谐波的产生_电力谐波分析_谐波分析法(7)

ANN具有较强的学习能力和并行处理能力。自适应人工神经网络必须在已知系统的精确基波频率才能进行精确的谐波分析；而多层前馈自适应人工神经网络的训练过程不确定，在应用之前一般需要进行大量的训练，且该网络的神经元较多，计算量较大【25~28】。该方法在实际应用时一般与其他算法相结合应用。当信号中存在噪声时该方法计算精度大幅度降低。5 支持向量机法 SVMVectorMachine，SVM 在是在统计学习理论的基础上，支持向量机 Support提出的一种模式识别的新方法，它根据有限的样本信息，在模式的复杂性和学习能力之间寻求最佳折中，以获得最好的泛化能力。SVM根据结构风险最小化原则，尽量提高学习的泛化能力。该算法是一个凸优化问题，所以其局部最优解一定是全局最优解。该算法在没有异常噪声的情况下和有大量异常噪声干扰相的情况下都有相当高的分析精度，不足之处在于模型参数的选择或采样时间序列的统计量需要先验知识【29，30，311。1．3．2负荷谐波建模的现状1．3．2．1建模方法电力系统负荷建模依靠两种基本方法获取数据和综合负荷特性，统计综合法和总体测辨法。统计综合法又称基于元件的方法。它通过系统中负荷组成数据和典型负荷特性，得到负荷的聚合模型。

特定地区的负荷组成数据，包括负荷类别组成和各类1绪论负荷中各种负荷元件的组成数据。统计工作是一项非常复杂的工作，由于负荷存在着时变性的特点，所以很难获取每时每刻的负荷组成，只能选取各种特定的时间负荷组成，这种方法很难反映负荷的时变特性。各种负荷的典型特性，可以方便地在实验室进行实验获取，缺点是各种厂家生产的用电设备的特性存在着差异，电动机的负载特性也存在着差异，典型参数的获取及其适用范围也是困难的问题。总体测辨法又称为基于测量的方法。选择具有代表性的变电站和馈线展开测量工作，以获取综合负荷的电压和频率特性。把负荷作为一个整体，通过人为扰动试验或监视，记录扰动数据。选取一定的模型结构，利用测量的数据进行参数辨识。这种方法也称为灰箱建模法，模型的结构是预先选定的。总体测辨法的主要优点是不需要繁杂的统计工作，工作量小，通过长时间进行大量的测量可以反映负荷随时间、季节等因素变化情况。由于正常情况下系统的扰动很小，而负荷自身也存在着扰动，量测数据存在着较大的噪声。模型的辨识具有一定的困难。1997年，美国电科院和新墨西哥州公共 PSNM 的联合研究项目，通过馈线量测数据辨识线路上的负荷组成。

新墨西哥州的试验大致是这样的：首先在该地区负荷馈线上安装负荷特性记录仪，馈线端的负荷组成成分己知；设计了一种方法从试验和自然扰动数据中辨识出包括白炽灯、放电灯、大感应电机、小感应电机、电子产品负荷等在内的各种负荷成分的组成比例；试验表明，获得的比例与实际的比例一致。2002年，美国电科院 EPRI 根据在新墨西哥州的试验结果招标启动一个名为《基于量测的负荷建模》的项目。该项目是立足于基于元件的建模方法，试图将基于量测的方法结合进来。它代表了一种趋势，即基于元件和基于量测两种建模方法的开始走向融合。总体测辨法在得到现场量测数据后，确定负荷模型结构后，就是一个参数辨识问题。在辨识准则确定之后，转化为一种数值优化问题。可供选择的准则有：最小二乘、最大似然、最小方差等，普通采用的准则是最小二乘。可以采用求解非线性最小二乘问题的牛顿法、阻尼最小二乘法，也可以采用非线性优化方法，如最速下降法、共轭梯度法、变尺度法、直接法等。文[32】区分了基于模型回响辨识和基于系统回响辨识，指出在负荷建模中应采用基于模型回响的辨识。近来研究较多的遗传算法也在负荷模型参数辨识中有所应用。1．3．2．2模型结构Task负荷建模工作者提出了大量的负荷模型，IEEE Force95中给出了大部分的模型，并且给出了其适用范围。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-29327-7.html