[發明專利]基于支持向量機的增識度超回歸負荷建模多曲線擬合模型

有效

• 申請號: 201710976432.X
• 申請日: 2017-10-19
• 公開（公告）號: CN107742029A
• 公開（公告）日: 2018-02-27
• 發明（設計）人: 孫維真;商佳宜;占震濱;于浩
• 申請（專利權）人: 國家電網公司;國網浙江省電力公司;江蘇華瑞泰科技股份有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06F17/15;G06K9/62;G06Q50/06
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙)33217
• 代理人: 項軍

技術領域

本發明涉及屬于電力負荷模型技術領域。

背景技術

電力負荷模型在電網仿真分析計算中至關重要，負荷模型對穩定計算的結果影響甚大。然而，由于電力負荷具有復雜性、時變性和分布性等特點，使得電力系統負荷建模非常困難。基于單曲線擬合的參數辨識算法，只能包含負荷模型的部分特征，負荷模型的最后確定是依靠不斷增加的曲線數量，綜合各種情況下的負荷模型特征信息，不斷對負荷模型進行修正，才能逐次迭代逼近真實的負荷模型。

支持向量回歸機是單曲線非線性擬合的有效算法，得到的曲線擬合函數是外推和預測的基本函數。然而，無論支持向量回歸機的優化算法如何先進，單曲線擬合所獲得的信息量畢竟有限，在泛化應用中受到了很大的限制。解決這個問題的途徑是采集負荷組成成分不變的多個擾動曲線，更多地收集負荷特征信息，再用這些綜合信息對負荷模型進行學習訓練，逐步擬合出更接近具有普遍適用性的一般負荷模型擬合函數。

針對同一特定的負荷群來說，可認為負荷組成成分不變，但是，由多條曲線擬合出的函數其在同一給定輸入時的結果卻是不盡相同的。這是因為負荷模型的復雜性、時變性所致，每一個曲線包含的僅僅是局部或部分的負荷特征信息。綜合這些特征信息，運用向量距中心距離最小的優化指標，找出這些特征信息的代表，可以擬合出更“精致”的負荷特性曲線函數，從而辨識出更具一般特性的負荷模型參數。

在現有技術中，針對同一負荷群實測的曲線希望有多條，然而多條曲線分別擬合出的曲線函數存在差異性；另外，在數據的獲取過程中，面向特定負荷的曲線數據較少，在電網中裝設采集裝置的布點較多，獲得不同電網上不同節點的曲線數據較多。因此要解決存在很多個曲線數據的情況下，擬合出一個與所有實測曲線相近并能反映負荷特性一般性的擬合函數。

發明內容

本發明所要解決的技術問題是，提供一種基于支持向量機的增識度超回歸負荷建模多曲線擬合模型，解決存在很多個曲線數據的情況下，擬合出一個與所有實測曲線相近并能反映負荷特性一般性的擬合函數的問題。

為解決上述技術問題，本發明采用如下技術方案：基于支持向量機的增識度超回歸負荷建模多曲線擬合模型，包括，

單訓練集擬合函數構建模塊，面向單一曲線觀測值訓練集，基于支持向量回歸機算法，實現非線性對象的擬合函數；

多增量學習集擬合函數構建模塊，面向多個曲線觀測值訓練集，獲得多個對應的擬合函數；

外推預測學習集構建模塊，利用多個擬合函數，以同樣的自變量向量作為每個擬合函數的激勵輸入，代入每個擬合函數進行計算，獲得每個擬合函數的輸出向量作為外推觀測值，構建所有輸出向量的集合作為增識度學習集；

向量間距最小優化模塊，基于增識度學習集，以向量間距離最小為尋優指標，尋找增識度學習集的聚合中心，以此中心作為表征了所有曲線綜合特征的數據訓練集；

多曲線擬合函數構建模塊，利用設定的自變量向量及中心向量，組合成增識度學習訓練集，基于支持向量回歸機算法，實現包含所有曲線基本特征的擬合函數。

優選的，所述單訓練集擬合函數構建模塊，

采用非線性ε-支持向量回歸機算法：

⑴給定訓練集其中

⑵選取以σ²為參數的高斯徑向基核函數以及適當的精度ε和懲罰參數C＞0；

⑶構造并求解凸二次規劃問題

得解

⑷計算選取位于開區間(0,C)中的的分量或若選到的是則

若選到的是則

⑸構造決策函數

優選的，所述多增量學習集擬合函數構建模塊中，

對于測量到的m組不同擾動幅度、不同擾動形式的數據，即給定m組訓練集

以所述非線性ε-支持向量回歸機算法，構造每條曲線的決策函數：

或表示成：

優選的，所述外推預測學習集構建模塊中，

給定預測輸入向量集是通過仿真計算或實際測量得到的典型的、擾動幅度較大的、對負荷模型參數有敏感性的模型狀態輸入向量的時間序列組成的向量集，得第j條曲線的外推預測值

即是：

其中,識度∈[0,1]，

上述的各條曲線外推預測值的向量組成的向量集其中每個向量都具備了一定識度，即包含了部分特征信息，所有向量集合成的集就是增識度學習集。