基于稀疏貝葉斯學(xué)習(xí)方法的回歸與分類在電力系統(tǒng)中的預(yù)測研究.pdf

1、預(yù)測技術(shù)是一門復(fù)雜的交叉學(xué)科,它已經(jīng)涉及到社會的各個領(lǐng)域,而在電力系統(tǒng)領(lǐng)域中,預(yù)測也起著至關(guān)重要的作用。不僅僅是電力負(fù)荷需要預(yù)測,電價、電壓充裕性、功角曲線變化、諧波分析、穩(wěn)定性、故障分類、系統(tǒng)可靠性、運行風(fēng)險度等都需要進(jìn)行預(yù)測,而這些內(nèi)容都是回歸預(yù)測和分類預(yù)測的一部分。如何提高預(yù)測精度和縮小預(yù)測時間是大家最關(guān)心的問題,好的預(yù)測方法和模型對電力系統(tǒng)的運行與控制、電力系統(tǒng)穩(wěn)定與保護(hù)、電力網(wǎng)絡(luò)的無功優(yōu)化調(diào)度、電力系統(tǒng)規(guī)劃運行、發(fā)電機(jī)組的優(yōu)化

2、組合、電力市場的交易定價等一系列實際操作問題有著決定性的作用。由于電力系統(tǒng)是一個大規(guī)模非線性動態(tài)系統(tǒng),其中必然存在著許多極為復(fù)雜的工程計算和非線性優(yōu)化問題,而且需要很高的時效性,特別是隨著電網(wǎng)的不斷發(fā)展和電力走向市場化,工程師們面臨的問題越來越復(fù)雜,而人們對電網(wǎng)的安全性和供電可靠性的要求卻越來越高。雖然長期以來電力系統(tǒng)自動化研究者一直在尋找高效可靠的方法來解決這些問題,然而電力系統(tǒng)中仍存在許多問題無法得到快速與精確的結(jié)果。
　　

3、 與傳統(tǒng)的計算方法相比較,人工智能(Artificial Intelligence,AI)法對于復(fù)雜的非線性系統(tǒng)問題求解有著不可替代的極大優(yōu)勢。它彌補(bǔ)了傳統(tǒng)方法的單純依靠精確數(shù)學(xué)求解的不足,解決了某些傳統(tǒng)計算方法難于求解或不能解決的問題。由于它具有處理各種非線性的能力,以及容許模型不精確性和參數(shù)不確定性等特性,近幾年來,人工智能技術(shù)的應(yīng)用研究已經(jīng)幾乎滲透到電力系統(tǒng)和電工技術(shù)的所有方面,其中不少研究已有實際應(yīng)用,人工智能技術(shù)必然將在較長的

4、時期內(nèi)和現(xiàn)有傳統(tǒng)數(shù)學(xué)模型計算方法并存,相互協(xié)調(diào)地形成各種實用的控制和優(yōu)化策略。
　　 利用人工智能的核心是內(nèi)容--機(jī)器學(xué)習(xí)(Machine Learning,ML),將回歸分析(Regression Analysis,RA)和模式識別(Pattern Recognition,PR)進(jìn)行綜合分析是本文研究的重點。針對目前機(jī)器學(xué)習(xí)技術(shù)在電力系統(tǒng)應(yīng)用的發(fā)展,本文在總結(jié)了現(xiàn)有機(jī)器學(xué)習(xí)方法在電力系統(tǒng)應(yīng)用現(xiàn)狀的基礎(chǔ)上,引入了全新的以基于概率

5、的稀疏貝葉斯學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法在電力系統(tǒng)數(shù)據(jù)回歸和狀態(tài)分類上的建模研究,改變了過去電力系統(tǒng)中的回歸和分類進(jìn)行各自單獨研究的狀態(tài),將回歸和分類進(jìn)行了綜合預(yù)測分析,同時利用數(shù)據(jù)挖掘(Data Mining,DM)技術(shù)、核主成分分析(Kernel Principal Components Analysis,KPCA)、核函數(shù)構(gòu)造、以及粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法對模型進(jìn)行改進(jìn),經(jīng)實驗和仿

6、真,在電力系統(tǒng)中期負(fù)荷預(yù)測和暫態(tài)穩(wěn)定評估模型研究上都得到了令人滿意的結(jié)果,論文的主要研究內(nèi)容和創(chuàng)新性成果如下:
　　 (1)利用全新的以基于概率學(xué)習(xí)的稀疏貝葉斯理論機(jī)器學(xué)習(xí)方法及其實用模型:相關(guān)向量機(jī)(Relevance Vector Machine,RVM),在電力系統(tǒng)數(shù)據(jù)回歸和狀態(tài)分類兩個方面上分別構(gòu)建了中期負(fù)荷預(yù)測模型和暫態(tài)穩(wěn)定評估模型,以這兩個模型為例子,從機(jī)器學(xué)習(xí)的回歸和分類兩方面進(jìn)行全面驗證。在同等條件下,與當(dāng)前最流

7、行的支持向量機(jī)(Support Vector Machine,SVM)模型和徑向基人工神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Artificial Neural Nets,RBF-ANN)模型相比都得到了更好的結(jié)果,由于其算法的高稀疏性和基于概率學(xué)習(xí)的結(jié)構(gòu),相關(guān)向量機(jī)不僅得到了很高的預(yù)測精度,而且與支持向量機(jī)相比它大大減少了核函數(shù)參與預(yù)測計算的數(shù)量,減少了預(yù)測計算時間,并且可以提供概率性預(yù)測和任意使用核函數(shù)等優(yōu)點?？梢灶A(yù)見

8、,相關(guān)向量機(jī)在電力系統(tǒng)預(yù)測控制中有著非常廣闊的應(yīng)用前景,特別是其概率性預(yù)測和超高的稀疏性所帶來的快速計算特點,對電力系統(tǒng)在線計算和分級控制策略的形成有著非常大實用價值。
　　 (2)針對電力系統(tǒng)龐大的日負(fù)荷曲線時間序列數(shù)據(jù)庫,提出了基于時間序列形狀相似的多重聚類分析方法進(jìn)行數(shù)據(jù)挖掘預(yù)處理。利用基于歐式距離分析的K-menas聚類方法和基于形狀相似度量的凝聚式層次聚類方法對歷史負(fù)荷數(shù)據(jù)進(jìn)行多重聚類分析。該方法能準(zhǔn)確對電力系統(tǒng)歷史日

9、負(fù)荷樣本進(jìn)行符合實際變化規(guī)律的分類,并能發(fā)現(xiàn)較特殊的日負(fù)荷樣本。在結(jié)合相關(guān)向量機(jī)回歸分析的中期負(fù)荷預(yù)測模型進(jìn)行仿真計算后,結(jié)果表明使用該方法后在降低了輸入向量空間維數(shù)的同時也得到了很好的預(yù)測精度。
　　 (3)由于影響電力系統(tǒng)暫態(tài)穩(wěn)定的因素很多,而且SCADA收集到的現(xiàn)場運行數(shù)據(jù)也是海量的,若直接對如此龐大的數(shù)據(jù)空間進(jìn)行分析,不僅造成了“維數(shù)災(zāi)”而且往往不能取得很好的效果,針對這種情況提出了核主成分分析法對原始輸入特征值進(jìn)行主成

10、分提取,從中剔除大部分不相關(guān)的或冗余的特征值。最后利用基于相關(guān)向量機(jī)分類的暫態(tài)穩(wěn)定評估模型進(jìn)行仿真比較,結(jié)果顯示該方法在得到了良好的預(yù)測精度的同時,還大大壓縮了輸入空間。
　　 (4)在相關(guān)向量機(jī)的核函數(shù)構(gòu)造上創(chuàng)新利用組合核函數(shù)的思想,以典型的高斯核函數(shù)為基礎(chǔ),分別與之建立多項式核和張量積多維線性樣條核的線性組合,并得到相應(yīng)的組合核函數(shù)。為了提高組合核函數(shù)模型的效果,本文使用粒子群優(yōu)化算法對組合核函數(shù)的核參數(shù)進(jìn)行自動尋優(yōu),排除人