基于支持向量回歸機(jī)的電能質(zhì)量評(píng)估

吳正玲++張楠楠

摘 要： 針對(duì)傳統(tǒng)方法和神經(jīng)網(wǎng)絡(luò)方法在電能質(zhì)量評(píng)估方面存在的不足，提出了一種新的基于支持向量回歸機(jī)的電能質(zhì)量評(píng)估方法。依據(jù)電能質(zhì)量標(biāo)準(zhǔn)和有關(guān)文獻(xiàn)建立了電能質(zhì)量評(píng)估指標(biāo)體系，給出了電能質(zhì)量評(píng)估指標(biāo)的等級(jí)區(qū)間。基于支持向量回歸機(jī)的原理和電能質(zhì)量評(píng)估指標(biāo)，建立了基于支持向量回歸機(jī)的電能質(zhì)量評(píng)估模型。應(yīng)用實(shí)例的仿真結(jié)果表明，所建立的評(píng)估模型具有較強(qiáng)的推廣能力，得出的評(píng)估結(jié)果與其他評(píng)估方法相比更為合理可信。

關(guān)鍵詞： 電能質(zhì)量； 評(píng)估模型； 支持向量機(jī)； 支持向量回歸機(jī)

中圖分類號(hào)： TN915.853?34； TM714 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(yè)和電力電子技術(shù)的迅猛發(fā)展，電力用戶采用了大量時(shí)變控制的非線性設(shè)備，電網(wǎng)中接入了大量的沖擊、非線性負(fù)載及不平衡負(fù)荷，引起了日益嚴(yán)峻的電能質(zhì)量問題。同時(shí)，智能電網(wǎng)建設(shè)及新能源的發(fā)展又對(duì)電能質(zhì)量提出了更高的要求。對(duì)電能質(zhì)量進(jìn)行科學(xué)地評(píng)估是提升電能使用效率、電能商品按質(zhì)計(jì)價(jià)和電能質(zhì)量治理等的重要保障，已成為電能質(zhì)量研究中的熱點(diǎn)問題。電能質(zhì)量評(píng)估屬于多指標(biāo)非線性評(píng)估問題，在評(píng)估過程中指標(biāo)權(quán)重確定的是否科學(xué)合理直接影響到評(píng)估結(jié)果的合理性和有效性，文獻(xiàn)[1?7]分別采用改進(jìn)雷達(dá)圖法、模糊集對(duì)分析法、模糊層次分析法、灰色關(guān)聯(lián)度和理想解法相結(jié)合的方法、區(qū)間數(shù)理論、云物元分析理論和可拓云理論對(duì)電能質(zhì)量評(píng)估問題進(jìn)行了深入研究。上述研究方法分別采用主觀賦權(quán)法、客觀賦權(quán)法或主客觀相結(jié)合的組合賦權(quán)法確定各評(píng)估指標(biāo)的權(quán)重值，由于不同的權(quán)重確定方法計(jì)算出的指標(biāo)權(quán)重差異較大，僅從評(píng)估結(jié)果的合理性很難推斷出各種權(quán)重確定方法的有效性。為了避免權(quán)重計(jì)算的復(fù)雜性和不確定性，文獻(xiàn)[8?9]分別采用模糊神經(jīng)網(wǎng)絡(luò)和自組織特征映射網(wǎng)絡(luò)的智能評(píng)估方法研究電能質(zhì)量評(píng)估問題，克服了傳統(tǒng)評(píng)估方法在權(quán)重確定方面的不足，并取得了較好的效果。

雖然神經(jīng)網(wǎng)絡(luò)具有良好的非線性逼近能力和較強(qiáng)的泛化能力，但神經(jīng)網(wǎng)絡(luò)方法自身存在著許多不足，如學(xué)習(xí)效率不高、樣本需求量大、收斂速度慢和網(wǎng)絡(luò)結(jié)構(gòu)難確定等問題。支持向量回歸機(jī)（Support Vector Regression，SVR）是支持向量機(jī)在回歸領(lǐng)域的具體應(yīng)用，具有泛化能力強(qiáng)、訓(xùn)練時(shí)間短、全局優(yōu)化和抗干擾能力強(qiáng)等優(yōu)點(diǎn)，因其出色的預(yù)測效果，被廣泛應(yīng)用于解決小樣本、非線性預(yù)測問題[10]。文獻(xiàn)[11]采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相結(jié)合的方法對(duì)110 kV高壓電網(wǎng)的電能質(zhì)量評(píng)估問題進(jìn)行研究，取得了較好的評(píng)估結(jié)果。鑒于此，本文嘗試采用支持向量回歸機(jī)對(duì)380 kV高壓電網(wǎng)的電能質(zhì)量評(píng)估問題進(jìn)行研究。

4 應(yīng)用實(shí)例

這里以文獻(xiàn)[4?7]中的評(píng)估數(shù)據(jù)為例，對(duì)構(gòu)建的電能質(zhì)量評(píng)估模型的有效性進(jìn)行驗(yàn)證，其中5個(gè)觀測點(diǎn)的實(shí)測數(shù)據(jù)如表2所示。

首先利用計(jì)算機(jī)在1，2，3，4四個(gè)電能質(zhì)量等級(jí)區(qū)間隨機(jī)各選取3個(gè)訓(xùn)練樣本，按照評(píng)估模型的規(guī)范化方法規(guī)范化后的樣本數(shù)據(jù)如表3所示。在計(jì)算機(jī)上利用Matlab 7.0軟件編寫基于SVR的電能質(zhì)量評(píng)估模型算法，通過對(duì)規(guī)范化訓(xùn)練樣本的訓(xùn)練，將支持向量回歸機(jī)的參數(shù)設(shè)置為：[C=1 000，][ε]=0.001，[σ=]10。以后5個(gè)訓(xùn)練樣本為例，評(píng)估模型預(yù)測的電能質(zhì)量等級(jí)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(píng)估模型預(yù)測的等級(jí)誤差極小，訓(xùn)練效果較好。

為了檢驗(yàn)所建立評(píng)估模型的推廣能力，對(duì)表2中的5個(gè)觀測點(diǎn)的電能質(zhì)量數(shù)據(jù)進(jìn)行規(guī)范化處理，利用基于SVR的電能質(zhì)量評(píng)估模型進(jìn)行預(yù)測，得到的電能質(zhì)量評(píng)估結(jié)果和文獻(xiàn)[4?7]的評(píng)估結(jié)果見表4。

從表4中可以看出，本文的評(píng)估結(jié)果與其他方法得出的評(píng)估結(jié)果相一致，這里以觀測點(diǎn)1為例進(jìn)行說明。按照電能質(zhì)量的等級(jí)區(qū)間，觀測點(diǎn)1的電壓閃變、諧波畸變率、三項(xiàng)不平衡度、頻率偏差和需求側(cè)服務(wù)5個(gè)評(píng)估指標(biāo)為2級(jí)，電壓偏差、電壓波動(dòng)、暫態(tài)壓降和供電可靠性4個(gè)評(píng)估指標(biāo)為3級(jí)，但電壓偏差和暫態(tài)壓降2個(gè)評(píng)估指標(biāo)值均處于3級(jí)的下界即向2級(jí)的上界靠近，所以總體上評(píng)估為2.32級(jí)較為合理。

5 結(jié) 論

針對(duì)傳統(tǒng)電能質(zhì)量評(píng)估方法在指標(biāo)權(quán)重確定方面存在的不足，以及基于神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量評(píng)估方法存在的網(wǎng)絡(luò)結(jié)構(gòu)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(jī)的電能質(zhì)量評(píng)估方法。最后給出的應(yīng)用實(shí)例結(jié)果表明，本文建立的基于SVR的電能質(zhì)量評(píng)估模型具有較強(qiáng)的泛化能力，得出的評(píng)估結(jié)果更加合理具有較強(qiáng)的說服力，該評(píng)估模型具有一定的理論意義和實(shí)用價(jià)值。

參考文獻(xiàn)

[1] 喬鵬程，吳正國，李輝.基于改進(jìn)雷達(dá)圖法的電能質(zhì)量綜合評(píng)估方法[J].電力自動(dòng)化設(shè)備，2011，31（6）：88?93.

[2] 劉俊華，羅隆福，張志文，等.基于模糊集對(duì)分析法的電能質(zhì)量綜合評(píng)估[J].電網(wǎng)技術(shù)，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(zhì)量綜合評(píng)估與靈敏度分析[J].華北電力大學(xué)學(xué)報(bào)，2013，40（5）：48?53.

[4] 李正明，施詩，潘天紅，等.基于灰色關(guān)聯(lián)度和理想解法的電能質(zhì)量綜合評(píng)估方法[J].電力系統(tǒng)保護(hù)與控制，2014，42（6）：14?19.

[5] 王宗耀，范莉，蘇浩益.基于區(qū)間數(shù)理論的電能質(zhì)量綜合評(píng)估模型[J].電力系統(tǒng)保護(hù)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(zhì)量綜合評(píng)估模型[J].電力系統(tǒng)保護(hù)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(zhì)量綜合評(píng)估模型[J].電力系統(tǒng)自動(dòng)化，2012，36（1）：66?70.

[8] 周林，栗秋華，劉華勇，等.用模糊神經(jīng)網(wǎng)絡(luò)模型評(píng)估電能質(zhì)量[J].高電壓技術(shù)，2007，33（9）：66?69.

[9] 付學(xué)謙，陳皓勇，蔡潤慶.基于自組織特征映射網(wǎng)絡(luò)的電能質(zhì)量綜合評(píng)估[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，42（6）：7?11.

[10] 方瑞明.支持向量機(jī)理論及其應(yīng)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(jīng)網(wǎng)絡(luò)和支持向量機(jī)的電能質(zhì)量組合評(píng)價(jià)[J].華北水利水電學(xué)院學(xué)報(bào)，2009，30（3）：61?64.

[12] 傅貴，韓國強(qiáng)，逯峰，等.基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測模型[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，41（9）：71?76.