在當(dāng)今智能電網(wǎng)背景下,負(fù)荷分類是電網(wǎng)系統(tǒng)規(guī)劃、需求側(cè)管理、負(fù)荷預(yù)測(cè)等工作的重要基礎(chǔ)。針對(duì)由噪聲、帶有異常值數(shù)據(jù)導(dǎo)致負(fù)荷分類存在精確性不足的問題,本文利用變分模態(tài)分解（variational mode decomposition,VMD）具有不規(guī)則數(shù)據(jù)處理、降低噪聲、特征提取等優(yōu)點(diǎn),將其引入負(fù)荷數(shù)據(jù)分類分析,以提升用戶分類的有效性和精確性,為特性分析、負(fù)荷預(yù)測(cè)、調(diào)度等工作奠定理論基礎(chǔ)。本文的主要工作體現(xiàn)在:（1）分析電力負(fù)荷的特點(diǎn),綜述了負(fù)荷分類方法和研究現(xiàn)狀。（2）研究了變分模態(tài)分解算法相關(guān)理論,通過仿真分析其對(duì)混合信號(hào)分離、噪聲魯棒性的處理能力,揭示了VMD的優(yōu)越性。通過與經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)比分析,發(fā)現(xiàn)VMD對(duì)信號(hào)分解更有優(yōu)勢(shì),進(jìn)而驗(yàn)證變模態(tài)分解算法在負(fù)荷分類分析中的可行性。（3）針對(duì)k-means聚類結(jié)果精確性較低的問題,提出基于VMD和k-means的負(fù)荷分類方法。將原始數(shù)據(jù)進(jìn)行VMD分解,并得到1、2模態(tài)的k-means聚類結(jié)果。通過與原負(fù)荷數(shù)據(jù)直接進(jìn)行k-means聚類的結(jié)果進(jìn)行對(duì)比,實(shí)現(xiàn)對(duì)負(fù)荷分類更精確分類。驗(yàn)證所提方法的有效性。（4）針對(duì)電力負(fù)荷數(shù)據(jù)維度高及樣本特性不夠顯化的... 

【文章來源】：沈陽(yáng)工業(yè)大學(xué)遼寧省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 負(fù)荷分類研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)負(fù)荷聚類方法
        1.2.2 國(guó)外負(fù)荷分析方法
    1.3 本文的研究工作
第2章 變分模態(tài)分解算法理論
    2.1 VMD算法
    2.2 VMD中的幾個(gè)重要概念
    2.3 VMD算法綜述
        2.3.1 變分模態(tài)構(gòu)造
        2.3.2 變分問題求解
    2.4 VMD算法實(shí)驗(yàn)仿真
        2.4.1 VMD分解混合信號(hào)仿真
        2.4.2 VMD與 EMD分解結(jié)果對(duì)比
    2.5 小結(jié)
第3章 基于VMD與 k-means的負(fù)荷分類方法
    3.1 k-means聚類算法
        3.1.1 k-means聚類算法概述
        3.1.2 k-means算法原理
    3.2 基于VMD與 k-means負(fù)荷分類原理
    3.3 實(shí)驗(yàn)分析
    3.4 小結(jié)
第4章 基于VMD和奇異值能量差分譜的電力負(fù)荷分類方法
    4.1 算法原理及流程
        4.1.2 算法中各函數(shù)原理
            4.1.2.1 奇異值分解和Hankel矩陣構(gòu)建
            4.1.2.3 能量差分譜
        4.1.3 整體算法流程
    4.2 實(shí)驗(yàn)算例
    4.3 小論
第5章 基于VMD和 FCM的電力系統(tǒng)負(fù)荷分類方法
    5.1 聚類算法與流程
        5.1.1 FCM算法
        5.1.2 VMD-FCM算法
        5.1.3 負(fù)荷分類總體流程與數(shù)據(jù)對(duì)比
    5.2 算例分析
        5.2.1 聚類結(jié)果分析
        5.2.2 聚類結(jié)果指標(biāo)分析
        5.2.3 VMD-FCM與 VMD-EDSSV算法聚類緊密性對(duì)比
    5.3 小結(jié)
第6章 結(jié)論
參考文獻(xiàn)
在學(xué)研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于2D-VMD的醫(yī)學(xué)圖像去噪算法[J]. 常秋寒,高丙坤.  自動(dòng)化技術(shù)與應(yīng)用. 2019(02)
[2]基于VMD能量熵與支持向量機(jī)的斷路器機(jī)械故障診斷方法研究[J]. 陳尚,鄭翔.  黑龍江電力. 2019(01)
[3]基于VMD和ELM的超短期負(fù)荷預(yù)測(cè)方法[J]. 孟凡煦,張琰駿.  國(guó)外電子測(cè)量技術(shù). 2019(01)
[4]基于云模型和k-means聚類的風(fēng)電場(chǎng)儲(chǔ)能容量?jī)?yōu)化配置方法[J]. 吳杰,丁明,張晶晶.  電力系統(tǒng)自動(dòng)化. 2018(24)
[5]基于VMD-WA-RFR模型的BDI指數(shù)影響因素研究[J]. 武華華,匡海波,張鵬飛.  科研管理. 2018(10)
[6]基于LCD與奇異值能量差分譜的齒輪故障診斷方法[J]. 丁偉,陳可弟.  噪聲與振動(dòng)控制. 2018(02)
[7]基于奇異值分解的同調(diào)機(jī)群識(shí)別方法[J]. 朱喬木,陳金富,段獻(xiàn)忠,游昊,李本瑜.  電工技術(shù)學(xué)報(bào). 2018(03)
[8]基于小波變換和奇異值分解的串聯(lián)電弧故障檢測(cè)方法[J]. 盧其威,王濤,李宗睿,王聰.  電工技術(shù)學(xué)報(bào). 2017(17)
[9]基于改進(jìn)變分模態(tài)分解和Hilbert變換的變壓器局部放電信號(hào)特征提取及分類[J]. 朱永利,賈亞飛,王劉旺,李莉,鄭艷艷.  電工技術(shù)學(xué)報(bào). 2017(09)
[10]引入改進(jìn)模糊C均值聚類的負(fù)荷數(shù)據(jù)辨識(shí)及修復(fù)方法[J]. 孔祥玉,胡啟安,董旭柱,曾意,吳爭(zhēng)榮.  電力系統(tǒng)自動(dòng)化. 2017(09)

碩士論文
[1]K-means聚類方法的改進(jìn)及其應(yīng)用[D]. 李薈嬈.東北農(nóng)業(yè)大學(xué) 2014
[2]電力系統(tǒng)負(fù)荷分類研究[D]. 張忠華.天津大學(xué) 2007



本文編號(hào)：3420632