[發明專利]一種基于遺傳算法的支持向量機在線電壓穩定性監測方法

在審

• 申請號: 201811468216.5
• 申請日: 2018-12-03
• 公開（公告）號: CN109711435A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 劉頌凱;楊苗;史若原;劉禮煌;佘小莉;楊楠;文斌;舒征宇
• 申請（專利權）人: 三峽大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N3/12;G06Q50/06
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 余山

一種基于遺傳算法的支持向量機在線電壓穩定性監測方法，包括通過電網系統向量測量單元(Phasor Measurement Unit，PMU)裝置獲取初始的數據，并利用這些數據通過常規潮流計算以確定電網電壓穩定裕度指標；結合PMU獲取的初始數據和電網電壓穩定裕度指標生成支持向量機的樣本數據，并將樣本數據分成訓練樣本數據和測試樣本數據等步驟，本發明是針對傳統的電壓穩定分析方法最大的缺陷在于最大負載點處的雅克比矩陣的奇異性，并且計算量大、在線應用能力差；而新的機器學習技術比如ANNs在處理非線性回歸問題時，受限于訓練時間量和學習參數值而提出的。

技術領域

本發明屬于電力系統領域，具體涉及一種基于遺傳算法的支持向量機在線電壓穩定性監測方法。

背景技術

隨著電網技術的飛速發展，今天的電網連接已經構成了一個高度互聯的大系統。這樣使得大型電力系統在監控和操作中更具復雜性。因為系統的某一部分的干擾可能影響整個電力系統。電力系統可觀測性是電力系統實時監測、保護和控制的必要條件，它影響整個廣域監測保護和控制系統(Wide Area Monitoring Protection and Control Systems，WAMPC)的有效執行。近年來，電壓崩潰是全球許多電力系統停電的主要原因。傳統的電壓穩定分析方法依賴于使用常規的潮流計算比如高斯-賽德爾(Gauss-Seidel)或者牛頓-拉夫森(Newton-Raphson)等靜態分析方法。這些技術方法的主要缺陷是在最大負載點處的雅克比矩陣的奇異性。另外，諸如人工神經網絡(Artificial Neural Network，ANN)、模糊邏輯、模式識別、支持向量機(Support Vector Machine，SVM)等機器學習技術已經被用來進行電力系統分析。比如將ANN模型應用在在線電壓安全評估中，使用了徑向基函數(RadialBasis Function，RBF)網絡來估算突發情況下電力系統電壓穩定等級，Hashemi運用小波變換來提取電壓波形特性以估算電壓穩定裕度等等。

發明內容

針對傳統的電壓穩定分析方法最大的缺陷在于最大負載點處的雅克比矩陣的奇異性，并且計算量大、在線應用能力差；而新的機器學習技術比如ANNs在處理非線性回歸問題時，受限于訓練時間量和學習參數值，本發明提出了一種基于遺傳算法的支持向量機在線電壓穩定性監測的方法。

發明的目的是這樣實現的：

一種基于遺傳算法的支持向量機在線電壓穩定性監測方法，包括以下步驟：

步驟一：通過電網系統向量測量單元(Phasor Measurement Unit，PMU)裝置獲取初始的數據，并利用這些數據通過常規潮流計算以確定電網電壓穩定裕度指標；

步驟二：結合PMU獲取的初始數據和電網電壓穩定裕度指標生成支持向量機的樣本數據，并將樣本數據分成訓練樣本數據和測試樣本數據；

步驟三：構建基于遺產算法的支持向量機模型，并運用遺傳算法(GeneticAlgorithm，GA)尋找最優的電網電壓穩定裕度指標參數；

步驟四：通過尋找到的最優電網電壓穩定裕度指標參數構建支持向量機(SupportVector Machine，SVM)模型，并結合訓練樣本對SVM模型進行訓練；

步驟五：訓練結束后，運用測試樣本數據對訓練后的SVM模型進行測試；

步驟六：測試通過后，運用所得SVM模型構建基于遺傳算法的支持向量機(GeneticAlgorithm based Support Vector Machine，GA-SVM)模型的在線電網電壓穩定監測模型。

在步驟一中，包括電壓穩定裕度指標的獲取以及PMU不確定性建模。

PMU測量的數據主要包括電壓幅值和相角。