一、综合负荷特性的分类综合方法及其应用（论文文献综述）
蒋正邦[1]（2021）在《基于分层量测数据的负荷聚类分析与概率负荷预测方法研究》文中进行了进一步梳理随着覆盖电网各个层级的量测系统的最终建成与不断完善,电力公司积累了来自不同电压等级的海量负荷量测数据,以及对应的用户信息、网络拓扑、地理与气象数据。对海量分层量测数据进行特征挖掘与综合利用,能够为电力相关部门提供更准确实用的负荷聚类以及负荷预测结果,从而优化电力调度决策,保证电力系统的安全稳定运行,提高社会经济效益。本文主要包含基于分层量测数据的负荷聚类与负荷预测两方面内容。在负荷聚类分析方面,丰富的分层量测数据使得可以同时考虑研究对象多种特征进行聚类分析。由此,本文针对多特征聚类问题,提出了一种多目标聚类模型以及一种聚类修正算法,解决了多特征聚类时经常发生的速度慢、精度差、易跌入局部最优的情况。在负荷预测方面,借助不同电压等级的量测数据之间的累加关系,可以提高单个、甚至多个电压等级上的负荷预测精度。由此,本文提出了一种自下而上的概率预测方法和一种分层概率负荷预测优化方法,在提高预测精度的同时,缩窄预测区间,从而避免电力公司等机构对负荷极限值的错误估计。除此之外,本文也针对气象特征对负荷预测的影响、预测输入特征选择等问题进行了研究。具体而言,本文包含以下四部分内容:（1）针对多特征变电站负荷聚类问题,本文首先提出了一种多目标聚类模型,同时考虑变电站的日负荷曲线与其下属负荷构成对其进行聚类。为了求解该多目标模型,本文提出了一种聚类结果修正算法,在对变电站基于日负荷曲线进行聚类并得到原始聚类结果后,采用该算法依据变电站负荷构成修正原始聚类结果。该算法可以用于克服对高维数据聚类时经常发生的速度慢、精度差、易跌入局部最优的问题,同时可以更方便地确定最优聚类类数。（2）针对变电站短期负荷概率预测问题,本文提出了一种自下而上的概率预测方法,首先对中压配变日前负荷进行预测,并获取预测值的概率分布,之后将其累加形成高压变电站负荷预测值的概率分布并形成预测区间。该方法中包括两种分别基于中压出线和中压配变负荷数据的预测框架。对比传统方法,提出的方法能更准确地估计变电站负荷预测结果中的不确定性,并给出较窄的预测区间。（3）针对分层概率负荷预测问题,本文提出了一种基于分层数据累加一致性的分层概率负荷预测方法。该方法以不同电压等级上的预测结果分布之和相等为目标,调整各电压等级不同节点独立生成的概率负荷预测,使得各电压等级上的概率预测符合累加一致性,并能进一步提升各层概率负荷预测的精度。（4）针对考虑气象因素的变电站概率负荷预测问题,本文提出了一种考虑地域气象特征的自下而上概率负荷预测方法。该方法中从底层考虑了不同地域的气象数据以及负荷数据。在底层负荷预测过程中,本文提出了一种基于多目标聚类的相似日选择方法,寻找相同气象条件下的日期作为相似日,并根据相似日进一步选择预测输入特征。结果显示,采用本文提出的输入特征选择方法、并从配网底层而非上层考虑气象信息,能进一步的提高预测精度,缩窄预测区间。
刘诗仑[2]（2021）在《考虑时变特性的居民商业负荷静态模型研究》文中研究说明长久以来,考虑时变性一直是负荷建模中的一个难点,相关的研究也较少。居民商业负荷由于其用户数量多,单个用户负荷小,整体负荷特性表现出较强的随机性,因此建立针对居民商业负荷的时变性模型就更加困难。目前还没有一套完整的理论或方法体系能够准确地对居民商业负荷建立考虑时变性的负荷静态模型。近年来,随着居民、商业负荷占比不断上升,尤其是电动汽车类的新型负荷大量普及,这一问题亟待研究和解决。本文从电力系统负荷建模的基本方法入手,首先分析了主流的三种方法即综合统计法、总体测辨法与故障仿真法,并分析了三种方法各自的适用场景与优缺点。同时分析了多项式模型与幂函数模型两种负荷静态模型,并指出幂函数模型的模型简洁性和拟合效果要优于多项式模型。然后对居民商业负荷近年来的负荷占比、增长速度进行统计整理,对居民商业负荷的特性进行了分析,指出其存在分布密集、数量多、单个容量小等特点。基于变电站母线的综合负荷模型,研究了各种负荷元件的静态特性求取方法,包括机理推导计算法和稳态实验法,并利用稳态实验法对电动汽车直流充电桩的静态特性进行了建模仿真实验。通过分析指出负荷特性的时变性其本质是负荷结构的时变性,据此提出了一种表征负荷结构的参数,并在负荷元件静态系数综合方法的基础上,推导了基于结构特征参数的负荷静态特征系数综合方法。对于根据元件静态特性的负荷元件聚类,提出了一种改进的K-means聚类方法,解决了传统K-means聚类方法对于初值敏感而导致聚类结果不稳定的问题,之后通过算例分析验证了改进K-means聚类方法的有效性。对RNN神经网络进行研究,提出了通过监督学习的方式对负荷结构特征参数进行预测的方法,以解决负荷建模中的时变性问题。同时分析非侵入式负荷监测技术（NILM）,指出其对大量分散用户监测的适用性与其边缘计算能力非常适合用于电力负荷在线建模的信息采集。最后,以上述研究内容为基础提出了一种兼具时效性、长期实用性和模块化的居民商业负荷建模系统,该系统可以对区域进行实时负荷建模与负荷预测,然后分析明确了该系统在电力系统经济调度、无功控制以及需求管理等方面的应用潜力。
李红霞[3]（2021）在《基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究》文中研究说明随着我国主要电网互联和混连受端电网进程推进,新能源和电力电子元件的增加,不同地区负荷需求及特征也呈现出较大的差异性、随机性和分散性。负荷相对落后于发电机和输电网络的建模工作,影响了整个电力系统模型计算的精度,因此面对时变的结构参数以及复杂的电力系统负荷进行建模,并根据实时动态数据进行在线参数辨识具有一定迫切性。针对电力系统新特征,本文应用到广域测量系统提供的实时运行的小扰动数据,以综合负荷模型为研究对象,基于自适应卡尔曼滤波算法在线辨识负荷参数,并利用遗传算法获取更加准确的系统噪声估计协方差矩阵,为电力系统的运行分析提供有效的参数辨识结果,提高对电网负荷的监视能力。负荷参数在线辨识方面,针对传统负荷建模方法在数据获取、辨识精度和在线辨识上受到限制的问题,提出基于广域测量系统量测技术的自适应卡尔曼滤波在线负荷参数辨识算法。首先考虑负荷模型的组成,建立并线性化综合负荷模型,基于同步相量测量单元在线实时测量的小扰动数据,提出了数据预处理方式,并对比传统卡尔曼滤波算法和改进的Sage-Husa自适应卡尔曼滤波算法两种技术路线,运用预报误差法解决辨识问题。系统噪声优化方面,提出一种基于遗传算法优化的自适应卡尔曼滤波算法,首先针对遗传算法的交叉、遗传和选择进行自适应调整,避免易陷入早熟致使收敛到局部最优解的缺陷,然后采用改进的遗传算法离线确定系统噪声协方差矩阵,以提高自适应卡尔曼滤波在线辨识负荷参数的计算效率和准确性,最后应用传统KF、AKF和本算法优化后的AKF辨识参数并对比有功功率和无功功率的拟合度,验证遗传算法优化的有效性。本文所提出的基于改进的自适应卡尔曼滤波的负荷参数在线辨识方法和优化模型参数的改进遗传算法经过浙江省电网的变电站实时运行数据验证,算例结果表明,本文提出的在线辨识算法,具有较好的适用性和较高的准确性。
沈叶飞[4]（2019）在《提高终端能效利用效率的负荷协调优化研究》文中指出由于我国电力需求呈现持续较快增长的态势,用户多元化服务需求日益明显,但是缺乏合理的、行之有效的优化控制算法,用户参与电网调节、节能减排的主动性尚未得到充分发挥,需要研究包含多远化服务在内的协调优化控制算法,优化供需平衡关系、提升电力资源优化配置水平,实现能源的有效合理利用。本文就面向需求侧的常规负荷与电动汽车等组成的多样化负荷,开展提高终端设备能源利用效率的多负荷协调优化控制研究,通过分析用户多样化负荷特性及影响因素,研究多样化负荷能效优化的运作机理与运行模式,提出多负荷能效优化控制算法,建立多负荷终端设备需求侧能效评价指标体系,达到提高终端设备能源效率提升的目的。本文首先从多样化负荷能效提升、需求侧响应及能源替代研究现状入手,研究整体能效优化的用户用能分析技术,通过研究不同类型用户用能构成特点及用户行为特征,建立用户用能评价指标体系;研究计及区域整体能效优化目标;研究支持自动需求响应的用户用能分析模型。其次研究整体能效优化的智能控制技术,针对多样化负荷能效协调优化问题,根据提升能效、增加用户用电收益、提高用户用电舒适度等优化目标,提出了基于支持向量机算法的多负荷用电时间序列协调优化控制策略,实现了节能减排、提升能效等目的。最后从节电效益（包括节电量和可避免电量）、投资效益（包括单位投资产量、投资效益系数和项目增加值率）、经济效益（包括收益成本比、寿期净收益和偿还期限）、环境效益（包括环保效果系数和污染物减排量）以及社会效益五个方面给出了电力需求侧能效资源开发综合效益评价的指标体系,并分别给出了各项指标的含义以及测算方法。依据所选的五种评价指标,并基于TOPSIS优选法和灰色关联度,提出了一种需求侧多负荷终端设备用能评价方法。
卜琰[5]（2018）在《基于电能质量监测数据的负荷建模研究》文中认为为给智能电网的自动监测和控制提供数据支撑,构建完善的电能质量信息平台、实现对海量监测数据中信息的深层次分析和有效管理成为发展和研究趋势。电能质量扰动承载着描述系统运行状态和反映负荷特性的有效信息,可以为基于总体测辨法的负荷建模提供数据补充,充分利用已有资源。负荷由于随机时变性、构成复杂性等特点,其建模需要持续长时间的监测数据,数据规模大。为缓解海量监测数据的采集、压缩、存储和传输问题,压缩感知理论克服了传统压缩模式的种种弊端,降低了监测终端的硬件实现难度,更加合理地利用了系统配置。分布式压缩感知理论解决了面向有共享支撑集的多个测量向量为对象的压缩感知问题,采用独立测量、联合重构的处理模式,充分利用了信号间的相关性,降低了精确重构所需测量数。本文提出基于应用压缩感知理论处理扰动数据的电能质量监测系统进行负荷建模的思想并围绕此开展研究。首先,从负荷建模对样本数据的要求和电网各监测系统的性能出发,对基于各类系统监测数据负荷建模的可行性和实用性进行比较,分析得到了基于电能质量监测系统进行负荷建模的优势,对暂态电能质量监测数据用于建模的预处理过程进行了总结;介绍了压缩感知理论应用于处理电能质量信号的数学模型和分布式压缩感知理论的应用模型。对基于电能质量扰动压缩采样数据的负荷单样本建模进行了探讨。基于PSCAD搭建了 IEEE-14节点标准测试系统,通过设置故障获得电能质量扰动事件记录。在分析作为建模样本的电能质量扰动数据特征的基础上,为提高数据处理效率,设计了分段压缩采样与基于改进SP方法重构的方案,完成了建模前的数据获取和处理,并通过仿真分析了数据处理方案的性能。基于重构数据,形成了负荷建模数据样本,对模型的参数进行了辨识。通过检验基于重构数据建立的负荷模型对负荷特性的描述能力,验证了负荷模型的有效性。表明了重构方法的精确度满足负荷建模要求,证明了数据处理方案的有效性,说明了基于电能质量扰动信号的压缩采样值进行负荷建模具有可行性。对基于电能质量压缩采样数据的负荷综合建模进行了探讨。考虑负荷的时变性,针对负荷特性分类与综合的处理方案,提出将分布式压缩感知理论应用于解决负荷特性综合问题的思想。针对负荷特性相似的数据,引入混合支撑集联合稀疏模型描述数据相关性,设计了分段压缩采样和基于阈值和回溯机制的分布式匹配追踪算法用于联合重构的处理方案。该重构方案不需要信号稀疏度作为先验条件,并减少了观测值所需数目。通过仿真,分析了算法对同类负荷数据联合重构的性能。利用算法重构的数据,基于实测响应对负荷特性进行综合、建立了所属类的通用模型。通过检验负荷模型在一定程度上具有泛化性,即负荷的时变性问题得到了解决,证明了提出的负荷综合数据的处理模型和方法的正确性。
周光耀[6]（2016）在《负荷建模中的负荷特性分类与综合方法的研究》文中研究说明数字仿真作为电网规划、设计、分析和控制的重要方式,而模型的精确程度对仿真的结果有重要影响。随着我国电力系统复杂程度越来越高,精确的负荷模型对提高电力系统数字仿真精度尤为重要。同时,电力系统中的负荷成分也不断地发生着改变,各种非线性负荷占比与日俱增,大量的分布式电源并入配电网,传统的经典负荷模型很难刻画这些完全不同的负荷特性,增加了描述负荷特性的复杂程度。因此,加强对负荷动态特性的研究,建立能够描述实际负荷动特性的精确负荷模型具有重要的理论价值和现实意义。本文对负荷动特性分类与综合进行了深入研究。具体内容如下：（1）对含有分布式电源的负荷分类进行研究。对负荷扰动数据利用提升小波包进行处理,分析能量矩及其在各频段上的分布,通过聚类算法进行负荷分类；仿真采用基于提升小波包的负荷聚类算法分析了带有主动负荷的典型IEEE-14节点配网,验证了方法的有效性。（2）在负荷动特性特征提取的基础上,提出了基于马尔柯夫-蒙特卡罗的负荷特性分类与综合方法。该方法先验证负荷序列在负荷类别间的变化具有马氏性；将所有负荷特征数据按时间平均分段,对每段数据基于最大似然建立马尔柯夫链的概率转移矩阵,依据矩阵相应的数字特征对时间段的负荷特征数据进行聚类,对聚类后的各类时间段负荷特征序列再建立总的概率矩阵；在全时段上利用序贯蒙特卡洛方法生成完整的负荷特征数据序列,采用隐马尔柯夫模型得到更为精确的负荷类别变化数据序列,进行分类与综合。（3）算例针对主动配网的负荷动特性的不同影响因素,设置了对比测试,并在一段时间内设置了负荷动特性的时变情况。算例对负荷动特性数据进行了特征提取与分类,结果表明聚类结果与各样本动特性的相似性趋势基本一致,验证了基于提升小波包能量分析的负荷聚类算法在负荷特性特征提取方面的有效性。仿真验证了基于马尔柯夫-蒙特卡罗的方法对负荷动态特性进行分类与综合的有效性。
桑天松,李群炬,王非,刘海涛,蓝海波,李付强,梁标[7]（2015）在《应用于黑启动的负荷特性分析与分类方法》文中进行了进一步梳理负荷特性的分析与分类可以掌握负荷的变化规律,筛选出重要的负荷用于黑启动方案的优化。为了保障尽可能多的重要负荷在停电事故中尽快恢复供电,分析黑启动负荷的恢复模型,将模糊聚类方法应用于负荷特性分析和分类,提出应用于黑启动方案的负荷特性分析和分类方法,求出变电站中各类负荷的重要度。最后,基于实际区域电网进行负荷特性分析与分类,验证了所提出方法的有效性。
周开乐[8]（2014）在《模糊C均值聚类及其有效性检验与应用研究》文中指出聚类是数据分析、知识发现和智能决策等领域中的重要研究内容。模糊C均值（Fuzzy C-means, FCM）聚类是应用最为广泛的模糊聚类方法之一,与K-means和层次聚类等硬聚类方法不同,FCM聚类引入了隶属度和模糊度的概念,从而使得其应用范围更加广泛。然而,传统的FCM聚类存在诸多缺陷,例如确定最佳聚类数目较为困难,聚类划分受到数据分布的影响,模糊度参数的选择显着影响聚类结果,易陷入局部极小等。特别是在大数据背景下,数据量急剧增加的同时,数据形态也更加复杂,这给传统FCM聚类方法的应用带来了严峻挑战。因此,研究FCM聚类及其有效性检验方法与应用,对于提高FCM聚类性能、丰富聚类相关理论以及促进模糊聚类的广泛应用具有重要意义。本文在对国内外关于FCM聚类及其有效性检验相关研究进行总结和评述的基础上,采用理论分析、数据实验和应用研究相结合的方法,对FCM聚类及其有效性检验方法,以及这些方法在电力系统负荷数据分类中的应用进行了较为深入的研究。本文的主要研究内容和创新点总结如下：（1）提出了一种加权形式的模糊聚类有效性指标。首先系统地分析、总结和评述了主要的模糊聚类有效性指标及其存在的问题,在此基础上,构建了一种加权形式的模糊聚类有效性指标。实验结果表明,通过合理地设置不同指标的权重,加权指标解决了传统聚类有效性指标的不足,能够较好地识别给定数据集的最佳聚类数,为模糊聚类有效性研究提供了新的思路。（2）构建了一个考虑数据集中数据类大小和密度差异的模糊聚类有效性指标。为有效处理包含大小和密度差异较大数据类数据集的模糊聚类有效性问题,提出了由紧致性、重叠度和分离性三个度量因子构成的新的模糊聚类有效性指标COS。COS指标以一定阈值范围内的所有样本点到某类的隶属度之和与最大类内距离之比度量该类的紧致性,用一定阈值范围内某样本点属于两个类的隶属度差异表示这两个类之间的重叠度,同时用所有类之间的最小距离表示类间分离性,最佳聚类数由COS指标的极大值确定。实验结果表明,提出的COS指标能够有效发现数据集中的小类和低密度类,为解决包含大小和密度差异较大类数据集的模糊聚类有效性问题,提供了一定的理论支撑。（3）探究了FCM聚类对数据分布的均匀效应。从理论上分析了FCM聚类算法目标函数的构成,指出了其目标函数中三个因子会对FCM聚类结果产生影响,提出了基于数据分布视角的FCM聚类有效性评价准则和模糊度参数选择准则以及选择算法,在人工数据集和真实数据集上进行的广泛实验进一步揭示了FCM聚类的均匀效应,以及模糊度参数取值对这种均匀效应的影响。这对理解FCM聚类划分的结果、提高其应用性能以及实际应用中选择合适的模糊度参数值具有指导意义。（4）提出了基于聚类有效性的FCM模糊度参数选择方法,并将这一方法应用于电力负荷曲线的分类。基于利用聚类有效性指标确定最佳聚类数的思路,提出了利用模糊聚类有效性指标选择最优模糊度参数值,并给出了基于聚类有效性的FCM模糊度参数选择方法的具体步骤。实验研究表明，现有研究中广泛使用的模糊度取值并不总是最优的。将这一方法用于智能电网环境下的负荷曲线分类问题,提高了FCM聚类在负荷曲线分类中的实用性。（5）研究了智能算法优化的FCM聚类在电力系统综合负荷特性分类和需求侧管理（Demand Side Management, DSM）中的应用。针对传统FCM聚类易陷入局部极小的问题,指出利用模拟退火算法和遗传算法优化的FCM聚类能够有效提高其全局搜索能力,将模拟退火和遗传算法优化的FCM聚类方法应用于电力系统综合负荷特性和负荷曲线的分类,提高了负荷分类的精确性和有效性,为电力系统DSM项目的实施和电力系统决策提供了支持。
卞绍润[9]（2014）在《负荷建模中的负荷特性分类及参数辨识研究》文中研究表明电力系统建模是电力系统分析、规划设计、运行和控制等领域的共性科学问题和关键技术,而负荷建模则是电力系统建模中亟待解决的难题。建立能够反映负荷特性的准确负荷模型对电力系统仿真和安全稳定运行至关重要。为此,本文从负荷特性分类和参数辨识两个方面进行深入地研究。具体包括以下几个方面的工作：（1）对变电站负荷特性分类与综合进行深入研究。采用SOM神经网络对变电站负荷构成特征向量进行分类并根据分类结果选取典型变电站。在此基础上,对新增变电站的分类进行深入的研究,并对SOM神经网络分类的正确性、精确性分别进行了仿真分析和验证。（2）对负荷动特性分类进行研究。在对目前常用的负荷动特性特征向量进行分析的基础上,提出了基于提升小波包变换的负荷动特性特征提取方法。采用提升小波包变换对负荷实测扰动响应数据进行分解与重构,提取小波重构系数并构造能够反映负荷动特性的能量矩特征向量。通过对仿真数据和实测数据进行特征提取和分类测试,验证了提升小波包变换用于负荷动特性特征提取的有效性和合理性。通过与传统小波包变换的对比表明,提升小波包变换在计算速度和计算精度上的优势,提高了负荷动特性分类的准确性。（3）考虑到量子粒子群算法的全局搜索能力和混沌优化算法的局部搜索能力,将两种算法相结合用于负荷模型参数辨识。利用现场实测的故障录波数据,选取幂函数+差分方程负荷模型进行参数辨识,验证了所采用方法的有效性。通过与PSO算法和量子粒子群算法进行对比,验证了混沌量子粒子群算法具有收敛速度快、收敛精度高的优点。采用SOM神经网络进行变电站负荷特性分类,基于提升小波包变换的负荷动特性特征提取方法并用于负荷动特性分类,避免采用相同负荷模型或模型参数造成的仿真计算误差；将量子粒子群算法和混沌优化算法相结合用于负荷模型参数辨识,提高负荷模型参数辨识的精度；同时对于提高负荷模型的准确性研究具有重要的理论意义和应用价值。
孙璞玉,李家睿,王承民,连鸿波,付大伟,张焰[10]（2013）在《基于负荷特征向量的负荷分类与预测方法研究及其应用》文中研究说明针对以往分类描述负荷的不足,为简洁准确描述地负荷,建立了由若干负荷特性指标作为元素的负荷特征向量。该向量主要描述负荷日曲线,同时可反映负荷的关键特性。基于负荷特征向量可使用聚类法对负荷分类,相比于传统分类方法,本方法淡化了负荷的行业构成等因素,得到的同类负荷特性更为接近。为综合区分与定义负荷,本文在负荷特征向量的基础上建立了负荷特性指数,该指数对不同的样本有一定的自适应能力,适用范围广。最后负荷特征向量可与相似性搜索法结合,通过寻找当日负荷特性的历史相似日,达到负荷短期预测的目的。
二、综合负荷特性的分类综合方法及其应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、综合负荷特性的分类综合方法及其应用（论文提纲范文）
（1）基于分层量测数据的负荷聚类分析与概率负荷预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能电网背景下的负荷特性分析与负荷预测 |
| 1.2 电力数据量测技术与量测数据现状 |
| 1.2.1 电力量测技术概述 |
| 1.2.2 多层电力量测数据 |
| 1.3 负荷特性分析及其研究现状 |
| 1.3.1 负荷特性分析的意义 |
| 1.3.2 负荷聚类算法研究现状 |
| 1.3.3 用户负荷聚类分析研究现状 |
| 1.3.4 变电站负荷聚类分析研究现状 |
| 1.4 负荷预测及其研究现状 |
| 1.4.1 负荷预测的意义 |
| 1.4.2 负荷预测模型研究现状 |
| 1.4.3 负荷预测方法研究现状 |
| 1.5 本文的选题意义及主要工作 |
| 1.5.1 目的及意义 |
| 1.5.2 主要工作 |
| 第2章 基于分层量测数据与多目标聚类模型的变电站负荷特性分析 |
| 2.1 概述 |
| 2.2 同时考虑负荷曲线与负荷构成的变电站多目标聚类模型 |
| 2.2.1 负荷曲线与负荷构成 |
| 2.2.2 聚类模型的目标函数 |
| 2.2.3 权重法处理多目标模型 |
| 2.3 两阶段聚类修正算法 |
| 2.3.1 类与类之间的元素转移 |
| 2.3.2 类的分裂和聚合 |
| 2.3.3 两阶段聚类修正算法流程 |
| 2.4 测试算例分析 |
| 2.4.1 配电变压器负荷聚类 |
| 2.4.2 算例的构造 |
| 2.4.3 构造变电站聚类结果 |
| 2.4.4 算法性能评价 |
| 2.5 实际算例分析 |
| 2.5.1 实际算例简介 |
| 2.5.2 秋季聚类结果 |
| 2.5.3 其它季节的聚类结果 |
| 2.6 本章小结 |
| 第3章 基于分层量测数据的自下而上输电变电站概率负荷预测方法 |
| 3.1 概述 |
| 3.2 自下而上的变电站短期概率负荷预测框架 |
| 3.2.1 自下而上预测框架的数据来源 |
| 3.2.2 基于中压出线负荷数据的自下而上预测框架 |
| 3.2.3 基于中压配变数据的自下而上预测框架 |
| 3.2.4 中压配变负荷的聚类结果 |
| 3.2.5 中压负荷概率预测 |
| 3.3 基于前馈神经网络的概率负荷预测 |
| 3.3.1 前馈神经网络 |
| 3.3.2 预测误差的构成 |
| 3.3.3 预测误差的估计 |
| 3.4 基于自下而上预测框架的变电站负荷预测 |
| 3.4.1 累加误差估计 |
| 3.4.2 中压负荷预测结果的概率分布 |
| 3.4.3 中压负荷预测结果的累加 |
| 3.4.4 自下而上概率负荷预测框架的流程 |
| 3.5 算例分析 |
| 3.5.1 算例简介 |
| 3.5.2 前馈神经网络的参数确定 |
| 3.5.3 基于中压出线负荷数据的高压变电站负荷预测 |
| 3.5.4 累加误差对预测结果的影响 |
| 3.5.5 自下而上预测方法在不同季节中的表现 |
| 3.5.6 基于中压配变负荷数据的高压变电站负荷预测 |
| 3.6 本章小结 |
| 第4章 考虑负荷数据累加一致性的分层概率负荷预测方法 |
| 4.1 概述 |
| 4.2 分层概率负荷预测 |
| 4.3 基于长短期记忆网络的概率预测方法与预测结果分布 |
| 4.3.1 基于长短期记忆网络的概率预测方法 |
| 4.3.2 长短期记忆网络产生的负荷预测结果的概率分布 |
| 4.3.3 长短期记忆网络产生的负荷预测结果的相关性 |
| 4.4 基于负荷数据累加一致性的概率负荷预测结果优化 |
| 4.4.1 负荷数据之间的累加一致性 |
| 4.4.2 累加误差 |
| 4.4.3 分层负荷预测结果的优化 |
| 4.4.4 预测区间的产生 |
| 4.4.5 考虑负荷数据累加一致性的概率分层负荷预测方法流程 |
| 4.5 算例分析 |
| 4.5.1 算例简介 |
| 4.5.2 长短期记忆网络的参数确定 |
| 4.5.3 经过优化的概率分层负荷预测结果 |
| 4.5.4 优化方法与其他常用的负荷概率预测方法的性能比较 |
| 4.6 本章小结 |
| 第5章 基于分层量测数据与地域气象特征的变电站负荷概率预测方法 |
| 5.1 概述 |
| 5.2 负荷气象数据相关性分析 |
| 5.2.1 气象数据情况简介 |
| 5.2.2 气象数据与负荷数据相关性分析 |
| 5.3 基于多目标聚类的负荷预测中输入特征的选取 |
| 5.3.1 基于气象数据的相似日选择 |
| 5.3.2 基于负荷气象数据的多目标聚类 |
| 5.4 考虑气象特征的自下而上的概率负荷预测方法 |
| 5.5 算例分析 |
| 5.5.1 算例简介 |
| 5.5.2 前馈神经网络的参数确定 |
| 5.5.3 夏季预测结果比较 |
| 5.5.4 秋季预测结果比较 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作小结 |
| 6.2 不足与展望 |
| 参考文献 |
| 攻读博士期间已有成果目录 |
（2）考虑时变特性的居民商业负荷静态模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 电力系统负荷建模研究历程 |
| 1.2.2 电力系统负荷建模研究现状 |
| 1.2.3 电力系统负荷建模研究目前存在的问题 |
| 1.3 本文的主要研究内容 |
| 第2章 电力负荷建模基本理论与居民商业负荷特点分析 |
| 2.1 引言 |
| 2.2 电力负荷建模的基本方法 |
| 2.2.1 综合统计法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 电力负荷建模的静态模型 |
| 2.3.1 多项式模型 |
| 2.3.2 幂函数模型 |
| 2.3.3 两种模型的比较 |
| 2.4 居民商业负荷特点分析 |
| 2.5 负荷特性的时变性 |
| 2.6 本章小结 |
| 第3章 元件负荷特性及其综合 |
| 3.1 引言 |
| 3.2 简单元件的负荷特性计算 |
| 3.2.1 纯电阻性负荷 |
| 3.2.2 恒定阻抗型负荷 |
| 3.3 稳态实验法 |
| 3.4 电动汽车充电桩负荷特性分析 |
| 3.5 等值电动机负荷 |
| 3.6 负荷静态特征系数的综合 |
| 3.6.1 同一母线上负荷静态特征系数的综合 |
| 3.6.2 基于负荷结构特征的负荷静态特征系数的综合 |
| 3.7 基于改进K-means聚类算法的负荷特性分类 |
| 3.7.1 K-means聚类算法 |
| 3.7.2 改进K-means聚类算法 |
| 3.7.3 算例分析 |
| 3.8 本章小结 |
| 第4章 考虑时变性的静态负荷模型及其应用 |
| 4.1 引言 |
| 4.2 基于RNN神经网络的时变性负荷模型 |
| 4.3 负荷状态信息的采集 |
| 4.4 基于考虑时变性负荷模型的居民商业负荷建模系统 |
| 4.4.1 负荷建模系统运行原理及特点 |
| 4.4.2 负荷建模系统的应用场景 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（3）基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 负荷建模工作发展及研究现状 |
| 1.3 参数辨识工作发展及研究现状 |
| 1.4 本文工作概述 |
| 2 负荷模型及负荷参数辨识分析 |
| 2.1 负荷模型基本结构研究 |
| 2.1.1 静态负荷模型 |
| 2.1.2 动态负荷模型 |
| 2.1.3 综合负荷模型 |
| 2.2 负荷建模方法研究 |
| 2.2.1 统计综合法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 负荷参数辨识方法分析 |
| 2.3.1 系统辨识理论 |
| 2.3.2 负荷模型参数辨识方法 |
| 2.4 数据来源与预处理技术 |
| 2.4.1 WAMS/PMU原理及数据特点分析 |
| 2.4.2 数据预处理研究 |
| 3 基于自适应卡尔曼滤波的负荷参数辨识 |
| 3.1 引言 |
| 3.2 综合负荷模型及参数介绍 |
| 3.3 自适应卡尔曼滤波算法 |
| 3.3.1 适用于负荷模型辨识的传统卡尔曼滤波方法 |
| 3.3.2 改进的Sage-Husa自适应卡尔曼滤波计算方法 |
| 3.3.3 系统噪声选定方法 |
| 3.3.4 数据处理方法 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 4 基于遗传算法优化的自适应卡尔曼滤波模型参数辨识 |
| 4.1 引言 |
| 4.2 基于遗传算法优化的AKF结构 |
| 4.3 基于遗传算法优化的AKF辨识参数的实现 |
| 4.3.1 初始化设计 |
| 4.3.2 混合无重选择算子设计 |
| 4.3.3 自适应交叉算子设计 |
| 4.3.4 高斯近似变异算子设计 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（4）提高终端能效利用效率的负荷协调优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 第2章 多样化负荷特性分析 |
| 2.1 多样化负荷概述及分类方法 |
| 2.1.1 多样化负荷概念 |
| 2.1.2 多样化负荷特性指标 |
| 2.1.3 多样化负荷分类方法 |
| 2.2 多样化典型负荷特性分析 |
| 2.2.1 空调负荷运行特性 |
| 2.2.2 照明负荷运行特性 |
| 2.2.3 电动汽车特性分析 |
| 2.3 多样化负荷主动交互特性分析 |
| 2.4 典型场景用能分析 |
| 2.4.1 工业负荷特点分析 |
| 2.4.2 商业负荷特点分析 |
| 2.4.3 居民负荷特点分析 |
| 2.5 小结 |
| 第3章 多样化负荷能效协调优化控制研究 |
| 3.1 多样化负荷能效协调优化思路 |
| 3.2 多负荷用电时间序列协调优化方法 |
| 3.3 多样化负荷用电时间序列协调优化控制算法 |
| 3.4 多样化负荷用电时间序列协调优化控制算例 |
| 3.5 小结 |
| 第4章 需求侧负荷协调能效优化评价 |
| 4.1 需求侧多负荷协调能效优化评价指标体系 |
| 4.1.1 评价指标体系构建 |
| 4.1.2 能源效率评价指标 |
| 4.1.3 环境效益评价指标 |
| 4.1.4 经济效益评价指标 |
| 4.1.5 社会效益评价指标 |
| 4.1.6 投资效益评价指标 |
| 4.2 需求侧多负荷协调优化用能评价方法 |
| 4.2.1 TOPSIS优选法理论 |
| 4.2.2 灰色关联相对贴近度的构造 |
| 4.2.3 基于TOPSIS优选法和灰色关联度的评价方法 |
| 4.3 算例分析 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
（5）基于电能质量监测数据的负荷建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 负荷建模及电能质量的研究现状 |
| 1.2.1 负荷建模的发展及研究现状 |
| 1.2.2 电能质量的研究现状及趋势 |
| 1.3 压缩感知及其应用于电能质量的发展及现状 |
| 1.4 分布式压缩感知的发展及现状 |
| 1.5 论文主要工作 |
| 第2章 负荷建模和压缩感知的基础理论 |
| 2.1 总体测辨法负荷建模的数据来源和可行性研究 |
| 2.2 负荷建模平台功能分析 |
| 2.3 压缩感知理论基础 |
| 2.3.1 信号的稀疏表示 |
| 2.3.2 信号的获取模型 |
| 2.3.3 信号的重构模型 |
| 2.4 分布式压缩感知理论基础 |
| 2.4.1 信号获取模型 |
| 2.4.2 联合稀疏模型 |
| 2.5 本章小结 |
| 第3章 基于电能质量压缩采样数据的负荷单样本建模 |
| 3.1 仿真思路及设置 |
| 3.2 负荷模型及参数辨识方法 |
| 3.2.1 负荷模型 |
| 3.2.2 模型参数辨识方法 |
| 3.3 重构算法研究 |
| 3.3.1 算法步骤 |
| 3.3.2 性能指标 |
| 3.4 单样本负荷建模 |
| 3.4.1 重构结果分析 |
| 3.4.2 建模结果分析 |
| 3.5 本章小结 |
| 第4章 基于电能质量压缩采样数据的负荷综合建模 |
| 4.1 仿真思路及设置 |
| 4.2 联合重构算法 |
| 4.2.1 算法描述 |
| 4.2.2 重构结果分析 |
| 4.2.3 算法性能分析 |
| 4.3 综合负荷建模 |
| 4.4 基于分布式压缩感知的综合负荷建模步骤 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文和参加科研情况 |
| 学位论文评阅及答辩情况表 |
（6）负荷建模中的负荷特性分类与综合方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题选题的背景与意义 |
| 1.2 负荷模型对电力系统的影响 |
| 1.2.1 负荷模型对暂态稳定的影响 |
| 1.2.2 负荷模型对电压稳定的影响 |
| 1.3 负荷建模的发展现状和存在的问题 |
| 1.3.1 负荷建模的发展现状 |
| 1.3.2 负荷建模研究存在的问题 |
| 1.4 本文的主要工作 |
| 第二章 负荷建模的基本理论 |
| 2.1 负荷建模方法 |
| 2.2 负荷模型结构 |
| 2.2.1 静态负荷模型 |
| 2.2.2 动态负荷模型 |
| 2.3 负荷模型的参数辨识 |
| 2.4 本章小结 |
| 第三章 负荷特性提取与分类 |
| 3.1 概述 |
| 3.2 提升小波包变换 |
| 3.3 能量分析方法 |
| 3.4 聚类算法 |
| 3.5 仿真算例及其分析 |
| 3.6 本章小结 |
| 第四章 负荷特性综合方法的研究 |
| 4.1 概述 |
| 4.2 负荷特性的马氏性检验 |
| 4.3 建立负荷特性马氏链转移概率矩阵 |
| 4.4 根据负荷特性数字特征聚类 |
| 4.5 生成负荷特性序列 |
| 4.6 识别负荷特性的变化 |
| 4.7 仿真算例及其分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文的主要研究成果 |
| 5.2 后续工作的展望 |
| 参考文献 |
| 致谢 |
| 发表论文和参加科研情况说明 |
| 学位论文评阅及答辩情况表 |
（7）应用于黑启动的负荷特性分析与分类方法（论文提纲范文）
| 1基于黑启动的负荷恢复模型 |
| 2黑启动方案的负荷特性分类方法 |
| 3算例分析 |
| 4结语 |
（8）模糊C均值聚类及其有效性检验与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 目录 |
| 插图清单 |
| 表格清单 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状和问题分析 |
| 1.2.1 模糊C均值(FCM)聚类 |
| 1.2.2 模糊聚类有效性检验 |
| 1.2.3 模糊度参数选择 |
| 1.2.4 电力负荷数据分类 |
| 1.3 研究内容和结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 模糊聚类有效性指标及其加权形式 |
| 2.1 引言 |
| 2.2 主要的模糊聚类有效性指标 |
| 2.2.1 仅考虑数据集几何结构的有效性指标 |
| 2.2.2 仅考虑隶属度的有效性指标 |
| 2.2.3 同时考虑数据集几何结构和隶属度的有效性指标 |
| 2.3 加权形式的模糊聚类有效性指标 |
| 2.4 实验分析 |
| 2.4.1 实验数据集 |
| 2.4.2 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 考虑数据类大小和密度差异的模糊聚类有效性指标 |
| 3.1 引言 |
| 3.2 问题描述和指标构建 |
| 3.2.1 问题描述 |
| 3.2.2 指标构建 |
| 3.3 新的有效性指标 |
| 3.3.1 COS指标 |
| 3.3.2 计算步骤 |
| 3.4 实验分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于数据分布视角的FCM聚类的均匀效应 |
| 4.1 引言 |
| 4.2 FCM聚类的均匀效应 |
| 4.2.1 FCM的目标函数构成 |
| 4.2.2 数据类大小分散性的度量 |
| 4.2.3 一个说明性的例子 |
| 4.3 基于数据分布的FCM聚类准则 |
| 4.3.1 聚类有效性准则 |
| 4.3.2 模糊度参数选择准则 |
| 4.4 实验分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 自适应模糊度参数选择的FCM聚类及其应用 |
| 5.1 引言 |
| 5.2 基于聚类有效性的FCM模糊度选择方法 |
| 5.3 实验分析 |
| 5.3.1 实验数据集 |
| 5.3.2 实验结果与分析 |
| 5.4 基于改进FCM聚类的电力负荷曲线分类 |
| 5.4.1 负荷曲线分类的过程模型 |
| 5.4.2 改进的FCM聚类 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 智能算法优化的FCM聚类及其应用 |
| 6.1 引言 |
| 6.2 模拟退火和遗传算法优化的FCM聚类 |
| 6.2.1 模拟退火算法 |
| 6.2.2 遗传算法 |
| 6.2.3 改进的FCM聚类 |
| 6.3 基于改进FCM聚类的变电站负荷特性分类 |
| 6.3.1 问题描述 |
| 6.3.2 实验结果与分析 |
| 6.4 基于改进FCM聚类的电力需求侧管理 |
| 6.4.1 问题描述 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（9）负荷建模中的负荷特性分类及参数辨识研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 负荷建模的发展现状 |
| 1.3 负荷建模存在的问题 |
| 1.4 本文的主要工作 |
| 第二章 负荷建模的基本理论 |
| 2.1 负荷建模方法 |
| 2.1.1 统计综合法 |
| 2.1.2 总体测辨法 |
| 2.1.3 故障仿真法 |
| 2.1.4 混合建模方法 |
| 2.2 负荷建模的数据来源 |
| 2.2.1 负荷构成数据 |
| 2.2.2 负荷扰动数据 |
| 2.3 负荷模型结构 |
| 2.3.1 静态负荷模型 |
| 2.3.2 动态负荷模型 |
| 2.3.3 综合负荷模型 |
| 2.4 参数辨识方法 |
| 2.5 本章小结 |
| 第三章 变电站负荷特性分类的深化研究 |
| 3.1 变电站负荷特性分类与综合概述 |
| 3.2 负荷构成统计数据 |
| 3.3 SOM神经网络分类原理 |
| 3.4 变电站负荷特性分类应用 |
| 3.5 本章小结 |
| 第四章 负荷动特性特征提取及分类 |
| 4.1 负荷动特性分类与综合概述 |
| 4.2 提升格式算法的基本理论 |
| 4.3 提升小波包变换 |
| 4.4 负荷动特性特征提取及分类方案 |
| 4.4.1 基于能量分析的小波变换后处理方法 |
| 4.4.2 提升小波包变换分解层数的确定 |
| 4.4.3 负荷动特性特征提取方案 |
| 4.4.4 FCM算法 |
| 4.5 仿真实例及分析 |
| 4.5.1 测试系统及样本设计 |
| 4.5.2 负荷动特性特征提取及分类 |
| 4.5.3 分析与讨论 |
| 4.5.4 与传统小波包变换的对比 |
| 4.6 实测算例及分析 |
| 4.7 本章小结 |
| 第五章 基于混沌量子粒子群算法的负荷模型参数辨识 |
| 5.1 混沌量子粒子群算法 |
| 5.1.1 混沌优化算法 |
| 5.1.2 量子粒子群算法 |
| 5.1.3 混沌量子粒子群算法 |
| 5.2 基于混沌量子粒子群算法的负荷模型参数辨识 |
| 5.2.1 数据来源及预处理 |
| 5.2.2 算例研究 |
| 5.2.3 算法比较 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文的主要研究成果 |
| 6.2 后期工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 发表论文和参加科研情况说明 |
| 学位论文评阅及答辩情况表 |
（10）基于负荷特征向量的负荷分类与预测方法研究及其应用（论文提纲范文）
| 负荷特征向量的建立 |
| 1.点负荷特征向量 |
| 2.区域负荷特征向量 |
| 负荷特征向量的应用 |
| 1.负荷分类 |
| 2.负荷特性指数 |
| 3.负荷预测 |
| 算例分析 |
| 结束语 |
四、综合负荷特性的分类综合方法及其应用（论文参考文献）
- [1]基于分层量测数据的负荷聚类分析与概率负荷预测方法研究[D]. 蒋正邦. 浙江大学, 2021(09)
- [2]考虑时变特性的居民商业负荷静态模型研究[D]. 刘诗仑. 华北电力大学(北京), 2021(01)
- [3]基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究[D]. 李红霞. 浙江大学, 2021(08)
- [4]提高终端能效利用效率的负荷协调优化研究[D]. 沈叶飞. 南京邮电大学, 2019(02)
- [5]基于电能质量监测数据的负荷建模研究[D]. 卜琰. 山东大学, 2018(01)
- [6]负荷建模中的负荷特性分类与综合方法的研究[D]. 周光耀. 山东大学, 2016(01)
- [7]应用于黑启动的负荷特性分析与分类方法[J]. 桑天松,李群炬,王非,刘海涛,蓝海波,李付强,梁标. 电力科学与技术学报, 2015(02)
- [8]模糊C均值聚类及其有效性检验与应用研究[D]. 周开乐. 合肥工业大学, 2014(07)
- [9]负荷建模中的负荷特性分类及参数辨识研究[D]. 卞绍润. 山东大学, 2014(10)
- [10]基于负荷特征向量的负荷分类与预测方法研究及其应用[J]. 孙璞玉,李家睿,王承民,连鸿波,付大伟,张焰. 电气应用, 2013(S1)