基于支持向量机的电能质量分析和负荷建模研究

统计方法是从观测自然现象或者专门安排的实验所得到的数据去推断该事物可能的规律性。统计学习理论是在研究小样本统计估计和预测的过程中发展起来的一种新兴的理论,它试图从更本质的层面上来研究机器学习问题。作为统计学习理论的最新发展和结构风险最小化准则的具体体现,支持向量机(SVM)具有全局最优、结构简单、推广能力强等优点,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广到函数拟合等其他机器学习问题中。本文研究了SVM在电能质量分析及负荷建模中的应用,以有助于解决电能质量分析和负荷建模存在的难题。 本文的主要贡献如下: 提出了基于SVM非参数稳健频谱估计算法的电力系统间谐波分析算法。该算法在没有异常噪声情况下和有大量异常噪声干扰情况下都有相当高的分析精度,可以满足电力系统间谐波分析的要求;通过引入特殊代价函数的方法消除异常值影响,使算法对异常值具有稳健性;算法不需要同步采样即可以准确地分析出谐波和间谐波分量;对于非平稳信号也可以准确得分析出谐波和间谐波分量。 提出了S变换和支持向量机相结合的电能质量扰动分类方案。该方案对噪声不敏感,识别正确率高,训练样本数少,可很好地应用于电能质量扰动的识别。为解决复合扰动识别等难题,还提出基于Mercer核聚类方法的电能质量扰动动态分类树的方法。该方法具有很好的自适应性,对于静态分类树中未能考虑的新扰动,能够通过学习,动态拓展分类树,从而解决了识别新扰动的难题,在解决电能质量扰动识别中尚待解决的复合扰动识别问题上有所突破。 提出了基于SVM的谐波源建模、静态负荷建模和动态负荷建模算法。对于谐波源模型,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过SVM建立起来。SVM静态负荷模型建模的基本思想是用两个SVM分别表示有功功率、无功功率和电压幅值、频率值以及其他表征负荷特性的参数之间的非线性映射关系。讨论了空调负荷对综合负荷无功特性的影响,并提出了将空调负荷比例作为特征一起进行建模的思想,解决了模型的连续性问题,便于进行中长期电压稳定计算。该模型还具有精度高,推广性好等优点。SVM动态负荷模型建模的基本思想是用两个SVM分别表示动态有功功率和无功功率和动态输入矢量之间的非线性映射关系。经过和其他方法对比,SVM动态负荷建模方法的建模精度远远高于其他方法。 利用虚拟仪器技术构建了电能质量监测分析平台,并进行了动模试验验证。该平台可以对电能质量进行全面的监测和分析。