基于支持向量回归机的电能质量评估

《基于支持向量回归机的电能质量评估》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于支持向量回归机的电能质量评估　　摘要：针对传统方法和神经网络方法在电能质量评估方面存在的不足，提出了一种新的基于支持向量回归机的电能质量评估方法。依据电能质量标准和有关文献建立了电能质量评估指标体系，给出了电能质量评估指标的等级区间。基于支持向量回归机的原理和电能质量评估指标，建立了基于支持向量回归机的电能质量评估模型。应用实例的仿真结果表明，所建立的评估模型具有较强的推广能力，得出的评估结果与其他评估方法相比更为合理可信。　　关键词：电能质量；评估模型；支持向量机；支持向量回归机　　中图分类

2、号：TN915.853?34；TM714文献标识码：A文章编号：1004?373X（2016）23?0148?04　　Electricpowerqualityassessmentbasedonsupportvectorregression　　WUZhengling1，ZHANGNannan2　　（1.JilinInstituteofChemicalTechnology，Jilin132022，China；　　2.TheForty?seventhDivisionoftheArmyReserveoft

3、hePeople′sLiberationArmy，Jilin132013，China）　　Abstract：Thetraditionalmethodandneuralnetworkmethodhavetheshortcomingsintheaspectofelectricpowerqualityevaluation，6anewelectricpowerqualityevaluationmethodbasedonsupportvectorregressionisproposed.Theelectri

4、cpowerqualityevaluationindicatorsystemwasestablishedaccordingtotheelectricpowerqualitystandardsandrelevantliteratures.Thegradeintervaloftheelectricpowerqualityevaluationindicatorisgiven.Onthebasisoftheprincipleofsupportvectorregressionandelectricpower

5、qualityevaluationindicator，theelectricpowerqualityevaluationmodelbasedonsupportvectorregressionwasestablished.Thesimulationresultsoftheapplicationexamplesshowthattheestablishedevaluationmodelhasstronggeneralizationability，andtheobtainedevaluationresul

6、tismorereasonableandreliablethanthatofotherevaluationmethods.　　Keywords：electricpowerquality；assessmentmodel；supportvectormachine；supportvectorregression　　0引言6　　近年来随着电力工业和电力电子技术的迅猛发展，电力用户采用了大量时变控制的非线性设备，电网中接入了大量的冲击、非线性负载及不平衡负荷，引起了日益严峻的电能质量问题。同时，智能电网建设

7、及新能源的发展又对电能质量提出了更高的要求。对电能质量进行科学地评估是提升电能使用效率、电能商品按质计价和电能质量治理等的重要保障，已成为电能质量研究中的热点问题。电能质量评估属于多指标非线性评估问题，在评估过程中指标权重确定的是否科学合理直接影响到评估结果的合理性和有效性，文献[1?7]分别采用改进雷达图法、模糊集对分析法、模糊层次分析法、灰色关联度和理想解法相结合的方法、区间数理论、云物元分析理论和可拓云理论对电能质量评估问题进行了深入研究。上述研究方法分别采用主观赋权法、客观赋权法或主客观相

8、结合的组合赋权法确定各评估指标的权重值，由于不同的权重确定方法计算出的指标权重差异较大，仅从评估结果的合理性很难推断出各种权重确定方法的有效性。为了避免权重计算的复杂性和不确定性，文献[8?9]分别采用模糊神经网络和自组织特征映射网络的智能评估方法研究电能质量评估问题，克服了传统评估方法在权重确定方面的不足，并取得了较好的效果。　　虽然神经网络具有良好的非线性逼近能力和较强的泛化能力，但神经网络方法自身存在着许多不足，如学习效率不高、样本需求量大、收敛速度慢和网络结构难确定等问题。