基于支持向量机的电力系统谐波源电流估计

摘要

随着GPS技术、数据储存与处理、通信等技术的发展，电力系统谐波量测系统在国内得到了快速的发展与应用。谐波状态估计技术就是利用有限的、已配置的谐波量测量来估计谐波在电网的分布情况，从而对电网进行实时的谐波监测。但由于谐波量测设备造价高，大量的谐波信息使得存储和运算的成本增大，人们以期利用数量较少的谐波量测配置，估计出电网中谐波源电流。尤其在谐波量测配置为欠定的情况下，运用传统的状态估计技术估计谐波源电流的效果很差。针对这一问题，本文在已获得谐波源位置的先验知识下，应用支持向量机技术估计电力系统谐波源电流，以期在保证估计效果的前提下，节省成本。
　　首先，阐述了电力系统谐波的定义、产生的原因和危害、影响。接着介绍了电力系统谐波量测系统的原理与组成部分，并对基于最小二乘法的谐波状态估计的数学模型进行了阐述。介绍了电力系统各元件等值电路的谐波建模方法。
　　其次，对支持向量机的原理进行了叙述。重点分析研究了核函数的选取和模型参数的选取。在选择了高斯径向基函数作为核函数后，分别采用了基于交叉验证的网格搜索法以及遗传算法对模型需要确定的惩罚系数C、高斯径向基核函数宽度参数σ和损失函数中的参数ε进行参数寻优。
　　再次，利用MATLAB建立IEEE-14节点谐波仿真网络。在谐波量测配置为欠定的情况下，基于网络拓扑分析，通过计算支路谐波电流相对节点谐波注入电流变化的敏感因子，确定谐波监测点的位置，进而进行谐波量测配置。
　　然后，利用IEEE-14节点谐波网络，获取建模需要的样本数据。将样本数据进行标准化处理，将谐波监测点的支路谐波电流的幅值和相角与谐波源注入电流的幅值和相角的关系通过支持向量机建立起来，在支持向量机建模过程中，分别采用了网格搜索法以及遗传算法两种方法进行参数寻优。
　　最后，在无量测噪声和存在量测噪声的情况下，分别利用径向基神经网络、基于网格搜索法寻优的支持向量机、基于遗传算法寻优的支持向量机以及最小二乘法建模，并对谐波源电流进行估计，最终分析比较4种结果。结果证明在谐波量测配置为欠定的情况下，支持向量机对谐波源电流估计的有效性。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文的研究内容

第2章 电力系统谐波的基本概念

2．1 电力系统谐波的定义

2．2 电力系统谐波的来源

2．3 电力系统谐波的影响及危害

2．5 本章小结

第3章 谐波量测系统与谐波分析的基础

3．1 谐波量测系统的技术背景

3．2 谐波测量系统的原理与组成

3．3 谐波状态估计算法

3．4 谐波的分析基础

3．4．1 电力系统中元件建模

3．4．2 负载中的谐波源

3．5 本章小结

第4章 支持向量机及其参数寻优方法研究

4．1 支持向量机

4．1．1 标准支持向量机

4．2 核函数的选择及参数寻优方法

4．2．1 核函数的选择

4．2．2 网格搜索寻优方法

4．2．3 遗传算法寻优方法

4．3 本章小结

第5章 谐波监测点分布的确定

5．1 谐波敏感因子

5．2 IEEE-14节点网络谐波监测点的分布

5．2．1 仿真模型的建立

5．2．2 确定谐波监测点位置

5．3 本章小结

第6章 基于支持向量机的电力系统谐波源电流估计

6．1 样本的提取

6．2 样本数据的预处理

6．3 实验仿真与结果

6．3．1 基于径向基神经网络的建模

6．3．2 基于网格搜索的ε-SVM建模

6．3．3 遗传算法寻优的ε-SVM建模

6．4 无噪声谐波源电流估计

6．4．1 径向基神经网络谐波源电流估计

6．4．2 基于网格搜索的ε-SVM谐波源电流估计

6．4．3 遗传算法寻优的ε-SVM谐波源电流估计

6．4．4 最小二乘法谐波源电流估计

6．4．5 四种模型的对比

6．5 噪声干扰下的谐波源电流估计

6．5．1 噪声干扰下的径向基神经网络谐波源电流估计

6．5．2 噪声干扰下的基于网格搜索的ε-SVM谐波源电流估计

6．5．3 噪声干扰下的遗传算法寻优的ε-SVM谐波源电流估计

6．5．4 噪声干扰下的最小二乘法谐波源电流估计

6．5．5 噪声干扰下四种模型的对比

6．6 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研实践