• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于貝葉斯優(yōu)化彈性網(wǎng)絡(luò)回歸的諧波狀態(tài)估計方法

      2022-08-31 11:36:38馬思棋王忠
      中國電力 2022年8期
      關(guān)鍵詞:范數(shù)貝葉斯諧波

      馬思棋,王忠

      (四川大學(xué) 電氣工程學(xué)院,四川 成都 610065)

      0 引言

      隨著經(jīng)濟(jì)和生產(chǎn)力的飛速發(fā)展,越來越多的新能源、電力電子設(shè)備等非線性負(fù)荷接入電網(wǎng)中,使得電力系統(tǒng)的諧波污染日益嚴(yán)重。要治理諧波污染,管理諧波發(fā)射水平,必須建立起一套合理的諧波“獎懲”方案,即正確地對公共連接點(diǎn)(point of common coupling,PCC)兩側(cè)的諧波責(zé)任進(jìn)行劃分,這依賴于精準(zhǔn)的諧波狀態(tài)估計[1-4]。

      目前,諧波狀態(tài)估計的方法主要分為2類:干預(yù)法和非干預(yù)法。干預(yù)法向電網(wǎng)中注入諧波電流常導(dǎo)致系統(tǒng)失穩(wěn),因此工程上主要采用非干預(yù)法估計電網(wǎng)的諧波狀態(tài)。非干預(yù)法通過分析PCC處的諧波電壓、諧波電流數(shù)據(jù),劃分系統(tǒng)側(cè)和用戶側(cè)的諧波責(zé)任。常見的非干預(yù)法包括回歸類算法[5-11]、獨(dú)立隨機(jī)矢量協(xié)方差法[12]、有效數(shù)據(jù)段選取法[13]、獨(dú)立分量分析法[14]等,其中回歸類算法的應(yīng)用最為廣泛[15]。然而,文獻(xiàn)[5-6]提出的最小二乘回歸法易受異常值的影響,為此,基于Huber權(quán)值函數(shù)[9]和IGG(Institute of Geodesy and Geophysics)權(quán)重函數(shù)[10]的穩(wěn)健回歸算法以及加權(quán)支持向量機(jī)回歸[11]等算法被相繼提出,這些方法均通過賦予異常點(diǎn)較小的權(quán)重,提高估計結(jié)果的穩(wěn)健性。

      實(shí)際工程中,通常無法明確主諧波源的位置及數(shù)量,量測裝置檢測的嫌疑區(qū)域中各節(jié)點(diǎn)并非都是主諧波源[15];嫌疑區(qū)域內(nèi)非諧波源節(jié)點(diǎn)的諧波電流是由諧波源節(jié)點(diǎn)引起的,因此在這2種節(jié)點(diǎn)處所測得的諧波電流可能具有較高相關(guān)性,由其導(dǎo)致的矩陣病態(tài)問題使得傳統(tǒng)回歸法在矩陣求逆過程中對微小擾動十分敏感;同時,傳統(tǒng)回歸算法易將嫌疑區(qū)域內(nèi)的非諧波源節(jié)點(diǎn)視作諧波源處理,所以該法對諧波責(zé)任的劃分往往失準(zhǔn)。文獻(xiàn)[7]提出了利用嶺回歸(ridge regression)算法解決矩陣的多重共線性問題,但受限于嶺回歸自身特性,該方法無法舍棄無關(guān)特征,即無法排除非諧波源的影響。本文提出以彈性網(wǎng)絡(luò)回歸(elastic network regression)為諧波狀態(tài)估計的模型,該方法除了能規(guī)避矩陣病態(tài)問題,還可以有效排除非諧波源的影響,選擇真正諧波源進(jìn)行諧波責(zé)任劃分。為高效確定彈性網(wǎng)絡(luò)回歸的2個重要參數(shù),采用貝葉斯定理(Bayes' theorem)和高斯過程(Gaussian process)進(jìn)行參數(shù)優(yōu)化,進(jìn)一步保證了模型的魯棒性。

      1 諧波狀態(tài)估計理論基礎(chǔ)

      以如圖1所示的具有3個諧波源A、B、C的電力系統(tǒng)為例,諧波量測裝置安裝于關(guān)注母線(節(jié)點(diǎn))X和嫌疑區(qū)域內(nèi)各母線處。將嫌疑區(qū)域內(nèi)各節(jié)點(diǎn)稱為嫌疑點(diǎn),可以看出,嫌疑點(diǎn)既包含諧波源,也包含非諧波源;將未安裝諧波測量裝置的諧波源節(jié)點(diǎn)發(fā)射的諧波電流均視作背景諧波。

      圖1 多諧波源系統(tǒng)Fig. 1 Multi-harmonic source system

      經(jīng)過n次量測采樣后,關(guān)注母線X的h次諧波電壓和嫌疑區(qū)域內(nèi)各節(jié)點(diǎn)量測得到的h次諧波電流及背景諧波的關(guān)系為

      式中:UhX為關(guān)注節(jié)點(diǎn)X的h次諧波電壓量測值。以節(jié)點(diǎn)A為例:IhA為諧波源A處的諧波電流;ZhA為諧波源A到關(guān)注節(jié)點(diǎn)X的轉(zhuǎn)移阻抗,可以理解為“權(quán)重”,為難以直接測得的待估計量;Uh0為背景諧波電壓; ε為隨機(jī)誤差。

      需要指出,非諧波源D處的諧波電流對關(guān)注節(jié)點(diǎn)X的諧波電壓沒有貢獻(xiàn),也無轉(zhuǎn)移阻抗可言,但在劃分諧波責(zé)任前,該處是否為諧波源是未知的,同時為方便表示,仍將其與諧波源A、B、C按同樣形式寫入式(1)。為簡化式(1),令

      故式(1)可簡寫為

      2 諧波狀態(tài)估計模型

      2.1 線性回歸和最小二乘法

      2.2 2范數(shù)和嶺回歸

      觀察式(7)可以發(fā)現(xiàn),如果法矩陣XTX為奇異矩陣,或者具有多重共線性,即其中某兩行元素具有高度的相關(guān)性,法矩陣會具有奇異性。在這種情況下,法矩陣的逆矩陣會趨近于無窮,致使最小二乘法無法正常應(yīng)用。為解決這個問題,文獻(xiàn)[6]提出了基于嶺回歸的諧波狀態(tài)估計。嶺回歸在式(5)中加上λ倍的2范數(shù)作為正則項(xiàng),其目標(biāo)函數(shù)為

      式中:λ為2范數(shù)權(quán)重系數(shù)。

      這種情況下的最優(yōu)估計參數(shù)?為

      式中:E為單位矩陣。

      由式(9)可以看出,由于2范數(shù)的加入,矩陣XTX+λE會達(dá)到滿秩。其中,λ越大,回歸模型越不容易受到多重共線性的影響;但λ過大會因矯正過重而出現(xiàn)欠擬合,故需找到其最優(yōu)值。

      3 貝葉斯優(yōu)化的彈性網(wǎng)絡(luò)回歸

      3.1 彈性網(wǎng)絡(luò)回歸

      電力系統(tǒng)中的諧波源呈現(xiàn)稀疏性[17-18],為了可以較好地處理稀疏模型,排除非諧波源節(jié)點(diǎn),同時保證估計的穩(wěn)定性,本文提出基于彈性網(wǎng)絡(luò)回歸的諧波狀態(tài)估計方法,同時采用1范數(shù)和2范數(shù)作為回歸方程的正則項(xiàng)。

      作為正則項(xiàng),1范數(shù)和2范數(shù)有極大區(qū)別。相比2范數(shù),1范數(shù)可以產(chǎn)生稀疏性[19],可以使w中某些項(xiàng)為0,即其具備特征篩選能力,可排除對關(guān)注節(jié)點(diǎn)X沒有諧波貢獻(xiàn)的非諧波源節(jié)點(diǎn)。然而,也正是由于易產(chǎn)生稀疏性,1范數(shù)往往僅保留貢獻(xiàn)較大的諧波源節(jié)點(diǎn),某些貢獻(xiàn)較小但仍屬于諧波源的節(jié)點(diǎn)會被錯誤地當(dāng)作非諧波源節(jié)點(diǎn)去除,故其難以全面地反映所有諧波源對關(guān)注節(jié)點(diǎn)的諧波貢獻(xiàn);然而,若以2范數(shù)作為正則項(xiàng),那么將保留包含非諧波源在內(nèi)的所有處于嫌疑區(qū)域的節(jié)點(diǎn),導(dǎo)致諧波責(zé)任劃分失準(zhǔn)。

      3.2 參數(shù)選擇

      3.2.1 性能評估

      3.2.2 貝葉斯優(yōu)化和高斯過程

      α和λ的組合理論上有無窮多種,參數(shù)λ的選取常使用嶺跡圖,通過直接觀察嶺跡圖確定參數(shù)。然而,嶺跡圖中往往存在僅靠觀察難以解釋的細(xì)節(jié),得出的結(jié)論具有一定的主觀性。為了實(shí)現(xiàn)高效地尋找最優(yōu)參數(shù)組合γ,本文采用貝葉斯優(yōu)化調(diào)參,利用已有的先驗(yàn)信息尋求使目標(biāo)函數(shù)ρ(γ)達(dá)到全局最優(yōu)的參數(shù)γ。

      基于貝葉斯優(yōu)化的彈性網(wǎng)絡(luò)回歸步驟可總結(jié)為:(1)隨機(jī)生成t組參數(shù),通過彈性網(wǎng)絡(luò)回歸得到t組性能值ρ=(ρ1,ρ2, ···,ρt);(2)通過高斯過程回歸和貝葉斯定理得到ρ的概率分布;(3)根據(jù)UCB采集函數(shù),權(quán)衡探索和開發(fā),選出下一次最可能最大化采集函數(shù)的參數(shù)γt+1,將γt+1加入已知參數(shù)γt+1的集合,重復(fù)步驟(2)以更新ρ的概率分布,直至得到理想的參數(shù)組合γoptimal。繪制流程如圖2所示。

      圖2 貝葉斯優(yōu)化彈性網(wǎng)絡(luò)回歸流程Fig. 2 Flowchart of elastic network regression based on Bayesian optimization

      4 算例測試

      為驗(yàn)證本文所提方法的有效性,采用IEEE 14節(jié)點(diǎn)標(biāo)準(zhǔn)測試系統(tǒng)進(jìn)行測試,系統(tǒng)模型如圖3所示。該測試系統(tǒng)由2臺發(fā)電機(jī)組(G)、3臺同步調(diào)相機(jī)(C)、14條母線和3臺變壓器組成,系統(tǒng)處于正常工作狀態(tài),輸入、輸出功率維持基本平衡。包含3個主諧波源節(jié)點(diǎn)1、10、13,記作A、B、C,向其中注入5次諧波電流,并附加20%的隨機(jī)噪聲;嫌疑區(qū)域內(nèi)的3個非諧波源節(jié)點(diǎn)2、7、9,記作D、E、F。A—F處的5次諧波電流曲線以及關(guān)注節(jié)點(diǎn)4的5次諧波電壓曲線如圖4所示,共包含500個取樣點(diǎn)。

      圖3 IEEE 14節(jié)點(diǎn)標(biāo)準(zhǔn)測試系統(tǒng)Fig. 3 IEEE 14-bus standard test system

      圖4 各嫌疑節(jié)點(diǎn)和關(guān)注節(jié)點(diǎn)的5次諧波測量數(shù)據(jù)Fig. 4 The 5th harmonic measurement data of each suspected node and concerned node

      本次測試使用5折交叉驗(yàn)證,即以400個采樣點(diǎn)作為回歸模型的訓(xùn)練集,剩余100個點(diǎn)為回歸模型的測試集,每次測試需要交叉驗(yàn)證5次得到性能ρ。圖5列出了各嫌疑點(diǎn)諧波電流間的相關(guān)系數(shù)。圖6為第1、5、10輪貝葉斯優(yōu)化調(diào)參過程。表1記錄了4種方法回歸得到的諧波電壓估計值的均方誤差及可決系數(shù):(1)普通最小二乘回歸,(2)基于Huber權(quán)值函數(shù)的穩(wěn)健回歸,(3)嶺回歸,(4)本文方法。表2記錄了4種方法計算的各節(jié)點(diǎn)的權(quán)重,即w的模值。

      圖5 嫌疑點(diǎn)之間的相關(guān)系數(shù)Fig. 5 Correlation coefficient between suspected buses

      圖6 貝葉斯優(yōu)化過程Fig. 6 Bayesian optimization

      根據(jù)圖5,A和D、B和F處的諧波電流的相關(guān)系數(shù)分別達(dá)到0.81和0.74,具有高度相關(guān)性,由其造成的病態(tài)問題較為嚴(yán)重且不容忽視。

      表1 4種方法對比Table 1 Comparison of four methods

      表2 4種方法得到的節(jié)點(diǎn)權(quán)重Table 2 Bus weights obtained by four methods

      為驗(yàn)證貝葉斯優(yōu)化調(diào)參的有效性,以0.02為步長計算了50組γ及對應(yīng)的性能值ρ(γ),并將其繪制于圖6中。首先,初始化3組參數(shù)組合γ1=(0,0.1),γ2=(0.4, 0.6),γ3=(0.8, 0.2),作為貝葉斯優(yōu)化過程的初始值。計算每一輪貝葉斯優(yōu)化得到的最佳觀測點(diǎn)對應(yīng)性能值與真實(shí)性能峰值的誤差并記錄于表3中。根據(jù)表3,經(jīng)過10輪貝葉斯優(yōu)化,最佳觀測點(diǎn)與真實(shí)性能峰值的誤差僅為1.02%;從圖6可以直觀看出,此時已經(jīng)得到與真實(shí)性能曲線ρ(γ)接近的參數(shù)組合γoptimal=(0.372, 0.628),以此作為彈性網(wǎng)絡(luò)回歸的參數(shù)進(jìn)行本次算例測試。

      表3 貝葉斯優(yōu)化誤差Table 3 Bayesian optimization error

      結(jié)合表1和表2,普通最小二乘回歸易受矩陣病態(tài)和異常值的影響,回歸結(jié)果的均方誤差和可決系數(shù)均不理想。M估計穩(wěn)健回歸則可以減弱異常量測電流值的影響,相比于普通最小二乘回歸方法,其估計精度可以得到有效提升,但該方法仍無法解決多重共線性問題。由于1范數(shù)和2范數(shù)的作用,嶺回歸和本文方法均可以規(guī)避矩陣病態(tài)問題。然而,通過表2可以看出,嶺回歸雖然將非諧波源D、E、F賦予較小權(quán)重,但是仍將其視作諧波源;而本文方法計算得到的D、E、F處的權(quán)重為0,符合實(shí)際情況,說明本文所提方法可以有效排除非諧波源的影響,也體現(xiàn)了1范數(shù)和2范數(shù)的組合形式的效果要優(yōu)于單一范數(shù)的效果。

      5 結(jié)論

      本文針對傳統(tǒng)諧波狀態(tài)估計方法在矩陣病態(tài)情況下難以使用最小二乘回歸法估計參數(shù)的問題,提出了基于彈性網(wǎng)絡(luò)回歸的諧波狀態(tài)估計方法,同時采用貝葉斯優(yōu)化方法提高了參數(shù)選擇的效率。

      本文方法采用1范數(shù)和2范數(shù)的組合式作為回歸方程的正則項(xiàng)有兩大優(yōu)勢:(1)加入范數(shù)正則項(xiàng)可以使回歸模型規(guī)避嫌疑點(diǎn)之間高度相關(guān)導(dǎo)致的矩陣病態(tài)問題;(2)1范數(shù)產(chǎn)生的稀疏性使得該方法可以有效地分離出非諧波源,去除其對諧波源責(zé)任劃分的影響,實(shí)現(xiàn)準(zhǔn)確的諧波責(zé)任劃分和諧波源定位。

      本文采用的彈性網(wǎng)絡(luò)回歸法屬于有偏估計,加入1范數(shù)和2范數(shù)以抵抗矩陣病態(tài)的同時,犧牲了一部分估計無偏性。今后的工作將在2方面做出改進(jìn):(1)盡可能尋求“無偏估計”和“抵抗病態(tài)”的平衡;(2)進(jìn)一步簡化調(diào)參過程。同時,后續(xù)研究將進(jìn)一步探索如何以稀疏模型求解諧波源定位的問題。

      猜你喜歡
      范數(shù)貝葉斯諧波
      基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
      矩陣酉不變范數(shù)H?lder不等式及其應(yīng)用
      貝葉斯公式及其應(yīng)用
      基于貝葉斯估計的軌道占用識別方法
      一種基于貝葉斯壓縮感知的說話人識別方法
      電子器件(2015年5期)2015-12-29 08:43:15
      虛擬諧波阻抗的并網(wǎng)逆變器諧波抑制方法
      基于ELM的電力系統(tǒng)諧波阻抗估計
      基于ICA和MI的諧波源識別研究
      電測與儀表(2015年8期)2015-04-09 11:50:00
      一類具有準(zhǔn)齊次核的Hilbert型奇異重積分算子的范數(shù)及應(yīng)用
      IIRCT下負(fù)二項(xiàng)分布參數(shù)多變點(diǎn)的貝葉斯估計
      玉溪市| 望江县| 吉安县| 龙门县| 株洲市| 凉山| 维西| 名山县| 沛县| 迁安市| 嵊泗县| 刚察县| 渝中区| 繁峙县| 莆田市| 平凉市| 乳山市| 汕头市| 喜德县| 大同市| 汉川市| 莱芜市| 利津县| 花莲市| 彭泽县| 富宁县| 于田县| 林西县| 衢州市| 长葛市| 通许县| 瑞昌市| 廉江市| 布尔津县| 西丰县| 南平市| 沂水县| 海宁市| 天台县| 岳阳县| 高碑店市|