学习短期风电功率预测方法及系统 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
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 |