负荷特性聚类与负荷模型辨识研究

摘要

负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合Ward系统聚类法(Ward法)与模糊C均值聚类法(FCM法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网220KV变电站负荷特性数据聚类研究之中。一次聚类应用Ward法，将聚类结果作为FCM法的初始参数；二次聚类应用FCM法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对BP神经网络模型进行改进优化，构造了一种GA-BP模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将GA-BP网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进BP网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊C均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP模型具有遗传算法全局搜索特性，克服了单一的BP神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的GA-BP模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景及研究意义

1.2国内外负荷建模的发展和研究现状

1.2.1国内外负荷建模的发展

1.2.2负荷模型的结构与分类

1.2.3负荷模型的参数辨识方法

1.2.4实用化负荷建模方法研究

1.3本文的研究内容

第二章负荷特性聚类研究

2.1聚类分析引入的意义及理论依据

2.2聚类方法介绍

2.2.1模糊C均值聚类

2.2.2系统聚类法

2.2.3基于等价关系的聚类方法

2.2.4灰色关联度聚类法

2.3二次聚类思路

2.4负荷特性二次聚类实例

2.4.1聚类实例

2.4.2结果分析与讨论

2.5小结

第三章神经网络与遗传算法理论基础

3.1人工神经网络概述

3.1.1人工神经网络的发展史

3.1.2人工神经网络的特点

3.1.3人工神经网络的构成

3.2 BP神经网络概述

3.2.1 BP神经网络的定义

3.2.2 BP网络的正向传播

3.2.3 BP网络的反向传播

3.3 BP学习算法的不足和改进

3.3.1 BP算法的不足

3.3.2 BP学习算法的改进

3.4遗传算法

3.4.1遗传算法的原理和特点

3.4.3遗传算法的设计及运行参数

3.4.3遗传算法的实现步骤

3.5小结

第四章基于实数编码的遗传算法优化BP神经网络的负荷建模

4.1人工神经网络在负荷建模中的应用

4.2基于实数编码的遗传算法对BP神经网络优化

4.2.1 BP网络与非机理负荷模型

4.2.2 BP网络的结构设计

4.2.3基于实数编码的GA-BP算法的实现过程及参数设置

4.3仿真实例及结果分析

4.3.1仿真实例

4.3.2结果分析

4.4 GA-BP负荷模型分析与讨论

4.5小结

总结与展望

参考文献

致 谢

附录A攻读学位期间发表的论文情况