【正文】 arameter. In order to improve the learning accuracy of SVR model, a problemspecific scheme is performed to divide the samples into several clusters. Simulation verifies the validity and practicability of the proposed method.Keywords: power system, support vector regression, losses calculation 目 錄前 言 1第1章 緒論 2 2 配電網(wǎng)線損計算研究現(xiàn)狀 3 本文的主要工作 4第2章 傳統(tǒng)線損計算方法 6 均方根電流法 6 平均電流法 7 最大電流法 8 等值電阻法 9 本章小結(jié) 10第3章 基于支持向量機的建模 11 統(tǒng)計學習理論基礎 11 11 12 13 支持向量機 13 13 14 16 支持向量機線損計算 17 17 17 18第4章 算例仿真過程 22 22 22 MATLAB程序仿真及結(jié)果 24 31 31 33 39第5章 總結(jié)與展望 41致 謝 42參考文獻 43附錄 45前 言線損是電能在電力網(wǎng)傳輸過程中所產(chǎn)生的損耗，它是電力部門的一項重要的技術經(jīng)濟指標，是衡量電力企業(yè)管理水平的主要指標之一，也是電力系統(tǒng)規(guī)劃設計水平、生產(chǎn)技術水平和經(jīng)營管理水平的綜合反映。但這些方法也存在一定的局限性，回歸分析法方法需要有大量數(shù)據(jù)，數(shù)據(jù)少則難以找出統(tǒng)計規(guī)律，且對不同的配電網(wǎng)結(jié)構(gòu)不具有通用性。通過配電網(wǎng)理論線損計算，優(yōu)化配電網(wǎng)結(jié)構(gòu)，確定配電網(wǎng)最佳運行方式和經(jīng)濟調(diào)度，降低配電網(wǎng)電能損耗，節(jié)約資源，提高供電能力，具有重大大意義。 配電網(wǎng)線損計算研究現(xiàn)狀（1）國內(nèi)發(fā)展現(xiàn)狀 （2）國外發(fā)展現(xiàn)狀但是在實際應用中該前提一般無法滿足，因此一些理論上很成熟的學習方法在實際中的表現(xiàn)卻可能不盡如人意，如前所述的神經(jīng)網(wǎng)絡的固有缺陷問題等，從本質(zhì)上來說，就是因為理論上需要無窮大樣本與實際中樣本有限的矛盾造成的。 均方根電流法的優(yōu)點：計算過程簡單，可以利用數(shù)據(jù)先計算出均方根電流，從而計算出電能損耗量，具體用到的數(shù)據(jù)如下：有功電量和無功電量、有功功率和無功功率、電壓、配電變壓器額定容量、參數(shù)等，此方法計算精度是比較高的，同時也易于計算機編程計算。 平均電流法的計算參數(shù)主要是從運用實際中相對容易獲得的數(shù)據(jù)以及測得電量得到的值通過計算得到平均電流，而電能損耗的計算是根據(jù)代表日平均電流、形狀系數(shù)等一系列數(shù)據(jù)計算得到的，此方法可以計算出準確的結(jié)果并且對于電能損耗的計算結(jié)果的精度也是比較高的。缺點是：損失因數(shù)不易計算，不同的負荷曲線、網(wǎng)絡結(jié)構(gòu)和負荷特性，計算出的損耗因數(shù)不同，不能通用，使用此方法時必須根據(jù)電網(wǎng)實際情況計算損耗因數(shù)；計算精度低，常用于計算精度要求不高的情況。 本章小結(jié) 計算配電網(wǎng)理論線損的方法有等值電阻法、均方根電流法、平均電流法、最大電流法、等值電流法、節(jié)點功率等效法以及潮流法等。設變量y與x存在一定得依賴關系，即遵循某一未知的聯(lián)合分布F（x，y）（x與y之間的確定性關系可以看作是其特例），機器學習問題就是根據(jù)n個獨立同分布觀測樣本【6】。之所以出現(xiàn)這種過學習現(xiàn)象是因為試圖用一個十分復雜的模型去擬合有限的樣本，導致喪失了推廣能力。對于非線性支持向量機回歸，其基本思想是通過一個非線性映射Φ將數(shù)據(jù)x映射到高維特征空間（Hilbert空間），并在這個空間進行線性歸回。對樣本數(shù)據(jù)進行歸一化的目的：（1） 避免較大范圍變化的數(shù)據(jù)淹沒較小范圍變化的數(shù)據(jù)；（2）避免計算中出現(xiàn)數(shù)值困難，因為核值計算中需要計算特征向量的內(nèi)積，如線性核和多項式核，大的特征值可能會引起數(shù)值困難。并且線性核函數(shù)是RBF的一個特例，Keerthi等證明且指出如果已經(jīng)考慮選用RBF，就沒有必要再考慮線性核函數(shù)了。同樣,選小,回歸估計精度高,但支持向量數(shù)量增多,選大,回歸估計精度降低，支持向量數(shù)量少,SVM的稀疏性大。第4章 算例仿真過程 基于支持向量機配電網(wǎng)線損的總體計算過程分為以下幾個階段：（1） 先選定輸入樣本的自變量和因變量；（2） 對數(shù)據(jù)進行預處理；（3） 核函數(shù)的選定以及通網(wǎng)格尋優(yōu)法選取適當?shù)膮?shù)；（4） 利用最佳參數(shù)訓練SVM；（5） 擬合預測；（6） 分析誤差；為了驗證本文所提方法，以某地區(qū)的實際配電網(wǎng)絡為例進行線損的計算和分析。從圖中易看出樣本預測數(shù)據(jù)對原始數(shù)據(jù)擬合程度不夠高，存在較大誤差。在這一形態(tài)中，一個神經(jīng)元只對某種輸入模式特別匹配或特別敏感。通過反復訓練，最終各神經(jīng)元的連接權(quán)值具有一定的分布，該分布把數(shù)據(jù)之間的相似性組織到代表各類的神經(jīng)元上，使同類神經(jīng)元具有相近的權(quán)系數(shù)，不同類的神經(jīng)元權(quán)系數(shù)差別明顯。調(diào)整節(jié)點c和在其領域Nc(t)內(nèi)包含的權(quán)系數(shù)，即 （42） （43）式中，分別為神經(jīng)元t 和c的位置；計算兩神經(jīng)元之間歐幾里得距離；為領域半徑；為學習速率。 　 表44 60條配電網(wǎng)線路的數(shù)據(jù)分類及訓練結(jié)果線路分組情況自變量y因變量總線損y*計算值yy*相對誤差絕對誤差x1月有功,供電量x2月無功供電量x3配變總?cè)萘縳4線路總長度11700%11720%11380%11200%11100%11280%11360%11400%1645%1430%11405%1665%11470%11420%11095%27000%25610% 表44 60條配電網(wǎng)線路的數(shù)據(jù)分類及訓練結(jié)果線路分組情況自變量y因變量總線損y*計算值yy*相對誤差絕對誤差x1月有功,供電量x2月無功供電量x3配變總?cè)萘縳4線路總長度26800%21486060%21696160%27330%27320%25220%26095%25754%25215%38255%37590%32610%31980%32300%32800%32560%32880%32080% 表44（續(xù)） 60條配電網(wǎng)線路的數(shù)據(jù)分類及訓練結(jié)果線路分組情況自變量y因變量總線損y*計算值yy*相對誤差絕對誤差x1月有功,供電量x2月無功供電量x3配變總?cè)萘縳4線路總長度32080%32400%32380%32500%32870%32745%32715%31995%32060%32815%32570%42260%43820%43380%43200%43300%43080% 表44（續(xù)） 60條配電網(wǎng)線路的數(shù)據(jù)分類及訓練結(jié)果線路分組情況自變量y因變量總線損y*計算值yy*相對誤差絕對誤差x1月有功,供電量x2月無功供電量x3配變總?cè)萘縳4線路總長度43500%43950%43990%44500%43570%43365%43305%43700% 由表44可以看出在將數(shù)據(jù)進行分類之后，誤差明顯減小 。再根據(jù)不同類別進行SVM網(wǎng)絡仿真。第5章 總結(jié)與展望 配電網(wǎng)線損是電力系統(tǒng)運行經(jīng)濟性的一項重要指標，它反映了一個電力網(wǎng)的規(guī)劃設計和運營管理水平，準確簡便的線損計算和分析方法有利于擬定出合理的降低線損的措施。從而減小誤差。 2610 。 3500 。 1360 。 2870 。 6095 。 8255 。 1470 。%訓練目標向量y=[ ]。 4040 。%粗略選擇[bestmse,bestc,bestg] = SVMcgForRegress(Y,X,8,8,8,8)。% 根據(jù)粗略選擇的結(jié)果圖再進行精細選擇: [bestmse,bestc,bestg] = SVMcgForRegress(Y,X,6,5,3,3,3,)。%% 利用回歸預測分析最佳的參數(shù)進行SVM網(wǎng)絡訓練cmd = [39。[yxing mse]=svmpredict(Y,X,model)。)hold on plot(1:60,y,39?；貧w預測數(shù)據(jù)39。figure(6)er=yyuce39。 線路數(shù)編號（條） 39。Y1=mapminmax(39。reverse39。)。)。errorrr=(err)./y