收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于稀疏贝叶斯学习方法的回归与分类在电力系统中的预测研究

段青  
【摘要】: 预测技术是一门复杂的交叉学科,它已经涉及到社会的各个领域,而在电力系统领域中,预测也起着至关重要的作用。不仅仅是电力负荷需要预测,电价、电压充裕性、功角曲线变化、谐波分析、稳定性、故障分类、系统可靠性、运行风险度等都需要进行预测,而这些内容都是回归预测和分类预测的一部分。如何提高预测精度和缩小预测时间是大家最关心的问题,好的预测方法和模型对电力系统的运行与控制、电力系统稳定与保护、电力网络的无功优化调度、电力系统规划运行、发电机组的优化组合、电力市场的交易定价等一系列实际操作问题有着决定性的作用。由于电力系统是一个大规模非线性动态系统,其中必然存在着许多极为复杂的工程计算和非线性优化问题,而且需要很高的时效性,特别是随着电网的不断发展和电力走向市场化,工程师们面临的问题越来越复杂,而人们对电网的安全性和供电可靠性的要求却越来越高。虽然长期以来电力系统自动化研究者一直在寻找高效可靠的方法来解决这些问题,然而电力系统中仍存在许多问题无法得到快速与精确的结果。 与传统的计算方法相比较,人工智能(Artificial Intelligence, AI)法对于复杂的非线性系统问题求解有着不可替代的极大优势。它弥补了传统方法的单纯依靠精确数学求解的不足,解决了某些传统计算方法难于求解或不能解决的问题。由于它具有处理各种非线性的能力,以及容许模型不精确性和参数不确定性等特性,近几年来,人工智能技术的应用研究已经几乎渗透到电力系统和电工技术的所有方面,其中不少研究已有实际应用,人工智能技术必然将在较长的时期内和现有传统数学模型计算方法并存,相互协调地形成各种实用的控制和优化策略。 利用人工智能的核心是内容——机器学习(Machine Learning, ML),将回归分析(Regression Analysis, RA)和模式识别(Pattern Recognition, PR)进行综合分析是本文研究的重点。针对目前机器学习技术在电力系统应用的发展,本文在总结了现有机器学习方法在电力系统应用现状的基础上,引入了全新的以基于概率的稀疏贝叶斯学习理论的机器学习方法在电力系统数据回归和状态分类上的建模研究,改变了过去电力系统中的回归和分类进行各自单独研究的状态,将回归和分类进行了综合预测分析,同时利用数据挖掘(Data Mining,DM)技术、核主成分分析(Kernel Principal Components Analysis, KPCA)、核函数构造、以及粒子群优化(Particle Swarm Optimization, PSO)算法对模型进行改进,经实验和仿真,在电力系统中期负荷预测和暂态稳定评估模型研究上都得到了令人满意的结果,论文的主要研究内容和创新性成果如下: (1)利用全新的以基于概率学习的稀疏贝叶斯理论机器学习方法及其实用模型:相关向量机(Relevance Vector Machine, RVM),在电力系统数据回归和状态分类两个方面上分别构建了中期负荷预测模型和暂态稳定评估模型,以这两个模型为例子,从机器学习的回归和分类两方面进行全面验证。在同等条件下,与当前最流行的支持向量机(Support Vector Machine, SVM)模型和径向基人工神经网络(Radial Basis Function Artificial Neural Nets, RBF-ANN)模型相比都得到了更好的结果,由于其算法的高稀疏性和基于概率学习的结构,相关向量机不仅得到了很高的预测精度,而且与支持向量机相比它大大减少了核函数参与预测计算的数量,减少了预测计算时间,并且可以提供概率性预测和任意使用核函数等优点。可以预见,相关向量机在电力系统预测控制中有着非常广阔的应用前景,特别是其概率性预测和超高的稀疏性所带来的快速计算特点,对电力系统在线计算和分级控制策略的形成有着非常大实用价值。 (2)针对电力系统庞大的日负荷曲线时间序列数据库,提出了基于时间序列形状相似的多重聚类分析方法进行数据挖掘预处理。利用基于欧式距离分析的K-menas聚类方法和基于形状相似度量的凝聚式层次聚类方法对历史负荷数据进行多重聚类分析。该方法能准确对电力系统历史日负荷样本进行符合实际变化规律的分类,并能发现较特殊的日负荷样本。在结合相关向量机回归分析的中期负荷预测模型进行仿真计算后,结果表明使用该方法后在降低了输入向量空间维数的同时也得到了很好的预测精度。 (3)由于影响电力系统暂态稳定的因素很多,而且SCADA收集到的现场运行数据也是海量的,若直接对如此庞大的数据空间进行分析,不仅造成了“维数灾”而且往往不能取得很好的效果,针对这种情况提出了核主成分分析法对原始输入特征值进行主成分提取,从中剔除大部分不相关的或冗余的特征值。最后利用基于相关向量机分类的暂态稳定评估模型进行仿真比较,结果显示该方法在得到了良好的预测精度的同时,还大大压缩了输入空间。 (4)在相关向量机的核函数构造上创新利用组合核函数的思想,以典型的高斯核函数为基础,分别与之建立多项式核和张量积多维线性样条核的线性组合,并得到相应的组合核函数。为了提高组合核函数模型的效果,本文使用粒子群优化算法对组合核函数的核参数进行自动寻优,排除人为主观因素的影响,得到最优的核参数。在相关向量机中期负荷预测与相关向量机暂态稳定评估仿真中,即在机器学习的回归和分类两个方面,相关向量机的组合核函数模型都得到了比单一核函数模型更准确的预测结果,充分说明了利用组合核函数构造法来提高相关向量机预测模型的准确率是行之有效的方法。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 贾嵘;蔡振华;刘晶;王小宇;杨可;;基于主成分分析和最小二乘支持向量机的电力系统状态估计[J];电网技术;2006年21期
2 潘锋;储琳琳;张宇俊;;考虑气象因素的SVM方法在短期电力负荷预测中的应用[J];华东电力;2007年11期
3 潘锋;程浩忠;;基于RBF核函数的SVM方法在短期电力负荷预测中的应用[J];供用电;2006年01期
4 潘锋;汪利华;张敏华;;支持向量机算法应用于短期电力负荷预测[J];电气应用;2009年14期
5 赵春婕;王树勋;;支持向量机原始问题研究综述[J];陕西理工学院学报(自然科学版);2010年02期
6 赵万明;黄彦全;谌贵辉;;基于支持向量机的电力系统静态电压稳定评估[J];电力系统保护与控制;2008年16期
7 周建萍;郑应平;王志萍;;基于Morlet小波核多类支持向量机的故障诊断[J];华东电力;2008年08期
8 黄训诚;何方国;齐欢;;基于支持向量回归的配电网线损计算模型[J];电力系统保护与控制;2008年18期
9 金国彬;李玲;林国汉;许志伟;;电信号的时频分析新方法[J];湖南工程学院学报(自然科学版);2009年01期
10 叶淳铮;常鲜戎;顾为国;;基于小波变换和支持向量机的电力系统短期负荷预测[J];电力系统保护与控制;2009年14期
11 卢志刚;周凌;杨丽君;冀而康;周旭;;基于人工免疫加权支持向量机的电力负荷预测[J];继电器;2005年24期
12 刘耀年;庞松岭;李鉴;;基于粗糙集理论和最小二乘支持向量机的中长期负荷预测[J];中国电力;2007年10期
13 李彬;吴萍;刘小龙;郑连清;;基于最小二乘支持向量机的谐波源建模[J];低压电器;2010年08期
14 沈秀汶;吴耀武;熊信银;;基于有偏最小最大概率回归的短期负荷预测[J];电力系统及其自动化学报;2007年04期
15 赵万明;黄彦全;谌贵辉;;基于支持向量机的电压稳定弱节点在线监视[J];电气应用;2008年18期
16 李钊年;陶凤玲;史旺旺;姜楠;李积花;倪三川;;基于谱分析与LS-SVM的中期电力负荷预测[J];电力系统保护与控制;2011年09期
17 姜惠兰;刘晓津;关颖;王梦宾;;基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测[J];电网技术;2006年08期
18 周惟婧;刘天琪;杨毅强;;电力系统动态安全域的LS-SVM在线拟合法[J];现代电力;2006年04期
19 陈磊;刘天琪;文俊;;基于二进粒子群优化算法的暂态稳定评估特征选择[J];继电器;2007年01期
20 蒋功连;黄彦全;李云飞;;基于支持向量机的网损分摊新算法[J];陕西电力;2007年03期
中国重要会议论文全文数据库 前10条
1 李欢;罗红霞;朱子义;;基于Bayes决策规则完善支持向量机的最大边缘算法[A];中国地理学会2007年学术年会论文摘要集[C];2007年
2 刘耀年;王浩;何昌浩;何萍;;基于支持向量回归机的短期电力负荷预测[A];第十届全国电工数学学术年会论文集[C];2005年
3 王永春;;一种复合的支持向量机模型在电力系统短期负荷中的应用[A];第十届全国电工数学学术年会论文集[C];2005年
4 叶淳铮;常鲜戎;;基于小波变换和支持向量机的电力系统短期负荷预测[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集(中册)[C];2008年
5 应自炉;张有为;李景文;;基于GDA和SVM的人脸表情识别[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年
6 李宏光;姚振汉;;重构核点法在弹性力学问题中的应用[A];第14届全国结构工程学术会议论文集(第一册)[C];2005年
7 齐志泉;田英杰;徐志洁;;支持向量机中的核参数选择问题[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
8 尹越栋;郭丙君;;基于最小二乘支持向量机的非线性通用模型控制[A];中国计量协会冶金分会2008年会论文集[C];2008年
9 尹越栋;郭丙君;;基于最小二乘支持向量机的非线性通用模型控制[A];2008全国第十三届自动化应用技术学术交流会论文集[C];2008年
10 毕锦烟;李巍华;;基于半监督模糊核聚类的齿轮箱早期故障检测方法[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年
中国博士学位论文全文数据库 前10条
1 段青;基于稀疏贝叶斯学习方法的回归与分类在电力系统中的预测研究[D];山东大学;2010年
2 赵洪山;电力系统混杂建模与分析[D];华北电力大学(河北);2004年
3 周建旭;水电站水机电系统振动特性和稳定性研究[D];河海大学;2006年
4 汤奕;电力网络源流路径电气剖分方法研究[D];哈尔滨工业大学;2006年
5 刘洪波;基于量测轨迹及轨迹灵敏度的电力系统动态分析[D];华北电力大学(河北);2007年
6 关宏亮;大规模风电场接入电力系统的小干扰稳定性研究[D];华北电力大学(河北);2008年
7 任江波;电力系统过程状态估计研究[D];哈尔滨工业大学;2007年
8 朱旭凯;电力系统连锁反应故障的预防与控制研究[D];华北电力大学(北京);2008年
9 张艳军;新息图状态估计应用研究[D];哈尔滨工业大学;2008年
10 张鹏翔;多目标进化算法及其在电力系统中的应用研究[D];华中科技大学;2004年
中国硕士学位论文全文数据库 前10条
1 蔡勇;基于支持向量机的短期电力负荷预测研究[D];华中科技大学;2007年
2 叶淳铮;基于小波变换与支持向量机的电力系统短期负荷预测[D];华北电力大学(河北);2009年
3 赵万明;基于支持向量机的静态电压稳定评估[D];西南交通大学;2008年
4 赵榈;相关向量机优化方法的研究[D];广西大学;2012年
5 萨其日娜;基于相关向量机的循环冷却水污垢预测研究[D];东北电力大学;2010年
6 刘俊顺;基于聚类的相关向量机快速分类算法研究[D];华南理工大学;2011年
7 章剑峰;短路限流技术在电力系统中的应用研究[D];浙江大学;2004年
8 欧阳帆;基于DSP的多功能微机保护实验系统的信号发生装置研究[D];湖南大学;2005年
9 于赞梅;改进粒子群优化算法在最优潮流计算中的应用[D];华北电力大学(河北);2007年
10 夏超;基于粗糙集理论与神经网络的短期电力负荷预测的研究[D];西安理工大学;2006年
中国重要报纸全文数据库 前10条
1 介曼莹 孟祥武;电力系统职务犯罪的原因及预防对策[N];中国电力报;2006年
2 国家电监会市场监管部 供稿;蒙古电力市场改革简介[N];中国电力报;2006年
3 ;履行社会责任 全力克难攻坚[N];恩施日报;2006年
4 陈随有;电力“减薪风暴”是在逗人玩[N];上海证券报;2006年
5 本报记者 李胜永赵汀;2008,看ABB如何将“可持续发展”本土化[N];中国电力报;2007年
6 萧然;如何让电网更坚强[N];人民日报;2008年
7 李嘉;HPSureStoreDLT自动加载磁带机在电力系统数据备份中的应用[N];中国高新技术产业导报;2000年
8 吴素青;她赢得了信任[N];华北电力报;2000年
9 吴卫东;确保电力系统安全稳定运行[N];承德日报;2006年
10 本报记者 任春;电力设施全面复核工作将展开[N];中国电力报;2008年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978