基于模糊神经网络的电力系统电压稳定评估

设计了一个多输入单输出的模糊神经网络,通过计算带静止无功补偿器电力系统的负荷能力极限,对系统的电压稳定性进行评估,有功与无功负载的不确定性、有功与无功发生器、母线电压以及SVC的参数都被考虑进来。首先,Kohonen自组织变换聚类所有节点的有功和无功负荷来减少输入量个数,这样就限定了网络的大小减少了计算量。其次,采用一种混合非线性隶属度函数,将输入变量模糊化。最后,设计一个模糊输入的三层前馈神经网络进行训练评定电力系统的负荷能力裕度。     

以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法

根据电力系统短期负荷预测的特点,采用神经网络与模糊逻辑互补的方法建立了负荷预测模型.通过粗糙集理论中的信息熵概念对神经网络的输入参数进行了筛选,以与待预测量相关性大的参数作为输入,不仅减少了神经网络的工作量,缩短了计算时间,而且提高了预测的准确性;在神经网络中,通过引进动量系数和遗忘系数优化网络,提高了ANN的收敛速度;在模糊逻辑中,充分利用了人们对负荷变化取得的主观经验,引进不平均隶属函数,来反映负荷对温度的敏感性.     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

基于分解的智能优化算法在电力系统无功优化中的仿真研究

电力系统无功优化是一个多目标优化问题,在传统无功优化模型的基础上,建立了以有功网损最小和无功补偿成本最少为目标函数的多目标无功优化仿真模型.采用MOEAD算法求解多目标无功优化模型.仿真结果表明,采用MOEAD算法求解多目标无功优化问题,能够有效降低有功网损,减少无功补偿成本,而且计算速度快、计算性能好.     

基于模糊神经网络的电力系统预想事故排序方法

提出了一种基于模糊神经网络的电力系统预想事故排序新方法。该方法首先定义了反映预想事故严重程度的有功性能指标,同时构造3层人工神经网络(ANN)并采用误差反向传播(BP)算法加以训练;其次对ANN的输入用模糊神经网络进行特征选择,减少了输入层和中间隐含层的神经元个数及训练时间;最后通过IEEE 30节点系统验证了所提方法的有效性,仿真结果说明采用模糊神经网络进行输入量特征选择预处理可减少神经网络的训练时间。     

计及风电与负荷不确定性的电力系统无功随机优化调度

随着风电渗透率的不断增大,风电的不确定性给电力系统安全稳定运行带来了严重影响。含风电电力系统无功优化调度为非线性混合整数规划问题,在满足多个约束的同时,确定了电力系统无功控制参数的最优值,以优化特定的目标函数。建立了计及风电与负荷不确定性的电力系统多目标无功随机优化调度模型,设置了两个目标函数：有功功率损耗最小化、电压稳定指标最小化。采用ε约束优化方法求解多目标优化模型,利用模糊满意度方法选择最优折衷解。设计了两种不同案例在IEEE-57节点系统上进行仿真。仿真结果表明所提模型及方法可有效解决含风电电力系统无功优化调度问题,显著降低有功损耗,提高系统电压稳定性。     

基于相空间重构和长短期记忆算法的电力系统无功负荷预测模型

为了优化无功控制策略,改善电压质量,减小网损,针对无功负荷的随机性与非线性,提出一种基于相空间重构和长短期记忆神经网络的无功负荷预测模型。利用C-C 法确定最优重构维数和延迟时间;通过计算最大Lyapunov指数说明无功负荷的混沌性;利用相空间重构技术将无功序列映射到高维空间,在高维空间利用长短期记忆神经网络进行预测;最后以海南省某地区的有功及无功负荷数据为例,通过Kolmogorov熵证实无功负荷的混沌程度大于有功负荷的混沌程度,算例验证了该方法的可行性,能提高无功负荷预测结果的准确度,有利于对电力系统无功进行更合理的调配和控制。     

基于减法聚类的模糊神经网络负荷建模

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.     

双目标日有功经济负荷分配的模糊算法

构建了以全网煤耗最小、成本节约最大为双目标的日有功经济负荷分配模型.将模糊理论与线性规划方法结合,得出了求解双目标、大规模、非线性电力系统日有功经济负荷分配模型的有效方法.对IEEE-30节点系统进行的仿真计算表明,所建立的模型和算法有效可行.     

模糊神经网络在电力系统中的应用

为弥补模糊控制和神经网络这两种人工智能技术上的不同特点和适用范围的不同,将这两种智能控制技术进行结合形成模糊神经网络,并应用于电力系统中。对电网中的无功偏差和有功损耗最小作为控制目标进行控制,以电压和无功功率在合适范围内进行条件约束,验证控制后的实际输出和期望值的比较,结果表明模糊神经网络对提高电力系统的电能质量具有重要的现实意义。