基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型.针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律.为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际.以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性.     

粒子群优化的支持向量回归机计算配电网理论线损方法

针对配电网理论线损精确计算,提出一种基于粒子群优化算法的支持向量回归机(SVR-PSO)的理论线损计算方法。SVR-PSO方法将理论线损计算抽象成多元回归分析,理论线损的若干影响因素作为自变量,理论线损值作为因变量,SVR-PSO通过对已知理论线损线路的数据样本训练学习生成配电网理论线损计算模型,进而利用该模型完成未知线路的理论线损计算。在SVR-PSO训练过程中,利用粒子群算法动态地搜索支持向量回归机的最优训练参数,提高了SVR-PSO的计算精度。最后横向对比实验证实了基于SVR-PSO的配电网理论线损计算方法的有效性,与传统方法相比,SVR-PSO方法在计算精度和运算耗时方面拥有更好的性能。     

基于支持向量机的低压台区线损管理诊断模型

针对现有低压台区线损管理模式中的人员与技术短缺、能力参差不齐、效率不高等问题,在传统台区线损管理基础上,结合各大信息系统的应用与线损精细化工作的推进,通过支持向量机方法的应用,建立了台区线损率异常原因科学诊断模型,提供辅助分析工具。     

基于支持向量回归的协调系统建模

电厂单元机组协调系统的控制品质,从很大程度上取决于对机组的动态特性的预测程度。而支持向量机SVM（Support Vector Machines）作为在统计学习理论上发展起来的一种实用算法,其原理经过严密地理论证明已经得到了普遍认可,且已经广泛地应用于模式识别、函数拟合、预测和神经网络等诸多领域。运用支持向量回归的方法对山西阳光发电有限责任公司的协调系统模型进行了预测,并进行了仿真试验,证明了该方法的有效性。     

基于改进核心向量机的配电网理论线损计算方法

为了提高配电网理论线损计算的精度,提出了一种基于改进核心向量机（quantum genetic algorithm-core vectormachine,QGA-CVM）的智能化理论线损计算方法。QGA-CVM方法将理论线损的计算抽象成回归分析问题进行求解,把理论线损已知的线路构造成样本集,以其做为CVM的数据来源加以训练,进而获得回归分析问题的拟合函数。在CVM训练过程中,利用QGA搜寻CVM的最优训练参数,以克服CVM训练参数选取的盲目性,提高了QGA-CVM的计算精度。最后通过实验验证了QGA-CVM理论线损计算方法的有效性,与传统方法相比,QGA-CVM方法在线损计算精度和速度等方面拥有更好的性能。     

基于支持向量机回归的电力系统负荷建模

支持向量机（SVM）是当前一种比较流行的学习机,具有良好的理论背景,从结构风险最小化原则出发以快速寻找到全局最优的特点。针对当前负荷建模的不足,提出了运用SVM回归来进行电力系统的非机理负荷建模．并给出了负荷建模的具体步骤。与人工神经网络（ANN）对同一个线路负荷进行建模结果比较表明．基于SVM回归的建模效果优于ANN的建模结果,证明了运用SVM的回归进行电力系统负荷建模的可行性．也为电力系统的负荷建模提供了新的思路和方法,     

配电网的线损计算与分析

针对辐射状配电网的特点，给出了一种考虑无功功率和线路电压损失对线损影响的适用于配电网潮流计算的改进前推回代法。简便有效的配电网节点，分支线编号原理，大大节省了计算机存储量和计算速度，更有利于程序的实现，利用多端口补偿原理，此算法被扩展用于带有弱环网的配电网潮流计算中，实例计算证明此算法简单，实用，高效。     

基于快速独立成分分析和支持向量回归的混合馈线线损估算

提出了一种基于快速独立成分分析和支持向量回归的架空和电缆混合配电网的线损估算方法。这种方法以混合馈线所含架空线长度、电缆线长度、馈线首端的有功和无功为特征参数,估计配电网的线损值。采用快速独立成分分析提取特征参数的独立成分,以特征参数的独立成分和线损值为支持向量回归的输入和输出,建立混合馈线的线损估算关系。实测数据的仿真结果表明,所提出的架空和电缆混合馈线的线损估算方法准确、有效、可行。     

基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

中压配电网线损计算新方法

长期以来，国内中压配电网线损计算困难，虽已做过大量研究，但仍未完全解决。文中针对这一难点以及遗传算法（GA）与人工神经网络（ANN）相结合的优点，提出了一种利用改进GA优化的ANN计算中压配电网线损的新方法。该方法首先利用负荷测试仪获得ANN模型所需的学习样本，然后利用改进的GA优化ANN的结构，最后应用优化的BP型ANN来拟合影响线损的特征参数与线损之间的复杂关系，从而建立了适合配电网线损计算的新模型。实例验证结果表明，该方法具有计算精度高、模型简单和经济实用等优点。     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于支持向量同归的电力变压器状态评估

为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。     

基于支持向量回归机的谐波分析

传统谐波分析方法中,窄带滤波器选频法对元件参数十分敏感,受外界环境影响较大,且精度难以保证;快速傅里叶分解法会产生频谱泄漏误差,不同频率谐波之间也有干扰;神经网络分析方法检测精度高,但其基于大样本的学习方法,受样本及训练初始值影响较大,有时会导致训练不成功。为减小外界环境影响,提高检测精度和降低噪声影响,提出基于支持向量回归机的谐波分析方法,它是基于统计学习理论,以结构风险最小化为原则的机器学习,通过引入松弛变量和损失函数提高算法泛化能力和减小误差,该算法最终转化为标准二次规划问题,有全局最优解。通过算例分析,并与傅里叶检测方法相比较,可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。     

NdFeB永磁体磁学性能的支持向量回归预测

根据均匀设计方法制备的Nd Fe B系永磁合金样品实验数据,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了磁性能与合金成分之间预测模型。留一交叉法结果表明磁性能与合金成分之间关系复杂,呈现高度的非线性。表征磁性能的剩磁Br、矫顽力Hcj和磁能积(BH)max的平均绝对百分误差分别为0.53%、3.90%和1.73%,相关系数(R2)分别高达0.839、0.967和0.940。该方法有效地预测了Nd Fe B粘结磁体的磁性能,为实验工作者研究合金成分与磁性能之间关系提供了理论指导。     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。     

基于支持向量回归的电池SOC估计方法研究

电池荷电状态(SOC)估计的准确性对于混合动力汽车至关重要.将支持向量回归方法用于电动汽车电池SOC的估计.方法中考虑了电池温度、电压、电流、净安时数等因素,对于电动汽车典型工况试验数据得到了小于0.04的误差.比较研究表明:支持向量回归方法比神经网络方法有更好的鲁棒性.     

基于电压振幅和支持向量回归机的高压电力输电线故障定位

针对高压电力输电线智能定位法中由于采用特征提取算法导致定位速度慢的问题,提出一种基于电压振幅和支持向量回归机的高压电力输电线故障智能定位系统。首先使用Matlab建立一条220 k V/300 km的高压电力输电线,并在此输电线上模拟出不同过渡电阻、不同位置、不同故障类型和故障初始角的故障信号。此系统使用单端测量方式,并只采集电压故障信号。采集到的电压故障信号经过低通滤波剔除干扰信号后,提取故障点后1/2周期的电压幅值作为故障特征信号,由支持向量回归机对故障特征信号进行训练和验证,实现对故障的精准定位。仿真研究表明,此系统不仅在很大程度上提高了故障定位的速度,而且故障定位的精度也非常高。