基于支持向量機的靜態(tài)電壓穩(wěn)定評估.pdf

1、在現(xiàn)代大型電力系統(tǒng)中，電壓崩潰已經成為威脅電力系統(tǒng)安全運行的重要問題之一。為了預防電壓崩潰，需要評估系統(tǒng)運行狀態(tài)到電壓穩(wěn)定臨界點的距離。 臨界點的計算可以提供電壓穩(wěn)定裕度的重要信息，但是，在電壓穩(wěn)定臨界點處，潮流方程雅可比矩陣奇異，常規(guī)潮流方程難以求解。為克服這個困難，采用了連續(xù)潮流法，通過追蹤PV曲線來獲取臨界點。但對于高維電力系統(tǒng)，這種方法計算速度較慢，難以滿足實時電壓穩(wěn)定評估的要求。為減少評估時間，應用快速且可靠的評估技術

2、是很重要的。 支持向量機是新一代的機器學習算法，以統(tǒng)計學習理論作為其理論基礎，其訓練等價于解決一個二次規(guī)劃問題，采用結構風險最小化原則，具有預測能力強、全局最優(yōu)及收斂速度快等顯著特點。因此，本文提出了一種基于支持向量機的靜態(tài)電壓穩(wěn)定評估方法，并建立了電壓穩(wěn)定評估的支持向量機模型。從測試結果看，支持向量機模型經過訓練后可以實時地根據(jù)系統(tǒng)運行狀態(tài)估算系統(tǒng)的電壓穩(wěn)定臨界點。該方法充分發(fā)揮支持向量機在解決高維、非線性和有限樣本問題方面體

3、現(xiàn)出的優(yōu)勢，保證了電壓穩(wěn)定評估模型的泛化能力，具有較快的評估速度和較高的預測精度。將支持向量機模型與BP人工神經網絡模型進行了比較，結果證明，利用支持向量機模型進行電壓穩(wěn)定臨界點預測比利用人工神經網絡模型具有更高的擬合精度。 為了降低輸入空間的維數(shù)，本文提出用主成分分析對數(shù)據(jù)進行特征提取，將提取出的包含樣本數(shù)據(jù)信息的主元送入支持向量機進行訓練。這樣既結合了主成分分析的特征提取能力，又利用了支持向量機良好的非線性函數(shù)逼近能力。通過