基于支持向量機的電能質(zhì)量分析和負荷建模研究.pdf

1、統(tǒng)計方法是從觀測自然現(xiàn)象或者專門安排的實驗所得到的數(shù)據(jù)去推斷該事物可能的規(guī)律性。統(tǒng)計學習理論是在研究小樣本統(tǒng)計估計和預測的過程中發(fā)展起來的一種新興的理論，它試圖從更本質(zhì)的層面上來研究機器學習問題。作為統(tǒng)計學習理論的最新發(fā)展和結構風險最小化準則的具體體現(xiàn)，支持向量機(SVM)具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣到函數(shù)擬合等其他機器學習問題中。本文研究了SVM在電

2、能質(zhì)量分析及負荷建模中的應用，以有助于解決電能質(zhì)量分析和負荷建模存在的難題。 本文的主要貢獻如下： 提出了基于SVM非參數(shù)穩(wěn)健頻譜估計算法的電力系統(tǒng)間諧波分析算法。該算法在沒有異常噪聲情況下和有大量異常噪聲干擾情況下都有相當高的分析精度，可以滿足電力系統(tǒng)間諧波分析的要求；通過引入特殊代價函數(shù)的方法消除異常值影響，使算法對異常值具有穩(wěn)健性；算法不需要同步采樣即可以準確地分析出諧波和間諧波分量；對于非平穩(wěn)信號也可以準確得分析

3、出諧波和間諧波分量。 提出了S變換和支持向量機相結合的電能質(zhì)量擾動分類方案。該方案對噪聲不敏感，識別正確率高，訓練樣本數(shù)少，可很好地應用于電能質(zhì)量擾動的識別。為解決復合擾動識別等難題，還提出基于Mercer核聚類方法的電能質(zhì)量擾動動態(tài)分類樹的方法。該方法具有很好的自適應性，對于靜態(tài)分類樹中未能考慮的新擾動，能夠通過學習，動態(tài)拓展分類樹，從而解決了識別新擾動的難題，在解決電能質(zhì)量擾動識別中尚待解決的復合擾動識別問題上有所突破。提出

4、了基于SVM的諧波源建模、靜態(tài)負荷建模和動態(tài)負荷建模算法。對于諧波源模型，各次諧波電流的幅值和相角與各次諧波電壓的幅值和相角以及負荷特征參數(shù)的非線性映射關系通過SVM建立起來。SVM靜態(tài)負荷模型建模的基本思想是用兩個SVM分別表示有功功率、無功功率和電壓幅值、頻率值以及其他表征負荷特性的參數(shù)之間的非線性映射關系。討論了空調(diào)負荷對綜合負荷無功特性的影響，并提出了將空調(diào)負荷比例作為特征一起進行建模的思想，解決了模型的連續(xù)性問題，便于進行中長