基于人工智能的方法对智能电网进行安全改进

发布时间：2017-10-31 18:09

  本文关键词：基于人工智能的方法对智能电网进行安全改进

  更多相关文章： 智能电网 机器学习 故障定位 电价预测 负荷预测 特征选择

【摘要】：智能电网是在电网中运用新能源的并网技术，智能输配电技术，通信和信息技术的下一代的电力系统。因此它比现在的电力系统更加安全、可靠和节能。但是在智能电网中也存在一些安全问题。随着输电线路变长，电压提升，输电线更加容易出问题；电价不再固定不变，而是随着负荷，燃油价格变动，可能会引起大量用户在某一时刻大量用电，引起跳闸现象。因此提高智能电网的安全性很重要。本文针对电力安全的两个方面的研究：输电线路的故障定位和负荷和电价的预测。 输电线很容易发生故障，因为它不但受到人为因素的影响，还受到自然因素的影响。因为输电线路很长，很难找到故障的位置，因此如何快速找到故障的位置是很重要的。现在很多研究人员用机器学习的方法进行故障定位。这些方法都存在一个问题：距离故障点越远的检测点所检测到的电信号受到电线中元件的干扰越大。本文提出了基于故障定位距离来选择数据的方法，先判断故障点靠近电线的哪一端，再用靠近故障点一端的数据进行定位，从而提高它的准确率。本文实验是通过用Matlab搭建电力模型系统，仿真电力系统在发生不同故障时的情况，包括11种常见的故障类型。用极限学习机(ELM)来定位故障位置。本文方法的实验结果的相对误差比目前存在的方法都有一个显著的提升。 在电价和负荷预测方面，由于电价和负荷的历史数据众多，如何选择合适的数据去预测下一时刻的值变得尤为关键。通过数据分析发现电价和负荷有着密切的联系，本文利用了负荷和电价的联系，运用了基于多变量的信息熵(MMI)和随机森林选择方法对电价和负荷的特征进行选择。本文实验采用了PJM，，NYISO，AEMO等电力市场上公开的电价和负荷的数据。实验结果表明本文的方法更加准确和稳定。
【关键词】：智能电网 机器学习 故障定位 电价预测 负荷预测 特征选择
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TM76;TP18
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 课题背景与意义10-11
• 1.2 智能电网的国内外现状11-15
• 1.2.1 美国智能电网12-13
• 1.2.2 欧洲智能电网13
• 1.2.3 中国智能电网13-14
• 1.2.4 智能电网带来的问题14-15
• 1.3 论文研究内容与研究目标15-16
• 1.3.1 研究内容15-16
• 1.3.2 研究目标16
• 1.4 论文的结构安排16-17
• 1.5 本章小结17-18
• 第二章 输电线路故障仿真18-23
• 2.1 基于 MATLAB 的输电线路仿真18-19
• 2.2 数据获取和处理19-20
• 2.3 故障发生时的电流电压分析20-22
• 2.4 本章小结22-23
• 第三章 输电线路故障定位技术23-39
• 3.1 输电线路故障定位主要研究内容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 极限学习机理论26-33
• 3.2.1 广义逆及其在线性方程组的应用27-28
• 3.2.2 极限学习机28-30
• 3.2.3 在线顺序学习极限学习机30-33
• 3.3 基于距离选择数据端定位故障的方法33
• 3.4 实验结果分析33-37
• 3.5 本章小结37-39
• 第四章 负荷和电价的预测技术39-60
• 4.1 负荷和电价预测主要研究的内容39-42
• 4.2 支持向量机理论42-48
• 4.2.1 线性支持向量机43-46
• 4.2.2 非线性支持向量机46-47
• 4.2.3 支持向量回归模型47-48
• 4.3 负荷和电价的特征分析48-50
• 4.4 特征选择50-55
• 4.4.1 基于负荷的随机森林的特征选择52-53
• 4.4.2 基于电价和负荷组合的多变量信息熵的特征选择53-55
• 4.5 实验结果分析55-59
• 4.5.1 负荷预测结果分析55-56
• 4.5.2 电价预测结果分析56-59
• 4.6 本章小结59-60
• 结论与展望60-62
• 全文总结60-61
• 研究展望61-62
• 参考文献62-71
• 攻读硕士学位期间取得的研究成果71-73
• 致谢73-74
• 附件74

【参考文献】

中国期刊全文数据库 前5条

1 甘德强,胡江溢,韩祯祥;2003年国际若干停电事故思考[J];电力系统自动化;2004年03期

2 覃剑;葛维春;邱金辉;郑心广;;输电线路单端行波测距法和双端行波测距法的对比[J];电力系统自动化;2006年06期

3 刘永;张立毅;;BP和RBF神经网络的实现及其性能比较[J];电子测量技术;2007年04期

4 蔡坚,傅光轩,聂方彦;一种基于BP神经网络的异常检测系统的实现[J];计算机应用;2004年S2期

5 林圣;何正友;臧天磊;钱清泉;;基于粗神经网络的输电线路故障分类方法[J];中国电机工程学报;2010年28期

中国博士学位论文全文数据库 前3条

1 刘华文;基于信息熵的特征选择算法研究[D];吉林大学;2010年

2 符玲;基于信息测度的电力系统故障识别方法研究[D];西南交通大学;2010年

3 王博;文本分类中特征选择技术的研究[D];国防科学技术大学;2009年

本文编号：1123170