基于改进SVM与NSGA-Ⅲ的台区相序在线优化方法

针对基于历史负荷建模的台区相序调整不足及调相后供电状态时长不能保证的问题,从数据驱动角度提出了基于改进支持向量机(SVM)超短期负荷预测的台区相序在线优化方法。首先,采用变分模态分解将预测对象的历史负荷分解成多个子序列,对每个子序列采用改进的SVM进行预测,预测模型中引入自适应权重机制改进最小二乘SVM的性能,以过滤数据噪声对结果的影响,提高预测准确度;然后,对智能换相开关负荷支路建立最小三相不平衡度、最少换相次数、最长相序维续时间的多目标优化模型,从第3代非支配排序遗传算法(NSGA-Ⅲ)求解的Pareto最优解集中选取一组满意解作为决策者的相序自动调整方案;最后,以中国广东电网某台区为例进行分析,并与其他方法对比验证了所提方法的有效性。     

基于改进SVM与NSGA-Ⅲ的台区相序在线优化方法

针对基于历史负荷建模的台区相序调整不足及调相后供电状态时长不能保证的问题,从数据驱动角度提出了基于改进支持向量机(SVM)超短期负荷预测的台区相序在线优化方法。首先,采用变分模态分解将预测对象的历史负荷分解成多个子序列,对每个子序列采用改进的SVM进行预测,预测模型中引入自适应权重机制改进最小二乘SVM的性能,以过滤数据噪声对结果的影响,提高预测准确度;然后,对智能换相开关负荷支路建立最小三相不平衡度、最少换相次数、最长相序维续时间的多目标优化模型,从第3代非支配排序遗传算法(NSGA-Ⅲ)求解的Pareto最优解集中选取一组满意解作为决策者的相序自动调整方案;最后,以中国广东电网某台区为例进行分析,并与其他方法对比验证了所提方法的有效性。     

基于改进鸽群算法的台区三相负荷不平衡相序调整方法

针对低压配电台区三相负荷不平衡现象,研究了一种基于换相开关的负荷相序调整方法。运用负荷不平衡换相控制策略,建立以配电变压器低压侧三相电流不平衡度最小为目标的优化换相数学模型;引入自适应参数和柯西扰动对原始鸽群算法(pigeon-inspired optimization,PIO)进行改进,用改进鸽群算法求解最优换相方案。Matlab仿真验证了改进鸽群优化算法的优越性及其求解优化换相方案的有效性,可以显著降低台区三相负荷的不平衡程度。     

基于改进鸽群算法的台区三相负荷不平衡相序调整方法

针对低压配电台区三相负荷不平衡现象,研究了一种基于换相开关的负荷相序调整方法。运用负荷不平衡换相控制策略,建立以配电变压器低压侧三相电流不平衡度最小为目标的优化换相数学模型;引入自适应参数和柯西扰动对原始鸽群算法（pigeon-inspired optimization,PIO）进行改进,用改进鸽群算法求解最优换相方案。Matlab仿真验证了改进鸽群优化算法的优越性及其求解优化换相方案的有效性,可以显著降低台区三相负荷的不平衡程度。     

基于改进NSGA-3和不平衡潮流的配电网相序优化

低压配电网存在大量单相负荷,三相负荷不平衡会造成台区线路损耗增加,危害电网运行安全。提出一种基于历史数据的用户相序优化方法。使用台区用户的历史电压、电流数据构建台区不平衡潮流模型。针对台区一天内的运行状况建立用户节点电压平均不平衡度最小、台区线路损耗最小和换相次数最小的目标函数。提出含有正态分布交叉算子(normal distribution crossover,?NDX)的改进非支配遗传算法(non-dominated sorting genetic algorithm-3, NSGA-3),对用户节点的相序进行优化,以获得较好的种群分布并减少优化时间。然后从解集中选择最符合条件的一组解作为换相策略。最后以安徽省某配电台区实际用户数据为例,验证了所提方法可以有效地降低三相电压不平衡度,减小线路损耗。     

基于智能终端和换相开关的台区三相不平衡治理方法研究

提出了智能终端结合换相开关的台区三相不平衡治理方法。构建了台区换相开关布局优化模型,提出了基于差分进化算法的计算台区换相开关最优布局的优化方法。基于模型、台区历史运行数据以及超短期功率预测数据,提出了计及负荷波动性的台区三相不平衡动态优化方法。最后,利用某测试台区历史运行数据对换相开关布局优化方法进行模拟验证,验证结果表明基于台区换相开关布局优化模型计算得到的最优布局,可以满足台区三相不平衡治理的要求。此外,考虑参与换相的开关数量、换相周期和换相开关寿命,在测试台区中进行了5种场景下的三相不平衡动态优化实验,实验结果表明：在最优布局条件下的换相开关动态优化策略,可以在降低换相动作次数的前提下,将台区的平均三相不平衡度降到治理目标之下,并且减少动作次数接近使用寿命上限的换相开关参与换相。验证了智能终端+换相开关动态优化台区三相不平衡的适用性。     

低压台区三相不平衡治理的换相优化方法

低压台区广泛存在三相负荷不平衡的现象,配置换相开关是一种有效的治理手段,对换相开关全天的动作策略进行优化应兼顾三相不平衡的治理效果及设备动作次数的限制.本文提出一种低压台区三相不平衡治理的换相优化方法,首先利用台区内负荷曲线的预测结果,基于模糊C均值聚类算法进行控制时段划分,其次对每一个控制时段采用遗传算法进行换相开关...     

低压配变台区负荷及无功智能平衡实现方法

基于低压配变台区严重的电能质量问题,提出一种低压配变台区负荷及无功智能平衡实现方法。给出了基于改进九域法的终端用户分散式无功补偿策略;建立了以三相负荷不平衡度最小、低压负荷相间切换次数最少的多目标最优负荷换相数学模型,运用多目标二进制粒子群优化算法求解该数学模型,建立了负荷三相不平衡控制策略,通过上述方法实现了负荷及无功智能平衡。最后通过仿真算例验证了智能平衡控制算法的可靠性。     

HPLC采集环境下的居民台区换相策略研究

居民台区线损主要由三相负荷不平衡引起,但由于楼内三相线路长短不一,线损最小状态不一定对应单元楼三相进线负荷最平衡的状态,传统以进线负荷平衡为目标的换相策略的降损效果有限.HPLC采集系统可获取用户相位和楼层线阻抗信息,为直接以台区线损最小化为目标的楼内用户换相策略的实施提供了可能性.针对该采集环境,将居民台区低压配网视为楼内层、小区层两个环节,先以楼层线损耗最小和换相次数最少为目标优化楼内用户换相策略,随后以小区层线损最小和换相次数最少为目标构建门洞进线换相策略,从楼内、小区两个环节挖掘降损潜力.针对上海某居民台区的算例分析表明,所提换相策略能使台区配网损耗降低17.2％,较仅通过门洞进线换相提高三相负荷平衡度的做法降低网损10.83个百分点.     

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(Support Vector Machine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本．然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集．拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据．以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。     

基于支持向量机的电力系统短期负荷预测

对将径向基函数(Radial Base Function,RBF)作为核函数的支持向量机(Supporr Vector Machine,SVM)方法应用于短期负荷预测进行了研究.作者使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了SVM网络结构;采用江苏省某市的实际负荷数据,按照不同的负荷日属性和历史负荷数据进行样本选择,使用LIBSVM算法和适当的核函数进行了负荷预测,并将该预测结果同由时间序列及BP神经网络方法得到的预测结果进行了比较,结果表明,所提出的预测方法有较高的精度.     

面向台区三相不平衡治理的自动换相装置选址定容规划

低压配电台区三相不平衡治理有利于解决台区线损过高、供电质量差等问题,对提升台区的经济运行水平具有重要意义。与此同时,低压负荷自动换相装置的安装应用使台区三相不平衡治理更加灵活。在此背景下,提出了面向台区三相不平衡治理的低压负荷自动换相装置选址定容规划策略。首先,分析基于换相装置切换的台区三相不平衡治理模式,对参与三相不平衡治理的用户进行划分并定义三相不平衡度指标。然后,建立以换相装置系统建设成本与各场景总运行费用之和最小化为目标的低压负荷自动换相装置选址定容规划模型,以确定自动换相装置的最优安装位置与容量。最后,以某低压台区为例验证所提模型的有效性。     

基于换相开关的配电变压器三相不平衡治理研究

针对配电变压器三相不平衡现象,提出了一种基于换相开关的三相不平衡治理方案。为配电变压器低压台区设计了实时负荷调整策略,重点研究了优化算法的目标函数,使换相开关以较少的换相次数降低三相不平衡度、线路损耗及变压器损耗。改进粒子群算法的惯性权重、粒子速度和位置更新公式,并完成换相模型求解,得到最优换相方案。用MATLAB仿真验证了改进粒子群算法的优越性及优化后换相方案对降低配电变压器三相不平衡度的有效性。     

基于时间序列的台区配电负荷峰值预测

负荷预测是台区配电扩容规划的基础工作。根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于时间序列的台区配变负荷峰值预测方法,以某省某台区为例对台区配电负荷峰值进行了预测。模型由自相关和移动平均两个部分构成,根据时间序列的自相关系数与电力负荷数据的先验知识分别确定这两个部分的滞后阶数。预测误差率的分析结果显示,本方法的预测结果精度好,准确性高。该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广。     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机（SVM）解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。     

基于DTW算法和遗传算法的三相不平衡负荷调整

传统的人工调相大多依靠经验和瞬时检测电流进行,存在调相后台区三相平衡不可持续的问题。为此,文中提出了一种基于DTW算法和遗传算法的三相不平衡负荷调整方法。首先,基于电流历史数据用DTW算法计算分析低压台区三相电流之间的相似度,并根据相似度优选适合人工调相的台区;然后,以三相负荷用电量不平衡度最小和负荷调整次数最少为目标函数,建立多目标优化模型,采用向量编码遗传算法求解该模型,得到负荷调整策略;最后,采用文中方法对江西省28个三相不平衡低压台区进行优选,并对优选台区的电流和电量历史数据进行测试,结果表明,负荷调整后的台区三相不平衡时长占比降低了70.68%,可以有效地解决台区三相不平衡问题。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。