综合负荷特性的分类与综合11.ppt

Company Logo LOGO 综合负荷特性的分类与综合方法 班级： 2012级硕士2班 学生： 本专题结构 2、综合负荷的分类方法 3、综合负荷的综合方法 4、综合负荷特性研究的总结与展望 1、综合负荷分类与综合的意义 1、研究背景及意义 1、提出背景：电力系统综合负荷具有地域分散、结构复杂、随机时变和非线性等特点,其模型的建立一直是公认的电力系统难题.大量研究表明,综合负荷具有一定的规律性,这是建立负荷模型的基础“目前,负荷建模研究已进入实用化阶段,在这一过程中将面临一个重要的问题,即是负荷特性的分类与综合”。 2、意义：负荷特性的分类与综合是解决负荷时变性问题也是解决负荷分散性、随机性问题和大区电网负荷建模中没有安装负荷特性记录装置负荷点的模型确定问题的有效途径只有形成正确的负荷特性的分类与综合方法,才能得到适合于实际工程要求的负荷模型 。为解决综合负荷的随机时变性和地域分散性带来的问题,负荷特性的分类与综合是目前解决这些问题的主要思想 1、定义 所谓负荷特性分类就是将不同负荷点或者不同时间段中负荷特征接近或相似的负荷归为一类 综合负荷的分类 神经网络聚类法 灰色关联聚类法 系统聚类法 模糊C均值聚类法 负荷特性的分类方法 (1)系统聚类法 系统聚类法又称为谱系数聚类法,其思想是:将模式样本按距离准则逐步聚类,类别由多到少,到满足合适的分类要求为止。 (2)模糊C均值聚类法 模糊C均值聚类算法是一种基于目标函数的模糊聚类算法,由硬C均值算法发展而来的“其思想是通过更新聚类模型原型模型和划分聚类优化目标函数,寻求最优的目标函数以结束算法。 (3)灰色关联聚类法 灰色系统理论,是一种研究少数据、贫信息不确定性问题的新方法“灰色系统理论以部分信息已知,部分信息未知的小样本、贫信息、不确定性系统为研究对象,主要通过对部分已知信息的生成、开发,提取有价值的信息,实现对系统运行行为!演化规律的正确描述和有效监控 (4)神经网络聚类法 神经网络聚类法按学习方式的不同可分为监督学习神经网络和非监督学习神经网络Kohonen神经网络是一种具有自组织特征映射能力的无教师学习网络,由输入和输出两层神经元组成 1、特征向量的选择 特征向量的选取，负荷特性分类中关键的一点是分类特征向量的选择,它必须能够反映具有一定构成的负荷的本质特征“满足这一条件的有: 负荷特性分类-----步骤 5）负荷实测响应 4）模型响应,即对标准电压激励下的模型响应 3）模型参数,即不同负荷在选定的模型下辨识得到的参数 2）负荷的时间特征,比如采集的年度!季节!工作日类型等 1)负荷构成成分,即对应的综合负荷的用电设备构成比例 采用负荷的实测响应作为特征向量进行分类,更加方便!更有利于分类的准确性！ 1、负荷特性分类-----系统聚类法 聚类研究中, Ward法因其具有概念清晰、原理简单、聚类效果好等特点得到较多应用。这种方法的基本思想来源于方差分析。即每次缩小一类, 每缩小一类, 离差平方和就要增大, 选择使方差增加最小的两类合并。从而使同类样本的离差平方和较小, 而不同类之间的离差平方和较大。依次计算样本变电站负荷特性数据之间的距离, 然后将最近距离的类聚为一类; 再计算新类间的距离, 然后再将最近距离的类聚为一类; 直至全部聚为一类。 2、负荷特性分类-------模糊 C 均值聚类算法 从方法的实现上看，模糊聚类分析方法一般可分为以下类型：谱系数聚类方法、基于等价关系的聚类方法和基于目标函数的聚类方法。在实际应用中，当待分类的样本点较多时，谱系数法计算量较大，计算较复杂，要得到完整的谱系图往往要花费较长时间；而基于等价关系的聚类方法当加入新样本后，存在前后聚类结果一致性较差的缺点。因此，模糊聚类分析中受到普遍欢迎的是基于目标函数的模糊聚类方法,这种方法设计简单，应用广泛，它把聚类分析问题转化为带约束的非线性规划问题，引入经典数学的非线性规划理论，优化求解进行聚类问题分析。 基于目标函数的聚类方法中，FCM算法是应用最广、理论研究非常完善的一种聚类算法，FCM算法是普通C均值聚类算法的改进，它是一种柔性的模糊划分。其思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。 3、负荷特性分类----基于SOM神经网络的变电站负荷特性分类与综合方法 SOM网络具有拓扑结构保持!概率分布保持!无导师学习及可视化等特点,己被广一泛应用于模式识别和分类聚类中。SOM神经网络是一种自组织竞争神经网络,能够对输入模式进行自动聚类,获得各类的聚类中心,并能对新的输入模式进行判别“。因此将SOM神经网络用于变电站负荷特性的分类与综合 “SOM神经网络是由荷兰学者TeuvoK