基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题，提出一种基于样本集成学习和蛇优化算法（SO）优化支持向量机（SVM）的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集；然后以Bagging策略训练SO优化关键参数后的SVM模型，综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证，数据表明，SO-SVM的故障诊断相比于RF、SVM、KNN等模型，诊断准确率分别提高了3.44%、6.89%、10.92%，AUC值分别提高了0.026 4、0.042 5、0.081 2；在同一分类器下，SO-SVM模型相比于SMOTE和ADASYN样本平衡方法，诊断准确率分别提高了4.59%、2.87%，说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

基于SOFM和支持向量机回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量机(SVM)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略对训练样本集进行聚类分析,将其分为若干相似子类,再针对每一子类构造一个支持向量机回归模型;使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了基于SOFM和SVM的网络结构;采用河北省某市的实际负荷数据选择样本进行预测。算例表明该方法能够缩短训练时间,提高预测精度。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

基于支持向量机算法的配电线路时变状态预测方法

配电线路状态准确预测是进行配电网调控的基础。提出了基于支持向量机（SVM）算法的配电线路时变状态预测方法。首先,分析影响配电线路状态变化的因素,构建基于Fokker-Planck的配电线路状态转移模型。其次,融合配电信息系统多源海量数据,采用基于相关度的最优特征子集筛选方法构建配电线路状态特征变量集,采用合成少数类过采样技术（SMOTE）算法解决线路故障状态样本数量少而带来的样本集类别不平衡问题。然后,考虑到线路状态二分类的特点,采用SVM算法进行线路运行工况的分类预测,形成了基于SMOTE-SVM算法的状态转移模型求解方法,可实现配电线路时变状态预测。最后,以某实际配电系统为算例验证了所提方法的有效性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性.     

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

目前,利用数据挖掘方法进行电力系统暂态稳定分析的研究,所用数据集普遍存在失稳样本少的样本不均衡问题,且挖掘模型的参数选择困难,缺乏对预测结果可信度进行评价。针对以上问题,文章提出用于暂稳预测的支持向量机(support vector machine,SVM)组合分类器及其可信度评价方法。首先采用改进bootstrap抽样得到多个类别均衡的数据集,利用随机特征子空间技术进一步压缩数据集;然后用压缩后的数据训练得到多个SVM分类器,各SVM的参数在经验范围内随机选取;最后,通过综合多个SVM的概率输出,得到组合分类器的预测结果,并对结果可信度进行评价。通过算例分析表明,改进Bootstrap算法能够明显减少对失稳样本的漏判,所提出的SVM组合分类器具有较高的预测准确度和可信度。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于改进SVM模型的电能质量扰动分类

提出一种改进的支持向量机模型,对电能质量扰动进行分类。支持向量机（SVM）在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢。针对这种情况提出一种改进的SVM模型：将原始训练样本集应用粗糙集理论（RS）去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器。实验表明：这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力。     

基于改进SVM模型的电能质量扰动分类

提出一种改进的支持向量机模型,对电能质量扰动进行分类.支持向量机(SVM)在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢.针对这种情况提出一种改进的SVM模型:将原始训练样本集应用粗糙集理论(RS)去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器.实验表明:这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力.     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于DT法和粗糙集理论的接地网安全性状态评定

接地网是维护电力系统安全可靠运行的重要环节,对接地网安全状态的准确评估关系到电力系统能否安全稳定运行。针对接地网安全性分级仅凭经验确定,安全性评估只考虑单一特性参数是否满足规定限值的问题,提出了基于动态分级(DT)法和粗糙集理论的接地网安全状态综合评估方法。将DT法应用于接地网安全性分级评定,再根据相关导则规程等要求的安全限值对实测数据进行离散化处理,应用粗糙集理论计算出各个特性参数的综合权重,最后利用线性加权法得出接地网状态的综合评估结果。对工程实例的应用结果表明,该评估方法简单易行且合理有效。     

电力变压器全寿命周期经济-物理综合寿命评估方法

针对电力变压器寿命定量评估问题,提出了电力变压器全寿命周期经济-物理综合寿命评估方法。首先建立电力变压器全寿命周期成本模型,分析了全寿命周期成本各组成部分与运行时间的关系,以全寿命周期成本最低原则得到电力变压器经济寿命。建立了电力变压器物理寿命评价指标体系,从电力变压器主绝缘老化程度、绝缘运行状态和部件缺陷风险三个方面进行综合评价,运用层次分析法确定了各评价指标的权重,得到电力变压器物理寿命。以电力变压器物理寿命作为基准,综合考虑经济寿命,建立全寿命周期经济-物理综合寿命模型。对某电力变压器进行实例分析,评估了该变压器的经济-物理综合寿命,验证了所提方法的合理性和实用性。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于改进TOPSIS法和德尔菲—熵权综合权重法的电网规划方案综合决策方法

针对目前电网规划方案综合决策问题中客观数据利用不充分和权重分配不合理的问题,提出一种基于改进TOPSIS法和德尔菲—熵权综合权重法相结合的电网规划方案综合决策方法。首先,根据电网规划的发展特点和基本属性,构建了考虑安全、效益、成本和适应性的电网规划SECA综合评价指标体系。其次,应用博弈论模型得到德尔菲—熵权综合权重计算方法。然后,引入绝对理想点以及投影法对TOPSIS法进行改进,并采用改进TOPSIS—德尔菲—熵权组合评价进行电网规划方案评估。最后,利用实际算例验证了该方法的有效性。TOPSIS法与综合权重法相结合充分利用了客观数据全部信息,并且同时具备了TOPSIS法简单实用、可操作性强以及综合权重法主客观均衡的优势。     

基于PMU和混合支持向量机网络的电力系统暂态稳定性分析

提出了一种基于粗糙集理论的混合网络模型,结合简单的计算将同步相量测量单元(PMU)获得的故障后短时间窗内各发电机的功角信息作为输入,首先利用粗糙集和自组织特征映射(SOFM)网络分别对原始输入进行特征提取和预分类,然后对那些不能直接利用SOFM网络进行稳定性判断的样本采用提取后的特征量并利用支持向量机(SVM)优良的统计特性进一步寻找其各自的最优分类面,以确保对所有样本进行正确分类。结合新英格兰10机系统的计算结果从预测精度和训练时间两方面对多种SVM模型进行了比较,结果表明了利用文中所提模型进行电力系统暂态稳定性分析的有效性,该模型可以提高训练效率以及分类的准确性。     

二次系统隐性故障的多指标综合风险评估

针对二次系统隐性故障可能引发的连锁故障,提出了一种多指标综合风险评估方法。采用马尔科夫状态空间转移方法,求解系统处于不同状态的时变概率及平稳概率。将平稳概率与距离保护相结合,构造反映系统隐性故障的模型。从电网容量、电网用户、电网稳定性3个方面建立电源孤立、负荷切除以及电网解列的风险指标,加权得到反映连锁性故障的综合风险指标。建立了基于蒙特卡洛抽样算法的风险评估体系,并通过具体的算例对多指标风险评估的方法应用进行展示。     

考虑电动汽车不确定性因素的配电网分布式电源优化布置

分布式电源和电动汽车的规模化接入对配电网经济运行和电能质量产生了较大影响。分布式电源和电动汽车的功率具有不确定性。为实现分布式电源的合理配置,提出了一种考虑电动汽车不确定性因素的分布式电源优化布置方法。首先,以网络损耗最小、电压偏移最小和系统稳定性高为优化目标,利用机会约束规划方法建立分布式电源优化配置模型。然后,采用支持向量机算法和多目标粒子群算法对上述模型进行求解,得到其Pareto解集。以IEEE 37节点配电网为例对所提模型进行验证,结果表明该模型可以有效得到合理的配置方案。     

Pattern analysis and classification for security evaluation in power networks

Security evaluation is a major concern in real time operation of electric power networks, exhibiting behavioral patterns under abnormal conditions. Security assessment and evaluation can be viewed as a pattern analysis task identifying abnormal patterns of the power system behavior under highly loaded conditions. Traditional method of security evaluation are highly time consuming and infeasible for direct on-line implementation. This paper presents application of pattern directed inference system for static and transient security evaluation and classification. A straightforward and quick procedure called Sequential Forward Selection method is used for feature selection process. The classifier model in the pattern directed inference system is designed using different pattern classifier algorithms, viz., conventional, neural network and machine learning classifiers. Support Vector Machine (SVM), one of the popular machine learning classifier, is recognized as a suitable pattern classifier for security evaluation problem. The generalization performance of SVM classifier is greatly influenced by the proper setting of its parameters. This paper also addresses different heuristic optimization techniques used in the selection of SVM parameters. The design, development and performance of different classifiers for power system security classification are presented in detail. Simulation work is performed on standard New England 39-bus benchmark system and the feasibility of implementation of the proposed SVM based classifier system for on-line security evaluation is also discussed.