负荷动特性综合方法研究

针对如何建立同类负荷动特性的综合模型问题,提出了基于实测响应空间的负荷动特性直接综合方法.该方法首先应用重心法确定同一类负荷特性的聚类中心,再通过对聚类中心等效样本进行参数辨识,以得到的模型参数作为该类负荷特性的综合模型参数.通过对某一变电站现场采集的负荷特性数据进行综合建模,结果表明该方法正确有效,而且其实现比综合辨识建模以及参数加权平均综合建模更为简便.     

模糊C均值聚类在电力负荷建模中的应用研究

针对负荷建模中统计综合法研究薄弱的现状,在某省全电网大范围调研基础上,提出了基于模糊C均值算法的分类思想,并对调查的48个枢纽变电站和纺织行业典型用户的负荷特性进行了分类研究,得到其相应聚类中心矩阵,分析了聚类结果和聚类中心矩阵,得出了有意义的结论,表明该方法可以有效的进行变电站的聚类和综合以及典型行业用户的精选,解决了负荷建模中变电站特性分类处理和典型用户的精选的复杂性与主观性,对综合负荷建模具有重要的指导意义.该方法具有概念清晰,计算方便,算例论证了其正确性和有效性.     

基于混合聚类方法的电力系统负荷概率模型

针对利用k-均值聚类算法形成发电系统充裕度评估中的聚类负荷模型时存在的聚类中心初始值和聚类数难以确定的问题,提出根据负荷水平对充裕度指标的贡献度,将负荷曲线分成高贡献度、中等贡献度、低贡献度等分区,分别采用层次聚类、均值-标准差、随机法来选择各分区中聚类中心初始值;定义改进效率指标,将改进效率作为收敛条件确定聚类数.利用本文方法所得的聚类负荷模型,采用状态抽样法计算IEEE RTS79电力系统可靠性测试系统的发电系统充裕度指标.算例结果表明,同采用基于传统k-均值聚类方法的负荷模型结果相比,基于混合聚类方法得出的负荷模型的计算结果更精确,收敛速度更快.     

一种改进的T-S模糊模型建模及优化方法

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

基于目标函数的矩阵分解非线性系统模糊建模

提出了基于新的目标函数的模糊聚类建模方法．改进的模糊聚类方法把模糊模型结构辨识和参数辨识融为一体．首先,通过新的目标函数的最小化确定模糊模型的输入空间,即确定模糊规则和规则数、参数．然后对经模糊聚类得到的模糊前件推理矩阵进行QR分解,通过分析秩亏损确定重要的聚类规则．为了证明这种建模方法的性能,对非线性系统进行了仿真建模研究,仿真结果证明所提出方法是一种有效的、精确的模糊建模方法.     

一类污水处理过程水质多模型在线软测量方法

根据污水处理厂入水水质的特征参数进行工况区域分析,基于多模型方法建立了多工况下的水质软测量模型.其中局部模型由Hammerstein模型描述,采用误差反传类稳定学习算法学习非线性增益的多层感知器,采用递推最小二乘法学习线性部分ARX模型参数,根据样本与聚类中心之间的相近度在线修正聚类中心,基于软切换的多模型建模思路提出了出水水质COD的软测量方法.实验结果表明,在线修正聚类中心可反映工况点的动态变化;与实际运行数据进行了对比验证,表明多模型软测量方法具有较高的精度.     

电力系统负荷建模研究综述与展望

负荷建模研究是电力系统运行与控制中的基础性问题,既具有非常重要的理论意义,又具有 十分显著的实用价值。 在回顾已有负荷建模成果的基础上,归纳了负荷模型结构和模型参数的获 取方法,整理了负荷模型应用现状,并总结了现有负荷建模方法的不足;然后分析了负荷建模的发 展趋势,包括负荷特性重大变化对建模工作的新挑战、电网结构变化对建模工作的新需求和大数 据、人工智能快速发展带来的新机遇;最后将未来负荷建模工作总结为解决模型结构的“定性正 确冶和模型参数的“定量准确冶两步走问题,提出建立考虑主动负荷的广义综合负荷模型,并借助人 工智能技术,综合采用多种在线建模方法,构建“分类分时冶负荷模型数据库,建立负荷建模的长效 机制。     

结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明：所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.     

神经网络负荷模型的综合能力研究

针对电力电子设备综合负荷模型难以用机理模型描述的现状,构造了动态综合负荷的模糊神经网络模型.该模型具有模糊推理和神经网络的优点,能很好地逼近动态负荷的模型输出.通过对已知实测建模数据的训练,分析了模糊神经网络负荷模型的前件参数、结论参数的辨识策略,阐述了模糊隶属度和模糊规则的形成过程.对负荷构成相异的4组实测变电站负荷数据,用其中1组建模数据进行训练,得出模糊模型结构和参数,用该模型去拟合其他3组数据,对模糊神经网络负荷模型的综合能力进行验证.实例表明,该模糊神经网络负荷模型不仅具有很强的自描述能力和收敛性,而且具有良好的综合描述能力.     

一种带监督的仿射传播聚类多模型建模方法

针对传统的多模型建模方法在聚类过程中不考虑模型的输出误差而导致最终的模型存在较大误差的问题,提出了一种带监督的仿射传播聚类多模型建模方法.该方法先由仿射传播聚类算法得到初始聚类,然后,根据输出误差对聚类进行循环调整至各类别不再变化为止,最后,得到准确划分的聚类并采用最小二乘支持向量机建立子模型来实现对输出的估计,并将本文的建模方法应用到某双酚A反应釜出口丙酮含量的软测量建模中进行仿真.结果表明,该方法可以获得比传统的多模型建模方法更好的建模效果.