【正文】 實(shí)值之間的差距較大。而將數(shù)據(jù)分類之后，首先分別進(jìn)行SVM訓(xùn)練，使得回歸方程中的系數(shù)更適用于本類別的數(shù)據(jù)，數(shù)據(jù)之間的數(shù)量級(jí)差距變小，訓(xùn)練的精度提高。所以將測(cè)試數(shù)據(jù)根據(jù)不同類別，分別進(jìn)行測(cè)試。再根據(jù)不同類別進(jìn)行SVM網(wǎng)絡(luò)仿真。根據(jù)分類結(jié)果，分別進(jìn)行SVM網(wǎng)絡(luò)訓(xùn)練，其線損計(jì)算結(jié)果中，相對(duì)誤差百分比小于1%的線路為3條，占訓(xùn)練線路總量的5%，相對(duì)誤差百分比小于10%的線路為41條，%。由于未分類時(shí)訓(xùn)練數(shù)據(jù)分散性較大，因此訓(xùn)練結(jié)果誤差大。分類之后，由表47可以看出分類之后的進(jìn)行的誤差明顯變小。本文將支持向量回歸方法應(yīng)用到配電網(wǎng)線損的計(jì)算和分析中，建立了配電網(wǎng)線損計(jì)算的支持向量回歸模型。 針對(duì)有代表性的配電線路的線損與特征參數(shù)的樣本數(shù)據(jù)，利用支持向量回歸的擬合特性映射線損與特征參數(shù)之間復(fù)雜的非線性關(guān)系，找出配電線路的線損隨特征參數(shù)變化的規(guī)律。并采用將樣本數(shù)據(jù)分類處理的方法來訓(xùn)練支持向量回歸機(jī)，從而提高回歸網(wǎng)絡(luò)的實(shí)際利用效率。由于 SVM是針對(duì)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，改變了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，保證了 SVM 具有較好的精確性和推廣性，與以往的回歸方法、神經(jīng)網(wǎng)絡(luò)算法相比，基于支持向量回歸的配電網(wǎng)線損計(jì)算模型結(jié)構(gòu)簡(jiǎn)單，具有較好的泛化能力和計(jì)算的準(zhǔn)確性，是一種較為有效的線損計(jì)算和分析的實(shí)用方法。第5章 總結(jié)與展望 配電網(wǎng)線損是電力系統(tǒng)運(yùn)行經(jīng)濟(jì)性的一項(xiàng)重要指標(biāo)，它反映了一個(gè)電力網(wǎng)的規(guī)劃設(shè)計(jì)和運(yùn)營(yíng)管理水平，準(zhǔn)確簡(jiǎn)便的線損計(jì)算和分析方法有利于擬定出合理的降低線損的措施。對(duì)于電力網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)、提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性，及供電質(zhì)量具有重要的實(shí)際意義，本文利用支持向量機(jī)的回歸估計(jì)方法建立配電網(wǎng)線損理論計(jì)算的模型，并且在MATLAB環(huán)境中編程實(shí)現(xiàn)。本文的主要研究?jī)?nèi)容及得到的主要結(jié)論如下：（1）首先介紹了配電網(wǎng)線損計(jì)算的基礎(chǔ)知識(shí)和數(shù)學(xué)描述，然后介紹了配電網(wǎng)線損計(jì)算的常用的方法，并對(duì)這些方法進(jìn)行了比較。（2）支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論框架下的一種簡(jiǎn)單、有效的分類方法。作為結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的具體實(shí)現(xiàn)，支持向量機(jī)具有全局最優(yōu)性和較好的泛化能力。首先介紹了支持向量機(jī)的基礎(chǔ)理論，從而了運(yùn)用了基于SVM的配電網(wǎng)線損計(jì)算模型。 （3）利用網(wǎng)格尋優(yōu)法讓C和g在一定的范圍劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有點(diǎn)進(jìn)行取值，最終取使得訓(xùn)練集驗(yàn)證分類準(zhǔn)確率最高的那組C和g作為最佳的參數(shù)，進(jìn)而提高計(jì)算精度。（4）利用 Kohonen 網(wǎng)絡(luò)對(duì)線路輸入數(shù)據(jù)進(jìn)行分類，使得自變量數(shù)據(jù)之間的數(shù)量級(jí)差距變小，訓(xùn)練的精度提高。從而減小誤差。 本文還有如下內(nèi)容有待繼續(xù)研究： 盡管SVM有較堅(jiān)實(shí)的理論基礎(chǔ)和嚴(yán)格的理論分析，但其中還存在很多問題仍需認(rèn)為解決——集如何設(shè)置SVM的參數(shù)。利用粒子群算法優(yōu)化支持向量機(jī)的參數(shù)，減少參數(shù)選擇的盲目性，并將適應(yīng)度函數(shù)定義為訓(xùn)練樣本的期望輸出與支持向量機(jī)輸出之差的平方和，進(jìn)一步提高算法的精度，將是繼續(xù)研究的重要內(nèi)容。致 謝 參考文獻(xiàn)【1】 [J]．華東電力，1995（12）：59 【2】 基于改進(jìn)型支持向量機(jī)的配電網(wǎng)線損計(jì)算[J]．合肥工業(yè)大學(xué)，2006：25【3】 許紹良,宋冶,[M].北京:中國(guó)電力出版社,2000【4】 張良均，曹晶，[M]．北京：機(jī)械工業(yè)出版社，2008:2227【5】 史峰,王小川,李洋,等MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M]北京:北京航空航天大學(xué)出版社,2010:1129【6】 張鐵峰,苑津莎,[J].華北電力大學(xué)學(xué)報(bào),2005,32(3):58【7】 王定成，支持向量機(jī)建模預(yù)測(cè)與控制[M]北京:氣象出版社,2009:1224【8】 Vapnik V [M].:清華大學(xué)出版社,2000【9】 [J].自動(dòng)化學(xué)報(bào),2000,26(1):3242【10】 :水利電力出版社，1985【11】 丁心海,羅毅芳,劉巍,施流忠. 配電網(wǎng)線損理論計(jì)算的實(shí)用方法——改進(jìn)迭代法[J]. 電網(wǎng)技術(shù). 2000(01)【12】 黃訓(xùn)誠(chéng), 何方國(guó)，齊歡. 基于支持向量回歸的配電網(wǎng)線損計(jì)算模型 .2008【13】 ,:高等教育出版社,2006【14】 Vapnik Nature of Statistical Learning Theory[M]. New York:Springer,1999.【15】 A. . Energy loss putation by using statistical techniques. IEEE PWRD, 1990, 5(1): 254一258【16】 Cristianini N,ShaweTaylor Introduction to Support Vector Machines and Kernelbased learning Methods[M].Cambridge University Press,2000 附錄clcclear allx=[ 3820 。 3380 。 3200 。 1700 。 1720 。 2610 。 3300 。 7000 。 1380 。 1200 。 1980 。 2300 。 3080 。 3500 。 2800 。 3950 。 2560 。 2880 。 2080 。 1100 。 1280 。 1360 。 2080 。 2400 。 5610 。 3990 。 4500 。 2380 。 2500 。 2870 。 6800 。 148 6060 。 169 6160 。 7330 。 7320 。 5220 。 1400 。 6095 。 3570 。 645 。 430 。 3365 。 2745 。 5754 。 5215 。 8255 。 2715 。 1405 。 1995 。 7590 。 3305 。 3700 。 665 。 1470 。 2060 。 2815 。 2570 。 1420 。 1095 。 2260 。]39。%訓(xùn)練目標(biāo)向量y=[ ]。%測(cè)試樣本x1=[ 3120 。 2605 。 3010 。 3770 。 2990 。 7040 。 4940 29。 4040 。]39。%測(cè)試目標(biāo)y1=[ ]。 [X,Xguiyi]=mapminmax(x,0,1)。 % 對(duì)訓(xùn)練集歸一化 %min max miny 39。 = ( []=min) /( maxmin) [Y,Yguiyi]=mapminmax(y,0,1)。 X=X39。 Y=Y39。%粗略選擇[bestmse,bestc,bestg] = SVMcgForRegress(Y,X,8,8,8,8)。disp(39。打印粗略選擇結(jié)果39。)。str = sprintf( 39。Best Cross Validation MSE = %g Best c = %g Best g = %g39。,bestmse,bestc,bestg)。disp(str)。% 根據(jù)粗略選擇的結(jié)果圖再進(jìn)行精細(xì)選擇: [bestmse,bestc,bestg] = SVMcgForRegress(Y,X,6,5,3,3,3,)。disp(39。打印精細(xì)選擇結(jié)果39。)。str = sprintf( 39。Best Cross Validation MSE = %g Best c = %g Best g = %g39。,bestmse,bestc,bestg)。disp(str)。%% 利用回歸預(yù)測(cè)分析最佳的參數(shù)進(jìn)行SVM網(wǎng)絡(luò)訓(xùn)練cmd = [39。c 39。, num2str(bestc), 39。 g 39。, num2str(bestg) , 39。 s 3 p 39。]。model = svmtrain(Y,X,cmd)。[yxing mse]=svmpredict(Y,X,model)。 % 利用建立的模型看其在訓(xùn)練集合上的回歸效果 yxing =yxing39。 %對(duì)訓(xùn)練集進(jìn)行,反歸一化 yuce=mapminmax(39。reverse39。,yxing,Yguiyi)。 yuce=yuce39。figure (5) plot(1:60,yuce,39。ro39。)hold on plot(1:60,y,39。*39。)title(39。訓(xùn)練數(shù)據(jù)39。)。legend(39。原始數(shù)據(jù)39。,39?；貧w預(yù)測(cè)數(shù)據(jù)39。)。xlabel(39。 線路編號(hào)（條） 39。)。ylabel(39。線損值（） 39。)。figure(6)er=yyuce39。error=(er)./y。plot(1:60,error,39。ro39。)title(39。訓(xùn)練數(shù)據(jù)的相對(duì)誤差圖 39。)。xlabel(39。 線路數(shù)編號(hào)（條） 39。)。ylabel(39。 誤差 39。)。X1=mapminmax(39。apply39。,x1,Xguiyi)。Y1=mapminmax(39。apply39。,y1,Yguiyi)。X1=X139。Y1=Y139。[ty tmse]=svmpredict(Y1,X1,model)。ty=ty39。Ty=mapminmax(39。reverse39。,ty,Yguiyi)。Ty=Ty39。figure(7)plot(1:8,Ty,39。ro39。)。hold onplot(1:8,y1,39。*39。)。title(39。驗(yàn)證的數(shù)據(jù)39。)。legend(39。 原始39。, 39?；貧w預(yù)測(cè)39。)。xlabel(39。 線路編號(hào)（條） 39。)。ylabel(39。線損值（） 39。)。figure(8)err=y1Ty39。errorrr=(err)./y1。plot(1:8,errorrr,39。ro39。)title(39。驗(yàn)證數(shù)據(jù)的相對(duì)誤差39。)。xlabel(39。 線路數(shù)編號(hào)（條） 39。)。ylabel(39。 誤差 39。)。errorrr=(err)./y1。error1=sum(abs(error))。xaver=error1./60errorr1=sum(abs(errorrr))。yaver=errorr1./8