[发明专利]一种基于遗传算法的支持向量机在线电压稳定性监测方法

说明书

一种基于遗传算法的支持向量机在线电压稳定性监测方法，包括通过电网系统向量测量单元(Phasor Measurement Unit，PMU)装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；结合PMU获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据等步骤，本发明是针对传统的电压稳定分析方法最大的缺陷在于最大负载点处的雅克比矩阵的奇异性，并且计算量大、在线应用能力差；而新的机器学习技术比如ANNs在处理非线性回归问题时，受限于训练时间量和学习参数值而提出的。

技术领域

本发明属于电力系统领域，具体涉及一种基于遗传算法的支持向量机在线电压稳定性监测方法。

背景技术

随着电网技术的飞速发展，今天的电网连接已经构成了一个高度互联的大系统。这样使得大型电力系统在监控和操作中更具复杂性。因为系统的某一部分的干扰可能影响整个电力系统。电力系统可观测性是电力系统实时监测、保护和控制的必要条件，它影响整个广域监测保护和控制系统(Wide Area Monitoring Protection and Control Systems，WAMPC)的有效执行。近年来，电压崩溃是全球许多电力系统停电的主要原因。传统的电压稳定分析方法依赖于使用常规的潮流计算比如高斯-赛德尔(Gauss-Seidel)或者牛顿-拉夫森(Newton-Raphson)等静态分析方法。这些技术方法的主要缺陷是在最大负载点处的雅克比矩阵的奇异性。另外，诸如人工神经网络(Artificial Neural Network，ANN)、模糊逻辑、模式识别、支持向量机(Support Vector Machine，SVM)等机器学习技术已经被用来进行电力系统分析。比如将ANN模型应用在在线电压安全评估中，使用了径向基函数(RadialBasis Function，RBF)网络来估算突发情况下电力系统电压稳定等级，Hashemi运用小波变换来提取电压波形特性以估算电压稳定裕度等等。

发明内容

针对传统的电压稳定分析方法最大的缺陷在于最大负载点处的雅克比矩阵的奇异性，并且计算量大、在线应用能力差；而新的机器学习技术比如ANNs在处理非线性回归问题时，受限于训练时间量和学习参数值，本发明提出了一种基于遗传算法的支持向量机在线电压稳定性监测的方法。

发明的目的是这样实现的：

一种基于遗传算法的支持向量机在线电压稳定性监测方法，包括以下步骤：

步骤一：通过电网系统向量测量单元(Phasor Measurement Unit，PMU)装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；

步骤二：结合PMU获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据；

步骤三：构建基于遗产算法的支持向量机模型，并运用遗传算法(GeneticAlgorithm，GA)寻找最优的电网电压稳定裕度指标参数；

步骤四：通过寻找到的最优电网电压稳定裕度指标参数构建支持向量机(SupportVector Machine，SVM)模型，并结合训练样本对SVM模型进行训练；

步骤五：训练结束后，运用测试样本数据对训练后的SVM模型进行测试；

步骤六：测试通过后，运用所得SVM模型构建基于遗传算法的支持向量机(GeneticAlgorithm based Support Vector Machine，GA-SVM)模型的在线电网电压稳定监测模型。

在步骤一中，包括电压稳定裕度指标的获取以及PMU不确定性建模。

PMU测量的数据主要包括电压幅值和相角。