CN110728331B - 一种改进最小二乘支持向量机的谐波发射水平评估方法 - Google Patents
一种改进最小二乘支持向量机的谐波发射水平评估方法 Download PDFInfo
- Publication number
- CN110728331B CN110728331B CN201911030697.6A CN201911030697A CN110728331B CN 110728331 B CN110728331 B CN 110728331B CN 201911030697 A CN201911030697 A CN 201911030697A CN 110728331 B CN110728331 B CN 110728331B
- Authority
- CN
- China
- Prior art keywords
- regression model
- svm regression
- weighted
- sample
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种改进最小二乘支持向量机的谐波发射水平评估方法,包括以下步骤:步骤1:基于实验数据构建LS‑SVM回归模型;步骤2:利用DP聚类算法从LS‑SVM回归模型中剔除离群点;步骤3:根据实验数据对剔除离群点的LS‑SVM回归模型进行加权计算;步骤4:向加权后的LS‑SVM回归模型引入组合核函数进行改进;步骤5:根据改进LS‑SVM回归模型计算***谐波阻抗,并根据***谐波阻抗评估谐波发射水平。此方法解决了LS‑SVM回归模型中异常样本对计算谐波阻抗精度的影响以及LS‑SVM回归模型性能差的问题,对LS‑SVM回归模型的改进,结合二项式函数和径向基函数的组合核函数算法和DP聚类算法,完成了LS‑SVM回归模型中异常样本的剔除,实现了改进LS‑SVM回归模型的计算精度以及算法性能的提升。
Description
技术领域
本发明涉及谐波发射水平评估技术领域,具体涉及一种改进最小二乘支持向量机的谐波发射水平评估方法。
背景技术
城市电网具有高电缆化率特点,当光伏***接入城市电网时,电缆的感容耦合极易产生谐振问题。光伏逆变器的非线性特性使得公共连接点(Point of Common Coupling,PCC)电压波形畸变。城市电网中有非线性负荷数量多的特点,PCC处谐波是城市电网中谐波源和光伏***共同导致的。评估光伏***在PCC处的谐波发射水平,区分光伏***与背景的谐波责任,对治理谐波问题具有指导意义。
但由于光伏***滤波器在某些谐波频率的低阻抗特性,使得评估谐波发射水平更为复杂。目前评估谐波发射水平主要有以下两种典型方法:波动量法,根据PCC处谐波电压与电流波动量比值符号,筛选用户主导的波动量,估计***谐波阻抗,计算谐波发射水平,后续有许多关于得到更为完备的样本点筛选方法的研究;线性回归法,在背景谐波波动较小的情况,通过求解方程回归系数得到***谐波阻抗,进而计算谐波发射水平。
康婕等人在电力***保护与控制的期刊上提出了一种基于向量机的谐波阻抗估计方法[J],利用支持向量机(Support Vector Machine,SVM)回归模型,计算***谐波阻抗,SVM回归模型解决了测量数据与***谐波阻抗的非线性问题,计算结果精度较高。但所有的样本的误差要求和惩罚参数都一致,无法区分样本个体差异对计算结果的影响。
邱思语等人在电工技术学报的期刊上提出了一种改进的加权支持向量机回归的谐波发射水平估计方法[J],使用加权参数来量化样本集中不同样本对计算结果影响的重要性,提高了计算的精度。但是SVM回归模型算法较为复杂,以上两种SVM回归模型算法都使用了单一核函数,导致回归模型性能有限,样本集中异常点的干扰没能完全消除。因此SVM回归模型算法有一定的局限性。
刘畅等人在计算机科学的期刊上提出了一种基于熵值法的加权最小二乘支持向量机[J],利用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)回归模型计算***谐波阻抗,进而求出谐波发射水平。但PCC处测量的实验数据通常含有异常值,异常样本对***谐波阻抗的计算精度有直接影响。同时,LS-SVM回归模型算法的性能仍有待提高。
发明内容
本发明的目的是提供一种改进最小二乘支持向量机的谐波发射水平评估方法。该方法旨在解决LS-SVM回归模型中异常样本对计算谐波阻抗精度的影响以及LS-SVM回归模型性能差的问题,对LS-SVM回归模型的改进,结合二项式函数和径向基函数的组合核函数算法和DP聚类算法,完成LS-SVM回归模型中异常样本的剔除,实现改进LS-SVM回归模型的计算精度以及算法性能的提升。
为达到上述目的,本发明提供了一种改进最小二乘支持向量机的谐波发射水平评估方法,光伏电站等效为诺顿电路,包括以下步骤:
步骤1:基于***谐波测量的实验数据,构建出LS-SVM回归模型;
步骤2:利用DP聚类算法从LS-SVM回归模型中剔除离群点,获得剔除离群点的LS-SVM回归模型;
步骤3:根据实验数据对剔除离群点的LS-SVM回归模型进行加权计算,获得加权后的LS-SVM回归模型;
步骤4:向加权后的LS-SVM回归模型引入组合核函数进行改进,获得改进LS-SVM回归模型;
步骤5:根据改进LS-SVM回归模型计算***谐波阻抗,并根据***谐波阻抗评估谐波发射水平。
最优选的,构建LS-SVM回归模型还包括以下步骤:
步骤1.1:基于实验数据获取训练样本集{(xi,yi),i=1,2,···,N},xi∈RN,yi∈R,R为实数,并根据训练样本集{(xi,yi),i=1,2,···,N}构建输入样本xi与输出样本yi的映射函数,将输入样本xi变换为N维空间;映射函数为Ф(xi),且满足:
yi=ωT·Φ(xi)+b+ξi
其中,ω为权重向量,T为转置函数,ωT为权重向量的转置向量,ξi为估计误差,b为偏差量;
步骤1.2:将映射函数Ф(xi)转换为带约束条件的最优化问题,并向带约束条件的最优化问题中引入第一拉格朗日乘子向量αi(i=1,2,···,N),从而转化为无约束条件的拉格朗日函数;最优化问题表示为:
s.t.yi=ωT·Φ(xi)+b+ξi
其中,C为惩罚函数;拉格朗日函数为L(ω,b,ξ,α),且满足:
步骤1.3:对拉格朗日函数L(ω,b,ξ,α)进行偏导数计算,得出LS-SVM回归模型。
最优选的,得出LS-SVM回归模型还包括以下步骤:
步骤1.3.1:将拉格朗日函数L(ω,b,ξ,α)对各个变量的偏导数为零,得出线性方程组;线性方程组表示为:
步骤1.3.2:将线性方程组转换为向量组,并转换得到LS-SVM回归模型;向量组表示为:
其中,lN×1为N×1行单位列向量,l1×N为1×N行单位行向量,E为N×N单位矩阵,α=[α1,α2,···,αN]T,y=[y1,y2,···,yN]T,Ω为核函数矩阵,且满足:
Ω=K(xi,xj)=ФT(xi)·Ф(xj);
LS-SVM回归模型表示为:
最优选的,剔除离群点还包括以下步骤:
步骤2.1:利用DP聚类算法计算LS-SVM回归模型中样本点i的点密度;样本点i的点密度为ρi,且满足:
其中,dij为样本点i与样本点j间的欧氏距离,dc为截断距离;
步骤2.2:选择出点密度比样本点i的点密度大的样本点j;
步骤2.3:计算样本点i到样本点j的欧氏距离dij的距离最小值;距离最小值为μi,且满足:
步骤2.4:选择出点密度ρi小且距离最小值μi大的样本点,即为离群点,并剔除离群点。
最优选的,加权计算还包括以下步骤:
步骤3.1:计算出训练样本集中所有样本的加权参数υi;
步骤3.2:根据加权参数υi对剔除离群点的LS-SVM回归模型进行加权,获得加权后的LS-SVM回归模型。
最优选的,加权参数的计算还包括以下步骤:
步骤3.1.1:将欧氏距离dij作为加权标准,对训练样本集中的各个样本与加权标准dij的距离进行大小排序;样本与加权标准dij的距离越小,样本越重要;
步骤3.1.2:选择出距离最小的样本,最小加权参数υ0为1,即υ0=1;选择出距离最大的样本,最大加权参数υ1为0.01,即υ1=0.01;
步骤3.1.3:根据最大加权参数υ1和最小加权参数υ0,采用线性插值的算法计算出其余样本的加权参数υi。
最优选的,根据加权参数进行加权还包括以下步骤:
步骤3.2.1:对剔除离群点的LS-SVM回归模型中的估计误差ξi进行加权,获得加权后的最优化问题;加权后的最优化问题表示为:
步骤3.2.3:对加权后的拉格朗日函数重复步骤1.3.1的偏导数计算,得出加权后的线性方程组,并转换为加权后的向量组;加权后的向量组表示为:
其中,V为权参数表示的对角矩阵,且满足:
步骤3.2.4:将加权后的向量组转换为加权后的LS-SVM回归模型;加权后的LS-SVM回归模型表示为:
最优选的,组合核函数为K(x-xi),且满足:
K(x-xi)=λ((xi·xj)+1)2+(1-λ)exp(-||xi-xj||2/σ2)
其中,λ为核函数的权重参数,且0<λ<1,σ为径向基函数参数。
最优选的,组合核函数是通过二项式函数与径向基函数进行非负线性组合构成的。
最优选的,组合核函数满足Mercer定理。
运用此发明,解决了LS-SVM回归模型中异常样本对计算谐波阻抗精度的影响以及LS-SVM回归模型性能差的问题,对LS-SVM回归模型的改进,结合二项式函数和径向基函数的组合核函数算法和DP聚类算法,完成了LS-SVM回归模型中异常样本的剔除,实现了改进LS-SVM回归模型的计算精度以及算法性能的提升。
相对于现有技术,本发明具有以下有益效果:
1、本发明方法有效提高了谐波发射水平的计算精度。
2、本发明方法使用了二项式函数和径向基函数的组合核函数,兼顾了全局性核函数和局部性核函数的优势,提高了回归模型的功能。
3、本发明方法采用了密度峰值聚类,提出了异常的测量数据,消除了异常点对计算结果的影响。
附图说明
图1为光伏***并网模型图;
图2为等效的诺顿电路图;
图3为本发明提供的LS-SVM的谐波发射水平评估方法流程图;
图4为本发明提供的5次谐波电压波形图;
图5为本发明提供的5次谐波电流波形图;
图6为本发明提供的SVM回归模型算法和改进LS-SVM回归模型算法计算出的***谐波阻抗对比图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
如图1所示,光伏电站中光伏阵列输出的直流经过光伏逆变器***后由集电线路汇集到升压变压器低压侧,进过输电线路接入城市电网。光伏逆变器***的非线性特性,使得逆变器工作向电网注入谐波,主要由死区时间和脉宽调制过程导致。
光伏***并网逆变器工作时呈现出电流源性质,将光伏电站等效为诺顿电路,如图2所示,光伏侧谐波电流源表示为IC;光伏侧谐波阻抗为ZC,包括逆变器出口至公共连接点之间线性元件的阻抗。***侧用戴维南等效电路,VS表示***侧谐波电压源,ZS表示***谐波阻抗。公共连接点处测得的谐波电压、电流分别用VPCC和I.PCC表示。
根据叠加原理列出公共连接点(Point of Common Coupling,PCC)处测量数据与两侧谐波源的等式关系为:
根据国际电工委员会标准IEC61000-3-6对谐波发射水平的定义,光伏***谐波发射水平的表达式为:
由此可知,VPCC和IPCC与ZS为非线性关系,计算光伏***谐波发射水平的关键是要估计***谐波阻抗ZS。
本发明提供了一种改进最小二乘支持向量机的谐波发射水平评估方法,如图3所示,该方法包括以下步骤:
步骤1:基于***谐波测量的实验数据,构建出最小二乘支持向量机(LeastSquares Support Vector Machine,LS-SVM)回归模型;构建LS-SVM回归模型还包括以下步骤:
步骤1.1:基于实验数据获取训练样本集{(xi,yi),i=1,2,···,N},xi∈RN,yi∈R,R为实数,并根据训练样本集{(xi,yi),i=1,2,···,N}构建输入样本xi与输出样本yi的映射函数,将输入样本xi变换为N维空间;映射函数为Ф(xi),且满足:
yi=ωT·Φ(xi)+b+ξi
其中,ω为权重向量,T为转置函数,ωT为权重向量的转置向量,ξi为估计误差,b为偏差量;
步骤1.2:将映射函数Ф(xi)转换为带约束条件的最优化问题,并向带约束条件的最优化问题中引入第一拉格朗日乘子向量αi(i=1,2,···,N),从而转化为无约束条件的拉格朗日函数;其中,最优化问题表示为:
s.t.yi=ωT·Φ(xi)+b+ξi
其中,C为惩罚函数;拉格朗日函数为L(ω,b,ξ,α),且满足:
步骤1.3:对拉格朗日函数L(ω,b,ξ,α)进行偏导数计算,得出LS-SVM回归模型;得出LS-SVM回归模型还包括以下步骤:
步骤1.3.1:将拉格朗日函数L(ω,b,ξ,α)对各个变量的偏导数为零,得出线性方程组;线性方程组表示为:
步骤1.3.2:将线性方程组转换为向量组,并转换得到LS-SVM回归模型;向量组表示为:
其中,lN×1为N×1行单位列向量,l1×N为1×N行单位行向量,E为N×N单位矩阵,α=[α1,α2,···,αN]T,y=[y1,y2,···,yN]T,Ω为核函数矩阵,且满足:
Ω=K(xi,xj)=ФT(xi)·Ф(xj);
LS-SVM回归模型表示为:
步骤2:利用密度峰值(Density Peak,DP)聚类算法从LS-SVM回归模型中剔除离群点,获得剔除离群点的LS-SVM回归模型;剔除离群点还包括以下步骤:
步骤2.1:利用DP聚类算法计算LS-SVM回归模型中样本点i的点密度ρi;样本点i的点密度ρi满足:
其中,dij为样本点i与样本点j间的欧氏距离,dc为截断距离,且截断距离dc为欧氏距离dij升序排列的2%上的数值;
步骤2.2:选择出点密度比样本点i的点密度大的样本点j;
步骤2.3:计算样本点i到样本点j的欧氏距离dij的距离最小值;所述距离最小值为μi,且满足:
步骤2.4:选择出点密度ρi小且距离最小值μi大的样本点,即为离群点。其中,将样本按点密度ρi从大到小排序,认为后10%的样本对应点密度ρi为最小的点;将样本按距离最小值μi从小到大排序,认为后10%的样本对应μi为最大的点;点密度ρi最小的点且距离最小值μi最大的点即为离群点,并剔除离群点。
步骤3:为了区分重要性差异,根据实验数据对剔除离群点的LS-SVM回归模型进行加权计算,获得加权后的LS-SVM回归模型;加权计算还包括以下步骤:
步骤3.1:计算出训练样本集中所有样本的加权参数υi;加权参数的计算还包括以下步骤:
步骤3.1.1:将欧氏距离dij作为加权标准,对训练样本集中的各个样本与加权标准dij的距离进行大小排序;样本与加权标准dij的距离越小,样本越重要;
步骤3.1.2:选择出距离最小的样本,最小加权参数υ0为1,即υ0=1;选择出距离最大的样本,最大加权参数υ1为0.01,即υ1=0.01;
步骤3.1.3:根据最大加权参数υ1和最小加权参数υ0,采用线性插值的算法计算出其余样本的加权参数υi。
步骤3.2:根据加权参数υi对剔除离群点的LS-SVM回归模型进行加权,获得加权后的LS-SVM回归模型;根据加权参数进行加权还包括以下步骤:
步骤3.2.1:对剔除离群点的LS-SVM回归模型中的估计误差ξi进行加权,获得加权后的最优化问题;加权后的最优化问题表示为:
步骤3.2.3:对加权后的拉格朗日函数重复步骤1.3.1的偏导数计算,得出加权后的线性方程组,并转换为加权后的向量组;加权后的向量组表示为:
其中,V为权参数表示的对角矩阵,且满足:
步骤3.2.4:将加权后的向量组转换为加权后的LS-SVM回归模型;加权后的LS-SVM回归模型表示为:
步骤4:向加权后的LS-SVM回归模型引入组合核函数进行改进,获得改进LS-SVM回归模型;组合核函数为K(x-xi),且满足:
K(x-xi)=λ((xi·xj)+1)2+(1-λ)exp(-||xi-xj||2/σ2)
其中,λ为核函数的权重参数,且0<λ<1,σ为径向基函数参数;组合核函数是通过二项式函数与径向基函数进行非负线性组合构成的,且满足默瑟(Mercer)定理。
步骤5:根据改进LS-SVM回归模型计算***谐波阻抗,输入新的谐波电压、电流等数据组成PCC处测量向量,输入样本xi即为PCC处测量向量,由改进LS-SVM回归模型算出***谐波阻抗;y1为***谐波阻抗的初始值,yi(i=2,3,···,N)为第n-1次回归得到的谐波阻抗,并根据***谐波阻抗评估谐波发射水平。
从图2中等效的诺顿电路中获取1000组PPC处的.VPCC和I.PCC数据,按照每60组数据进行递推计算,参数设置如下:
1)I.C的幅值设为100A,加上±20%随机和5%正弦半波波动,相角为30°,加上±10%随机和10%正弦半波波动;***侧谐波源电流幅值|I.S|设置为|I.C|的p倍(p取0.1、0.4、0.7、1.0、1.3和1.5),幅值加上±10%随机和5%正弦半波波动,相角60°,加上±10%随机和10%正弦半波波动。
2)ZS为(0.5+j1)Ω,ZC为(4.5+j7.8)Ω,谐波阻抗ZS和ZC的实部和虚部均加上20%正弦半波波动。
分别根据SVM回归模型算法和改进LS-SVM回归模型算法计算***谐波阻抗,从而评估谐波发射水平。比较两种算法的误差,计算了|ZS|相对误差方均根值和谐波发射水平95%概率值的相对误差,结果如表1所示。
表1误差对比
表1中p值表示了背景谐波的大小,两种算法计算的***谐波阻抗与谐波发射水平误差水平都较小,其中改进LS-SVM方法的误差更小,表明改进LS-SVM相较于SVM方法,在计算精度上有所提高,也验证了本方法的正确性。
母线为110kV的光伏电站的PCC处的***最小短路容量为2798MVA,参考基波阻抗值为5.232Ω,在光伏电站PCC处测得某天下午三个小时的电压电流数据经过傅里叶变换,得到如图4所示的5次谐波电压波形图和如图5所示的5次谐波电流波形图。
分别采用SVM回归模型算法和改进LS-SVM回归模型算法对5次谐波数据,按600个数据点进行分段递推计算,如图6为SVM回归模型算法和改进LS-SVM回归模型算法计算出的***谐波阻抗对比图,这两种算法计算出的谐波阻抗幅值与估算值26.160Ω相近,谐波发射水平分别为133.96V、130.02V。其中SVM回归模型算法使用了单一的核函数,模型的回归更功能会有局限,同时没有完全消除异常点对计算结果的影响,导致***谐波阻抗波动较大一些。
本发明的工作原理:
基于***谐波测量的实验数据,构建出LS-SVM回归模型;利用DP聚类算法从LS-SVM回归模型中剔除离群点,获得剔除离群点的LS-SVM回归模型;根据实验数据对剔除离群点的LS-SVM回归模型进行加权计算,获得加权后的LS-SVM回归模型;向加权后的LS-SVM回归模型引入组合核函数进行改进,获得改进LS-SVM回归模型;根据改进LS-SVM回归模型计算***谐波阻抗,并根据***谐波阻抗评估谐波发射水平。
综上所述,本发明解决了LS-SVM回归模型中异常样本对计算谐波阻抗精度的影响以及LS-SVM回归模型性能差的问题,对LS-SVM回归模型的改进,结合二项式函数和径向基函数的组合核函数算法和DP聚类算法,完成了LS-SVM回归模型中异常样本的剔除,实现了改进LS-SVM回归模型的计算精度以及算法性能的提升。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种改进最小二乘支持向量机的谐波发射水平评估方法,光伏电站等效为诺顿电路,其特征在于,包括以下步骤:
步骤1:基于***谐波测量的实验数据,构建出LS-SVM回归模型;
步骤2:利用DP聚类算法从所述LS-SVM回归模型中剔除离群点,获得剔除离群点的LS-SVM回归模型;所述剔除离群点包括以下步骤:
步骤2.1:利用DP聚类算法计算所述LS-SVM回归模型中样本点i的点密度;所述样本点i的点密度为ρi,且满足:
其中,dij为样本点i与样本点j间的欧氏距离,dc为截断距离;
步骤2.2:选择出所述点密度比样本点i的点密度大的样本点j;
步骤2.3:计算所述样本点i到样本点j的欧氏距离dij的距离最小值;所述距离最小值为μi,且满足:
步骤2.4:选择出所述点密度ρi小且所述距离最小值μi大的样本点,即为离群点,并剔除所述离群点;
步骤3:根据所述实验数据对所述剔除离群点的LS-SVM回归模型进行加权计算,获得加权后的LS-SVM回归模型;所述加权计算包括以下步骤:
步骤3.1:计算出所述训练样本集中所有样本的加权参数υi;包括:
步骤3.1.1:将所述欧氏距离dij作为加权标准,对所述训练样本集中的各个样本与所述加权标准dij的距离进行大小排序;所述样本与所述加权标准dij的距离越小,所述样本越重要;
步骤3.1.2:选择出距离最小的样本,最小加权参数υ0为1,即υ0=1;选择出距离最大的样本,最大加权参数υ1为0.01,即υ1=0.01;
步骤3.1.3:根据所述最大加权参数υ1和最小加权参数υ0,采用线性插值的算法计算出其余样本的加权参数υi;
步骤3.2:根据所述加权参数υi对所述剔除离群点的LS-SVM回归模型进行加权,获得加权后的LS-SVM回归模型;包括:
步骤3.2.1:对所述剔除离群点的LS-SVM回归模型中的估计误差ξi进行加权,获得加权后的最优化问题;所述加权后的最优化问题表示为:
s.t.yi=ωT·Φ(xi)+b+ξi
步骤3.2.3:对所述加权后的拉格朗日函数重复步骤1.3.1的偏导数计算,得出加权后的线性方程组,并转换为加权后的向量组;所述加权后的向量组表示为:
其中,V为权参数表示的对角矩阵,且满足:
步骤3.2.4:将所述加权后的向量组转换为加权后的LS-SVM回归模型;
所述加权后的LS-SVM回归模型表示为:
步骤4:向所述加权后的LS-SVM回归模型引入组合核函数进行改进,获得改进LS-SVM回归模型;
步骤5:根据所述改进LS-SVM回归模型计算***谐波阻抗,并根据所述***谐波阻抗评估谐波发射水平。
2.如权利要求1所述的改进最小二乘支持向量机的谐波发射水平评估方法,其特征在于,所述构建LS-SVM回归模型还包括以下步骤:
步骤1.1:基于所述实验数据获取训练样本集{(xi,yi),i=1,2,…,N},xi∈RN,yi∈R,R为实数,并根据所述训练样本集{(xi,yi),i=1,2,…,N}构建输入样本xi与输出样本yi的映射函数,将输入样本xi变换为N维空间;所述映射函数为Ф(xi),且满足:
yi=ωT·Φ(xi)+b+ξi
其中,ω为权重向量,T为转置函数,ωT为权重向量的转置向量,ξi为估计误差,b为偏差量;
步骤1.2:将所述映射函数Ф(xi)转换为带约束条件的最优化问题,并向所述带约束条件的最优化问题中引入第一拉格朗日乘子向量αi(i=1,2,…,N),从而转化为无约束条件的拉格朗日函数;所述最优化问题表示为:
s.t.yi=ωT·Φ(xi)+b+ξi
其中,C为惩罚函数;所述拉格朗日函数为L(ω,b,ξ,α),且满足:
步骤1.3:对所述拉格朗日函数L(ω,b,ξ,α)进行偏导数计算,得出LS-SVM回归模型。
3.如权利要求2所述的改进最小二乘支持向量机的谐波发射水平评估方法,其特征在于,得出所述LS-SVM回归模型还包括以下步骤:
步骤1.3.1:将所述拉格朗日函数L(ω,b,ξ,α)对各个变量的偏导数为零,得出线性方程组;所述线性方程组表示为:
步骤1.3.2:将所述线性方程组转换为向量组,并转换得到LS-SVM回归模型;所述向量组表示为:
其中,lN×1为N×1行单位列向量,l1×N为1×N行单位行向量,E为N×N单位矩阵,α=[α1,α2,…,αN]T,y=[y1,y2,…,yN]T,Ω为核函数矩阵,且满足:
Ω=K(xi,xj)=ФT(xi)·Ф(xj);
所述LS-SVM回归模型表示为:
4.如权利要求3所述的改进最小二乘支持向量机的谐波发射水平评估方法,其特征在于,所述组合核函数为K(x-xi),且满足:
K(x-xi)=λ((xi·xj)+1)2+(1-λ)exp(-||xi-xj||2/σ2)
其中,λ为核函数的权重参数,且0<λ<1,σ为径向基函数参数。
5.如权利要求4所述的改进最小二乘支持向量机的谐波发射水平评估方法,其特征在于,所述组合核函数是通过二项式函数与径向基函数进行非负线性组合构成的。
6.如权利要求5所述的改进最小二乘支持向量机的谐波发射水平评估方法,其特征在于,所述组合核函数满足Mercer定理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030697.6A CN110728331B (zh) | 2019-10-28 | 2019-10-28 | 一种改进最小二乘支持向量机的谐波发射水平评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030697.6A CN110728331B (zh) | 2019-10-28 | 2019-10-28 | 一种改进最小二乘支持向量机的谐波发射水平评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728331A CN110728331A (zh) | 2020-01-24 |
CN110728331B true CN110728331B (zh) | 2023-06-20 |
Family
ID=69222277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030697.6A Active CN110728331B (zh) | 2019-10-28 | 2019-10-28 | 一种改进最小二乘支持向量机的谐波发射水平评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728331B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796319B (zh) * | 2020-07-14 | 2022-05-31 | 中国科学院近代物理研究所 | 一种宽带虚部束流耦合阻抗测量***及方法 |
CN112230056B (zh) * | 2020-09-07 | 2022-04-26 | 国网河南省电力公司电力科学研究院 | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 |
CN113506033A (zh) * | 2021-07-28 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于最小二乘回归的配变档位判别方法 |
CN115204233B (zh) * | 2022-07-21 | 2023-09-19 | 南京工业大学 | 一种基于ls-svr算法的波形基底消噪方法及*** |
CN116756597B (zh) * | 2023-08-16 | 2023-11-14 | 山东泰开电力电子有限公司 | 基于人工智能的风电机组谐波数据实时监测方法 |
CN117113291B (zh) * | 2023-10-23 | 2024-02-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种半导体制造中生产参数重要性的分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344828A (zh) * | 2013-07-12 | 2013-10-09 | 重庆大学 | 一种新的谐波发射水平评估方法 |
CN103838959A (zh) * | 2013-12-18 | 2014-06-04 | 国网上海市电力公司 | 偏最小二乘回归应用于配电网谐波源定位与检测中的方法 |
CN105807136A (zh) * | 2016-03-17 | 2016-07-27 | 国网上海市电力公司 | 一种基于加权支持向量机的谐波发射水平估计方法 |
CN106126482A (zh) * | 2016-07-01 | 2016-11-16 | 西安电子科技大学 | 鲁棒最小二乘支持向量机稀疏解的求解方法 |
CN106600534A (zh) * | 2016-12-12 | 2017-04-26 | 中国石油大学(华东) | 一种基于多尺度小波支持向量机优化的克里金空间插值方法 |
CN107085372A (zh) * | 2017-05-10 | 2017-08-22 | 湖南工业大学 | 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法 |
CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
RU2695953C1 (ru) * | 2018-10-29 | 2019-07-29 | Дмитрий Сергеевич Калистратов | Способ оценки отношения сигнал-шум на входе приёмного устройства для радиосигнала с цифровой амплитудной модуляцией |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7742806B2 (en) * | 2003-07-01 | 2010-06-22 | Cardiomag Imaging, Inc. | Use of machine learning for classification of magneto cardiograms |
US7490071B2 (en) * | 2003-08-29 | 2009-02-10 | Oracle Corporation | Support vector machines processing system |
US20080247652A1 (en) * | 2007-04-04 | 2008-10-09 | Motorola, Inc. | Q-metric based support vector machine |
-
2019
- 2019-10-28 CN CN201911030697.6A patent/CN110728331B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344828A (zh) * | 2013-07-12 | 2013-10-09 | 重庆大学 | 一种新的谐波发射水平评估方法 |
CN103838959A (zh) * | 2013-12-18 | 2014-06-04 | 国网上海市电力公司 | 偏最小二乘回归应用于配电网谐波源定位与检测中的方法 |
CN105807136A (zh) * | 2016-03-17 | 2016-07-27 | 国网上海市电力公司 | 一种基于加权支持向量机的谐波发射水平估计方法 |
CN106126482A (zh) * | 2016-07-01 | 2016-11-16 | 西安电子科技大学 | 鲁棒最小二乘支持向量机稀疏解的求解方法 |
CN106600534A (zh) * | 2016-12-12 | 2017-04-26 | 中国石油大学(华东) | 一种基于多尺度小波支持向量机优化的克里金空间插值方法 |
CN107085372A (zh) * | 2017-05-10 | 2017-08-22 | 湖南工业大学 | 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法 |
CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
RU2695953C1 (ru) * | 2018-10-29 | 2019-07-29 | Дмитрий Сергеевич Калистратов | Способ оценки отношения сигнал-шум на входе приёмного устройства для радиосигнала с цифровой амплитудной модуляцией |
Non-Patent Citations (3)
Title |
---|
康婕 ; 解绍锋 ; 刘晓菊 ; 魏晓娟 ; .基于支持向量机的谐波阻抗估计方法.电力***保护与控制.2010,(22),全文. * |
张猛 ; 付丽华 ; 张维 ; .一种新的最小二乘支持向量机算法.计算机工程与应用.2007,(11),全文. * |
邱思语 ; 杨洪耕 ; .改进的加权支持向量机回归的谐波发射水平估计方法.电工技术学报.2016,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110728331A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728331B (zh) | 一种改进最小二乘支持向量机的谐波发射水平评估方法 | |
CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
CN109787250B (zh) | 一种基于多元经验模态分解的电力***低频振荡模式辨识方法 | |
CN108009730B (zh) | 一种光伏电站***健康状态分析方法 | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
Yılmaz et al. | A real-time UWT-based intelligent fault detection method for PV-based microgrids | |
CN105807165B (zh) | Mmc换流站运行状态模糊综合评判方法 | |
CN106250904B (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
CN103324847A (zh) | 电力***动态不良数据检测与辨识方法 | |
Alam et al. | A SAX-based advanced computational tool for assessment of clustered rooftop solar PV impacts on LV and MV networks in smart grid | |
CN110046801B (zh) | 一种配电网电力***的典型场景生成方法 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、***及可读存储介质 | |
CN111413588A (zh) | 一种配电网单相接地故障选线方法 | |
CN109283389B (zh) | 一种风电场谐波发射水平评估方法与*** | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及*** | |
CN109659957B (zh) | 基于apit-memd电力***低频振荡模式辨识方法 | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN110244185A (zh) | 一种多源谐波责任划分方法、终端设备及存储介质 | |
CN103472333A (zh) | 风电并网电能质量综合性能检测方法 | |
CN103956735A (zh) | 一种分布式发电***的谐波潮流分析方法 | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及*** | |
CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
CN108982958B (zh) | 一种基于小波变换的单通道变频用电信号盲源分离方法 | |
Singh | A research review on detection and classification of power quality disturbances caused by integration of renewable energy sources | |
CN105139283B (zh) | 一种220kV城市环网分区方案评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |