[发明专利]基于支持向量机的增识度超回归负荷建模多曲线拟合模型

说明书

技术领域

本发明涉及属于电力负荷模型技术领域。

背景技术

电力负荷模型在电网仿真分析计算中至关重要，负荷模型对稳定计算的结果影响甚大。然而，由于电力负荷具有复杂性、时变性和分布性等特点，使得电力系统负荷建模非常困难。基于单曲线拟合的参数辨识算法，只能包含负荷模型的部分特征，负荷模型的最后确定是依靠不断增加的曲线数量，综合各种情况下的负荷模型特征信息，不断对负荷模型进行修正，才能逐次迭代逼近真实的负荷模型。

支持向量回归机是单曲线非线性拟合的有效算法，得到的曲线拟合函数是外推和预测的基本函数。然而，无论支持向量回归机的优化算法如何先进，单曲线拟合所获得的信息量毕竟有限，在泛化应用中受到了很大的限制。解决这个问题的途径是采集负荷组成成分不变的多个扰动曲线，更多地收集负荷特征信息，再用这些综合信息对负荷模型进行学习训练，逐步拟合出更接近具有普遍适用性的一般负荷模型拟合函数。

针对同一特定的负荷群来说，可认为负荷组成成分不变，但是，由多条曲线拟合出的函数其在同一给定输入时的结果却是不尽相同的。这是因为负荷模型的复杂性、时变性所致，每一个曲线包含的仅仅是局部或部分的负荷特征信息。综合这些特征信息，运用向量距中心距离最小的优化指标，找出这些特征信息的代表，可以拟合出更“精致”的负荷特性曲线函数，从而辨识出更具一般特性的负荷模型参数。

在现有技术中，针对同一负荷群实测的曲线希望有多条，然而多条曲线分别拟合出的曲线函数存在差异性；另外，在数据的获取过程中，面向特定负荷的曲线数据较少，在电网中装设采集装置的布点较多，获得不同电网上不同节点的曲线数据较多。因此要解决存在很多个曲线数据的情况下，拟合出一个与所有实测曲线相近并能反映负荷特性一般性的拟合函数。

发明内容

本发明所要解决的技术问题是，提供一种基于支持向量机的增识度超回归负荷建模多曲线拟合模型，解决存在很多个曲线数据的情况下，拟合出一个与所有实测曲线相近并能反映负荷特性一般性的拟合函数的问题。

为解决上述技术问题，本发明采用如下技术方案：基于支持向量机的增识度超回归负荷建模多曲线拟合模型，包括，

单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；

多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；

外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；

向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；

多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。

优选的，所述单训练集拟合函数构建模块，

采用非线性ε-支持向量回归机算法：

⑴给定训练集其中

⑵选取以σ²为参数的高斯径向基核函数以及适当的精度ε和惩罚参数C＞0；

⑶构造并求解凸二次规划问题

得解

⑷计算选取位于开区间(0,C)中的的分量或若选到的是则

若选到的是则

⑸构造决策函数

优选的，所述多增量学习集拟合函数构建模块中，

对于测量到的m组不同扰动幅度、不同扰动形式的数据，即给定m组训练集

以所述非线性ε-支持向量回归机算法，构造每条曲线的决策函数：

或表示成：

优选的，所述外推预测学习集构建模块中，

给定预测输入向量集是通过仿真计算或实际测量得到的典型的、扰动幅度较大的、对负荷模型参数有敏感性的模型状态输入向量的时间序列组成的向量集，得第j条曲线的外推预测值

即是：

其中,识度∈[0,1]，

上述的各条曲线外推预测值的向量组成的向量集其中每个向量都具备了一定识度，即包含了部分特征信息，所有向量集合成的集就是增识度学习集。