本文關(guān)鍵詞：基于人工智能的方法對智能電網(wǎng)進行安全改進

  更多相關(guān)文章： 智能電網(wǎng) 機器學(xué)習(xí) 故障定位 電價預(yù)測 負(fù)荷預(yù)測 特征選擇

【摘要】：智能電網(wǎng)是在電網(wǎng)中運用新能源的并網(wǎng)技術(shù)，智能輸配電技術(shù)，通信和信息技術(shù)的下一代的電力系統(tǒng)。因此它比現(xiàn)在的電力系統(tǒng)更加安全、可靠和節(jié)能。但是在智能電網(wǎng)中也存在一些安全問題。隨著輸電線路變長，電壓提升，輸電線更加容易出問題；電價不再固定不變，而是隨著負(fù)荷，燃油價格變動，可能會引起大量用戶在某一時刻大量用電，引起跳閘現(xiàn)象。因此提高智能電網(wǎng)的安全性很重要。本文針對電力安全的兩個方面的研究：輸電線路的故障定位和負(fù)荷和電價的預(yù)測。 輸電線很容易發(fā)生故障，因為它不但受到人為因素的影響，還受到自然因素的影響。因為輸電線路很長，很難找到故障的位置，因此如何快速找到故障的位置是很重要的�，F(xiàn)在很多研究人員用機器學(xué)習(xí)的方法進行故障定位。這些方法都存在一個問題：距離故障點越遠的檢測點所檢測到的電信號受到電線中元件的干擾越大。本文提出了基于故障定位距離來選擇數(shù)據(jù)的方法，先判斷故障點靠近電線的哪一端，再用靠近故障點一端的數(shù)據(jù)進行定位，從而提高它的準(zhǔn)確率。本文實驗是通過用Matlab搭建電力模型系統(tǒng)，仿真電力系統(tǒng)在發(fā)生不同故障時的情況，包括11種常見的故障類型。用極限學(xué)習(xí)機(ELM)來定位故障位置。本文方法的實驗結(jié)果的相對誤差比目前存在的方法都有一個顯著的提升。 在電價和負(fù)荷預(yù)測方面，由于電價和負(fù)荷的歷史數(shù)據(jù)眾多，如何選擇合適的數(shù)據(jù)去預(yù)測下一時刻的值變得尤為關(guān)鍵。通過數(shù)據(jù)分析發(fā)現(xiàn)電價和負(fù)荷有著密切的聯(lián)系，本文利用了負(fù)荷和電價的聯(lián)系，運用了基于多變量的信息熵(MMI)和隨機森林選擇方法對電價和負(fù)荷的特征進行選擇。本文實驗采用了PJM，，NYISO，AEMO等電力市場上公開的電價和負(fù)荷的數(shù)據(jù)。實驗結(jié)果表明本文的方法更加準(zhǔn)確和穩(wěn)定。
【關(guān)鍵詞】：智能電網(wǎng) 機器學(xué)習(xí) 故障定位 電價預(yù)測 負(fù)荷預(yù)測 特征選擇
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM76;TP18
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 課題背景與意義10-11
• 1.2 智能電網(wǎng)的國內(nèi)外現(xiàn)狀11-15
• 1.2.1 美國智能電網(wǎng)12-13
• 1.2.2 歐洲智能電網(wǎng)13
• 1.2.3 中國智能電網(wǎng)13-14
• 1.2.4 智能電網(wǎng)帶來的問題14-15
• 1.3 論文研究內(nèi)容與研究目標(biāo)15-16
• 1.3.1 研究內(nèi)容15-16
• 1.3.2 研究目標(biāo)16
• 1.4 論文的結(jié)構(gòu)安排16-17
• 1.5 本章小結(jié)17-18
• 第二章 輸電線路故障仿真18-23
• 2.1 基于 MATLAB 的輸電線路仿真18-19
• 2.2 數(shù)據(jù)獲取和處理19-20
• 2.3 故障發(fā)生時的電流電壓分析20-22
• 2.4 本章小結(jié)22-23
• 第三章 輸電線路故障定位技術(shù)23-39
• 3.1 輸電線路故障定位主要研究內(nèi)容23-26
• 3.1.1 基于物理方法的故障定位23-25
• 3.1.2 基于人工智能方法的故障定位25-26
• 3.2 極限學(xué)習(xí)機理論26-33
• 3.2.1 廣義逆及其在線性方程組的應(yīng)用27-28
• 3.2.2 極限學(xué)習(xí)機28-30
• 3.2.3 在線順序?qū)W習(xí)極限學(xué)習(xí)機30-33
• 3.3 基于距離選擇數(shù)據(jù)端定位故障的方法33
• 3.4 實驗結(jié)果分析33-37
• 3.5 本章小結(jié)37-39
• 第四章 負(fù)荷和電價的預(yù)測技術(shù)39-60
• 4.1 負(fù)荷和電價預(yù)測主要研究的內(nèi)容39-42
• 4.2 支持向量機理論42-48
• 4.2.1 線性支持向量機43-46
• 4.2.2 非線性支持向量機46-47
• 4.2.3 支持向量回歸模型47-48
• 4.3 負(fù)荷和電價的特征分析48-50
• 4.4 特征選擇50-55
• 4.4.1 基于負(fù)荷的隨機森林的特征選擇52-53
• 4.4.2 基于電價和負(fù)荷組合的多變量信息熵的特征選擇53-55
• 4.5 實驗結(jié)果分析55-59
• 4.5.1 負(fù)荷預(yù)測結(jié)果分析55-56
• 4.5.2 電價預(yù)測結(jié)果分析56-59
• 4.6 本章小結(jié)59-60
• 結(jié)論與展望60-62
• 全文總結(jié)60-61
• 研究展望61-62
• 參考文獻62-71
• 攻讀碩士學(xué)位期間取得的研究成果71-73
• 致謝73-74
• 附件74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 甘德強,胡江溢,韓禎祥;2003年國際若干停電事故思考[J];電力系統(tǒng)自動化;2004年03期

2 覃劍;葛維春;邱金輝;鄭心廣;;輸電線路單端行波測距法和雙端行波測距法的對比[J];電力系統(tǒng)自動化;2006年06期

3 劉永;張立毅;;BP和RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)及其性能比較[J];電子測量技術(shù);2007年04期

4 蔡堅,傅光軒,聶方彥;一種基于BP神經(jīng)網(wǎng)絡(luò)的異常檢測系統(tǒng)的實現(xiàn)[J];計算機應(yīng)用;2004年S2期

5 林圣;何正友;臧天磊;錢清泉;;基于粗神經(jīng)網(wǎng)絡(luò)的輸電線路故障分類方法[J];中國電機工程學(xué)報;2010年28期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉華文;基于信息熵的特征選擇算法研究[D];吉林大學(xué);2010年

2 符玲;基于信息測度的電力系統(tǒng)故障識別方法研究[D];西南交通大學(xué);2010年

3 王博;文本分類中特征選擇技術(shù)的研究[D];國防科學(xué)技術(shù)大學(xué);2009年

本文編號：1123170