大型电力系统的高准确度控制模型仿真分析

针对大型电力控制系统的非线性、时变性和规模大的特性,采用传统方法进行控制,控制的准确度与收敛速度较低。提出基于混沌理论和神经网络算法相融合的大型电力系统的高准确度控制方法。依据神经网络算法原理将二次型性能指标引入到加权系数的相关调整,获取输出误差及控制增量加权的约束条件,对神经元输出进行规范化处理,完成大型电力系统PID控制模型的构建。依据混沌优化理论,获得搜索的最优解及最优值,实现对大型电力系统的高准确度控制。实验结果表明,利用改进算法进行大型电力系统的高准确度控制,能够简化控制运算过程,提高控制的准确度,获取高品质的大型电力系统控制效果,满足了实际应用需求。     

基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究

提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。     

基于人工免疫加权支持向量机的电力负荷预测

提出了一种人工免疫加权支持向量机负荷预测模型,针对各训练样本重要性的差异,提出了给各个样本的参数赋予不同权重的加权支持向量机方法,并用人工免疫算法对支持向量机的核函数和参数进行寻优,从而很好的解决支持向量机应用中核函数和参数选择这一公认的难题,减少了人工凭经验选择的盲目性.经过仿真,证明了其在短期负荷预测中的有效性.     

基于人工免疫加权支持向量机的电力负荷预测

提出了一种人工免疫加权支持向量机负荷预测模型,针对各训练样本重要性的差异,提出了给各个样本的参数赋予不同权重的加权支持向量机方法,并用人工免疫算法对支持向量机的核函数和参数进行寻优,从而很好的解决支持向量机应用中核函数和参数选择这一公认的难题,减少了人工凭经验选择的盲目性。经过仿真,证明了其在短期负荷预测中的有效性。     

大型电力机组的恒温控制方法研究与仿真

针对大型电力机组进行恒温控制容易出现学习数据少、参数具有时变性的情况,提出一种基于改进模糊Q学习算法的大型电力机组恒温控制方法,分析了恒温控制原理,依据输入输出变量的模糊集,获取大型电力机组的恒温控制模糊规则,通过模糊Q学习算法对模糊规则进行修改,同时通过模糊推理避免状态空间的泛化,从动作集中找出最优动作,融入动作的回报值,获取一个完整的模糊规则库。仿真实验结果表明,所提方法具有很高的准确性及有效性。     

基于SVM的船舶航向广义预测控制

针对船舶航行存在的不确定性和风、流、浪等干扰,需要用非线性模型描述系统的动态特性,利用SVM在小样本情况下能以较高的精度建立非线性模型的优势,将SVM引入船舶航向的广义预测控制中,研究结果表明基于SVM的广义预测控制算法对船舶航向的控制具有较好的稳定性和鲁棒性,达到了保持航向的目的。     

T-S模糊模型的辨识与控制

提出了基于支持向量机和遗传算法的T-S模糊模型辨识,支持向量机具有很好的泛化能力,能自动确定T-S模型结构,通过遗传算法优化和估计系统参数。针对辨识出的T-S模型进行控制,控制器包括两个部分,权重最大子系统局部反馈控制和利用滑模控制设计的全局监督控制,能保证系统稳定。辨识和控制仿真结果证明了算法的有效性。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

大型变电站无功电压控制的离散模型

在大型变电站的二次母线装设可投切的补偿电容器组和带负荷可调分接头的主变压器相配合进行联合控制的连续模型的基础上,提出了无功电压双参数离散模型,利用该模型对一实际变电站无功电压控制进行了计算,并与连续模型的计算结果进行了比较。     

平面磨床的电力拖动控制模型研究与仿真

平面磨床的电力拖动控制系统是整个磨床电气控制的核心.是保证磨床稳定运行的关键。传统的平面磨床电力拖动控制模型采用基于PID神经元自适应控制的电力拖动控制系统和基于模糊控制理论的电力拖动控制模型,在磨床控制电压骤升时,输出功率出现差拍谐振,电力拖动稳定性下降,控制性能不好。提出一种基于改进PID无差拍控制的平面磨床电力控制模型,采用SPIDNN变结构理论,构建控制学习网络,设计平面磨床电力拖动系统的电力传动控制电路和驱动电路,设置迟滞控制算子。采用自适应算法在线调整权值,实现对电力拖动控制系统的无阻尼非线性控制,得到平面磨床电力拖动控制系统的电动机组的运行状态的SPIDNN最佳控制状态输出。仿真结果表明,该算法进行平面磨床的电力拖动控制,具有较高的电压和功率输出增益,控制性能和品质较优,克服了迟滞控制和重复控制,展示了较好的应用价值。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

两电机变频系统的支持向量机广义逆内模解耦控制

针对两电机变频系统非线性强耦合的特点,提出基于支持向量机广义逆内模控制的方法。对工作在矢量控制方式下的两电机变频系统数学模型进行广义逆存在性分析,从而得出系统广义逆数学表达式。通过支持向量机来辨识原系统的广义逆系统,然后对复合后所得到的伪线性系统引入了内模控制。该方法结合了支持向量机在小样本上具有良好的非线性建模能力和泛化能力,以及内模控制器易于在线设计的优点,同时兼顾系统的鲁棒稳定性,从而可以有效提高系统的控制效果。仿真和实验结果表明,该方法具有良好的动静态解耦性能,对外界扰动亦有很强的鲁棒稳定性。     

220kV变电工程结算阶段造价预测指标体系及模型研究

随着国民经济的稳步发展,电力需求持续增长,变电工程投资大,对其进行造价控制意义重大。对220kV变电工程结算阶段造价进行预测研究,首先建立了预测指标体系,并针对各指标费用深入识别了关键影响因素,进一步运用支持向量机方法,实现了对各类费用的预测。结果表明,预测偏差能保持在10%以内,效果良好。     

基于经验模态分解和支持向量机的短期风电功率组合预测模型

针对风速序列随时间、空间呈现非平稳性变化的特征,提出一种基于经验模态分解（empirical mode decomposition,EMD）和支持向量机（support vector machine,SVM）的EMD-SVM短期风电功率组合预测方法。该方法首先利用EMD将风速序列分解为一系列相对平稳的分量,以减少不同特征信息间的相互影响;然后利用SVM法对各分量建立预测模型,针对各序列自身特点选择不同的核函数和相关参数来处理各组不同数据,以提高单个模型预测精度。最后将风速预测结果叠加并输入功率转化曲线以得到风电功率预测结果。研究结果表明,EMD-SVM组合预测模型能更好地跟踪风电功率的变化,其预测误差比单一统计模型降低了5%~10%,有效地提高了短期风电功率预测的精度。     

基于动态降阶模型的电力系统非线性电压预测控制

传统电压控制多采用潮流方程,电压可能在到达事故后稳定运行点前的过渡过程中失稳,因此基于系统的动态模型进行电力系统电压控制十分必要。该文提出了一种基于动态降阶模型的非线性电压预测控制方法。为降低优化计算时间,结合电力系统的特点对经验Gramian平衡降阶方法加以改进,并应用改进的经验Gramian平衡降阶方法降低电力系统非线性动态模型的维数。为提高模型计算精度和数值稳定性,提出使用4阶收敛的Adams法替代欧拉法进行状态预测,建立基于降阶模型的多步预测-滚动优化模型。此外,在模型求解过程中使用温启动方法和较小的迭代次数限值N~(max)来减少迭代次数。以NewEngland 10机39节点电力系统对所提出的方法进行验证。结果表明,所提出的方法能够提高预测模型的数值稳定性,极大地降低模型求解时间,有利于提前响应系统中可预测的动态变化,维持系统电压稳定。     

双馈感应发电机转速的非线性模型预测控制

变速恒频风力发电中,双馈感应电机(double-fed induction generator,DFIG)工作在额定风速以下时,为获取最大风能,需调节发电机转速,使其迅速跟踪上不断变化的最佳转速。为减少控制参数整定的困难、减弱控制算法对DFIG模型的依赖,采用非线性模型预测控制方法实现对DFIG的转速控制。首先建立了基于最小二乘支持向量机方法的DFIG转速预测模型,然后利用粒子群优化算法进行滚动优化,最后通过预测误差进行反馈校正。试验结果表明,该方法具有较好的泛化能力和鲁棒性,动态性能和跟踪效果均比较理想。     

基于支持向量机回归的电力系统负荷建模

支持向量机（SVM）是当前一种比较流行的学习机,具有良好的理论背景,从结构风险最小化原则出发以快速寻找到全局最优的特点。针对当前负荷建模的不足,提出了运用SVM回归来进行电力系统的非机理负荷建模．并给出了负荷建模的具体步骤。与人工神经网络（ANN）对同一个线路负荷进行建模结果比较表明．基于SVM回归的建模效果优于ANN的建模结果,证明了运用SVM的回归进行电力系统负荷建模的可行性．也为电力系统的负荷建模提供了新的思路和方法,     

电力系统短期负荷预测方法研究综述

通过对国内外现状的研究,简述了短期负荷预测的特点和影响预测精度的各种因素,阐述了电力系统短期负荷预测的智能方法,分析比较了各种方法的优缺点。研究表明组合优选方法是电力系统短期负荷预测的发展趋势。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于BGSA算法的SVM分类模型设计研究

为了设计性能更优的支持向量机（SVM）分类模型,对影响其分类性能的参数和样本特征子集进行优化选择,对支持向量机理论和万有引力搜索算法（GSA）进行了研究,提出了一种基于二进制万有引力搜索算法（BGSA）的支持向量机分类模型构建方法,能够对影响支持向量机分类性能的相关参数及有效样本特征子集同时进行优化选择,获得最优组合解,并通过实验对其有效性进行了对比分析和验证。实验结果表明,所提出的BGSA-SVM分类模型能够有效提高支持向量机的分类性能,可进一步推广到工程实际中应用。