本文關(guān)鍵詞：基于分類多模型融合的分布式電網(wǎng)孤島檢測技術(shù)，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著環(huán)境問題日益嚴(yán)重以及化石能源的不斷減少,可再生能源的開發(fā)使用受到了越來越多的重視。由于分布式發(fā)電系統(tǒng)利用本地可再生能源進(jìn)行發(fā)電,具有經(jīng)濟(jì)高效,供電可靠,清潔環(huán)保的特點(diǎn),因而成為了電力系統(tǒng)研究和發(fā)展的熱點(diǎn)。孤島效應(yīng)是分布式發(fā)電系統(tǒng)的關(guān)鍵問題�？焖儆行У墓聧u檢測技術(shù)為系統(tǒng)的穩(wěn)定安全運(yùn)行提供了有力的保證。本課題的研究內(nèi)容是探求有效的孤島檢測技術(shù),在電力系統(tǒng)領(lǐng)域具有重要的意義和運(yùn)用價值。本文主要工作包括以下三方面：(1)基于系統(tǒng)辨識和小波分析,分別從系統(tǒng)的外部結(jié)構(gòu)和信號本身進(jìn)行特征提取,包括系統(tǒng)結(jié)構(gòu)參數(shù)、小波奇異熵和局部能量特征,同時獲取穩(wěn)態(tài)常規(guī)特征。然后采用機(jī)器學(xué)習(xí)中邏輯回歸、支持向量機(jī)、隨機(jī)森林和Adaboost對相應(yīng)的采樣數(shù)據(jù)進(jìn)行訓(xùn)練,得到對應(yīng)的孤島檢測分類器。(2)基于組合模型,建立多層次、多分類器、多狀態(tài)的孤島檢測系統(tǒng)。(3)建立仿真平臺,對文章中提出的孤島檢測算法進(jìn)行驗證。本文的創(chuàng)新點(diǎn)包括以下三點(diǎn)：(1)提出一種基于系統(tǒng)辨識的孤島檢測方法。(2)將fisher準(zhǔn)則與序列浮動后向選擇相結(jié)合進(jìn)行特征優(yōu)選。(3)考慮系統(tǒng)多種運(yùn)行模式,提出一種多層次動態(tài)權(quán)重投票組合模型的孤島檢測系統(tǒng)。這三個創(chuàng)新點(diǎn)在孤島檢測的運(yùn)用中發(fā)揮著積極的作用,有助于提高了檢測算法的性能。
【關(guān)鍵詞】：分布式發(fā)電系統(tǒng) 孤島檢測 特征提取 機(jī)器學(xué)習(xí) 組合模型
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM727
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-15
• 第一章 緒論15-31
• 1.1 研究背景與意義15-18
• 1.1.1 分布式發(fā)電系統(tǒng)15-17
• 1.1.2 國內(nèi)外發(fā)展現(xiàn)狀17-18
• 1.1.3 分布式發(fā)電系統(tǒng)的前景18
• 1.2 孤島檢測的意義18-21
• 1.2.1 孤島效應(yīng)18-20
• 1.2.2 孤島檢測標(biāo)準(zhǔn)20-21
• 1.3 孤島檢測技術(shù)現(xiàn)狀21-29
• 1.3.1 被動檢測法22-23
• 1.3.2 主動檢測法23-25
• 1.3.3 遠(yuǎn)程檢測法25-26
• 1.3.4 孤島檢測技術(shù)的挑戰(zhàn)26
• 1.3.5 孤島檢測盲區(qū)分析26-29
• 1.4 本文主要研究內(nèi)容29-31
• 第二章 基于系統(tǒng)辨識的孤島檢測技術(shù)31-46
• 2.1 辨識模型的建立31-33
• 2.2 最小二乘系統(tǒng)辨識33-36
• 2.2.1 系統(tǒng)辨識方法簡述33
• 2.2.2 最小二乘法33-34
• 2.2.3 帶遺忘因子遞推最小二乘法34-36
• 2.3 諧波量模型估計36-38
• 2.4 邏輯回歸分類器38-40
• 2.5 仿真建模和硬件平臺驗證40-45
• 2.5.1 平臺設(shè)計40-41
• 2.5.2 軟件仿真平臺41-42
• 2.5.3 硬件仿真平臺42-43
• 2.5.4 模型建立43
• 2.5.5 實驗結(jié)果43-45
• 2.6 本章小結(jié)45-46
• 第三章 基于小波分析的孤島檢測技術(shù)46-74
• 3.1 小波分析原理46-48
• 3.1.1 小波分析基本原理46-47
• 3.1.2 小波變換47-48
• 3.2 基于小波分析的電網(wǎng)特征提取48-53
• 3.2.1 多分辨率分析和Mallat算法48-49
• 3.2.2 小波包分析49-50
• 3.2.3 小波包局部能量特征50-52
• 3.2.4 多分辨率分析與小波包奇異熵52-53
• 3.3 關(guān)鍵特征值提取53-55
• 3.3.1 特征優(yōu)選的意義53-54
• 3.3.2 Fisher準(zhǔn)則與序列浮動后向選擇法54-55
• 3.4 決策樹組合模型55-58
• 3.4.1 決策樹55-56
• 3.4.2 隨機(jī)森林分類器56-57
• 3.4.3 Adaboost分類器57-58
• 3.5 仿真建模與實驗分析58-73
• 3.5.1 平臺設(shè)計58-61
• 3.5.2 實驗分析61-66
• 3.5.3 特征提取66-69
• 3.5.4 模型建立69-72
• 3.5.5 實驗結(jié)果72-73
• 3.6 本章小結(jié)73-74
• 第四章 基于組合模型的孤島檢測技術(shù)74-88
• 4.1 非平衡狀態(tài)孤島檢測74-77
• 4.1.1 支持向量機(jī)74-76
• 4.1.2 常規(guī)特征選取76-77
• 4.2 組合模型的應(yīng)用77-81
• 4.2.1 組合模型的優(yōu)勢77
• 4.2.2 組合模型的類型77-78
• 4.2.3 多層次動態(tài)權(quán)重投票模式78-81
• 4.3 仿真建模與實驗分析81-86
• 4.3.1 平臺設(shè)計81-82
• 4.3.2 模型建立82-84
• 4.3.3 實驗結(jié)果84-86
• 4.4 本章小結(jié)86-88
• 第五章 總結(jié)與展望88-90
• 5.1 總結(jié)88-89
• 5.2 展望89-90
• 參考文獻(xiàn)90-97
• 作者簡介97-98
• 攻讀學(xué)位期間發(fā)表的論文成果98

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張沛超;譚嘯風(fēng);楊s铞，

本文編號：295505