基于支持向量机的增识度超回归负荷建模多曲线拟合模型制造技术

本发明专利技术公开一种基于支持向量机的增识度超回归负荷建模多曲线拟合模型，包括，单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；外推预测学习集构建模块，构建所有输出向量的集合作为增识度学习集；向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；多曲线拟合函数构建模块，实现包含所有曲线基本特征的拟合函数。本发明专利技术解决在拟合过程中局部特征识度向全部特征识度逐步逼近的方法问题。

Multi curve fitting model of overload modeling based on support vector machine

The invention discloses a super degree increase general regression load modeling of multi curve fitting model based on support vector machine, single training set fitting function module of construction, for a single curve observation training set, support vector regression algorithm based on the realization of a number of nonlinear object fitting function; multi incremental learning construction module set fitting function. Multi curve observation training set, a plurality of corresponding fitting function; extrapolation prediction set learning module, set all output vectors as increasing knowledge learning set; vector minimum spacing optimization module, increasing knowledge learning set based on vector distance between the minimum as the optimization index for increasing polymerization center knowledge of the learning set, so as to characterize the center curve for all comprehensive characteristics in the training data set; multi curve fitting function module of construction, implementation contains all The fitting function of the basic characteristics of a curve. The invention solves the problem of gradual approximation of local feature recognition to all feature recognition in the process of fitting.

【技术实现步骤摘要】
基于支持向量机的增识度超回归负荷建模多曲线拟合模型
本专利技术涉及属于电力负荷模型

技术介绍
电力负荷模型在电网仿真分析计算中至关重要，负荷模型对稳定计算的结果影响甚大。然而，由于电力负荷具有复杂性、时变性和分布性等特点，使得电力系统负荷建模非常困难。基于单曲线拟合的参数辨识算法，只能包含负荷模型的部分特征，负荷模型的最后确定是依靠不断增加的曲线数量，综合各种情况下的负荷模型特征信息，不断对负荷模型进行修正，才能逐次迭代逼近真实的负荷模型。支持向量回归机是单曲线非线性拟合的有效算法，得到的曲线拟合函数是外推和预测的基本函数。然而，无论支持向量回归机的优化算法如何先进，单曲线拟合所获得的信息量毕竟有限，在泛化应用中受到了很大的限制。解决这个问题的途径是采集负荷组成成分不变的多个扰动曲线，更多地收集负荷特征信息，再用这些综合信息对负荷模型进行学习训练，逐步拟合出更接近具有普遍适用性的一般负荷模型拟合函数。针对同一特定的负荷群来说，可认为负荷组成成分不变，但是，由多条曲线拟合出的函数其在同一给定输入时的结果却是不尽相同的。这是因为负荷模型的复杂性、时变性所致，每一个曲线包含的仅仅是局部或部分的负荷特征信息。综合这些特征信息，运用向量距中心距离最小的优化指标，找出这些特征信息的代表，可以拟合出更“精致”的负荷特性曲线函数，从而辨识出更具一般特性的负荷模型参数。在现有技术中，针对同一负荷群实测的曲线希望有多条，然而多条曲线分别拟合出的曲线函数存在差异性；另外，在数据的获取过程中，面向特定负荷的曲线数据较少，在电网中装设采集装置的布点较多，获得不同电网上不同节点的曲线数据较多。因此要解决存在很多个曲线数据的情况下，拟合出一个与所有实测曲线相近并能反映负荷特性一般性的拟合函数。
技术实现思路
本专利技术所要解决的技术问题是，提供一种基于支持向量机的增识度超回归负荷建模多曲线拟合模型，解决存在很多个曲线数据的情况下，拟合出一个与所有实测曲线相近并能反映负荷特性一般性的拟合函数的问题。为解决上述技术问题，本专利技术采用如下技术方案：基于支持向量机的增识度超回归负荷建模多曲线拟合模型，包括，单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。优选的，所述单训练集拟合函数构建模块，采用非线性ε-支持向量回归机算法：⑴给定训练集其中⑵选取以σ2为参数的高斯径向基核函数以及适当的精度ε和惩罚参数C＞0；⑶构造并求解凸二次规划问题得解⑷计算选取位于开区间(0,C)中的的分量或若选到的是则若选到的是则⑸构造决策函数优选的，所述多增量学习集拟合函数构建模块中，对于测量到的m组不同扰动幅度、不同扰动形式的数据，即给定m组训练集以所述非线性ε-支持向量回归机算法，构造每条曲线的决策函数：或表示成：优选的，所述外推预测学习集构建模块中，给定预测输入向量集是通过仿真计算或实际测量得到的典型的、扰动幅度较大的、对负荷模型参数有敏感性的模型状态输入向量的时间序列组成的向量集，得第j条曲线的外推预测值即是：其中,识度∈[0,1]，上述的各条曲线外推预测值的向量组成的向量集其中每个向量都具备了一定识度，即包含了部分特征信息，所有向量集合成的集就是增识度学习集。优选的，所述向量间距最小优化模块中，给定为已知输入状态向量，得所述增识度学习集构造无约束条件目标函数的最优化问题：取目标函数(·)对y的导数，令其为0：因而，得最优解方程：得解为增识度学习集的中心向量；得增识度训练集其中优选的，所述多曲线拟合函数构建模块中，给定训练集其中按非线性ε-支持向量回归机算法，构造决策函数，得本专利技术将有差异性的多条经外推算法得到的输出向量组成增识度学习集，按照向量集距中心距离最小的优化条件，得到增识度训练集，最后拟合成包含多条曲线全部特征的唯一拟合函数，解决在拟合过程中局部特征识度向全部特征识度逐步逼近的方法问题。附图说明图1为本专利技术算法框图。图2为增识度迭代图。具体实施方式为解决存在很多个曲线数据的情况下，拟合出一个与所有实测曲线相近并能反映负荷特性一般性的拟合函数的问题，增识度超回归多曲线拟合函数的思想应运而生。基于支持向量机回归拟合每条单曲线的函数，将指定输入自变量附加给所有这些单曲线拟合函数，得出不同的有差异性的输出向量，并组成向量集，以最优化条件寻找这个向量集的中心，以此中心向量再作为非线性拟合曲线的增识度学习训练集，拟合出一个具备了所有曲线基本特征的、有代表性的、一般性的曲线函数。本专利技术为解决在拟合过程中局部特征识度向全部特征识度逐步逼近的方法问题，首先面向电力系统负荷模型的实际研究对象。电力负荷动态模型由一组常微分方程描述，表示如下：以一般形式描述，表示成状态方程的一般形式：x(0)＝x0y(t)＝g(x(t),u(t),θ)(3)式中，x(t)∈Rn,y(t)∈Rs分别为状态向量和输出向量；u(t)∈Rr为输入向量；θ∈Rk为模型参数向量；f(·)、g(·)分别为n维和s维向量函数。通过实测获得状态、输出数据x(t)、ym(t)(0≤t≤T)，寻求θ的估计值完成参数辨识过程。如图1和图2所示，本专利技术提供了一种基于支持向量机的增识度超回归负荷建模多曲线拟合模型，包括，单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。其中，所述单训练集拟合函数构建模块，采用非线性ε-支持向量回归机算法：⑴给定训练集其中⑵选取以σ2为参数的高斯径向基核函数以及适当的精度ε和惩罚参数C＞0；⑶构造并求解凸二次规划问题得解⑷计算选取位于开区间(0,C)中的的分量或若选到的是则若选到的是则⑸构造决策函数这里，“min”表示“最小化(minimize)”，而“s.t.”表示“受限于或约束条件(subjectto)”。将求解有约束条件最优化问题转换成无条件最优化问题，构造Lag本文档来自技高网...

【技术保护点】
基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于包括，单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。

【技术特征摘要】
1.基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于包括，单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。2.根据权利要求1所述的基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于，所述单训练集拟合函数构建模块，采用非线性ε-支持向量回归机算法：⑴给定训练集其中⑵选取以σ2为参数的高斯径向基核函数以及适当的精度ε和惩罚参数C＞0；⑶构造并求解凸二次规划问题得解⑷计算选取位于开区间(0,C)中的的分量或若选到的是则若选到的是则⑸构造决策函数3.根据权利要求2所述的基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于，所述多增量学习集拟合函数构建模块中，对于测量到的m组不同扰动幅度、不同扰动形式的数据，即给定m组训练集以所述非线性ε-支持向量回归机算法，构造每条曲线的决策函数：或表示成：4.根据权利要求3所述的基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于，所述外推预测学习集构建模块中，给定预测输入向量集是通过仿真计算或实际测量得到的典型的、扰动幅度较大的、对负荷模型参数有敏感性的模型状态输入向量的时间序列组成的向量集，得第j条曲线的外推预测值

【专利技术属性】
技术研发人员：孙维真，商佳宜，占震滨，于浩，
申请(专利权)人：国家电网公司，国网浙江省电力公司，江苏华瑞泰科技股份有限公司，
类型：发明
国别省市：北京,11