粒子群优化的支持向量回归机计算配电网理论线损方法 theoretical line loss calculation based on svr and pso for distribution system.pdfVIP

第32卷第5期 电力自动化设备 V01．32No．5 ElectdcPowerAutomation @2012年5月 Equipmen止 Mav2012 粒子群优化的支持向量回归机 计算配电网理论线损方法 徐茹枝．王宇飞 (华北电力大学控制与计算机工程学院，北京102206) 计算方法。SvR—PS0方法将理论线损计算抽象成多元回归分析．理论线损的若干影响因素作为自变量．理论线损 该模型完成未知线路的理论线损计算。在SvR—PS0训练过程中．利用粒子群算法动态地有哪些信誉好的足球投注网站支持向量回归机 方法的有效性，与传统方法相比．SvR—PS0方法在计算精度和运算耗时方面拥有更好的性能。 关键词：配电网；线路；损耗：计算；粒子群优化；多元回归分析；支持向量回归机 中图分类号：TM744+．1；TP393 文献标识码：A 0 引言 1 SVR和PSO算法 理论线损计算是配电网运行和调度的重要环 1．1 SVR及其训练参数 节。配电网具有供电区域广泛、台区结构复杂、用户 SVR是支持向量机的一个子类．其特点是最终 类型各异、实际线损难以计算等特点．因而精确计算 输出函数为线性函数，因而广泛应用于函数拟合、预 理论线损成为电力企业降低辖区内电能损耗、提高 测问题等领域。SVR的工作原理是：原欧氏空间的 企业效益的重要手段． 目标问题通过核函数映射为Hilben空间中的对偶 随着人工智能技术在电力领域的广泛应用．配 问题．并在Hilbert窄间构造凸二次规划．进而求解 电网理论线损的计算方法也由传统的基于潮流计算 对偶问题。相对于传统的决策树、贝叶斯分类器、 方法[卜，3(如牛顿一拉夫逊方法、前推回代法、竹节法 ANN等人工智能算法，SVR具有运算速度快、不易 陷于局部极小值等优点。 Neural 等)．逐步发展到以人工神经网络ANN(Arti6cial SVR通过对样本的训练学习来生成预测模型． Network)及其各种改进算法为主[4-w。多年研究和实 际应用表明．基于ANN的配电网理论线损计算方法 因而训练参数的选取直接影响到SVR的预测精度． 普遍存在训练时间长、易陷于局部极小点、网络结构 SVR中有3个重要的训练参数r8_n]：损失函数参数占， 复杂等难以克服的缺陷．特别是理论线损计算精度 表示原目标问题的误差期望：惩罚因子G，指当占超 偏低。 jI；阈值范同时，对8拟合差的惩罚程度：核宽参数盯． 针对现有配电网理论线损计算方法中存在的计 决定SVR最优解的复杂度． 1．2 PS0算法 算过程复杂和计算精度低等问题．本文提出基于粒 PS0是一种优秀的群智能优化算法．具有收敛速 子群优化PSO(PanicleSwa瑚0Dtimization)算法的 度快、寻优能力强等特点[12。。。PSO的工作原理如下： Vector 支持向量回归机SVR(SupportRegression)的 a．PS0初始化．构造n维解空问．并在解空问中 配电网理论线损计算方法．即S