电力系统短期负荷预测、网络拓扑阐明及相关问题研究.pdf

感 谢 本论文是匿家自然科学基金项目G69774◇02的支持下完成的。 感谢周鸿兴教授长期以来特别是我攻读博士学位期间的悉心的 指导和经费上的大力支持，使我的博士论文得以顺利完成。 感谢云昌钦教授、王良副教授及豳发中硕士在设备及实验数据 上的大力配合和支持，以及在理论的应用方藕的有益讨论。 还要感谢山东大学威海分校的领导及控制系的领导关心与帮助 以及在经费的使用、设备的使蹋和时阀的安排等方面对我的大力支 持。 最后要感谢我的妻子及我的女儿对我的学习和工作的理解及耐 心的支持。 摘要 …、奎论考竺夸喜2lil煎星塑亟孙塑堑盐坌堑、数字滤波器设计及神经网络的学习 等I司题论文共分五章·第一章对四部分内容的研究意义及国内步卜研究现状进行了分析 和概括。第二章研究电力负荷短期预测问题，提出一类基于混合模型神经网络的预测方 法。第三章研究电网拓扑分析问题，提出分析单元的有色Pet“网模型及基于Petri网的拓 扑分析算法。第四章研究数字滤波器的设计问题，提出FIR数字滤波器的两种设计算法。 第弓于石开謇神经网络的学习问题，从实现角度提出一种复至夏叵酾学习BP网络。 畸文提出的混合模型神经网络预测方法将传统的绣性模型和人工神经网螽葙ii否， 将负荷分为基本负荷分量、天气敏感负荷分量、节假日分量=奠随机分量，一部分分量用 线性模型来刻画，另一部分分量则用多层前向神经网络来描述，从而使得预测模型既具 有多层前向网络捕获复杂非线性变量关系的特性，又具有线性模型简单快速的优点。在 合适的模型训练算法下，建立的分量模型真正反映各负荷分量的变化．从而使建立的预 测模型具有较强的鲁棒性。仿真计算表明，Hh仆附预测模型可取得比线性模型及神经网 络方法好的预测效果。I小时以内、l天以内及1星期内的负荷预测达到平均绝对百分误 差小于1．5％、3％段4％的精度。 电网络拓扑分析就是实时处理网络中开关状态的变化，确定网络的母线及子系统。 本文把厂站电压等级的母线分析和系统网络分析问题都当作是一个基本的分析单元，提 出了一个基本分析单元的有色Petri网模型。用令牌表示母线(岛)，用令牌的颜色表示 连接在同一母线(岛)上的结点(母线)。基于这个Petri网的电网拓扑分析算法，当某 厂站电压等级的开关状态发生变化时，需重新计算这个厂站电压等级的所有母线。为此， 本文还提出了～种改进的基本分析单元Petri网，使得当开关状态发生变化时，只重新计 算受变化的开关状态影响的母线。基子改进Petri网的网络拓扑分析算法，提高了分析效 率。改进后的peIri网由控制部分和计算部分组成，控制部分模拟开关的闭合与断开操作． 计算部分模拟把结点加工成母线以及开关状态变化引起母线变化的动态过程。 本论文还研究了FIR数字滤波器的设计问题，提出一种直接由一组极值频率计算滤 波器系数的直接Remez算法，比标准的Remez设计算法简单明了，并达到了与标准Remez 算法相同的设计性能。本论文还提出一种采用递推最小二乘算法计算FR数字滤波器系 数的设计算法，由于算法不用计算矩阵的逆，且其中的协方差矩阵可以采用u—D分解进 行计算，保证了算法具有很好的数值特性。在合适的权函势下，用递推最小二乘算法能 ‘ 够设计出很好性能的FIR滤波器。 本论文最后研究了神经网络的学习问题，并从实现角度提出一种自学习神经元及自 学习BP网络。自学习神经元内有正向通道、反向通道及学习器，因而能够独立完成信息 的正向传播、误差的反向传播及参数的修正。由自学习神经元组成的自学习BP网络可以 真正做到正向传播信息、反向传播误差及学习的并行化。自学习神经元的学习器采用面 向神经元的算法，不同的神经露可以采用不同的学习算法，构成各种学习策略，极大地 提高了BP网络学习的灵活性。j Electrjc Load Network Forecasting，Power TbpologyAnalysis andReIatedProblems