统计测辨法综合负荷建模研究

论文摘要

综合负荷模型是决定仿真研究结果可信赖程度的关键因素之一。因此负荷建模是电力系统重要的基础性课题。由于综合负荷自身的随机时变性、地域分散性、成分多样性、严重非线性等特点,建立完全精确的数学模型是十分困难的工作。正是由于负荷模型的重要性和复杂性,负荷建模正成为电力系统仿真分析领域的具有挑战性的研究方向,引起了电力工程界与学术界的广泛关注。论文围绕静态模型参数辨识和行业特性分析、建模用户精选和变电站特性综合、实测建模数据特征提取、神经网络负荷模型及其综合能力开展研究,主要内容包括:1、在分析传统优化算法应用于负荷模型参数辨识的主要缺陷的基础上,提出了基于二次规划的Lemke优化算法的负荷静态模型参数辨识的新方法。通过对电力负荷元件及其组合进行的静态故障模拟,对实验故障数据进行负荷建模和参数辨识,辨识结果证实了该方法的正确性和有效性。基于统计综合法负荷建模的基本原理,结合实际系统的建模实践,提出了一套基于统计综合法负荷建模的系统方法,通过统计综合的方法从而确定行业的综合负荷幂函数特性。2、基于统计综合法负荷建模的基本原理,提出在统计综合法负荷建模的第一个层次,即用户特性调查阶段,对于用电行业的典型用户,在初步专家筛选的前提下进行负荷结构特性调查,在对调查数据进行分析处理的基础上,提出了基于模糊等价关系和模糊C均值算法的两种分类方法进行行业典型用户的精选,为准确筛选行业典型用户从而建立各行业的综合负荷特性提供了新的方法。通过纺织行业用户精选为例,论证该方法的可行性和有效性。3、对湖南电网的变电站负荷特性进行了分类与综合。其思路是在对变电站静态负荷构成特性参数标准化的基础上,以此为负荷特性分类和综合的特征向量,应用所提的两种分类算法,对某电网枢纽变电站进行了聚类分析。在负荷特性调查数据的基础上,利用综合处理的方法得出了湖南电网48个220kV变电站3种不同运行方式下感应电动机负荷和恒定阻抗负荷的实际比例。4、根据随机理论思想,把负荷建模的实测输出数据看成随机扰动电压的响应,基于小波包的分解和重构理论,对实测建模电流信号进行3层小波包分解,用Wprcoef函数对小波分解系数进行重构,准确提取和构造了负荷实测扰动建模数据的能量特征向量。在特征向量归一化的基础上,利用减法聚类的模糊算法对特征向量进行分类处理,获得了理想的分类结果。5、提出一种基于减法聚类的模糊神经网络的负荷建模新方法。首先对建模样本输入输出数据进行特征分析,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数。通过神经网络对推理数据进行学习,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模。在此基础上,对模糊神经网络负荷模型的综合能力进行验证。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 负荷建模的重要意义
• 1.1.1 负荷模型对潮流计算的影响
• 1.1.2 负荷模型对小扰动稳定计算的影响
• 1.1.3 负荷模型对暂态稳定计算的影响
• 1.1.4 负荷模型对电压稳定计算的影响
• 1.1.5 负荷模型对继电保护的影响
• 1.2 综合负荷建模方法
• 1.3 综合负荷的模型结构
• 1.3.1 静态负荷模型
• 1.3.2 动态负荷模型
• 1.3.3 负荷输入输出模型
• 1.4 模型参数的辨识和分散性
• 1.4.1 参数的辨识
• 1.4.2 参数的分散性
• 1.5 负荷建模与电压稳定
• 1.6 综合负荷模型的分类与综合
• 1.7 负荷模型的评价与验证
• 1.8 特殊元件和行业的建模
• 1.9 负荷建模研究的方向
• 1.10 本论文主要工作
• 第2章 静态负荷模型的参数辨识和行业特性分析
• 2.1 引言
• 2.2 综合负荷的静态模型
• 2.2.1 多项式模型
• 2.2.2 幂函数模型
• 2.2.3 混合模型
• 2.3 传统的静态模型参数辨识
• 2.3.1 最小二乘法原理
• 2.3.2 动态系统的最小二乘法原理
• 2.3.3 传统的静态负荷参数辨识方法
• 2.4 基于Lemke算法静态负荷参数辨识
• 2.4.1 基于Lemke优化算法
• 2.4.2 辨识原理
• 2.5 建模实例和结果分析
• 2.5.1 实验数据的获取
• 2.5.2 辨识结果
• 2.5.3 分析与讨论
• 2.6 基于统计综合的行业负荷静态特征参数研究
• 2.6.1 基于统计综合的行业负荷建模原理
• 2.6.2 感应异步电动机的静态特征系数
• 2.7 基于统计综合的用电行业静态建模方法
• 2.7.1 选择用电行业用户
• 2.7.2 行业用户的设备比例计算
• 2.7.3 行业综合用户负荷特性参数的计算
• 2.8 建模实例与讨论
• 2.8.1 建模结果
• 2.8.2 讨论
• 2.8.3 基于元件的负荷建模平台的实现
• 2.9 本章小结
• 第3章 负荷建模行业用户精选和变电站分类与综合
• 3.1 引言
• 3.2 统计综合法负荷建模的基本思路
• 3.3 行业典型用户的选取
• 3.4 模糊聚类分析理论
• 3.4.1 基于等价关系的负荷特性模糊聚类
• 3.4.2 基于模糊C均值算法的负荷特性聚类
• 3.5 聚类精选的实例
• 3.5.1 聚类典型用户的负荷组成
• 3.5.2 直接聚类的典型用户精选
• 3.5.3 FCM聚类的典型用户精选
• 3.5.4 聚类结果分析
• 3.6 变电站的分类与综合的意义
• 3.7 变电站的分类与综合实例
• 3.7.1 变电站的负荷组成
• 3.7.2 基于等价关系的模糊聚类结果
• 3.7.3 模糊C均值聚类结果
• 3.7.4 分析
• 3.8 基于统计综合的变电站动静态比例研究
• 3.8.1 研究背景
• 3.8.2 调查的思路和方案
• 3.8.3 关键问题
• 3.8.4 统计原则与结论
• 3.9 本章小结
• 第4章 负荷建模实测数据特征提取与分类
• 4.1 引言
• 4.2 小波变换的理论
• 4.2.1 连续小波变换
• 4.2.2 离散小波变换
• 4.3 小波包算法及其函数
• 4.3.1 小波函数db1
• 4.3.2 小波包算法
• 4.3.3 小波包的分解函数
• 4.3.4 小波包的重构函数
• 4.4 基于小波包的负荷建模数据的特征提取
• 4.5 基于减法聚类的负荷特征分类
• 4.6 建模数据特征提取与分类
• 4.6.1 动模实验室数据的特征提取与分类
• 4.6.2 变电站实测建模数据的特征提取和分类
• 4.7 分析与讨论
• 4.8 本章小结
• 第5章 模糊神经网络综合负荷建模及其综合能力
• 5.1 引言
• 5.2 模糊逻辑与神经网络
• 5.3 BP神经网络的基本理论
• 5.3.1 BP神经网络模型
• 5.3.2 BP神经网络辨识过程
• 5.4 模糊神经网络的负荷建模理论
• 5.4.1 综合负荷模糊神经网络模型
• 5.4.2 综合负荷模糊神经网络模型的参数辨识
• 5.4.3 构造模糊神经网络的综合负荷模型
• 5.5 负荷建模的减法聚类和神经网络的学习
• 5.5.1 确定初始结构的减法聚类
• 5.5.2 神经网路学习算法
• 5.5.3 基于模糊神经网络负荷模型的参数辨识
• 5.6 建模实例与讨论
• 5.6.1 建模实例
• 5.6.2 分析与讨论
• 5.7 模型的综合描述能力研究
• 5.7.1 负荷模型内插外推的意义
• 5.7.2 模型内插外推能力验证实例
• 5.7.3 分析与讨论
• 5.8 本章小结
• 第6章 结论与展望
• 6.1 本文研究的主要工作
• 6.2 后续工作的展望
• 参考文献
• 致谢
• 附录A 攻读博士期间发表的论文
• 附录B 攻读博士期间参与的科研