基于SVM的电力系统动态负荷建模的研究

基于SVM的电力系统动态负荷建模的研究

ID:36784215

大小:241.29 KB

页数:5页

时间:2019-05-15

基于SVM的电力系统动态负荷建模的研究_第1页
基于SVM的电力系统动态负荷建模的研究_第2页
基于SVM的电力系统动态负荷建模的研究_第3页
基于SVM的电力系统动态负荷建模的研究_第4页
基于SVM的电力系统动态负荷建模的研究_第5页
资源描述:

《基于SVM的电力系统动态负荷建模的研究》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、维普资讯http://www.cqvip.com第36卷第7期继电器Vb1.36No.72008年4月1日RELAYApril1,2008基于SVM的电力系统动态负荷建模的研究章健,王雷涛,张锋(郑州大学电气工程学院,河南郑州450001)摘要:随着电网规模的扩大,电网的动态稳定和电压稳定问题变得越来越重要,而准确的负荷模型将对电网的分析计算与实际情况的吻合程度起着重大作用。由于电力负荷的时变性、多样性和非线性等特点,这就要求建立非线性的动态负荷模型,以便更好地描述负荷的动态行为。针对以上问题,阐述了支持向量机回归理论,并把其应用于动

2、态负荷建模之中,利用Matlab软件和仿真数据对支持向量机的动态模型进行了辨识,验证了此种方法建模的可行性和有效性。关键词:电力系统;负荷模型;动态负荷建模;支持向量机;MatlabStudyofdynamicloadmodelingforpowersystemsbasedonSVMZHANGJian,WANGLei—tao,ZHANGFeng(SchoolofElectricalEngineering,ZhengzhouUniversity,Zhengzhou450001,China)Abstract:Withtheenlargem

3、entofthegridscale,dynamicstabilityandvoltagestabilityofthegridbecomemoltandmoilimportant.Whileaccurateloadmodelisespeciallyimportantforanalysingandcalculatingofthepowergridandcoincidencesofthefact.Owingtothetimevariance,diversity,nonlinearityandSOon,itisrequiredtomodeln

4、onlineardynamicloadbypowersystemtobetterdescribethedynamiccharacteristicsoftheload.Inordertosolvetheseproblems,thispaperintroducesthetheoryofsupportvectormachineregressionandusesitindynamicloadmodeling.Anumericalsimulationistakentodemonstratethefeasibilityandvalidityoft

5、heproposedmodelingmethodwithMauab.Keywords:powersystem;loadmodel;dynamicloadmodeling;supportvectormachine;Matlab中图分类号:TM71文献标识码:A文章编号:1003—4897(2008)07—0038—04的工具。因此成为继神经网络研究之后的热点,已0引言在许多领域得到了广泛应用,如模式识别、回归估随着我国主要电网的全国性互联进程的推进,计、数据挖掘、控制理论等J。本文研究了SVM在电网规模不断扩大,复杂程度愈来愈高,电网的

6、动电力系统动态负荷建模中的应用,利用Mauab软件态稳定性以及电压稳定性问题更加突出。为了使电和仿真数据对SVM的动态负荷模型进行了辨识,力系统的分析结果更加可信,使分析真正起到定量验证了SVM负荷建模的可行性与有效性。的作用,从而为电力系统规划、运行和控制提供准1支持向量机(SVM)确的依据,因此有必要建立切合实际的负荷模型。支持向量机SVM(SupportVectorMachine)是1.1SVM回归理论简介一种新的通用的机器学习方法,它的理论基础是给定样本集:(,Y),(,Y),⋯,(,Yf)∈RxR,Vapnik[11等提出的

7、统计学习理论,其基本思想是通其中Xi∈R一。Y∈R,所要求的拟合函数形式为:过非线性变换将输入空间变换到一个高维空间,并厂():Wr~(x)+d,式中:w为参数列矢量;d为在这个新空间中求取最优线性分类面。SVM具有严偏差;(·)是一个把输入空间映射到一个高维(可格的理论和数学基础,较好地解决了传统学习算法能无限维)特征空间中的列矢量映射函数,可以用核中存在的小样本、非线性、高维数、局部极小点等函数来代替,核函数可以用原空间中的函数来实现,实际问题,SVM对样本数量的依赖性较弱,为解而不必知道(·)的具体形式。所求得的拟合函数决非线性

8、有限样本和高维识别提供了一个非常有力f(x)要使下面的结构风险指标最小:维普资讯http://www.cqvip.com章健,等基于SVM的电力系统动态负荷建模的研究-39.=十c·‰maxU(口)=∑flYi(口f—a

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。