电力系统动态安全域的LS-SVM在线拟合法

提出了一种基于支持向量机的电力系统动态安全域在线拟合方法。支持向量机在解决非线性有限样本和高维识别方面有明显优势,但标准支持向量机在学习时需要求解复杂的二次规划问题,耗时较多。为此采用最小二乘支持向量机的二值分类算法,构造了二类和三类分类器对运行点的稳定状态进行判断,以最小二乘线性系统代替二次规划方法的标准支持向量机进行模式识别和函数估计,解决了大样本数据建模和运算速度慢的问题。同时采用回归算法构造稳定裕度拟合器,对系统既定故障下运行点的临界切除时间进行在线拟合并计算出稳定裕度。最后以EPRI-36节点模型为算例进行仿真计算,仿真结果表明该方法避免“维灾难”问题的同时,能更好地拟合动态安全域的边界,且进一步证明了该方法的有效性和准确性。     

基于PSO优化LS-SVM的电力现货市场价格预测

为了提高电价预测精度,采用粒子群优化算法对最小二乘支持向量机的惩罚因子和径向基核函数宽度进行优化,建立基于PSO优化LS-SVM的电力现货市场价格预测模型.采用澳大利亚昆士兰州实际电价进行算例分析,结果表明,PSO优化LS-SVM的电价预测模型的平均相对误差和均方根误差分别为4.51％和6.96,均小于其他电价预测模型...     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于实用动态安全域的电力系统安全成本优化

基于实用动态安全域(PDSR)提出一种电力市场环境下的电力系统安全成本优化(最优安全控制)模型及算法。该模型计及了暂态稳定性约束、事故发生概率及系统失稳损失。独立系统运行员(ISO)依该模型能确定安全成本最低的系统安全水平，即确定系统安全性和经济性的平衡点。安全成本由备用成本、再调度成本和期望失稳损失组成。而且所提算法计算速度快、易于实现。另外，该文提出的模型及算法也可方便的应用于传统垂直统一管理模式下的电力系统，只要分别用发电机备用成本曲线和边际成本曲线替换发电商向ISO呈报的备用容量价格曲线和再调度功率价格曲线即可。最后以新英格兰10机39节点系统为例，检验了所提模型的合理性及算法的可行性。     

基于PSO优化最小二乘支持向量机的热工系统辨识

在用最小二乘支持向量机(LS-SVM)辨识大迟延对象时,正则化参数、核宽度以及模型类中的迟延时间多是根据经验估测的,而不同的参数值对最小二乘支持向量机辨识的精度就会不同.针对上述问题,采用粒子群优化(PSO)算法对热工辨识系统中的相关参数进行优化.对电厂一次风量数据和平均床温数据进行的仿真实验结果表明,在用LS-SVM对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳参数及迟延时间,能够有效地提高辨识精度.     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和...     

基于实用动态安全域的电力系统安全性综合控制

基于实用动态安全域（PDSR）的边界可用超平面表示的事实及扩展实用动态安全域临界面的迁移规律,给出了一种最优安全性综合控制的新方法.该方法以综合控制总成本为目标函数,以超平面形式的不等式为暂态稳定约束,将安全性综合控制问题归结成一个最优化问题.针对该优化问题的特点,提出了一种＂积极约束松弛法＂的优化策略,它能将预想事故集分解成使控制总成本最小的2个子集,并分别由预防控制和紧急控制保证其中事故的安全性.在新英格兰10机39节点系统上的仿真算例验证了文中所提优化策略的有效性,也表明综合控制方案远比纯预防控制方案和纯紧急控制方案经济.     

基于网络约化模型的电力系统动态安全域近似

基于故障后主导不稳定平衡点所决定的稳定域边界的显式方程及其二次近似,并结合灵敏度分析法,给出了基于网络约化模型的电力系统在给定故障下动态安全域的显式形式及其线性近似(称为“Q线性近似”)和拟二次近似。进一步,与基于稳定域边界线性近似的动态安全域线性近似(称为“L线性近似”)进行了比较分析,所得仿真结果表明:L线性近似精确度较低;拟二次近似局部精确度较高,但依赖于初始参数的选择;Q线性近似不仅精确度高,而且对初始参数选择的变化不敏感,能够满足工程要求,具有较强的适用性。     

基于PSO-SVM的高压绝缘子污秽等级评定

污秽等级评定是绝缘子泄漏电流在线监测系统的重要内容,评定的难点在于泄漏电流的各种电气特征量、环境因素与绝缘子表面污秽状况之间存在着复杂的非线性关系。笔者在实验室模拟试验和现场实测数据基础上,采用粒子群算法优化支持向量机的参数,建立了污秽等级评定的支持向量机模型。该方法利用支持向量机结构风险最小化原则和粒子群快速全局优化特点,通过对样本数据的学习,可以快速建立泄漏电流有效值、泄漏电流峰值、泄漏电流脉冲频度、环境湿度、温度与污秽等级之间的映射关系。实验结果表明,该方法是有效的。     

基于虚拟机动态迁移的电力仿真云计算平台资源调度策略

针对目前电力系统仿真计算实时性与计算精度要求高、平台可扩展性差以及资源利用率低等特点,首先给出了一种基于开源基础设施平台OpenStack和并行处理框架Hadoop的电力仿真云计算平台架构,能够以较低成本实现动态扩展、高效计算和海量存储等功能。其次,结合电力系统仿真任务特点,给出了一种基于多目标粒子群优化(PSO)算法的虚拟机迁移策略,实现电力仿真云计算平台资源调度。虚拟机迁移过程采用指数平滑预测模型确定热点,选择虚拟机时综合考虑迁移速度和效果两个因素,利用多目标PSO算法搜索目标节点,使得电力系统仿真计算在保证服务质量的同时兼顾高资源利用率和低运行成本的优势。最后,通过CloudSim进行仿真实验,将所提算法与贪心迁移算法和顺序放置非迁移算法进行对比。实验表明,所提算法在服务等级协议(SLA)违背率、剩余资源率、能耗以及虚拟机迁移次数等指标上均优于其他算法,验证了基于虚拟机动态迁移的多目标PSO算法在电力仿真云计算平台资源调度中的优势和可行性。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

考虑风险成本的含风电场的电力系统动态经济调度

在风电功率全额上网的基础上,考虑发电厂节能和减排,通过优化常规火电机组出力可实现动态经济调度。考虑风险成本的含风电场的经济调度数学模型是在考虑到火电发电成本、污染气体的排放量、风力发电成本、风险指标等因素下使系统的总成本最小化。对传统粒子群算法进行改进,并将改进后的算法用于求解考虑风险成本的含风电场的动态经济调度问题。仿真结果验证了该方法的可行性。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

基于LS-SVM的电厂过热汽温系统建模

针对电厂过热汽温控制中存在大滞后和强非线性的特点,采用最小二乘支持向量机方法建立过热汽温系统模型并给出基于贝叶斯证据框架的LS-SVM的参数选择方法。在第一推断准则选择模型参数,第二推断准则选择模型超参数,第三推断准则选择模型的核参数。仿真结果表明该模型具有灵活的结构,较快的计算速度以及很好的泛化能力。     

基于广域测量系统的快速暂态稳定预测方法

在运用相量测量单元实测系统故障时轨线的基础上,采用一种在机器人领域广泛应用的抓球算法,对电力系统故障后预判失稳的发电机转子角进行预测.该方法分为跟踪和预测2个阶段:首先应用粒子群优化算法对跟踪阶段进行多参数优化,加快了跟踪的过程;然后利用泰勒级数展开法预测发电机的转子角.该方法无需知道系统结构的先验知识,可以提前0.5 s判断各发电机的同步性,得到足够的"可用反应时间"用于在线失稳预警或就地控制.在10机39节点的新英格兰测试系统和50机145节点测试系统上的仿真结果表明了该方法的有效性.