基于改进遗传编程的负荷建模研究

发布时间：2017-09-09 16:18

  本文关键词：基于改进遗传编程的负荷建模研究

  更多相关文章： 电力系统 负荷模型 遗传编程 静态建模 动态建模

【摘要】：在电力系统的分析和研究中,时常需要用到电力系统数字仿真,它具有经济、便捷等特点而被作为优先考虑使用的分析工具。电力系统由发电机、励磁调节和电力负荷等元件构成,各元件的数学模型精确度都会影响电力系统数字仿真的结果,在实际电力规划、研究分析当中应恰当使用,若使用不当,甚至可以得到截然相反的特性。在实际的工程应用当中,负荷模型的建立需要依靠建模工作者先前的知识和经验。同时,负荷由各类不同负荷特性的电器组成使综合负荷呈现出多样、分散等特点,导致负荷模型的精确度经常受外界影响,使得出的结论不够准确,偏差较大。随着电力系统的飞速发展,各类电力模型研究的不断深入,负荷建模也应作出大的跨步,需要更多的科研工作者投入进来。负荷建模研究至今,常见的有三种建模方法即总体测辩法、统计综合法、以及依靠测量技术为基础的故障拟合法,其中第一种总体测辩法的应用最为广泛,建模过程便捷、模型真实可靠,但建模时需要知道现场实测的扰动数据然后再进行模型结构的确定和参数的辨识。相对于传统的先确定负荷模型结构再进行模型参数辨识的建模方法,使用遗传编程进行负荷建模可不用预先设定模型结构,根据输入输出变量自动生成不同的拟合函数,根据其适应度进行排序寻找最为精确的拟合函数进行建模。遗传编程在运行时会根据所设定的函数、终止符集来随机生成不同的初始群体,对本文来说即不同的负荷模型表达式。它与遗传算法有着许多相同与不同之处,它们都采用了遗传机制,但遗传编程以分层树结构来表示所希望解决的问题比遗传算法更加具有层次化和灵活性。遗传编程在计算时会随机组合不同的负荷模型结构,然后依据实测数据求出拟合值,并搜寻最佳的个体,其过程实际为将所得拟合值与实测数据进行对比找出拟合程度最好的负荷模型。本文创新性的使用改进的遗传编程算法进行了负荷的建模工作。首先对算法中种群适应度计算过程进行了优化,一定程度上提高了进行遗传编程负荷建模时的精确度和效率。其次建立了静态负荷模型并将所建立的静态负荷模型与传统建模方法所建立模型进行对比,说明了该方法的有效性、实用性。最终采用改进遗传编程进行动态负荷建模,通过研究证明了采用改进遗传编程进行动态负荷建模的可实现性。
【关键词】：电力系统 负荷模型 遗传编程 静态建模 动态建模
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM714;TM743
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-17
• 1.1 电力系统负荷建模的研究背景和意义10-11
• 1.2 电力系统负荷建模的发展和现状11-13
• 1.3 遗传编程的研究背景和意义13-15
• 1.4 本文的研究内容15-17
• 2 负荷模型的结构及参数辨识17-36
• 2.1 负荷模型的结构研究17-25
• 2.1.1 静态负荷模型17-19
• 2.1.2 动态负荷模型19-23
• 2.1.3 综合负荷模型23-25
• 2.2 负荷模型的参数辨识25-33
• 2.2.1 负荷模型参数辨识的原理25-26
• 2.2.2 负荷模型参数辨识的方法26-28
• 2.2.3 静态负荷模型的参数辨识28-29
• 2.2.4 动态负荷模型的参数辨识29-33
• 2.3 常见设备负荷特性研究33-35
• 2.4 小结35-36
• 3 遗传编程及其改进36-50
• 3.1 遗传编程的基本理论36-47
• 3.1.1 遗传编程的理论描述36-37
• 3.1.2 遗传编程与遗传算法的异同37-38
• 3.1.3 个体的描述方法38-39
• 3.1.4 初始群体的生成39-42
• 3.1.5 遗传算子的操作42-45
• 3.1.6 适应度评价与终止准则45-47
• 3.2 遗传编程的基本参数47
• 3.3 遗传编程的改进47-49
• 3.4 小结49-50
• 4 改进遗传编程的静态建模研究50-56
• 4.1 实验环境的选择50-51
• 4.2 静态建模仿真实验51-54
• 4.3 仿真结果对比分析54
• 4.4 小结54-56
• 5 改进遗传编程的动态建模研究56-61
• 5.1 基本参数设置56
• 5.2 动态建模仿真实验56-59
• 5.3 小结59-61
• 6 结论与展望61-63
• 6.1 结论61
• 6.2 展望61-63
• 参考文献63-66
• 致谢66-67
• 个人简历、在学期间发表的学术论文及研究成果67

【相似文献】

中国期刊全文数据库 前10条

1 李良敏,屈梁生;遗传编程在无量纲指标构建中的应用[J];西安交通大学学报;2002年07期

2 陈月辉,董吉文,史奎凡;利用遗传编程的符号表达式逼近任意非线性函数[J];山东建材学院学报;1998年02期

3 刘健勤,魏敏洁,蔡自兴;遗传编程的软件工程设计策略[J];中南工业大学学报(自然科学版);1999年05期

4 葛智平;秦睿;张顺;惠晨;;基于遗传编程的火电机组煤耗特性建模研究[J];计算机仿真;2013年12期

5 王锋,屈梁生;用遗传编程方法提取和优化机械故障的声音特征[J];西安交通大学学报;2002年12期

6 张翔;刘妮娜;尹雄锐;阮燕云;;遗传编程在降雨径流模拟中的应用研究[J];水电能源科学;2008年05期

7 徐哲,白焰;基于遗传编程的非单调非线性系统辨识[J];自动化仪表;2003年12期

8 刘健勤;魏敏洁;刘其兴;蔡自兴;;基于谓词逻辑和约束网络结构的遗传编程方法[J];中南工业大学学报;1997年05期

9 胡勤;张清华;覃爱淞;孙国玺;;遗传编程和加权证据理论融合的旋转机械故障诊断[J];机械传动;2014年04期

10 尹文君,刘民,吴澄;随机故障下单机鲁棒调度算法的遗传编程方法[J];清华大学学报(自然科学版);2005年01期

中国重要会议论文全文数据库 前1条

1 李少波;胡建军;陈茜;;基于自适应机制的遗传编程可持续性进化算法[A];第二十七届中国控制会议论文集[C];2008年

中国博士学位论文全文数据库 前2条

1 蒋毅恒;基于遗传编程的协调控制系统建模和设计[D];华北电力大学（北京）;2008年

2 袁晓磊;基于遗传编程的系统辨识研究[D];华北电力大学（北京）;2010年

中国硕士学位论文全文数据库 前10条

1 王俊;基于改进遗传编程的负荷建模研究[D];郑州大学;2016年

2 潘小海;遗传编程的改进及其在符号回归中的应用[D];长沙理工大学;2010年

3 吴鹏;基于语法引导遗传编程的神经树的研究与应用[D];济南大学;2007年

4 谢骋;基于遗传编程的拥挤场景的视频异常行为检测[D];南京大学;2015年

5 徐哲;基于遗传编程的非单调非线性系统辨识[D];华北电力（北京）大学;2002年

6 唐硕;基于演化硬件的遗传编程改进研究[D];西安电子科技大学;2012年

7 郑盼丽;基于文法引导遗传编程的分类算法的研究与应用[D];湖南大学;2012年

8 孙波;基于遗传编程和键合图的机电系统非线性对象辨识与优化[D];贵州大学;2008年

9 李sソ，

本文编号：821468