王成亮，王琳，王宏华*，杨庆胜

( 1.江苏方天电力技术有限公司， 南京 211102； 2.河海大学 能源与电气学院， 南京 211100)

0 引言

因电力系统的复杂化和电网结构不断地变化，要求动态无功补偿装置能够在系统故障时具有瞬时无功支撑特性，同步调相机独有的无功输出特性满足电网动态无功要求。开展同步调相机无功支持能力建模研究对含同步调相机的高压直流输电系统换流站无功控制具有重要的理论意义和实用价值。

针对同步调相机无功支持能力问题的研究，已有的研究方法有数学解析模型计算法和试验结果拟合法。其中，解析计算法一般基于同步电抗不饱和等假定，进行同步调相机解析建模，存在计算量大、精度低等局限；试验结果拟合法基于试验结果，采用最小二乘法等方法拟合试验结果各量值之间的曲线，因试验数据有限，拟合精度低，而且传统最小二乘之类的拟合对曲线外的未知数据的表述能力较差。因此，有必要研究同步调相机无功出力建模的新方法。

人工神经网络(artifical neural network, ANN)在复杂非线性系统建模方面具有较大潜力，在大型同步发电机进相能力建模方面已有成功应用[1]。支持向量机(support vector machine, SVM)和多层感知器网络和径向基函数网络一样，可用于模式分类和非线性回归[2]，但SVM为具有稳固理论基础的小样本学习方法，其克服了ANN易陷入局部极小、泛化能力有限等局限，故在机器学习领域已成为新的研究热点。

对SVM研究主要围绕其在非线性分类模型中的应用和其算法的改进展开，其中，应用粒子群优化(particle swarm optimization, PSO)SVM的研究近年来受到重视。……