一种基于GA-SVR的配电网线路参数辨识方法技术

一种基于GA

【技术实现步骤摘要】
一种基于GA
‑
SVR的配电网线路参数辨识方法


[0001]本专利技术涉及配电网电力
，特别涉及一种基于GA
‑
SVR的配电网线路参数辨识方法。

技术介绍

[0002]精细化的配电网线路参数辨识有助于后续状态估计、潮流准确计算、线损准确计算、继电保护整定以及故障定位等后续工作的展开，不仅是实现更高水平以及更合理的储能设备等装置接入的重要基础，更是配电网优化运行的前提条件。近年来，随着大规模分布式电源、储能设备、电动汽车以及非线性负荷接入配电网，配电网结构日益复杂，同时，线路参数受到配电网运行工况、线路温度、线路环境、过电压等因素的影响，真实值与台账记录值存在着差异。因此，进行线路参数的准确辨识对于潮流计算、继电保护整定及故障定位等配电网分析应用十分重要。
[0003]以往的研究中，对线路进行参数辨识建立在辨识方程已知的基础之上，而线路参数在实际情况中往往与理论数学模型存在一定的差异，可能会造成辨识结果不能在真正意义上反映线路参数真实值；有时，为了保证所建立模型的精确性，模型的阶次会大大提高，而基于高阶系统模型的参数辨识复杂度也随之直线上升。进行无线路模型下的线路参数辨识是进行基于数据驱动的线路参数辨识的关键。支持向量回归机(SVR)可以对线路参数辨识模型进行有效搭建，但其惩罚因子与核函数参数的取值对回归预测模型有很大的影响。遗传算法(GA)根据大自然中生物体进化规律而设计提出，其对于参数寻优问题有独特的优势。本专利技术基于当前国内外对这些问题的研究基础之上，进一步研究了应用GA
‑
SVR算法提高配电网线路参数辨识精度的方法，主要研究运用GA对SVR的惩罚因子与核函数参数进行寻优，搭建GA
‑
SVR回归预测处理器，从而实现对配电网线路参数的高精度辨识。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提供一种基于GA
‑
SVR的配电网线路参数辨识方法；通过设置各支路间参数并代入33节点潮流计算程序，得到各支路首末端节点的电压幅值、有功功率、无功功率、有功损耗与无功损耗等数据，利用GA得到SVR惩罚因子与核函数参数的最优取值，构建GA
‑
SVR回归预测处理器，将数据样本进行归一化处理并采用5倍交叉验证划分为训练集与测试集，将其输入GA
‑
SVR回归预测处理器，结合最优参数，实现对配电网线路参数的高精度辨识。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于GA
‑
SVR的配电网线路参数辨识方法，包括以下步骤：
[0007]S1、设置各支路的参数，包括各支路的电阻、电抗，并通过节点潮流计算程序获得各支路首末端节点的电压幅值、有功功率、无功功率、有功损耗、无功损耗的指标数据；
[0008]S2、提取各指标数据，并进行整理形成线路参数数据组；
[0009]S3、归一化处理线路参数数据组中的各指标数据；
[0010]S4、将归一化处理后的线路参数数据组结合GA算法对支持向量回归机SVR的惩罚因子c与核函数参数g进行寻优，进而形成GA
‑
SVR回归预测处理器；
[0011]S5、通过GA
‑
SVR回归预测处理器对配电网线路参数进行识别。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]进一步地，步骤S4的内容包括：
[0014]S4.1、获取归一化处理线路参数数据组中的各指标数据，分为训练样本集和测试样本集；
[0015]S4.2、对GA算法进行初始化，使其原始参数进行重置；具体为：对种群进行初始化，随机生成O个染色体，按序标号为m1，m2，m3，
…
，m
o
；
[0016]S4.3、每个染色体都与自己的基因编码k
i
所对应，且基因编码k
i
都有自己对应的惩罚因子c
i
与核函数参数g
i
；所述惩罚因子c
i
与核函数参数g
i
即为支持向量回归机SVR的参数；
[0017]基于支持向量回归机SVR能够构建向量回归模型的特点，通过结合基因编码k
i
对应的惩罚因子c
i
、核函数参数g
i
以及训练样本集训练支持向量回归模型，并利用测试样本集评估支持向量回归模型的性能；
[0018]S4.4、计算每一个染色体所对应基因编码k
i
的适应度f
i
，并根据适应度f
i
计算对应染色体作为亲代染色体的概率p
i
；并选取概率最高的两条染色体作为下一代种群的亲代染色体；其中：
[0019][0020]式中，f
i
表示任意一个染色体的适应度；M为测试样本集的样本数目，为第j个测试样本的回归值，为第j个测试样本的特征向量，为支持向量回归模型对测试样本的预测值，p
i
表示对应的任意一个染色体被选为亲代染色体的概率，f
k
为o个染色体中第k个染色体m
k
的适应度，o为染色体的数目；
[0021]S4.5、将种群进行迭代以更新染色体中的基因编码信息，具体为：将选取的两条亲代染色体进行选择、交叉、变异的操作生成O个染色体；
[0022]其中选择的方式采用轮盘赌方式；变异的方式采用均匀变异法，交叉的方式采用线性组合方式，具体公式为：式中m
p
和m
q
表示步骤S4.4中选定的两条亲代染色体，m
ph
、m
qh
分别对应基因重组后的两个亲代染色体；p表示交叉概率；
[0023]S4.6、循环步骤S4.3
‑
S4.5完成种群的反复迭代，并设置迭代次数为T，达到迭代次数T后进入步骤S4.7；
[0024]S4.7、当达到迭代次数T后，将当前种群中最佳适应度染色体对应的惩罚因子c
*
与g
*
作为支持向量回归机SVR的最优参数，以形成GA
‑
SVR回归预测处理器；同时结合训练样本
集和测试样本集对GA
‑
SVR回归预测处理器进行训练及验证。
[0025]进一步地，所述迭代次数T的值为50次。
[0026]进一步地，划分训练样本集和测试样本集的方式采用5倍交叉验证方式。
[0027]进一步地，训练样本集与测试样本集的比例为：9:1。
[0028]本专利技术的有益效果是：
[0029]1、支持向量回归机(SVR)可以对线路参数辨识模型进行有效搭建，但其惩罚因子与核函数参数的取值对回归预测模型有很大的影响；遗传算法(GA)根据大自然中生物体进化规律而设计提出，其对于参数寻优问题有独特的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
SVR的配电网线路参数辨识方法，其特征在于，包括以下步骤：S1、设置各支路的参数，包括各支路的电阻、电抗，并通过节点潮流计算程序获得各支路首末端节点的电压幅值、有功功率、无功功率、有功损耗、无功损耗的指标数据；S2、提取各指标数据，并进行整理形成线路参数数据组；S3、归一化处理线路参数数据组中的各指标数据；S4、将归一化处理后的线路参数数据组结合GA算法对支持向量回归机SVR的惩罚因子c与核函数参数g进行寻优，进而形成GA
‑
SVR回归预测处理器；S5、通过GA
‑
SVR回归预测处理器对配电网线路参数进行识别。2.根据权利要求1所述的一种基于GA
‑
SVR的配电网线路参数辨识方法，其特征在于，步骤S4的内容包括：S4.1、获取归一化处理线路参数数据组中的各指标数据，分为训练样本集和测试样本集；S4.2、对GA算法进行初始化，使其原始参数进行重置；具体为：对种群进行初始化，随机生成O个染色体，按序标号为m1，m2，m3，
…
，m
o
；S4.3、每个染色体都与自己的基因编码k
i
所对应，且基因编码k
i
都有自己对应的惩罚因子c
i
与核函数参数g
i
；所述惩罚因子c
i
与核函数参数g
i
即为支持向量回归机SVR的参数；基于支持向量回归机SVR能够构建向量回归模型的特点，通过结合基因编码k
i
对应的惩罚因子c
i
、核函数参数g
i
以及训练样本集训练支持向量回归模型，并利用测试样本集评估支持向量回归模型的性能；S4.4、计算每一个染色体所对应基因编码k
i
的适应度f
i
，并根据适应度f
i
计算对应染色体作为亲代染色体的概率p
i
...

【专利技术属性】
技术研发人员：刘海涛，陆恒，纪雨清，张埕瑜，黄铖，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：