导读:本文包含了负荷动特性分类论文开题报告文献综述及选题提纲参考文献，主要关键词:动特性分类与综合,模糊C均值聚类,马尔柯夫-蒙特卡罗方法,隐马尔柯夫模型
负荷动特性分类论文文献综述
周光耀[1]（2016）在《负荷建模中的负荷特性分类与综合方法的研究》一文中研究指出数字仿真作为电网规划、设计、分析和控制的重要方式,而模型的精确程度对仿真的结果有重要影响。随着我国电力系统复杂程度越来越高,精确的负荷模型对提高电力系统数字仿真精度尤为重要。同时,电力系统中的负荷成分也不断地发生着改变,各种非线性负荷占比与日俱增,大量的分布式电源并入配电网,传统的经典负荷模型很难刻画这些完全不同的负荷特性,增加了描述负荷特性的复杂程度。因此,加强对负荷动态特性的研究,建立能够描述实际负荷动特性的精确负荷模型具有重要的理论价值和现实意义。本文对负荷动特性分类与综合进行了深入研究。具体内容如下：(1)对含有分布式电源的负荷分类进行研究。对负荷扰动数据利用提升小波包进行处理,分析能量矩及其在各频段上的分布,通过聚类算法进行负荷分类；仿真采用基于提升小波包的负荷聚类算法分析了带有主动负荷的典型IEEE-14节点配网,验证了方法的有效性。(2)在负荷动特性特征提取的基础上,提出了基于马尔柯夫-蒙特卡罗的负荷特性分类与综合方法。该方法先验证负荷序列在负荷类别间的变化具有马氏性；将所有负荷特征数据按时间平均分段,对每段数据基于最大似然建立马尔柯夫链的概率转移矩阵,依据矩阵相应的数字特征对时间段的负荷特征数据进行聚类,对聚类后的各类时间段负荷特征序列再建立总的概率矩阵；在全时段上利用序贯蒙特卡洛方法生成完整的负荷特征数据序列,采用隐马尔柯夫模型得到更为精确的负荷类别变化数据序列,进行分类与综合。(3)算例针对主动配网的负荷动特性的不同影响因素,设置了对比测试,并在一段时间内设置了负荷动特性的时变情况。算例对负荷动特性数据进行了特征提取与分类,结果表明聚类结果与各样本动特性的相似性趋势基本一致,验证了基于提升小波包能量分析的负荷聚类算法在负荷特性特征提取方面的有效性。仿真验证了基于马尔柯夫-蒙特卡罗的方法对负荷动态特性进行分类与综合的有效性。(本文来源于《山东大学》期刊2016-05-11）
赵国生,牛贞贞,刘永光,孙超亮[2]（2015）在《基于自适应模糊C均值聚类算法的电力负荷特性分类》一文中研究指出针对传统模糊C均值聚类算法(FCM)存在的缺点,提出了一种自适应FCM算法,该算法以类内距离MIA和类间距离MDC两个聚类结果评价指标为基础,把MDC和MIA的比值I作为自适应函数来确定FCM算法的聚类数目c;同时,根据模糊决策的方法,利用FCM算法的目标函数和划分熵来共同确定最优的模糊加权指数m的取值.结果表明:该算法不仅能够克服FCM算法无法自动确定聚类数目和模糊加权指数需要凭经验给出的缺点,而且得到的聚类结果是最优的,通过算例分析也证明了该算法的正确性和有效性.(本文来源于《郑州大学学报(工学版)》期刊2015年06期）
李美娜,郑小霞[3]（2015）在《基于模糊C-均值聚类的客户用电负荷特性分类》一文中研究指出掌握客户的用电负荷特性对建立准确的负荷模型、提高电力部门的经济效益有重要意义。本文采用模糊C-均值聚类(fuzzy C-means FCM)算法实现负荷特性的分类,针对FCM聚类时存在聚类数目难以确定的问题,提出基于聚类方法评价指标选取合适的聚类数目,以提高FCM算法的可靠性。最后,根据采集的实际负荷数据,通过FCM聚类后得到各类负荷特性曲线。结果表明,所提方法可以有效地区分不同负荷类型,得到较好的分类结果。(本文来源于《2015年全国智能电网用户端能源管理学术年会论文集》期刊2015-07-26）
王珂[4]（2014）在《基于自适应FCM和LVQ神经网络的负荷特性分类》一文中研究指出随着电网规模日益扩大,电力负荷特性越来越多样化,精确的负荷特性分类对电力系统十分重要。基于自适应FCM和LVQ神经网络算法,提出了一种负荷特性分类方法,采用基于有效性指标函数FCM算法,产生最佳聚类数目;根据聚类结果选择最靠近每类中心的样本作为LVQ神经网络聚类的训练样本,训练学习矢量量化神经网络;通过训练好的神经网络实现对所有负荷特性样本的分类。算例分析表明是有效的和优越的。(本文来源于《电气自动化》期刊2014年05期）
刘永光,孙超亮,牛贞贞,赵国生[5]（2014）在《改进型模糊C均值聚类算法的电力负荷特性分类技术研究》一文中研究指出模糊C均值聚类算法(FCM)是目前应用较多的电力负荷分类算法,但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题,针对这个问题,提出了先采用一种快速算法来确定负荷聚类数目和聚类中心,将得到的聚类中心和聚类数目作为FCM的初始输入,再用FCM对负荷进行分类的改进型FCM分类方法,以此减少聚类数目较多时大量的人工参与及分析工作,并通过实际算例分析验证了所提出的分类方法的正确性。(本文来源于《电测与仪表》期刊2014年18期）
黄毅成,杨洪耕[6]（2014）在《改进遗传K均值算法在负荷特性分类的应用》一文中研究指出负荷特性聚类是负荷建模的基础工作,精确的负荷特性分类对负荷建模十分重要。为适用于实际电网规划等对负荷分类精度要求更高的领域,针对负荷聚类时存在的聚类数目不确定、初始条件选择敏感的问题,提出了一种改进遗传算法的负荷特性分类新方法。该方法在遗传算法全局搜索能力的基础上,结合K均值聚类方法进行聚类分析,得到最优分类结果。同时,针对聚类中心敏感的问题,遗传算法中采用可变长编码方案进行优化,动态寻找最优聚类数目,确定最优聚类中心。实例分析结果表明,用改进遗传算法对负荷特性进行分类,能够有效避免初始条件对分类结果的影响,可以获得良好的分类效果。(本文来源于《电力系统及其自动化学报》期刊2014年07期）
卞绍润[7]（2014）在《负荷建模中的负荷特性分类及参数辨识研究》一文中研究指出电力系统建模是电力系统分析、规划设计、运行和控制等领域的共性科学问题和关键技术,而负荷建模则是电力系统建模中亟待解决的难题。建立能够反映负荷特性的准确负荷模型对电力系统仿真和安全稳定运行至关重要。为此,本文从负荷特性分类和参数辨识两个方面进行深入地研究。具体包括以下几个方面的工作：(1)对变电站负荷特性分类与综合进行深入研究。采用SOM神经网络对变电站负荷构成特征向量进行分类并根据分类结果选取典型变电站。在此基础上,对新增变电站的分类进行深入的研究,并对SOM神经网络分类的正确性、精确性分别进行了仿真分析和验证。(2)对负荷动特性分类进行研究。在对目前常用的负荷动特性特征向量进行分析的基础上,提出了基于提升小波包变换的负荷动特性特征提取方法。采用提升小波包变换对负荷实测扰动响应数据进行分解与重构,提取小波重构系数并构造能够反映负荷动特性的能量矩特征向量。通过对仿真数据和实测数据进行特征提取和分类测试,验证了提升小波包变换用于负荷动特性特征提取的有效性和合理性。通过与传统小波包变换的对比表明,提升小波包变换在计算速度和计算精度上的优势,提高了负荷动特性分类的准确性。(3)考虑到量子粒子群算法的全局搜索能力和混沌优化算法的局部搜索能力,将两种算法相结合用于负荷模型参数辨识。利用现场实测的故障录波数据,选取幂函数+差分方程负荷模型进行参数辨识,验证了所采用方法的有效性。通过与PSO算法和量子粒子群算法进行对比,验证了混沌量子粒子群算法具有收敛速度快、收敛精度高的优点。采用SOM神经网络进行变电站负荷特性分类,基于提升小波包变换的负荷动特性特征提取方法并用于负荷动特性分类,避免采用相同负荷模型或模型参数造成的仿真计算误差；将量子粒子群算法和混沌优化算法相结合用于负荷模型参数辨识,提高负荷模型参数辨识的精度；同时对于提高负荷模型的准确性研究具有重要的理论意义和应用价值。(本文来源于《山东大学》期刊2014-05-18）
严金花[8]（2013）在《基于SOM神经网络的负荷特性分类》一文中研究指出负荷模型对电力系统仿真结果有重要影响,由于负荷特性的辨识是负荷建模的主要方面之一,故提高负荷模型的准确度就需要对负荷特性分类进行研究。文章在详细分析SOM自组织映射神经网络结构的基础上,采用了基于SOM神经网络的负荷分类方法,以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对负荷特性进行分类,并对分类结果进行测试,结果表明该方法可有效地对负荷样本进行分类。(本文来源于《大众科技》期刊2013年12期）
高曦莹,张冶,扬爽,李广翱,蔡颖凯[9]（2013）在《典型电力用户用电负荷特性分类技术的研究》一文中研究指出由于分布式发电的特性及影响,在电力系统控制当中能否对负荷特性做出准确的预测讲变的十分关键.通过对电力系统负荷特性常用的聚类的方法如K-means、凝聚型层次聚类等深入的研究,针对这几种算法,利用国际IRIS、曲线聚类审定通用指标、实际的特性曲线聚类结果 3个算法进行了验证,从而总结出含有分布式电源的系统电力负荷曲线高兴率聚类算法.(本文来源于《沈阳工程学院学报(自然科学版)》期刊2013年04期）
李小芳[10]（2013）在《变电站负荷特性分类与综合负荷建模研究》一文中研究指出电力系统负荷建模一直以来都是电力系统分析领域一个世界性公认的难题。综合负荷模型对电力系统数字仿真及以此为依据的电力设计、规划与电力系统运行、调度等有至关重要的影响。过于保守或乐观的分析结果会给系统造成不必要的资源浪费或给系统安全稳定运行带来潜在的危险。本文在总结现有负荷建模理论与方法的基础上，针对模糊C均值聚类算法对初始控制参数依赖性强，容易收敛到局部最优的缺陷，提出一种改进模糊C均值聚类的变电站负荷特性分类方法。该方法通过均值漂移算法搜索特征空间中样本点最密集的区域，以此作为模糊C均值算法聚类中心初值进行聚类，克服了模糊C均值算法对初始控制参数的敏感性问题。将其应用到湖南电网48个220kV变电站负荷特性分类的研究中表明，该方法对初始控制参数的依赖程度低，对类中心的描述能力更强，分类效果优于模糊C均值聚类。数据来源不足一直以来都是制约负荷建模发展的重要原因，本文对故障录波器数据运用于负荷建模的可行性及其数据预处理的必要性进行了分析，对故障录波器数据预处理的流程及其相关算法进行了研究，通过数据的筛选、频率的规范化、谐波处理和基波正序分量的提取等预处理流程，得到了用于总体测辨法负荷建模的数据。针对目前电力负荷的动态特性越来越复杂，本文从非机理建模的角度出发提出一种适合于描述复杂电力负荷特性的广义动态模糊神经网络负荷建模方法。该方法以模糊完备性和系统误差作为参数调整依据，通过对模糊规则及输入变量的重要性进行评价，使模糊规则及输入变量宽度可按照其对模型输出的贡献大小进行自动调整，从而实现负荷模型结构和参数的同时辨识。建模实例分析表明，广义动态模糊神经网络负荷模型具有学习速度快，逼近效果好，泛化能力强等优点，适用于负荷模型结构未知的复杂电力负荷特性的描述。(本文来源于《湖南大学》期刊2013-04-30）
负荷动特性分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统模糊C均值聚类算法(FCM)存在的缺点,提出了一种自适应FCM算法,该算法以类内距离MIA和类间距离MDC两个聚类结果评价指标为基础,把MDC和MIA的比值I作为自适应函数来确定FCM算法的聚类数目c;同时,根据模糊决策的方法,利用FCM算法的目标函数和划分熵来共同确定最优的模糊加权指数m的取值.结果表明:该算法不仅能够克服FCM算法无法自动确定聚类数目和模糊加权指数需要凭经验给出的缺点,而且得到的聚类结果是最优的,通过算例分析也证明了该算法的正确性和有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
负荷动特性分类论文参考文献
[1].周光耀.负荷建模中的负荷特性分类与综合方法的研究[D].山东大学.2016
[2].赵国生,牛贞贞,刘永光,孙超亮.基于自适应模糊C均值聚类算法的电力负荷特性分类[J].郑州大学学报(工学版).2015
[3].李美娜,郑小霞.基于模糊C-均值聚类的客户用电负荷特性分类[C].2015年全国智能电网用户端能源管理学术年会论文集.2015
[4].王珂.基于自适应FCM和LVQ神经网络的负荷特性分类[J].电气自动化.2014
[5].刘永光,孙超亮,牛贞贞,赵国生.改进型模糊C均值聚类算法的电力负荷特性分类技术研究[J].电测与仪表.2014
[6].黄毅成,杨洪耕.改进遗传K均值算法在负荷特性分类的应用[J].电力系统及其自动化学报.2014
[7].卞绍润.负荷建模中的负荷特性分类及参数辨识研究[D].山东大学.2014
[8].严金花.基于SOM神经网络的负荷特性分类[J].大众科技.2013
[9].高曦莹,张冶,扬爽,李广翱,蔡颖凯.典型电力用户用电负荷特性分类技术的研究[J].沈阳工程学院学报(自然科学版).2013
[10].李小芳.变电站负荷特性分类与综合负荷建模研究[D].湖南大学.2013
标签：动特性分类与综合; 模糊C均值聚类; 马尔柯夫-蒙特卡罗方法; 隐马尔柯夫模型;