电力系统负荷统计学特性的研究

论文摘要

一直以来电力系统负荷建模的研究者都希望建立既能充分反映负荷物理特性又便于工程应用的负荷模型。随着负荷特性记录和测辨仪器的推广应用,大量现场实测数据被记录用于负荷动特性的研究,为建立准确的负荷模型提供了充足的动态数据。为了挖掘实测数据的未知信息,本文利用综合优化算法程序对综合负荷模型进行辨识,然后分析了负荷动态综合模型参数的统计学特性。一方面利用经典统计学在模型参数空间从数据挖掘角度来研究负荷的统计规律;另一方面,利用统计学习理论对能代表负荷特性的支持向量进行分析,建立了其与负荷物理属性的联系,揭示了支持向量能有效表征负荷样本空间的原因。本文还提出了一种基于模式识别、数据过滤的建模方法,由于此法在建模过程中充分考虑了模型在不同电压扰动下的结果,因而所建模型具有良好的泛化能力。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 电力系统负荷建模的重要意义
• 1.3 电力系统负荷建模的研究和应用现状
• 1.4 本文所做的工作
• 第二章 动态负荷模型参数的经典统计学特性分析
• 2.1 引言
• 2.2 综合负荷模型
• 2.2.1 改进的综合负荷模型结构
• 2.2.2 综合负荷模型参数辨识
• 2.3 负荷的经典统计学特性分析
• 2.3.1 负荷特征参数分布的统计方法
• 2.3.2 负荷模型参数的统计学特性分析
• 2.4 负荷模型参数多值性分析
• 2.5 小结
• 第三章 基于支持向量机的负荷统计学特性分析
• 3.1 现代统计学习理论的引入
• 3.2 支持向量机应用于负荷建模
• 3.2.1 支持向量机理论基础
• 3.2.2 支持向量机负荷建模实践
• 3.3 基于支持向量的负荷特性分析
• 第四章 实测负荷建模方法研究
• 4.1 模型响应空间的数据过滤
• 4.1.1 基于模式识别的负荷模型特征向量的确定
• 4.1.2 负荷参数样本过滤
• 4.2 不同电压激励下的数据过滤
• 4.2.1 聚类分析及其方法简介
• 4.2.2 聚类实现不同电压激励下的数据过滤
• 4.3 模型的泛化能力
• 4.3.1 仿真准确性评估
• 4.3.2 模型泛化能力检验
• 4.4 实例分析
• 第五章 结论
• 参考文献
• 致谢
• 在学期间发表的学术论文