基于支持向量机的电力系统静态电压稳定评估

为了预防电压崩溃,需要评估系统运行状态到电压极限点的距离.该距离通常用潮流方程计算,但对于高维电力系统,这种方法计算速度较慢,难以满足实时电压稳定评估的要求.为减少评估时间,应用快速且可靠的评估技术是很重要的.本文提出了一种基于支持向量机的静态电压稳定评估方法,该方法充分发挥支持向量机在解决高维、非线性和有限样本问题方面体现出的优势,保证了电压稳定评估模型的泛化能力,具有较快的评估速度和较高的预测精度.在WSCC9节点测试系统中的应用结果证明了该方法的有效性.     

基于主成分分析和支持向量机的静态电压稳定评估

高维电力系统中,运用常规的潮流方程计算电压稳定的速度较慢,难以满足实时评估的要求,提出了一种基于主成分分析和支持向量机的静态电压稳定评估方法,先利用主成分分析进行特征提取和降维,再利用支持向量机建立回归模型,该方法充分发挥了支持向量机在解决高维、非线性和有限样本问题等方面的优势,保证了电压稳定评估模型的泛化能力,具有较快的评估速度和较高的预测精度,W SCC 9节点测试系统中的应用结果证明了该方法的有效性。     

基于支持向量机的电压稳定弱节点在线监视

为了预防电压崩溃,需要监视电压稳定弱节点的临界状态.该临界状态通常由潮流方程计算,但对于高维电力系统,这种方法计算速度较慢,难以满足在线电压稳定监视的要求.为减少计算时间,应用快速且可靠的方法非常重要.提出一种基于支持向量机的一电压稳定弱节点在线监视方法,该方法充分发挥支持向量机在解决高维、非线性和有限样本问题方面体现出的优势,保证了电压稳定监视模型的泛化能力,具有较快的计算速度和较高的预测精度.在WSCC 9节点测试系统中的应用结果表明了该方法的有效性.     

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机，结合装袋和近似推理，提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势，有效地提高了暂稳评估模型的泛化能力，并通过训练样本集重构解决了暂稳评估的多类识别问题，在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。     

基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

基于多支持向量机综合的电力系统暂态稳定评估

目前,利用数据挖掘方法进行电力系统暂态稳定评估的研究,对结果中不稳定样本被误判为稳定样本的情况重视不足,不符合电网运行对安全性的要求。针对该问题,文中提出了安全域概念下基于多支持向量机综合的电力系统暂态稳定评估方法。该方法首先利用网格法对支持向量机进行参数寻优,然后选取分类准确率高的若干组支持向量机参数,在这些参数下训练支持向量机,最后对训练得到的支持向量机进行综合,实现电力系统暂态稳定评估。对仿真系统的分析表明,文中提出的方法能够充分利用不同参数的支持向量机提供的有用信息,大量减少"误判稳定"样本的个数,可以对应用数据挖掘理论进行电力系统暂态稳定评估的实际应用提供有益的参考。     

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。     

稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法

电力系统故障后在线暂态稳定评估是一个难题。目前基于数据挖掘方法的相关研究存在2个问题:评估规则缺乏电力系统理论依据,评估结果难以保证保守性。针对第1个问题,文章提出稳定域概念下的暂态稳定评估方法,其稳定评估规则是对稳定边界的近似与变换。针对第2个问题,文章提出一种基于新型支持向量机的暂态稳定规则训练算法。该算法的核心在于通过调整传统支持向量机模型得到保守支持向量机和激进支持向量机,利用这2种支持向量机生成的边界将输入空间分为3个区域:稳定区域、不稳定区域和灰色地带。稳定区域和不稳定区域的稳定性评估确保正确,灰色地带尽量小。最后,分别在IEEE 39节点系统和某省级电网中验证了该评估方法的有效性。测试结果不存在漏报警和误报警,灰色地带随着输入特征数的增加而减小,根据需要可以控制在一定范围内。     

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。     

基于稀疏贝叶斯学习的电力系统暂态稳定评估

介绍了基于稀疏贝叶斯学习理论的模式识别技术相关向量机及其分类器,在此基础上构建了电力系统暂态稳定评估模型.以EPRI36电力系统暂态稳定仿真数据为例,在相同的数据输入和相同的仿真环境下同时构建相关向量机和支持向量机2种暂态稳定评估模型.仿真预测计算显示,作为一种全新的概率学习模型,相关向量机不仅得到了比支持向量机更高的预测精确度,而且还能得到支持向量机无法完成的概率性预测和更高的稀疏性计算.     

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。     

支持向量机动态训练算法电力系统暂态稳定评估

在对比分析电力系统已有暂态稳定评估方法的基础上,提出一种以支持向量机模型为基础的动态训练算法.该方法将特征提取、样本训练融合在一起,动态产生一系列支持向量机模型,同时可以从维数较大的初始特征集中选择多组有效特征.实验表明,它可用于解决输入空间的可分性问题.在3机9节点以及16机68节点系统中的应用表明了该方法的有效性.     

基于蒙特卡洛法和最小二乘支持向量机的复杂电力系统可靠性评估

针对复杂电力系统可靠性评估效率低和计算时间长等问题,提出了一种将蒙特卡洛法(MCS)和最小二乘支持向量机(LSSVM)相结合的方法。该方法采用非序贯蒙特卡洛法抽取系统状态,利用LSSVM分类模型对抽取的系统状态进行分类,对分类后的故障状态进行可靠性指标计算,从而避免了计算正常运行状态,节省了评估时间。将该方法应用于可靠性测试系统IEEE-RTS-79中,仿真结果表明该方法在保证评估精度的基础上,大大提高了计算速度。     

一种SVM不平衡分类方法及在故障诊断的应用

针对支持向量机不平衡样本分类倾斜性问题,提出一种欠采样支持向量机分类器。构建包含少类样本的最小封闭超球体,计算各个多类样本到包含少类样本最小封闭超球体球心的距离,利用该距离对多类样本进行欠采样,产生新的训练集,实现训练集的平衡。该方法和其他不平衡分类方法在基准数据集的分类结果表明该方法在识别率和分类速度方面的有效性。将该方法应用于永磁同步电机驱动电路功率开关管开路故障诊断中,结果表明该方法缩短故障分类器的训练时间,提高了故障分类器的泛化能力和诊断速度。     

基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

基于支持向量机的铜矿成矿概率的研究

本文论述了基于支持向量机SVM（Support Vector Machine）的铜矿成矿概率估计系统的设计思想和实现方案。分类是采用联合的支持向量机分类器,由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维的情况下。在这个系统中我们尝试了多种基于支持向量机的多分类方法,并且还与其他类型分类器进行了比较试验。试验的结果表明,在小样本情况下,支持向量机的效果更好,识别率更高,能够很好地满足设计要求的系统。     

最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。     

天气类型聚类的支持向量机在光伏系统输出功率预测中的应用

光伏发电具有较强的波动性和随机性的特点,大容量光伏发电接入,会对电力系统的安全稳定运行带来严峻挑战.本文分析了温度、湿度等气象因素对光伏发电系统输出功率的影响,结合光伏系统的历史发电数据与气象信息,提出一种基于天气类型聚类的支持向量机预测模型.通过计算合适的权值,确定各气象因素的加权欧氏距离,选择输入样本,使样本能更好地反映预测日的天气属性;在此基础上运用支持向量机进行短期输出功率预测,并利用某地实测数据对训练好的模型进行了测试与评估.结果证明,该方法建立的模型具有较高的精度.