配电线路多源数据挖掘时变故障概率计算

准确预测配电线路故障概率对于确定配电网运行方式非常重要。本文提出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。首先,采用Relief算法筛选出与故障密切相关的特征变量。其次,采用支持向量机法进行配电线路运行工况预测,建立时变故障概率计算模型。最后,以某市配电系统为算例,基于馈线历史数据进行了算法验证。计算结果表明,本文提出的算法可实现线路故障概率的量化计算,从而为系统运行调控人员提供决策依据。     

基于粒子群算法优化支持向量机的输电线路覆冰预测

分析了现有输电线路覆冰厚度预测方法中的不足,提出了一种基于粒子群算法优化支持向量机的输电线路覆冰预测。通过历史覆冰增长数据样本对支持向量机进行训练,利用训练的模型对线路覆冰厚度进行预测。同时利用粒子群优化算法对支持向量机关键参数进行优化,有效提高了覆冰厚度预测精度,为输电线路防冰提供了可靠依据。     

基于支持向量机的负荷预测分析

支持向量机(简称SVM)作为新的负荷预测方法在解决小样本、非线性、过学习问题等方面有很好的优势,结合目前新疆地区负荷增长快、负荷变化非线性强的状况可以考虑将其运用至实际工作中以提高预测精度,本文采取新疆某地区实际电网数据以支持向量机预测法进行预测,通过预测结果分析证明其有效性和可行性,体现此方法的实际应用价值.     

基于布谷鸟搜索算法优化支持向量机的输电线路覆冰预测

为了提高输电线路覆冰预测精度,采用主成分分析确定输电线路覆冰的关键影响因子为温度、湿度和风速,以此作为覆冰预测模型的输入量。采用布谷鸟算法对支持向量机的惩罚因子和核参数进行优化,建立基于CS-SVM的输电线路覆冰厚度预测模型。采用实际运行线路的覆冰数据进行仿真分析,结果表明,基于CS-SVM的输电线路覆冰厚度预测模型的平均相对误差、均方根误差和全局最大误差分别为5.254%、0.952%、5.827%,均小于其他几种常用覆冰预测模型,验证了模型的正确性和有效性。     

基于支持向量机负荷预测应用的探究

理论研究中基于支持向量机的负荷预测的精度已得到了验证,但实际应用中还与其对当地负荷特性的适应性及工作人员对相应软件的应用密切相关,需要进一步验证并解决可能出现的问题。因此,为了将支持向量机预测法应用到新疆电网实际工作中并确保其精度,笔者通过实例将向量机预测法与BP神经网络预测法作了比较,其结果证明了该方法对新疆电网负荷特性具有更好的适应性,同时,重点探讨了在实际应用中出现训练集与预测集存在交集时预测精度与数据重合程度间的非线性关系,并指出预测时需对数据重合程度不同的训练集与预测集的组合进行选择,以确保预测精度。     

基于支持向量机的高压断路器机械状态预测算法研究

机械故障是高压断路器运行过程中的主要故障之一,对高压断路器开展机械状态评估与预测,对提高高压开关设备和电网运行可靠性具有重要意义。文中基于支持向量机进行了高压断路器机械状态预测算法的研究。支持向量机是一种统计机器学习算法,以结构风险最小化为训练目标,能够很好地解决过学习、维数灾难、局部最优等传统机器学习算法遇到的问题。在具体的算法实现中,文中利用断路器前几次动作的触头行程和操作线圈电流曲线来预测下一次或者后几次动作数据。利用预测出来的机械动作数据对高压断路器进行故障诊断,可以发现高压断路器潜在的问题,从而达到机械状态预测的目的。此外,文中通过归一化、交叉验证、网格搜索等方法来确定算法参数和提高算法精度。最后,以高压断路器机械寿命试验数据为例测试了该算法,结果表明该算法能够很好地训练并预测机械动作行程曲线和操作线圈电流曲线。     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

基于支持向量机的配电设备温度监测数据预测

环网柜是环网供电的关键设备,但在长期运行过程中,其温度会因多种因素的影响而升高,从而降低设备的供电安全及可靠性。提出了一种环网柜电气接头温度值的预测方法,分析环网柜电气接头的实测温度值,并使用小波去噪去除所测温度数据中的系统噪声;利用最小二乘支持向量机,预测数据的变化趋势。将该模型应用于环网柜的温度预测中,实验结果验证了该模型的有效性。     

基于支持向量机的感应电机状态监测

提出一种基于支持向量机的三相异步电动机状态监测的方法。利用健康电机、轴承故障、定子匝间短路和转子断条的电机在不同负载条件下的各种数据,计算三线电压和电流计算总谐波失真形成特征向量,然后将其用于支持向量机的训练,并针对两个核函数对基于支持向量机的感应电机状态监测的性能进行了评估。仿真结果表明,所提出的方法的故障识别准确率超过98%,验证了其有效性。     

基于连续时间段聚类的支持向量机风电功率预测方法

提出了一种基于连续时间段聚类的支持向量机风电功率预测方法。通过2次聚类把全年分为若干个类型的连续时间段,并对同类型时间段使用支持向量机建模,建立后的模型用于其他年份对应时间段的预测。与神经网络相比,支持向量机建模方法避免了局部最优。利用国内某风电场数据进行对比实验,证明了所述方法的有效性。     

基于灰色支持向量机的输电线路覆冰厚度预测模型

为了降低输电线路覆冰事故对电网安全造成的严重影响,对输电线路覆冰厚度进行预测将能够有效地指导电网抗冰工作。提出了基于灰色支持向量机的输电线路覆冰厚度短期预测模型,分析了样本中脏数据的剔除及数据预处理方法,通过模型预测值与实测数据的对比验证了该模型的准确性和适用性,根据模型预测的线路最大覆冰厚度值对现场观冰、冰情预警以及开展交直流融冰提供策略指导。将该模型与传统的支持向量机和广义回归神经网络覆冰预测模型进行了对比,结果表明,该模型平均误差为0.325 mm,平均绝对百分误差仅为2.61%,适用于输电线路覆冰厚度短期预测。在易覆冰地区,应用该预测模型能够更好地指导输电线路抗冰工作。     

基于支持向量机的配电网重构

配电网重构可以表述为模式识别问题。通过建立配电网的结构模式,并利用基于结构风险最小化原理的支持向量机,提出了一种配电网重构模式识别模型的构造方法。该方法利用支持向量机在解决有限样本、非线性及高维识别中的优势,提高了模型的泛化能力,同时结合配电网的特点利用同胚图建立了配电网的结构模式,解决了建模过程中输出空间难以确定和表达的问题,使模型能够适用于有一定规模的配电网络。算例表明所提出的方法可以在有限样本下取得较好的预测效果。     

基于模糊支持向量机的输电线路故障模糊分类方法及其降维显示

针对已有输电线路故障分类方法在样本中存在噪声时准确率有所降低情况,研究了基于Hilbert-Huang变换和模糊支持向量机(fuzzy support vector machines,FSVM)的输电线故障模糊分类方法,以提高输电线路故障分类的准确率.采用HHT变换获得故障时刻,提取故障后A、B、C三相及零序电流的特征能量函数值,组成FSVM的4维输入向量.利用网格优化方法对FSVM二分类器的惩罚参数C、核函数宽度σ进行优化.构造了FSVM的高维空间带状分段隶属度函数,求取样本的模糊决策函数值.构造多FSVM分类器.将故障时刻后特征向量送入多FSVM分类器,得到样本的故障分类初始标签.构造支持向量回归机(support vector regression,SVR),优化获得测试样本的最终故障隶属度,再对FSVM的分类标签进行修正.研究采用主成分分析法对样本高保真的降维处理方法、在3维坐标系中显示降维后3维向量及其故障模糊分类结果.为了测试算法,做了784组仿真实验,实验结果表明:FSVM+SVR的输电线路模糊故障分类方法不受故障点、故障类型、过渡电阻影响,故障识别率达到99.4％.在训练集1/5故障数据中加入5 dB Gauss白噪声,故障识别率仍保持不变.研究表明基于模糊支持向量机的分类方法适用于线路故障分类.     

基于支持向量机的电流互感器饱和补偿算法

提出一种基于支持向量机(support vector machine,SVM)的电流互感器(current transducer,CT)二次侧饱和电流补偿算法。以最近1周期故障电流采样数据的归一化值作为输入向量,以故障后5个周期的电流数据作为训练样本,利用SVM来建立CT二次侧饱和电流与一次侧电流之间的非线性关系,进而对饱和电流进行精确补偿。仿真分析表明,该方法在各种CT饱和条件下均能有效补偿,对于相同的训练样本,其补偿精度要高于神经网络方法。     

基于改进人工鱼群优化支持向量机的短期风电功率预测

针对人工鱼群算法中固定的视野和步长导致算法寻优速度变慢、易陷入局部最优等问题,引入了一个变系数因子来自适应调节人工鱼在聚群、追尾和觅食行为中的视野和步长;此外,为了降低算法后期运算复杂度以获得更多有效的人工鱼,加入一种人工鱼群最大迭代次数淘汰机制。将改进后的人工鱼群算法用来优化支持向量机中的核函数参数和惩罚参数,并应用到风电场短期风电功率预测中。通过实验仿真对比得出改进的人工鱼群优化支持向量机在短期风电功率预测中有较好的效果。     

基于支持向量机的配电网过电压模式识别

The internal and external overvoltage in distribution networks is the main reason of accidents. Based on overvoltage data in distribution network recorded by overvoltage on-line monitoring system, this paper analyzes the characteristics of zero sequence voltage waveform. The maximum amplitude and RMS value of zero sequence voltage, the minimum RMS of low frequency component of three phase voltage in stable range and other five parameters are selected as characteristic parameters to identify internal and external overvoltage. According to the operation data and record, all overvoltage data recorded by on-line monitoring system were labeled as internal or external overvoltage and the discrimination function is constructed by support vector machine method. The test results of field acquired overvoltage data indicate that the identification parameters and method based on the zero sequence voltage and support vector machine (SVM) are correct and effective.     

基于改进萤火虫算法优化SVM的变电工程造价预测

变电工程造价水平直接关系到电网工程的整体经济性,造价水平预测是控制造价、提高造价合理性的重要手段。在传统萤火虫算法的基础上,采用高斯扰动技术改进萤火种算法的位置更新公式,提高萤火从算法的寻优性能从而优化SVM预测模型的参数。通过Schaffer函数测试发现,高斯扰动萤火虫算法具有收敛速度快、搜索能力强等优点。实测结果表明：该模型具有较高的预测精度和有效性。     

基于改进核心向量机的配电网理论线损计算方法

为了提高配电网理论线损计算的精度,提出了一种基于改进核心向量机（quantum genetic algorithm-core vectormachine,QGA-CVM）的智能化理论线损计算方法。QGA-CVM方法将理论线损的计算抽象成回归分析问题进行求解,把理论线损已知的线路构造成样本集,以其做为CVM的数据来源加以训练,进而获得回归分析问题的拟合函数。在CVM训练过程中,利用QGA搜寻CVM的最优训练参数,以克服CVM训练参数选取的盲目性,提高了QGA-CVM的计算精度。最后通过实验验证了QGA-CVM理论线损计算方法的有效性,与传统方法相比,QGA-CVM方法在线损计算精度和速度等方面拥有更好的性能。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。