發(fā)布時(shí)間：2018-05-25 22:42

  本文選題：粗糙集理論 + 最小二乘支持向量機(jī)　； 參考：《華北電力大學(xué)》2017年碩士論文

【摘要】：隨著中國經(jīng)濟(jì)快速的增長,電力系統(tǒng)也在不斷的發(fā)展,電網(wǎng)正向著遠(yuǎn)距離、特高壓方向發(fā)展,運(yùn)行中的電力系統(tǒng)規(guī)模將會變得更加龐大、物理變化過程也會更為復(fù)雜。在環(huán)境保護(hù)和經(jīng)濟(jì)可持續(xù)發(fā)展的壓力下,電網(wǎng)的安全運(yùn)行將面臨更加嚴(yán)峻的考驗(yàn)。由于廣域測量系統(tǒng)和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展,利用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法進(jìn)行電力系統(tǒng)暫態(tài)穩(wěn)定評估得以實(shí)現(xiàn)。本文將分別采用兩種方法對電力系統(tǒng)進(jìn)行暫態(tài)穩(wěn)定評估,主要做了如下工作:(1)本文利用仿真軟件進(jìn)行仿真運(yùn)算,采集故障數(shù)據(jù),并編寫特征量采樣程序得到暫態(tài)穩(wěn)定評估的原始樣本集。在此基礎(chǔ)之上,運(yùn)用粗糙集理論對暫態(tài)穩(wěn)定特征量進(jìn)行屬性約簡,減少特征量的維數(shù);然后以最小二乘支持向量機(jī)作為分類器,得到了良好的分類效果,并最后通過算例驗(yàn)證了所提方法的有效性。(2)考慮到故障特征與故障本身屬性關(guān)系緊密,且還有人工參與因素,很大程度上增加了提取與優(yōu)化的不確定性,也增加了分類器分類識別的難度,降低了機(jī)器學(xué)習(xí)的智能性。本文將深度學(xué)習(xí)的概念引入,并選擇其中的深度信念網(wǎng)絡(luò)應(yīng)用于電力系統(tǒng)的暫態(tài)穩(wěn)定評估中。深度信念網(wǎng)絡(luò)是一種通過組合低層特征形成更高層抽象表示,并發(fā)現(xiàn)數(shù)據(jù)分布式特征表示的學(xué)習(xí)網(wǎng)絡(luò),本文根據(jù)它的特點(diǎn),提出直接從原始樣本集出發(fā)對故障后的狀態(tài)進(jìn)行分類的新方法,并通過算例驗(yàn)證了所提方法的有效性。(3)隨著接入的風(fēng)電容量不斷增大,電力系統(tǒng)的穩(wěn)定性將會發(fā)生改變。發(fā)電機(jī)轉(zhuǎn)子角能夠直接反映系統(tǒng)的暫態(tài)穩(wěn)定性,本文將故障切除前的轉(zhuǎn)子角軌跡特征作為深度信念網(wǎng)絡(luò)的輸入,對電力系統(tǒng)暫態(tài)過程中的發(fā)電機(jī)轉(zhuǎn)子角的變化趨勢進(jìn)行預(yù)測研究。
[Abstract]:With the rapid growth of Chinese economy and the continuous development of electric power system, the power grid is developing in the direction of long-distance and ultra-high voltage. The scale of power system will become larger and the process of physical change will be more complicated. Under the pressure of environmental protection and economic sustainable development, the safe operation of power grid will face more severe test. With the rapid development of wide-area measurement system and machine learning technology, power system transient stability assessment is realized by using data mining and machine learning methods. In this paper, two methods are used to evaluate the transient stability of power system. The main work is as follows: 1) in this paper, we use the simulation software to carry out the simulation operation and collect the fault data. The original sample set of transient stability assessment is obtained by programming characteristic sampling program. On this basis, using rough set theory to reduce the dimension of transient stability feature, and then using least square support vector machine as classifier, a good classification effect is obtained. Finally, an example is given to verify the effectiveness of the proposed method. (2) considering that the fault features are closely related to the attributes of the fault itself, and there are human participation factors, the uncertainty of extraction and optimization is greatly increased. It also increases the difficulty of classifier recognition and reduces the intelligence of machine learning. In this paper, the concept of deep learning is introduced, and the depth belief network is selected for power system transient stability evaluation. The deep belief network is a kind of learning network which forms a higher level abstract representation by combining the lower level features and finds the data distributed feature representation. A new method is proposed to classify the state of fault directly from the original sample set. The effectiveness of the proposed method is verified by an example. The stability of power system will change with the increasing of the wind capacity. The rotor angle of the generator can directly reflect the transient stability of the system. In this paper, the characteristics of the rotor angle trajectory before the fault removal are taken as the input of the depth belief network. The change trend of generator rotor angle during transient process of power system is predicted.
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM712

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 靳曉凌;代賢忠;張鈞;;國外2起重要停電事故分析及啟示[J];電力安全技術(shù);2016年07期

2 石鑫;朱永利;薩初日拉;王劉旺;孫崗;;基于深度信念網(wǎng)絡(luò)的電力變壓器故障分類建模[J];電力系統(tǒng)保護(hù)與控制;2016年01期

3 鄭毅;朱成璋;;基于深度信念網(wǎng)絡(luò)的PM_(2.5)預(yù)測[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2014年06期

4 肖同錄;趙增順;;基于深度信念網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J];電子世界;2014年10期

5 葉圣永;王曉茹;劉志剛;錢清泉;;基于支持向量機(jī)的暫態(tài)穩(wěn)定評估雙階段特征選擇[J];中國電機(jī)工程學(xué)報(bào);2010年31期

6 楊琦;張建華;李衛(wèi)國;;電力系統(tǒng)接入風(fēng)電場后的暫態(tài)穩(wěn)定分析[J];高電壓技術(shù);2009年08期

7 汪秀麗;;2008年南方雪災(zāi)反思-電力系統(tǒng)[J];水利電力科技;2008年02期

8 蔡莉;胡學(xué)鋼;;一種基于依賴度的決策表屬性約簡算法[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年01期

9 陳西穎;郭志忠;;基于模式識別的輸電能力特征數(shù)據(jù)提取方法[J];電網(wǎng)技術(shù);2008年01期

10 張慶寶;程浩忠;劉青山;鄭季偉;倪東海;;基于粗糙集屬性約簡算法和支持向量機(jī)的短期負(fù)荷預(yù)測[J];電網(wǎng)技術(shù);2006年08期

相關(guān)碩士學(xué)位論文 前7條

1 潘志剛;基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測研究及應(yīng)用[D];上海電機(jī)學(xué)院;2016年

2 馬宗帥;基于深度學(xué)習(xí)的心腦血管疾病預(yù)測方法研究[D];西安建筑科技大學(xué);2015年

3 單外平;基于深度信念網(wǎng)絡(luò)的變速器故障分類識別研究[D];華南理工大學(xué);2015年

4 胡曉楠;基于深度學(xué)習(xí)的氣體識別研究[D];電子科技大學(xué);2014年

5 劉菁;基于模糊理論與人工神經(jīng)網(wǎng)絡(luò)的暫態(tài)穩(wěn)定評估方法[D];上海交通大學(xué);2007年

6 曹旌;基于模式識別的電力系統(tǒng)暫態(tài)穩(wěn)定評估技術(shù)的研究[D];天津大學(xué);2005年

7 湯必強(qiáng);基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估[D];武漢大學(xué);2004年

，

本文編號：1934923