[发明专利]一种基于支持向量机的电压暂降严重程度预测方法

说明书

本发明涉及一种基于支持向量机的电压暂降严重程度预测方法，建立了基于支持向量机的电压暂降严重程度预测模型，通过利用该模型对电压暂降历史监测数据进行分析，来预测某次电压暂降的严重程度大小，实现电压暂降严重程度预测的功能，以减小电压暂降所造成的经济损失。

技术领域

本发明涉及电力系统领域，特别是一种基于支持向量机的电压暂降严重程度预测方法。

背景技术

为了实现企业及相关设备更加安全、可靠、准确地进行产品生产工作，在当今迅速发展的电力系统中，对电能质量也有了更高的要求。而电压暂降问题则在很大程度上对电能质量造成了影响，电压暂降的发生会导致设备的工作状态发生变化，最终影响到产品的质量，使得用户蒙受巨大的经济损失，特别是一些高新技术行业，电压暂降所造成的损失也将更加严重。

目前电压暂降严重程度预测评估主要有实测法与仿真模拟法，实测法是采用相关设备全方位地监测各个指标来进行严重程度的评估，该方法所需的设备比较复杂、繁多，同时对设备要求较高，成本较高，经济性较低，不适合于企业用户。而仿真模拟法，则基于统计与概率原理来设置故障进行电压暂降严重程度的预测评估，该方法在复杂大电网下计算时间长，计算复杂，受故障信息的影响较大，导致所得结果准确度不高，不适合于当今复杂、规模庞大的电力系统网络。

发明内容

有鉴于此，本发明的目的是提供一种基于支持向量机的电压暂降严重程度预测方法，建立了基于支持向量机的电压暂降严重程度预测模型，通过利用该模型对电压暂降历史监测数据进行分析，来预测某次电压暂降的严重程度大小，实现电压暂降严重程度的预测。

本发明采用以下方案实现：一种基于支持向量机的电压暂降严重程度预测方法，包括以下步骤：

步骤S1：测量并采集电能质量监测装置所记录的电压暂降历史监测数据，并分为训练数据与测试数据两类，训练数据与测试数据的比例为8：2，训练数据用于对支持向量机模型进行训练学习，测试数据用于对支持向量机模型进行测试校验；

步骤S2：将所述电压暂降历史监测数据采用离差标准化归一化至[0,1]之间，并作为电压暂降严重程度预测的输入数据，同时，以电网中待评估节点的电压暂降严重程度作为输出数据，并对输入、输出数据进行保存；

步骤S3：选定支持向量机SVM类型：选用RBF函数作为核函数构建支持向量机模型；

步骤S4：利用归一化后的电压暂降历史监测数据对支持向量机模型进行训练，以归一化后的电压暂降历史监测数据作为训练样本输入进行学习；判断模型是否学习结束，若终止判据小于可容忍偏差的预设值，则模型学习结束，若结束则执行步骤S5，否则继续进行模型学习；

步骤S5：输入测试数据对模型进行测试并根据训练数据与测试数据输出结果的误差大小及变化趋势，对模型的惩罚参数C、不敏感损失参数ε以及gamma值进行调整优化，得到基于支持向量机的电压暂降严重程度预测模型；

步骤S6：参数调整优化过后，利用目前已知的数据输入步骤S5中所得的基于支持向量机的电压暂降严重程度预测模型中，利用训练过后该模型的电压暂降严重程度预测功能，基于支持向量机的电压暂降严重程度预测模型对数据进行处理分析，即得到某一节点的电压暂降严重程度大小，用以使用户根据所得结果对电压暂降有所了解。

进一步地，所述电压暂降历史监测数据包括电压暂降的残余电压幅值、持续时间、电压等级、监测位置和运行方式。

进一步地，所述步骤S3的具体内容为：

对于支持向量机的样本集{(X₁,y₁),(X₂,y₂)…(X_n,y_n)}，X_i＝1,2…n为输入向量，y_i为输出向量，其对应关系为：