基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

发布时间：2018-12-31 17:38

【摘要】：为了提高支持向量机(Support Vector Machine,SVM)的分类性能,提出了根据关键样本集构造的SVM综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM分类步骤。采用3机9节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。
[Abstract]:In order to improve the classification performance of support vector machine (Support Vector Machine,SVM), a method of power system transient stability evaluation based on the SVM comprehensive classification model constructed from the key set of samples is proposed. The construction method of SVM comprehensive classification model based on different characteristic quantities, the generation method of key sample set and the SVM classification step based on the comprehensive classification model and the key sample set are presented. The classification effect is analyzed by using 3-machine 9-node typical example and a provincial power grid example. The results show that compared with the traditional SVM method, the proposed method based on the SVM comprehensive classification model and the key sample set greatly reduces the missing classification number which determines the unstable samples to be stable, and improves the practicability of the SVM method. The idea of constructing classification model based on the key sample set is also useful for other data mining methods.
【作者单位】： 电网安全与节能国家重点实验室(中国电力科学研究院);
【基金】：国家电网公司科技项目(5442xt170016)~~
【分类号】：TM712

【相似文献】

相关期刊论文 前10条

1 王智锐;唐汝宁;;基于支持向量机算法的空调负荷预测及实验研究[J];制冷技术;2013年04期

2 徐蓓蓓;蒋铁铮;易宏;;三种基于支持向量机风速预测方法对比研究[J];电气技术;2012年05期

3 赵永辉;刘友宽;朱全聪;杨文杰;;支持向量机在电力系统中的应用[J];仪器仪表用户;2012年06期

4 高尚;梅亮;;基于支持向量机的电价组合预测模型[J];电力自动化设备;2008年11期

5 郑华文;曹衍龙;杨将新;何元峰;方力先;谢永诚;;基于支持向量机的核电站松动件质量估计方法[J];浙江大学学报(工学版);2010年08期

6 周松林;茆美琴;苏建徽;;基于小波分析与支持向量机的风速预测[J];太阳能学报;2012年03期

7 吴钰;王杰;;综合最优灰色支持向量机模型在季节型电力负荷预测中的应用[J];华东电力;2012年01期

8 全睿;全书海;黄亮;谢长君;;基于支持向量机的车用燃料电池系统故障诊断[J];振动.测试与诊断;2012年01期

9 黎特;皮薇;;支持向量机模型改进及在短期边际电价预测中的应用[J];国网技术学院学报;2013年05期

10 吴钰;王杰;;基于加权最小二乘支持向量机的月度负荷预测[J];水电能源科学;2012年05期

相关会议论文 前7条

1 肖怀宝;逯贵祯;李彦霏;;基于支持向量机的电磁参数提取方法研究[A];2009年全国天线年会论文集（下）[C];2009年

2 石亚欣;;基于支持向量机的风速周期预测模型[A];智能化电站技术发展研讨暨电站自动化2013年会论文集[C];2013年

3 伍敏;苏鹏宇;刘金福;于达仁;;基于RVM和SVM的风速预测研究[A];2012电站自动化信息化学术和技术交流会议论文集[C];2012年

4 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

5 吕刚;范瑜;;基于最小二乘广义支持向量机的永磁直线同步电动机建模[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

6 林茂六;华晓杰;;基于支持向量机的大信号射频功率器件频域特征模型回归分析[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

7 周曙光;孟庆虎;孟庆丰;;基于支持向量机的核岛主泵状态预测[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

相关博士学位论文 前4条

1 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年

2 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年

3 鞠鲁峰;基于支持向量机建模的永磁球形电机的优化设计研究[D];合肥工业大学;2015年

4 肖燕彩;支持向量机在变压器状态评估中的应用研究[D];北京交通大学;2008年

相关硕士学位论文 前10条

1 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年

2 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年

3 邢校萄;支持向量机在短期光伏发电功率预测中的应用[D];华北电力大学;2015年

4 吴康;基于新疆风带运行规律的风电功率预测[D];新疆大学;2015年

5 胡让;风力发电机叶片故障诊断研究及实现[D];兰州交通大学;2015年

6 高伟;基于最小二乘支持向量机的风电功率短期预测研究[D];华中科技大学;2014年

7 姜山;基于支持向量机的高压线路故障原因辨识[D];华北电力大学(北京);2016年

8 刘达;基于支持向量机的风电机组故障智能分类方法及其应用[D];华北电力大学(北京);2016年

9 贺文鑫;基于支持向量机的制粉系统优化控制研究[D];长沙理工大学;2015年

10 谢勇;基于支持向量机的输电线覆冰预测研究[D];西华大学;2016年

，

本文编号：2396898