Resumen

Con el fin de mejorar la precisin del clculo terico de las prdidas de energa en el rea de distribucin de baja tensin (rea BT), este artculo propone un nuevo mtodo de prediccin basado en la descomposicin modal variacional (VMD) y la optimizacin de enjambre de partculas (PSO) mediante la mquina de vectores soporte de mnimos cuadrados (LSSVM). En primer lugar, los principales factores que influyen en el clculo de la prdida de energa en el rea de baja tensin se determinan mediante el mtodo de correlacin gris, que refleja la caracterstica del mtodo basada en los datos y garantiza la objetividad de los resultados de la prediccin y la generalizacin del modelo de clculo. En segundo lugar, el componente de tendencia y el componente de fluctuacin se obtienen mediante VMD de series diarias de prdida de energa en el rea de BT. El conjunto de variables de los principales factores que influyen en las prdidas de energa se utiliza como variable de entrada del LSSVM, y el resultado VMD de la secuencia de prdidas de energa se utiliza como salida. Se establece el modelo terico de formacin y clculo de las prdidas de energa de la zona de baja tensin. En comparacin con el modelo de clculo tradicional, este modelo tiene una precisin de clculo ms exacta al tener en cuenta las caractersticas de frecuencia de las prdidas de energa en diferentes bandas de frecuencia. Se utiliza PSO para optimizar los parmetros de LSSVM con el fin de mejorar su precisin. Por ltimo, se presenta un ejemplo de 252 zonas de BT en una ciudad del norte de China para verificar la validez del mtodo propuesto. Los resultados indican que el mtodo propuesto genera resultados ms precisos.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Mejora; Cálculo teórico de pérdidas de energía; área de distribución de baja tensión; área de BT; Método de predicción; Descomposición modal variacional; VMD; Optimización de enjambre de partículas; PSO; Máquina de vectores de soporte de mínimos cuadrados; LSSVM; Factores de influencia; Método de correlación gris; Basado en datos; Componente de tendencia; Componente de fluctuación; Series diarias de pérdidas de energía; Variable de entrada; Salida; Modelo de formación; Modelo de cálculo; Características de frecuencia; Bandas de frecuencia; Optimización; Parámetros; Precisión; Ejemplo; Norte de China; Validez.
• Keywords:Improvement; Theoretical energy loss calculation; Low voltage distribution area; LV-area; Prediction method; Variational mode decomposition; VMD; Particle swarm optimization; PSO; Least squares support vector machine; LSSVM; Influencing factors; Grey correlation method; Data-driven; Trend component; Fluctuation component; Daily energy loss series; Input variable; Output; Training model; Calculation model; Frequency characteristics; Frequency bands; Optimization; Parameters; Accuracy; Example; Northern China; Validity.