混沌神经网络理论在负荷建模中的应用

针对现代电力系统条件下系统稳定性对负荷建模的新要求,分析了电力系统中的混沌现象和传统建模方法的不足,将混沌神经网络理论引入到负荷建模的研究中,提出了利用混沌神经网络理论进行负荷模型参数辨识的数学模型和算法。     

基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究

负荷建模是电力系统建模中亟待解决的难题。负荷特性数据、负荷模型结构以及参数辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型参数辨识方法。实测数据验证结果表明,该方法相对于常用的粒子群算法及量子粒子群算法在计算精度、收敛速度等方面都具有明显优势,应用于负荷模型参数辨识提高了负荷模型的准确性。     

基于神经网络的电力系统负荷特性辨识

负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP（LBP）网络的参数辨识方法,分别对静态负荷模型（幂函数模型、多项式模型）和动态负荷模型（差分方程模型）的参数进行辨识。通过现场的实测数据辨识了模型的参数,并验证了模型的有效性。     

电力系统中的混沌研究与混沌应用

混沌作为一个新的研究方向，已渗透到自然科学和社会科学的各个领域。混沌在电力系统的研究虽然只有近20年，但已有大量的混沌现象被研究，如机电系统混沌振荡，以及分叉、混沌与电压骤降，电力经济中的混淹，水轮发电机组调速系统中控制器参数诱发的混沌等。人们在研究和分析、抑制混沌的同时，又在电力系统中应用混沌，如混沌应用于电站经济运行最优负荷分配、静态负荷模型辨识、模糊电力系统稳定器的参数优化以及短期负荷预测，从而全面开创了电力系统混沌的研究、分析与利用新局面。对电力系统中混沌的研究与利用进行了较为全面的分析和总结，对于推动电力系统的混沌研究具有一定的意义。     

基于RBF循环神经网络的电力系统负荷建模

针对负荷模型难以精确建立的问题以及负荷非线性动态仿真的复杂性，提出了一种基于径向基循环神经网络的负荷建模方法。将循环神经网络和径向基网络相结合，利用循环神经网络对时间序列的学习能力和径向基网络具有结构自适应确定、快速收敛的优点，建立新的电力系统综合负荷模型。典型新英格兰测试系统的仿真证明了该模型对电力系统负荷模型辨识的有效性和准确性。     

基于最小二乘法引导的信赖域算法在电力系统动态负荷参数辨识中的应用

针对暂态电压稳定分析中动态负荷参数辨识问题,以考虑机械暂态过程的动态负荷模型为研究对象,结合最小二乘算法思想,构建动态负荷参数辨识模型,提出将基于二次插值的信赖域算法应用于电力系统动态负荷参数辨识中。IEEE的3机9节点标准模型仿真验证结果表明所应用的算法有效且可行。     

基于特征提取的负荷模型参数相关性规则挖掘

负荷建模对电力系统仿真和分析非常重要,其中负荷模型参数辨识是负荷建模的关键环节,因而大量的研究工作集中在负荷模型参数辨识方面,但针对辨识所得负荷模型参数的分析研究却很少。为了进一步挖掘辨识所得大量负荷模型参数潜在的规律性,提出采用支持向量聚类(support vector clustering,SVC)和决策树分类(decision tree classification,DTC)的方法。首先,通过Matlab电力系统仿真分析工具箱PSAT(power system analysis toolbox,PSAT)得到仿真数据,然后利用仿真所得动态数据辨识得到相应的负荷模型参数。在得到不同场景下的负荷模型参数后,采用支持向量聚类算法为每一个样本添加类别标签。随后,通过决策树来展现负荷特性类别标签与不同条件属性之间的相关性规则。最后,WSCC 3-机、9-节点系统的仿真结果表明了所提算法对负荷模型参数校验和预测的有效性。     

基于MA-LSTM的短期负荷预测方法*

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度，采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征；对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数；最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明，和BP、LSTM、PSO LSTM及SSA-LSTM方法相比，所提方法具有更高的预测精度，为电网安全稳定运行提供了有力保障。     

电力系统负荷建模中的小波神经网络新技术

电力系统负荷建模对电力系统规划，运行和控制决策起着关键的作用，讨论了负荷建模的基本方法，以及电力系统负荷建模和参数辨识中的小波神经网络新技术，反映了小波变换在系统负荷建模中的应用前景。     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.     

BP算法在功率耦合负荷建模中的应用

负荷模型的准确性对于电力系统仿真分析至关重要。针对目前负荷模型无功方面的研究较为薄弱的问题，提出一种功率耦合型的人工神经元网络负荷建模方法，首先利用传统方法建模，构造样本空间，即以恒阻抗模型和一阶电动机模型构成的综合负荷作为负荷模型，其时域仿真潮流解作为训练样本，然后以BP算法训练神经网络，利用训练好的网络来仿真负荷功率。结果显示，当网络输出为负荷有功功率和负荷无功功率共同构成的二维向量时，可使负荷模型无功方面的精度有较大的提高。     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。     

Identification of power system load dynamics using artificialneural networks

Power system loads are important in the planning and operation of an electric power system. Load characteristics can significantly influence the results of synchronous stability and voltage stability studies. This paper presents a methodology for the identification of power system load dynamics using neural networks. Input-output data of a power system dynamic load is used to design a neural network model which comprises delayed inputs and feedback connections. The developed neural network model can predict the future power system dynamic load behavior for arbitrary inputs. In particular, a third-order induction motor load neural network model is developed to verify this methodology. Neural network simulation results are illustrated and compared with the actual induction motor load response     

基于混沌学习算法的神经网络短期负荷预测

基于混沌理论对电力负荷的复杂时间序列进行分析,得出该时间序列属于混沌序列的结论,就此提出了一种新的神经网络（NN）学习算法——混沌学习算法。该算法中的混沌轨道的游动性有利于系统跳出局域极值的束缚而寻求全局最优,这样克服了前馈NN 的BP学习算法所存在的本质问题,使NN训练的收敛性好、速度快、误差小。文中通过对实际系统负荷预测结果,与BP算法预测结果比较,证明了混沌学习算法的电力负荷短期预测具有明显好的效果。