基本信息
- 項(xiàng)目名稱(chēng):
- 支持向量機(jī)動(dòng)態(tài)訓(xùn)練算法電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估
- 來(lái)源:
- 第十一屆“挑戰(zhàn)杯”國(guó)賽作品
- 小類(lèi):
- 機(jī)械與控制
- 大類(lèi):
- 自然科學(xué)類(lèi)學(xué)術(shù)論文
- 簡(jiǎn)介:
- 文章首先提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問(wèn)題的研究。然后在對(duì)比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評(píng)估方法的基礎(chǔ)上,提出了一種以支持向量機(jī)模型為基礎(chǔ)的動(dòng)態(tài)訓(xùn)練算法,該方法將特征提取、樣本訓(xùn)練融合在一起,動(dòng)態(tài)產(chǎn)生了一系列支持向量機(jī)模型,同時(shí)可以從維數(shù)較大的初始特征集中選擇多組有效特征,實(shí)驗(yàn)表明它可用于解決輸入空間的可分性問(wèn)題。在3機(jī)9節(jié)點(diǎn)以及16機(jī)68節(jié)點(diǎn)系統(tǒng)中的應(yīng)用表明了該方法的有效性。
- 詳細(xì)介紹:
- 電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估存在兩個(gè)主要問(wèn)題:一是參與分析評(píng)估的訓(xùn)練集不足以覆蓋整個(gè)樣本空間,二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運(yùn)行狀態(tài)。文章首先提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問(wèn)題的研究。然后在對(duì)比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評(píng)估方法的基礎(chǔ)上,并結(jié)合實(shí)驗(yàn),發(fā)現(xiàn)模式識(shí)別法在TSA問(wèn)題應(yīng)用中,關(guān)鍵問(wèn)題是解決存在少量誤判點(diǎn)的問(wèn)題。(如果這些誤判點(diǎn)中存在的是失穩(wěn)點(diǎn),那么這樣的分類(lèi)器是不可靠的)。于是提出了一種以支持向量機(jī)模型為基礎(chǔ)的動(dòng)態(tài)訓(xùn)練算法,該方法將特征提取、樣本訓(xùn)練融合在一起,動(dòng)態(tài)產(chǎn)生了一系列支持向量機(jī)模型,同時(shí)可以從維數(shù)較大的初始特征集中選擇多組有效特征。在3機(jī)9節(jié)點(diǎn)以及16機(jī)68節(jié)點(diǎn)系統(tǒng)中的應(yīng)用表明了該方法在連續(xù)迭代過(guò)程中,產(chǎn)生了一系列分類(lèi)器模型,其相應(yīng)測(cè)試樣本的正確率很多都達(dá)到了100%。事實(shí)上只要迭代次數(shù)不限,該方法可以產(chǎn)生許多組不同的特征組合,既有系統(tǒng)全局特征,也有局部特征,真正做到針對(duì)不同電力系統(tǒng)提取不同的特征組合,其次對(duì)于同一個(gè)系統(tǒng)擁有多組分類(lèi)器,其安全性也會(huì)大幅提高。
作品專(zhuān)業(yè)信息
撰寫(xiě)目的和基本思路
- 電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估存在兩個(gè)主要問(wèn)題:一是參與分析評(píng)估的訓(xùn)練集不足以覆蓋整個(gè)樣本空間,二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運(yùn)行狀態(tài)。故提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問(wèn)題的研究。然后在對(duì)比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評(píng)估方法的基礎(chǔ)上,結(jié)合實(shí)驗(yàn),發(fā)現(xiàn)模式識(shí)別法在TSA問(wèn)題應(yīng)用中,關(guān)鍵問(wèn)題是解決存在少量誤判點(diǎn)的問(wèn)題,于是提出一種以支持向量機(jī)模型為基礎(chǔ)的動(dòng)態(tài)訓(xùn)練算法。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- 作品使用皮爾森相關(guān)性曲線作為樣本空間變化的衡量指標(biāo),通過(guò)測(cè)試負(fù)荷曲線上不同位置基準(zhǔn)負(fù)荷的組合,實(shí)現(xiàn)使用較少的基準(zhǔn)負(fù)荷點(diǎn),達(dá)到樣本空間較大范圍的覆蓋。 提出一種全新動(dòng)態(tài)訓(xùn)練算法,特點(diǎn)1.傳統(tǒng)方法是尋找一種最有效的特征提取算法,本方法對(duì)特征提取算法選擇無(wú)條件限制。2.傳統(tǒng)方法嘗試尋找統(tǒng)一的特征組,本方法能產(chǎn)生一系列多選擇性的,高效的,個(gè)性化的特征組。兩算例的計(jì)算結(jié)果證明了該方法是可行、有效的。
應(yīng)用價(jià)值和現(xiàn)實(shí)意義
- 本作品針對(duì)電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估存在兩個(gè)主要問(wèn)題提出了相應(yīng)的解決方案。重點(diǎn)提出了一種全新訓(xùn)練算法,解決模式識(shí)別法在TSA問(wèn)題應(yīng)用中存在少量誤判點(diǎn)的問(wèn)題。該方法可以推廣到其他二分類(lèi)問(wèn)題上。
學(xué)術(shù)論文摘要
- 本論文以16機(jī)68節(jié)點(diǎn)作為經(jīng)典模型算例,通過(guò)支持向量機(jī)動(dòng)態(tài)訓(xùn)練算法得到的結(jié)果,(詳見(jiàn):本作品: 表10. SVMDT使用一種特征提取算法迭代五次的結(jié)果比較、表11. 提取特征在原始特征中的編號(hào)) 支持向量機(jī)動(dòng)態(tài)訓(xùn)練算法可以使SVM模型克服自身無(wú)法確定合理的輸入特征組合的問(wèn)題,得到一系列理想的輸入特征組合。如表10所有達(dá)到100%正確率的模型支持向量數(shù)量都小于其它正確率相對(duì)較低的模型。也就是說(shuō)模型越是復(fù)雜,出現(xiàn)過(guò)分?jǐn)M合的幾率越高。因?yàn)閺?fù)雜模型中的附加成分很大程度上是完全對(duì)偶然的擬合[11]。所以由這些特征組合得到的SVM模型產(chǎn)生過(guò)擬合的可能性很小。表11顯示迭代產(chǎn)生不同的特征組合,既有系統(tǒng)全局特征(編號(hào)1至33),也有局部特征(編號(hào)34以后),真正做到針對(duì)不同電力系統(tǒng)提取不同的特征組合,其次對(duì)于同一個(gè)系統(tǒng)擁有多組分類(lèi)器,其安全性也會(huì)大幅提高。
獲獎(jiǎng)情況
- 本作品于2008年11月獨(dú)立完成,并向?qū)W校申報(bào)“挑戰(zhàn)杯”競(jìng)賽。2009年1月 教授推薦投稿,被《電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)》(ISSN1003-8930)審核錄用 ,于2009年4月期刊(第21卷第2期)發(fā)表刊登。
鑒定結(jié)果
- -
參考文獻(xiàn)
- [1] 張琦 韓禎祥 曹紹杰 顧雪平 用于暫態(tài)穩(wěn)定評(píng)估的人工神經(jīng)網(wǎng)絡(luò)輸入空間壓縮方法 電力系統(tǒng)自動(dòng)化,2001,25(2):32-35 [2] 顧雪平 張文朝 基于Tabu搜索技術(shù)的暫態(tài)穩(wěn)定分類(lèi)神經(jīng)網(wǎng)絡(luò)的輸入特征選擇[J] 中國(guó)電機(jī)工程學(xué)報(bào),2006,30(9):32-35 [3] 于之虹 郭志忠 遺傳算法在暫態(tài)穩(wěn)定評(píng)估輸入特征選擇中的應(yīng)用 繼電器,2004,32(1):16-20 [4] 湯必強(qiáng) 基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估 武漢大學(xué)碩士學(xué)位論文 2004 [5]-- [11] 詳見(jiàn)《論文》參考文獻(xiàn)
同類(lèi)課題研究水平概述
- 現(xiàn)有的暫態(tài)穩(wěn)定評(píng)估(Transient Stability Assessment, TSA)方法分為三類(lèi)。時(shí)域仿真法是最經(jīng)典的方法,但計(jì)算量大,難以滿足實(shí)時(shí)性要求;能量函數(shù)法始終需要一定的時(shí)域仿真過(guò)程,計(jì)算速度很大程度上受限于系統(tǒng)規(guī)模;模式識(shí)別法由于不需要建立系統(tǒng)的數(shù)學(xué)模型,能從所選特征與系統(tǒng)狀態(tài)間直接映射關(guān)系,因此是一種簡(jiǎn)單快速的(TSA)方法。現(xiàn)有模式識(shí)別法由于正確性不能保證所以還未能成功應(yīng)用到該領(lǐng)域中。主要原因是缺乏有效的訓(xùn)練方法。對(duì)此前人提出了很多解決方案,主要包括二個(gè)方面: 一.選擇合適特征提取方法:文獻(xiàn)[1]應(yīng)用粗糙集理論中的決策表化簡(jiǎn)技術(shù),提出了一種壓縮人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)輸入空間的方法。文獻(xiàn)[2]提出輸入特征選擇和輸入空間降維是基于神經(jīng)網(wǎng)絡(luò)暫態(tài)穩(wěn)定評(píng)估的首要問(wèn)題,穩(wěn)定分類(lèi)結(jié)果的準(zhǔn)確率主要取決于所選特征組成的輸入空間的可分性。文獻(xiàn)[3]提出了基于遺傳算法的特征選擇方法。 二. 選擇合適的算法:文獻(xiàn)[4]提出使用一個(gè)半監(jiān)督學(xué)習(xí)算法,ANN可產(chǎn)生一個(gè)能夠指示相對(duì)穩(wěn)定的連續(xù)分布的暫態(tài)穩(wěn)定指標(biāo)。基于這個(gè)連續(xù)分布的穩(wěn)定指標(biāo),設(shè)置一個(gè)相對(duì)保守的分類(lèi)門(mén)檻值,避免了不安全狀態(tài)的漏報(bào)。文獻(xiàn)[6]利用支持向量機(jī)(Support Vectors Machine, SVM)的信息融合技術(shù)以提高分類(lèi)準(zhǔn)確率。文獻(xiàn)[7]提出了一種基于粗糙集理論的混合網(wǎng)絡(luò)模型。