基于支持向量回歸機的電能質量評估

吳正玲++張楠楠

摘 要： 針對傳統方法和神經網絡方法在電能質量評估方面存在的不足，提出了一種新的基于支持向量回歸機的電能質量評估方法。依據電能質量標準和有關文獻建立了電能質量評估指標體系，給出了電能質量評估指標的等級區間。基于支持向量回歸機的原理和電能質量評估指標，建立了基于支持向量回歸機的電能質量評估模型。應用實例的仿真結果表明，所建立的評估模型具有較強的推廣能力，得出的評估結果與其他評估方法相比更為合理可信。

關鍵詞： 電能質量； 評估模型； 支持向量機； 支持向量回歸機

中圖分類號： TN915.853?34； TM714 文獻標識碼： A 文章編號： 1004?373X（2016）23?0148?04

Electric power quality assessment based on support vector regression

WU Zhengling1， ZHANG Nannan2

（1. Jilin Institute of Chemical Technology， Jilin 132022， China；

2. The Forty?seventh Division of the Army Reserve of the People′s Liberation Army， Jilin 132013， China）

Abstract： The traditional method and neural network method have the shortcomings in the aspect of electric power quality evaluation， a new electric power quality evaluation method based on support vector regression is proposed. The electric power quality evaluation indicator system was established according to the electric power quality standards and relevant literatures. The grade interval of the electric power quality evaluation indicator is given. On the basis of the principle of support vector regression and electric power quality evaluation indicator， the electric power quality evaluation model based on support vector regression was established. The simulation results of the application examples show that the established evaluation model has strong generalization ability， and the obtained evaluation result is more reasonable and reliable than that of other evaluation methods.

Keywords： electric power quality； assessment model； support vector machine； support vector regression

0 引 言

近年來隨著電力工業和電力電子技術的迅猛發展，電力用戶采用了大量時變控制的非線性設備，電網中接入了大量的沖擊、非線性負載及不平衡負荷，引起了日益嚴峻的電能質量問題。同時，智能電網建設及新能源的發展又對電能質量提出了更高的要求。對電能質量進行科學地評估是提升電能使用效率、電能商品按質計價和電能質量治理等的重要保障，已成為電能質量研究中的熱點問題。電能質量評估屬于多指標非線性評估問題，在評估過程中指標權重確定的是否科學合理直接影響到評估結果的合理性和有效性，文獻[1?7]分別采用改進雷達圖法、模糊集對分析法、模糊層次分析法、灰色關聯度和理想解法相結合的方法、區間數理論、云物元分析理論和可拓云理論對電能質量評估問題進行了深入研究。上述研究方法分別采用主觀賦權法、客觀賦權法或主客觀相結合的組合賦權法確定各評估指標的權重值，由于不同的權重確定方法計算出的指標權重差異較大，僅從評估結果的合理性很難推斷出各種權重確定方法的有效性。為了避免權重計算的復雜性和不確定性，文獻[8?9]分別采用模糊神經網絡和自組織特征映射網絡的智能評估方法研究電能質量評估問題，克服了傳統評估方法在權重確定方面的不足，并取得了較好的效果。

雖然神經網絡具有良好的非線性逼近能力和較強的泛化能力，但神經網絡方法自身存在著許多不足，如學習效率不高、樣本需求量大、收斂速度慢和網絡結構難確定等問題。支持向量回歸機（Support Vector Regression，SVR）是支持向量機在回歸領域的具體應用，具有泛化能力強、訓練時間短、全局優化和抗干擾能力強等優點，因其出色的預測效果，被廣泛應用于解決小樣本、非線性預測問題[10]。文獻[11]采用神經網絡和支持向量機相結合的方法對110 kV高壓電網的電能質量評估問題進行研究，取得了較好的評估結果。鑒于此，本文嘗試采用支持向量回歸機對380 kV高壓電網的電能質量評估問題進行研究。

4 應用實例

這里以文獻[4?7]中的評估數據為例，對構建的電能質量評估模型的有效性進行驗證，其中5個觀測點的實測數據如表2所示。

首先利用計算機在1，2，3，4四個電能質量等級區間隨機各選取3個訓練樣本，按照評估模型的規范化方法規范化后的樣本數據如表3所示。在計算機上利用Matlab 7.0軟件編寫基于SVR的電能質量評估模型算法，通過對規范化訓練樣本的訓練，將支持向量回歸機的參數設置為：[C=1 000，][ε]=0.001，[σ=]10。以后5個訓練樣本為例，評估模型預測的電能質量等級分別為3.000 1，3.000 1，4.000 1，3.999 9和3.999 9，從中可以看出，評估模型預測的等級誤差極小，訓練效果較好。

為了檢驗所建立評估模型的推廣能力，對表2中的5個觀測點的電能質量數據進行規范化處理，利用基于SVR的電能質量評估模型進行預測，得到的電能質量評估結果和文獻[4?7]的評估結果見表4。

從表4中可以看出，本文的評估結果與其他方法得出的評估結果相一致，這里以觀測點1為例進行說明。按照電能質量的等級區間，觀測點1的電壓閃變、諧波畸變率、三項不平衡度、頻率偏差和需求側服務5個評估指標為2級，電壓偏差、電壓波動、暫態壓降和供電可靠性4個評估指標為3級，但電壓偏差和暫態壓降2個評估指標值均處于3級的下界即向2級的上界靠近，所以總體上評估為2.32級較為合理。

5 結 論

針對傳統電能質量評估方法在指標權重確定方面存在的不足，以及基于神經網絡的電能質量評估方法存在的網絡結構不好確定、容易陷入局部極值和處理小樣本推廣性欠佳等問題，提出了一種新的基于支持向量回歸機的電能質量評估方法。最后給出的應用實例結果表明，本文建立的基于SVR的電能質量評估模型具有較強的泛化能力，得出的評估結果更加合理具有較強的說服力，該評估模型具有一定的理論意義和實用價值。

參考文獻

[1] 喬鵬程，吳正國，李輝.基于改進雷達圖法的電能質量綜合評估方法[J].電力自動化設備，2011，31（6）：88?93.

[2] 劉俊華，羅隆福，張志文，等.基于模糊集對分析法的電能質量綜合評估[J].電網技術，2012，36（7）：81?85.

[3] 翟興麗，文福拴，林振智，等.基于模糊層次分析法的電能質量綜合評估與靈敏度分析[J].華北電力大學學報，2013，40（5）：48?53.

[4] 李正明，施詩，潘天紅，等.基于灰色關聯度和理想解法的電能質量綜合評估方法[J].電力系統保護與控制，2014，42（6）：14?19.

[5] 王宗耀，范莉，蘇浩益.基于區間數理論的電能質量綜合評估模型[J].電力系統保護與控制，2012，40（3）：41?46.

[6] 夏非，范莉，蘇浩益，等.基于云物元分析理論的電能質量綜合評估模型[J].電力系統保護與控制，2012，40（11）：6?10.

[7] 李如琦，蘇浩益.基于可拓云理論的電能質量綜合評估模型[J].電力系統自動化，2012，36（1）：66?70.

[8] 周林，栗秋華，劉華勇，等.用模糊神經網絡模型評估電能質量[J].高電壓技術，2007，33（9）：66?69.

[9] 付學謙，陳皓勇，蔡潤慶.基于自組織特征映射網絡的電能質量綜合評估[J].華南理工大學學報（自然科學版），2014，42（6）：7?11.

[10] 方瑞明.支持向量機理論及其應用分析[M].北京：中國電力出版社，2007.

[11] 王麗，王紅梅，吳振洲.基于神經網絡和支持向量機的電能質量組合評價[J].華北水利水電學院學報，2009，30（3）：61?64.

[12] 傅貴，韓國強，逯峰，等.基于支持向量機回歸的短時交通流預測模型[J].華南理工大學學報（自然科學版），2013，41（9）：71?76.