[發明專利]基于遺傳算法優化支持向量機多分類器的臺區低電壓風險識別方法

在審

• 申請號: 201911242809.4
• 申請日: 2019-12-06
• 公開（公告）號: CN111104972A
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 郝思鵬;劉明
• 申請（專利權）人: 南京工程學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12;G06Q10/06;G06Q50/06
• 代理公司: 南京睿之博知識產權代理有限公司 32296
• 代理人: 劉菊蘭

本發明公開了一種基于遺傳算法優化支持向量機多分類器的臺區低電壓風險識別方法，通過對臺區低電壓的成因分析及公式推導，建立了臺區低電壓風險識別指標體系，并統計指標數據，將預處理后的指標數據作為輸入變量，建立支持向量機模型，并利用遺傳算法優化其參數，確定出最優的懲罰參數和核函數參數，使得典型低電壓臺區數據的訓練樣本在進行交叉驗證方法意義下的準確率達到最高。本發明為供電公司制定相應低電壓措施提供了技術支持，滿足居民的用電需求。

技術領域

本發明涉及配電網配電臺區低電壓預測分類技術領域，尤其是涉及一種基于遺傳算法優化支持向量機多分類器的臺區低電壓風險識別方法。

背景技術

近年來，隨著居民用電需求的激增，同時配電網網架結構的相對滯后導致配電網臺區低電壓問題層出不窮，對用電設備造成了損害，無法滿足居民正常的用電需求，同時也增大了配電網損耗和供電成本，同時當前缺乏行之有效的臺區低電壓風險識別方法，無法及時對低電壓臺區進行治理，無法滿足居民的用電需求。

支持向量機SVM的基本模型是定義在特征空間上的間隔最大的線性分類器。支持向量機學習方法包含3種模型：線性可分支持向量機、線性支持向量機及非線性支持向量機。當訓練數據線性可分時，通過硬間隔最大化，學習一個線性的分類器，即線性可分支持向量機；當訓練數據近似線性可分時，通過軟間隔最大化，也學習一個線性的分類器，即線性支持向量機；當訓練數據線性不可分時，通過使用核技巧及軟間隔最大化，學習非線性支持向量機。

隨著機器學習、神經網絡和人工智能等技術的發展，如何將先進的技術應用到配電網風險識別中，對于提高配電網臺區管理水平、提高配電網運行安全性有著重要的意義。

發明內容

技術目的：為了解決上述問題，本發明提出了一種基于遺傳算法優化支持向量機多分類器的臺區低電壓風險識別方法，以便及時發現低壓臺區，為低壓臺區的風險治理提供數據基礎。

技術方案：

一種基于遺傳算法優化支持向量機多分類器的臺區低電壓風險識別方法，其特征在于，包括以下步驟:

(1)、分析臺區低電壓的成因，確定用于建立臺區低電壓風險識別模型的指標體系；

(2)、根據步驟(1)得到的指標體系，收集典型低電壓臺區的指標樣本數據，將數據分為訓練集和測試集并進行預處理，確定支持向量機多分類器模型；

(3)、將訓練集數據導入步驟(2)中所建立的支持向量機多分類器模型中，利用遺傳算法確定支持向量機多分類器模型的最優懲罰參數和核函數參數，確定出最優支持向量機低電壓臺區風險識別模型；

(4)、將測試集數據或待測臺區的樣本數據輸入到步驟(3)中最優支持向量機低電壓臺區風險識別模型中，預測待測臺區的低電壓風險類型。

優選地，所述步驟(1)中臺區低電壓的主要成因是電壓在線路和配電變壓器上產生壓降。

優選地，所述步驟(1)中臺區低電壓風險識別模型的指標體系中指標為供電距離、電壓線路導線截面積、配變容量、負載率、功率因數以及三相功率不平衡度。

優選地，所述步驟(2)中對收集到的臺區數據進行歸一化預處理，采用的歸一化映射如下：

其中，x,y∈R，x_i為歸一化前的數值，y表示歸一化后的數據；x_imax、 x_imin分別為歸一化前數據的最大值和最小值。