发电厂支持向量机自动纠偏技术剖析.docVIP

发电厂支持向量机自动纠偏技术剖析 　　【摘要】 因自动电压控制的精准度不足导致电厂电压控制装置发生异动或者误动的情况时有发生,本文基于自动向量机技术(SVM),对发电机组的源头数据进行智能设别,在线将错误数据进行判断和辨别,以避免由于错误数据导致的系统装置误动,并采集台州发电厂1号机组的实际运行数据,进行验证。结论表明,采用支持向量机技术是一个好的解决手段。 　　【关键词】 发电厂SVM模型数据辨别避免误动 　　现代科学技术突飞猛进,电力系统的现代化程度越来越高,传统的电压控制技术逐渐被自动化的电压控制技术所替代和升级,控制的精度得到较大幅度的提高。 　　1 发电厂控制系统的现状和问题 　　从目前全球角度来看,绝大多数发电巨头的电压控制已经都完全应用了AVC(自动电压控制技术),大大提高了控制的水平和质量,也大大降低了人工的投入。从国内电力系统来看,根据我国电力体制的特点,电压自动控制由两端控制的模式进行控制,即时省级电压调度中心的自动电压控制主站和发电企业终端的自动电压控制子站,在自动控制的方式上,采取了三级的阶梯控制。从华东地区分析,位于发电企业终端的电压控制系统,经过升级改造,已经具备了远程测报、远程信息传递、远程控制调节等电压远程控制的基本功能,在发电企业内部控制上,常见的是自动采集各机组运行的电压变动、电流变动和企业自己母线的电压变动、发电机组的有功和无功状态参数。在电压自动控制系统中,数据采集是最为核心的环节,也就是说,数据采集的准确率和可靠度是电压自动控制的生命线。从华东地区的几个大型电厂的实际运行情况来看,电压自动控制系统还存在很多问题,如电流互感器运行不尽人意,最为突出的就是数据采集出现误码,一级传递一级以后,给整体的电压自动控制系统造成偏差,继而造成自动保护装置触发动作,此类误动就必然会导致供电系统电压的较大波动,危害是不容忽视的。 　　自动控制系统中数据采集的源头发生问题,就会导致全系统的误动,因此,对数据采集中的纠偏和及时发现和辨别显得至关重要。目前,从华东地区的发电企业来看,为防止AVC误动,都采取了一些针对措施,如:将常规的数据判断和辨别方法过渡到人工智能仿生神经网络模式,效果也是立竿见影的,但是,由于人工神经网络模式需要巨量的数据处理,计算和处理数据比较滞后,而电力系统最大的特点就是不间断运行,高度强调的是时间,为此,人工神经网络系统并不是最好的纠偏系统。需要寻找和研究一种零延时的超高速度超高精度的源头数据识别系统,支持向量机((Support Vector Machine))就应运而生,这是一种全新的方法,目前在全球各个领域都得到了告诉和广发的发展,在统计学和回归分析中早已是扬名海内外,特别在处理小数据量、多维度模式和非线性设别中具有了得天独厚的优势。由于发电机组的电压输出是非线性的、多维度的,因此,可以采用支持向量机对采集的数据进行把关,能及时高效地解决问题。 　　2 支持向量机的数学模型 　　支持向量机SVM作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表,它是在统计学的理论基础上演变出来的,将结构风险最小化处理回归分析和实时统计模式,优势是不言而喻的,对于发电企业来说,是投入小收益大的明智之举。 　　2.1 支持向量机的算法特点 　　(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。因此,模型需要存储空间小,算法鲁棒性强;(4)无序任何前提假设,不涉及概率测度。 　　2.2 支持向量机的非线性回归算法 　　支持向量机的非线性回归算法的基本原理是在数据采集的样本(a1b1),(a2b3),…,(ambm),ai∈R,bi∈R中,寻找一个特定的函数B=wtΔ(a)+c,作为一个可以融合的参照,其中m为样本数据的量,w为m维向量,Δ(a)是寻找的非线性函数,c为阀值。 　　在支持向量机中,需要最小化这个数值: 　　 　　w:是参量,值越大边界越明显C代表惩罚系数,即如果某个x是属于某一类,但是它偏离了该类,跑到边界上后者其他类的地方去了,C越大表明越不想放弃这个点,边界就会缩小代表:松散变量。 　　但问题似乎还不好解,又因为SVM是一个凸二次规划问题,凸二次规划问题有最优解,于是问题转换成下列形式(KKT条件): 　　 (1) 　　这里的ai是拉格朗日乘子(问题通过拉格朗日乘法数来求解) 　　对于(a)的情况,表明ai是正常分类,在边界内部(我们知道正确分类的点yi×f(xi)=0)