1、电力系统及其自动化专业毕业论文 精品论文 负荷特性聚类与负荷模型辨识研究关键词：负荷分析 负荷模型 聚类分析法 负荷模型辨识 变电站摘要：负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用 FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(
2、GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能
3、力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。正文内容负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用 FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特
4、性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，
5、同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变
6、电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单
7、一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用F
8、CM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-
9、BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结
10、果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性
11、聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研
12、究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的
13、共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区
14、域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的
15、敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文
16、提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二
17、次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模
18、糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网
19、络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类与综合是进行负荷模型实用化研究的首要问题。结
20、合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最后，将 GA-BP 网络模型应用到基于实测数
21、据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作深入开展提供了一定的参考价值。负荷特性的分类
22、与综合是进行负荷模型实用化研究的首要问题。结合 Ward 系统聚类法(Ward 法)与模糊 C 均值聚类法(FCM 法)的特点，本文提出了一种二次聚类的思路，并将其应用于湖南区域电网 220KV 变电站负荷特性数据聚类研究之中。一次聚类应用 Ward 法，将聚类结果作为 FCM 法的初始参数；二次聚类应用FCM 法。以聚类结果作为安装测辨装置的典型变电站选择依据，并由此获取模型辨识所需的负荷特性实测数据。在此基础上，本文采用实数编码的遗传算法(GA)对 BP 神经网络模型进行改进优化，构造了一种 GA-BP 模型。用遗传算法来代替学习神经网络的权重，将模型的输出与期望输出作为评估个体适应度。最
23、后，将 GA-BP 网络模型应用到基于实测数据的负荷建模研究当中，并与传统改进 BP 网络模型进行了仿真对比分析。 聚类结果表明：二次聚类方法克服了模糊 C 均值法对初始参数的敏感的缺点，能更客观、更准确地提取同类负荷的共同本质特征，从而在一定程度上解决了负荷特性聚类的随机性和主观性。 建模仿真表明：GA-BP 模型具有遗传算法全局搜索特性，克服了单一的 BP 神经网络易陷入局部极小值的弊端，同时具有学习速度快、较高的辨识精度和较强的内插外推能力等特点，更适合描述电力系统动态综合负荷的非线性特征。建立典型的 GA-BP 模型易于推广得出其他负荷节点的模型，本文所作的研究为实用化综合负荷建模工作
24、深入开展提供了一定的参考价值。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍
