基于支持向量机的综合负荷模型参数建模.docxVIP

基于支持向量机的综合负荷模型参数建模 0 负荷数据的分类 负荷是能源系统的重要组成部分。负荷模型对能源系统的稳定分析和电气系统动态模拟的准确性有很大影响。因此，负荷模型的重要性得到了广泛接受。但由于负荷模型自身的不确定性以及时变性使得负荷建模是一个公认的世界性难题。 目前建立负荷模型的方法主要分为两类:第一种是综合统计法, 第二种是总体测辨法。这两种方法互有优缺点, 因此近年来它们已经结合起来应用于负荷建模。 负荷建模的目的在于用尽可能少的负荷模型来对尽可能多的负荷情况进行模拟, 在实际的负荷模型辨识中就采用了多曲线辨识的方法, 以期建立泛化能力较强的负荷模型。但由于随着采集数据的增多, 多曲线辨识的实际辨识过程将会变得越来越困难, 甚至会无法施行。因此, 需要对实测负荷数据进行分类, 以缓解实测数据增多为辨识带来的困难。在众多的负荷数据中, 大量的负荷数据是冗余的, 泛化能力强的负荷模型能对所有的负荷数据进行良好的拟合, 但泛化能力强的负荷模型并不需要由所有的负荷数据来建立, 它只需要提取出负荷数据中的共有的统计学规律, 而这些共有的统计学规律往往只需要其中的一些数据就能提供。基于此思想, 文献提出用统计学中的支持向量机理论对实测数据进行缩减, 建立了负荷数据的特征样本空间, 并以此建立负荷模型, 经检验证明所建模型泛化能力较强。但由于其分析的对象是全部的实测数据, 因此所建立的负荷模型物理概念比较模糊。而负荷数据分类的目的在于把相互之间差别较大的负荷数据分开, 把相互之间较为接近的负荷数据合并, 在此基础上建立负荷模型, 不仅物理概念明确, 而且还能更进一步提高所建立负荷模型的泛化能力。 本文以2004年虎石台变电站实测数据为例, 在采用综合负荷模型的基础上, 提出了以统计学理论中的方差分析思想对负荷数据加以分类的方法, 并在分类的基础上对数据加以分析筛选, 观察出了分类后的数据在时间以及参数上存在的特征, 这些特征反映了负荷数据中所隐含的统计学规律。在分类的基础上由支持向量机工具和多曲线参数辨识的方法建立了对应于每一类数据的负荷模型, 经检验有较强泛化能力。本文还总结了负荷数据由现场采集, 经过统计学指标筛选分析, 到最后分类建模的全过程, 为实测负荷建模提供了一条新思路。 1 负荷数据的聚类 电力负荷动特性的分类属于聚类分析问题, 它包括特征向量的选取和聚类方法的研究两个方面, 在聚类的方法方面, 已经有了相当成熟的数学方法, 例如模糊数学中的模糊C均值聚类, 统计学中的系统聚类法以及人工智能中的神经网络模式识别聚类法等。而在特征向量的选取上可供选取的特征向量有:①实测响应, 也就是在某一扰动下, 负荷的实测有功和无功标幺值;②模型参数, 也就是负荷扰动在选定的负荷模型结构下由参数辨识所获得的负荷模型的参数;③标准电压激励下的模型响应, 也就是由不同的负荷扰动数据所辨识得到的各组负荷模型参数在同一个电压扰动下所获得的有功和无功的模型响应;④负荷成分构成特性, 也就是负荷扰动时刻对应的负荷用电设备的构成情况;⑤负荷扰动数据的采集时间、工作日类型和季节、负荷水平等直观特征。其中第④、⑤两种比较少采用, 而实际的负荷数据由于电压的波动形状不一, 因此其有功和无功的波形也不一样, 用以作为特征向量处理较为麻烦, 因此①也不宜采用;由于负荷模型参数的多值性, 将②作为特征向量对于分类的准确性上有较大的影响, 因此选用特征向量③。 在进行负荷数据聚类时需要对聚类的有效性以及聚类的数目进行判断和确定, 聚类数目的确定决定了总的负荷数据的分类数, 也就解决了实际的负荷模型到底存在一个还是多个的问题, 它是实测负荷数据分类和筛选的依据, 因此, 这是实测建模的一个关键环节。 本文选用的聚类方法采用统计学中系统聚类法中的重心法, 因为从物理的角度来看, 仿真曲线用它的重心来表示比较合理, 类与类之间的距离就用重心之间的距离来表示。 好的聚类结果包括两个方面:高的类内相似性、低的类间相似性。如何确定分类的数目, 统计学中的方差分析思想对此有较好解释。下面介绍4个统计学指标。 假设:观测个数为n, 变量个数为v,G为在某一聚类水平上的个数,xi为第i个观测,CK是当前 (水平G) 第K类,NK为CK中的观测个数,ˉX为均值向量,ˉXΚ为类CK中的均值向量 (中心) , ‖x‖为欧式长度,Τ=n∑i=1∥xi-ˉX∥2为总的离差平方和,WΚ=∑i?CΚ∥xi-XΚ∥2为类CK的类内离差平方和,PG=∑WJ为聚类水平G对应的各类的类内离差平方和总合。假设某一步聚类把类CK和类CL合并为下一个水平的类CM, 则定义BKL=WM-WK-WL为合并导致的类内离差平方和的增量。 ①R2统计量 (RSQ) R2=1-ΡGΤ(1) 式中,PG为分类数为G个