A power quality prediction method based on support vector machine for distribution network with distributed generation is proposed, which includes: PQ data matrix input, divided into test set matrix and validation training set; validation training set is further divided into training set and validation set; data normalization processing; and each set partition method is obtained based on grid search method. The optimal C and G parameters are obtained based on K-fold cross-validation method to optimize the parameters of the support vector machine model; the power quality prediction based on the constructed optimal model of the PQ prediction; and the relative error values of the prediction results are calculated.
【技术实现步骤摘要】
一种基于支持向量机的含分布式电源配电网电能质量预测方法
本专利技术涉及一种基于支持向量机的含分布式电源配电网电能质量预测方法，属电气工程和电能质量领域。
技术介绍
分布式电源(DistributedGenerator,DG)通常指发电功率在几千瓦至数百兆瓦的小型模块化、分散式发电单元，一般分布在用户附近。它投资少、占地小、建设周期短、节能环保，在负荷高峰期相比传统方式更加经济、有效。然而，分布式电源并网后可能会引起频率偏差、电压波动、电压闪变、电压不平衡、谐波畸变和直流注入等问题。准确全面地对电能质量(PowerQuality,PQ)进行态势要素的提取、理解和预测，对实现分布式电源按电能质量分质定价上网和提高配电网PQ总体水平具有重要意义。支持向量机(SupportVectorMachine,SVM)是一种基于统计学习理论的新一代机器学习技术，在解决小样本、非线性问题中具有独特优势，其遵循结构风险最小化原则，预测性能和推广能力突出。态势感知技术是一种对引起态势变化的因素进行获取、理解、显示、预测等活动的新技术，为复杂系统的决策和操作提供了基础。将支持向量机技术应用于电能质量态势感知的预测环节，能够为后继的决策和操作提供依据，进而可尽早解决含分布式电源配电网中潜在的电能质量问题。因此，建立一种合理的含DG配电网电能质量预测方法相当重要。当前，利用支持向量机对含DG配电网进行电能质量预测的研究成果较少。少量研究将支持向量机运用于电能质量扰动识别、扰动分类方面：如申请号为CN201710580783.9的专利提出一种电能质量扰动分类方法及系统，用双支持向量机对电...
【技术保护点】
1.一种基于支持向量机的含分布式电源配电网电能质量预测方法，包括如下步骤：步骤1、数据输入及测试集划分：输入n个含8个特征值的向量数组，组成数据矩阵X，其中8个特征值分别为历史时间、温度、光照、负荷、电压偏差、频率偏差、三相不平衡度和谐波畸变率；这8个特征值中，前四个特征值定义为输入特征值，后四个定义为输出特征值；取其中d个向量数组作为测试集矩阵Z，其余n‑d个向量数组作为建模所需的训练验证集Y；考虑到测试集数据必为未来时刻的数据，因此测试集选用按照时间排序规则位于最末尾的d个向量数组；步骤2、训练集及验证集划分：将训练验证集Y划分为k个同等大小的互斥子集Aj,j＝1,2,…,k，并且满足|A1|＝|A2|＝…＝|Ak| (1)式中，|Aj|是指集合Aj的元素个数，即集合的势；设定i是集合[1,k]中的任意一个数值，取子集Ai作为验证集合，定义Qi作为训练集合，满足Qi＝Y‑Ai (2)步骤3、数据归一化处理：由于不同特征值的量纲不一样，不能进行直接线性组合，而且其值大小的数量级存在差异，未经处理将其进行线性组合会导致数量级小数值被数量级大数值忽略的情况，因此需要将数据进行...
【技术特征摘要】
1.一种基于支持向量机的含分布式电源配电网电能质量预测方法，包括如下步骤：步骤1、数据输入及测试集划分：输入n个含8个特征值的向量数组，组成数据矩阵X，其中8个特征值分别为历史时间、温度、光照、负荷、电压偏差、频率偏差、三相不平衡度和谐波畸变率；这8个特征值中，前四个特征值定义为输入特征值，后四个定义为输出特征值；取其中d个向量数组作为测试集矩阵Z，其余n-d个向量数组作为建模所需的训练验证集Y；考虑到测试集数据必为未来时刻的数据，因此测试集选用按照时间排序规则位于最末尾的d个向量数组；步骤2、训练集及验证集划分：将训练验证集Y划分为k个同等大小的互斥子集Aj,j＝1,2,…,k，并且满足|A1|＝|A2|＝…＝|Ak|(1)式中，|Aj|是指集合Aj的元素个数，即集合的势；设定i是集合[1,k]中的任意一个数值，取子集Ai作为验证集合，定义Qi作为训练集合，满足Qi＝Y-Ai(2)步骤3、数据归一化处理：由于不同特征值的量纲不一样，不能进行直接线性组合，而且其值大小的数量级存在差异，未经处理将其进行线性组合会导致数量级小数值被数量级大数值忽略的情况，因此需要将数据进行归一化处理；归一化处理还能使最优解的寻优过程明显变得平缓，加快求解过程中参数的收敛速度；步骤301，将训练集中的输入特征值数据按式(3)进行归一化处理：式中，qin′为训练集中输入特征值归一化处理后的数据，qin为训练集中输入特征值归一化处理前的数据，qin.min为所有qin数据集合中的最小值，qin.max为所有qin数据集合中的最大值；步骤302，将训练集中输出特征值数据按公式(4)进行归一化处理：式中，qout′为训练集中输出特征值归一化处理后的数据，qout为训练集中输出特征值归一化处理前的数据，qout.min为所有qout数据集合中的最小值，qout.max为所有qout数据集合中的最大值；步骤303，利用公式(5)、(6)将训练集中输入特征值归一化处理标准分别应用于验证集和测试集中的输入特征值：式中，ain′为验证集中输入特征值归一化处理后的数据，ain为验证集中输入特征值归一化处理前的数据；zin′为测试集中输入特征值归一化处理后的数据，zin为测试集中输入特征值归一化处理前的数据；步骤304，利用公式(7)将训练集中输出特征值归一化处理标准应用于验证集中的输出特征值：式中，aout′为验证集中输出特征值归一化处理后的数据，aout为验证集中输出特征值归一化处理前的数据；归一化处理后的训练集、验证集和测试集分别记为Qi′、Ai′、Z′；步骤4、最优PQ预测模型的构建：支持向量机根据训练集进行机器学习，根据验证集检验学习的正确率；由于学习样本不包含被学习母体的所有分布情况，样本分布不均匀会导致预测模型过拟合或欠拟合；为了得到最优PQ预测模型，需要确定训练集最接近母体样本分布的最优划分方式，以及此划分方式下支持向量机的最优参数；步骤401，支持向量机的回归过程：对于给定n组样本数据{xu,yu},u＝1,2,···,n，其中xu为输入，yu为输出，利用一个非线性映射，将数据x映射到高维特征空间G，在这个空间进行线性逼近；根据统计学习理论，该逼近函数f(x)形式为：f(x)＝ω·Φ(x)+b(8)式中，(·)为内积运算，ω是高维空间G内可调的权值向量，Φ(x)为输入x的非线性映射，b为偏置项；ω和b通过最小化泛函进行估计：式中，Rreg[f]为正则化风险泛函，Remp[f]为经验风险，γ为规则化常数，||.||表示欧氏范...
【专利技术属性】
技术研发人员：翁国庆，马泰屹，王腾志，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。