基于减法聚类的模糊神经网络负荷建模  

Fuzzy Neural Network Load Modeling Based on Subtractive Clustering

作　　者：李培强[1] 李欣然[1] 陈辉华[2] 唐外文[2] 

机构地区：[1]湖南大学电气与信息工程学院,长沙410082 [2]湖南电力调度通信中心,长沙410007

出　　处：《电工技术学报》2006年第9期2-6,12,共6页Transactions of China Electrotechnical Society

基　　金：高等学校骨干教师资助计划项目(教计司[2002]65号);湖南省教育厅重点项目(湘教通[2001]197号)

摘　　要：负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法。首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数。在此基础上建立综合负荷模型的模糊初始结构。通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模。通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义。Load model is a key factor to effect electric power stimulation. To obtain accurate load modeling, a new load modeling method is proposed in the paper, which is fuzzy neural network load modeling based-on Subtractive clustering. By analyzing input and output data, the paper sets up the mount function to classify its clustering number and adjust class center. In this way, the method confirms membership function parameters of the initial fuzzy load model. The method can obtain fuzzy rules through the neural network study to modeling data, optimize membership function parameter by amending the linkage proportion in the back prevalence algorithmo So it can identify the load model construct and attain optimal membership function parameter. The proposed method is proved valid by the engineering instance and it has high precision and fast convergence.

关 键 词：负荷建模 模糊系统 神经网络 减法聚类 

分 类 号：TM715[电气工程—电力系统及自动化]