基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

基于MVEE和LSPTSVM的电力系统暂态稳定评估

针对采用模式识别法进行电力系统暂态稳定评估时输入特征集构建困难和评估模型训练速度慢的问题,提出一种基于最小体积闭包椭球理论(Minimum Volume Enclosing Ellipsoid, MVEE)和最小二乘投影孪生支持向量机(Least Square Projection Twin Support Vector machine, LSPTSVM)的电力系统暂态稳定评估方法。首先,根据MVEE理论对系统轨迹信息进行优化处理,确定高维空间内包含所有轨迹信息的最小体积闭包椭球,并利用最小体积闭包椭球的物理属性构建输入特征集,可有效实现特征集降维。其次,在传统投影孪生支持向量机的目标函数中引入正则化项,并改进评估模型的内部约束条件,提高模型的求解速度,达到大规模电力系统的计算效率需求。最后,通过对IEEE-39和IEEE-145节点系统的算例分析,验证所提方法的有效性与可行性。     

基于LSSVM和证据理论的电力系统暂态稳定评估

提出了一种基于最小二乘支持向量机和D-S证据理论的信息融合模型的电力系统暂态稳定评估方法。选取了稳态特征量、故障初始时刻特征量和暂态特征量构成不同组输入特征,采用最小二乘支持向量机分类器进行暂态稳定评估,再对子分类器的结果在输出空间利用D-S证据理论实现决策级融合,以提高电力系统暂态稳定评估的可靠性。利用电力系统综合分析程序(PSASP)对EPRI-36节点系统进行了仿真计算,结果表明:可以提高训练效率以及分类的准确性。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度。首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估。通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率。     

电力系统暂态稳定概率评估方法

提出了一种基于蒙特卡罗-支持向量机的电力系统暂态稳定概率评估方法。首先构建了一组包含电力系统稳定和故障信息的原始特征,经特征选择降维后作为支持向量机的输入,在训练集上进行10折交叉验证,研究了4种支持向量机,其中径向基核支持向量机具有优良的评估性能;然后采用非序贯蒙特卡罗模拟方法选择随机因素,径向基核支持向量机加速暂态稳定评估过程,利用累计分类结果计算电力系统暂态不稳定概率。新英格兰39节点测试系统算例表明,该方法能大幅减少模拟时间,满足暂态稳定概率评估的精度要求。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度.首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估.通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率.     

粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用

提出了一种高压断路器机械故障诊断的智能算法,该算法采用最小二乘支持向量机(least squares support vector machine,LSSVM)算法,提取高压断路器振动信号的特征熵;为了提高故障诊断的精度,采用粒子群优化(particle swarm optimization,PSO)算法,优化LSSVM算法的参数。算例表明:PSO-LSSVM算法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统的支持向量机(support vector machine,SVM)算法,适用于高压断路器机械故障诊断。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节.针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果.     

基于轨迹输入特征支持向量机的湖南电网暂态稳定在线识别

针对目前基于人工智能算法的电力系统暂态稳定评估输入特征选择困难的问题,采用发电机单一状态变量故障清除后一段时间内的轨迹作为支持向量机(Support Vector Machine,SVM)的输入特征,并采用网格法寻找支持向量机在交叉验证意义下的最优参数。通过对这类支持向量机的性能进行详细的分析和对比,给出了3个分类准确度很高的发电机状态变量。在湖南电网的测试系统上仿真实现了该模型,仿真结果证明所提基于轨迹输入特征的支持向量机具有很高的精度,为支持向量机输入特征的选取提供了新思路。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

基于正则化投影孪生支持向量机的电力系统暂态稳定评估

提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题,并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先,构建由系统特征和投影能量函数特征组成的初始样本集,通过特征选择对初始特征进行压缩,获取可有效表征暂态稳定性的最优特征集。然后,基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类,寻找各稳定状态的最佳投影坐标轴,使稳定类投影到稳定类投影超平面上后尽可能地聚成簇,而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇,降低暂态稳定评估的计算时间,同时借助遗传算法进行参数选择以提高准确率。最后,通过IEEE-145和南方电网算例的仿真分析,验证了所提方法的有效性和准确性。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于特征椭球和支持向量机复合映射的暂态稳定预测模型

针对电力系统暂态稳定预测问题,提出基于特征椭球理论(characteristic ellipsoid,CELL)和支持向量机(support vector machine,SVM)复合映射的方法。通过采集系统受扰后的同步相量测量单元(phasor measurement unit,PMU)量测数据,将其映射至多维样本空间中生成特征椭球。椭球形态的变化能反映出受扰系统在稳定与失稳场景下不同的动态行为,从而识别出系统的暂态稳定性。以包含了系统暂态过程信息的椭球几何属性,如体积、偏心率、中心点、体积变化率等,构造支持向量机评估模型的输入特征,训练所得支持向量机模型能够实现电力系统暂态稳定在线预测。该方法以椭球的动态变化作为暂态稳定判据,利用较少的量测数据就能为暂态稳定识别提供足够的信息量,同时保证较高的准确率。通过IEEE 39节点系统和我国西南某省级区域输电系统的算例测试,验证了方法的可行性和有效性。     

基于最小二乘支持向量机的传感器动态系统辨识方法

在介绍和比较标准支持向量机(SVM)和最小二乘支持向量机(LS-SVM)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法.与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%.因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模.     

基于响应轨迹和核心向量机的电力系统在线暂态稳定评估

针对现行调度需求提出基于响应轨迹和核心向量机的电力系统在线暂态稳定评估方法。首先将响应数据构建的原始特征集映射至高维特征空间,然后将暂态稳定评估问题定义为核心向量机中的最小闭包球问题,通过最优近似求解进行故障筛选和快速暂态稳定判别,且离线的训练和在线的匹配保证了暂态稳定评估过程能够满足在线计算的要求。10机39节点和某实际省级电网算例的计算结果表明,所提方法具有更低的时间和空间复杂度,并具有更高的评估精度。     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题.针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法.该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择.这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率.通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性.