同调机群识别.docVIP

第32卷 电 网 技 术 Vol. 32 No. 1 2008年1月 Power System Technology Jun. 2001 文章编号：1000-3673（2004）00-0000-00 中图分类号：TM 文献标识码：A 学科代码：470。0000 基于A-K网络模型的模糊聚类同调机群识别 刘绚1，文 俊2，刘天琪1 （1.四川大学电气信息学院，四川成都 610065: 2.重庆电力公司沙坪坝供电局，重庆，400030） A fuzzy clustering method based on A-K networks to recognize coherent generator groups Liu Xuan,Wen Jun,Liu Tianqi (School of Electrical Information, Sichuan University, Chengdu 610065, China) ABSTRACT: A coherent groups recognition method using fuzzy clustering method based on A-K networks is proposed. Firstly, a fuzzy similarity matrix is formed by applying maxmum-minmum algorithm. Then train the A-K networks with each row of the fuzzy similarity matrix as inputs. The nerves of output layer which win ultimatly represent different dynamic styles. Finally, it is tested on the EPRI-36 bus model of PSASP. The results based on A-K fuzzy method are more similar to the results based on time simulation compared to A-K method, which are not misajudgments. Moreover, A-K fuzzy method can identify coherent generator groups in greater time range. KEY WORDS: power system; A-K networks; fuzzy clustering; coherent generator groups; coherency identification 摘要:给出了一种利用基于融合ART和Kohonen网络基本思想的自组织神经网络(简称A—K网络)的模糊聚类方法识别电力系统同调机群的算法.首先对输入数据进行模糊预处理，即采用最大-最小法建立能够反映发电机组间同调程度的模糊相似矩阵;然后将其每行或每列输入A-K网络模型进行训 基金项目：国家自然科学基金。 Project Supported by National Natural Science Foundation of China. 练,最终竞争获胜的输出层神经元代表不同的动态类型,即不同的同调发电机组.最后在EPRI-36节点系统上分别对A-K法和A-K模糊聚类法进行了仿真计算，结果表明A-K模糊聚类 法的识别结果比A-K法更加接近基于时域仿真的结果，没有 出现误判，并且相比A-K法能在更大时间范围内对同调机群进行准确识别。 关键词:电力系统; A-K网络;模糊聚类;同调机群;同调识别 0 引言 电力系统同调机群的识别在电力系统动态特性研究中有着广泛的应用。发电机的同调是指在系统受到扰动后，发电机摇摆曲线具有相同的形式。同调机群的识别方法很多，最基本的方法是通过检验发电机在受到扰动后的摇摆曲线来判别同调[1];在此基础上又发展了摇摆曲线聚合法[2]，慢同调分区法[3]，相关系数法[4],自组织映射法[5-7]，模糊相关自组织数据分析算法(ISODATA) [8，9]，模糊等价法[10]等。这些方法各有缺陷，如公式推倒复杂，计算量大，或着不能用于大系统等。 其中模糊相关自组织数据分析算法(ISODATA)和模糊等价法属于模糊聚类的方法。实际上，系统并不存在严格意义的同调，何种程度的动态相似才算同调需要视研究的具体问题而定.根据电力系统的这一特点，把模糊聚类应用到同调识别有一定的优势。另外，同调机群的识别问题可以看作模式