基于支持向量機(jī)算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法
發(fā)布時(shí)間:2024-06-14 00:18
配電線路狀態(tài)準(zhǔn)確預(yù)測(cè)是進(jìn)行配電網(wǎng)調(diào)控的基礎(chǔ)。提出了基于支持向量機(jī)(SVM)算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法。首先,分析影響配電線路狀態(tài)變化的因素,構(gòu)建基于Fokker-Planck的配電線路狀態(tài)轉(zhuǎn)移模型。其次,融合配電信息系統(tǒng)多源海量數(shù)據(jù),采用基于相關(guān)度的最優(yōu)特征子集篩選方法構(gòu)建配電線路狀態(tài)特征變量集,采用合成少數(shù)類過采樣技術(shù)(SMOTE)算法解決線路故障狀態(tài)樣本數(shù)量少而帶來的樣本集類別不平衡問題。然后,考慮到線路狀態(tài)二分類的特點(diǎn),采用SVM算法進(jìn)行線路運(yùn)行工況的分類預(yù)測(cè),形成了基于SMOTE-SVM算法的狀態(tài)轉(zhuǎn)移模型求解方法,可實(shí)現(xiàn)配電線路時(shí)變狀態(tài)預(yù)測(cè)。最后,以某實(shí)際配電系統(tǒng)為算例驗(yàn)證了所提方法的有效性。
【文章頁數(shù)】:7 頁
【文章目錄】:
0 引言
1 配電線路時(shí)變狀態(tài)轉(zhuǎn)移模型
2 基于多源數(shù)據(jù)融合的樣本預(yù)處理
2.1 基于相關(guān)度的特征子集篩選特征變量
2.2 基于SMOTE算法改善樣本質(zhì)量
3 基于SVM算法的線路運(yùn)行工況分類器模型
4 基于SMOTE-SVM算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法
5 算例分析
5.1 選取特征變量
5.2 改善訓(xùn)練樣本的平衡性
5.3 構(gòu)建SVM算法分類器
5.4 求解時(shí)變狀態(tài)轉(zhuǎn)移模型
6 結(jié)語
附錄A
本文編號(hào):3993862
【文章頁數(shù)】:7 頁
【文章目錄】:
0 引言
1 配電線路時(shí)變狀態(tài)轉(zhuǎn)移模型
2 基于多源數(shù)據(jù)融合的樣本預(yù)處理
2.1 基于相關(guān)度的特征子集篩選特征變量
2.2 基于SMOTE算法改善樣本質(zhì)量
3 基于SVM算法的線路運(yùn)行工況分類器模型
4 基于SMOTE-SVM算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法
5 算例分析
5.1 選取特征變量
5.2 改善訓(xùn)練樣本的平衡性
5.3 構(gòu)建SVM算法分類器
5.4 求解時(shí)變狀態(tài)轉(zhuǎn)移模型
6 結(jié)語
附錄A
本文編號(hào):3993862
本文鏈接:http://www.wukwdryxk.cn/kejilunwen/dianlilw/3993862.html
最近更新
教材專著