基于改进DE算法的负荷建模参数辨识

负荷建模对电力系统运行及其控制起着重要的影响,主要有基于元件和基于量测两种建模方法.基于量测的负荷建模已广泛用于实践中,当考虑负荷的时变性后,基于量测的负荷建模即成为数学优化问题.因此,寻找到有效可靠的优化方法用于负荷建模参数辨识具有重要的现实意义.微分进化(DE)算法具有全局寻优能力,对初值不敏感,经改进后还可以加快收敛速度并防止出现早熟现象,因此可用于负荷建模参数辨识实践中.将DE算法用于负荷建模参数辨识实践中,在现有改进算法的基础上,借鉴遗传算法引入移民策略以防止早熟现象,通过对两个实测建模参数辨识实例的分析,表明经改进后的DE算法具有比改进遗传算法、蚁群算法和粒子群算法更好的性能.     

基于改进DE算法的负荷建模参数辨识

负荷建模对电力系统运行及其控制起着重要的影响,主要有基于元件和基于量测两种建模方法。基于量测的负荷建模已广泛用于实践中,当考虑负荷的时变性后,基于量测的负荷建模即成为数学优化问题。因此,寻找到有效可靠的优化方法用于负荷建模参数辨识具有重要的现实意义。微分进化（DE）算法具有全局寻优能力,对初值不敏感,经改进后还可以加快收敛速度并防止出现早熟现象,因此可用于负荷建模参数辨识实践中。将DE算法用于负荷建模参数辨识实践中,在现有改进算法的基础上,借鉴遗传算法引入移民策略以防止早熟现象,通过对两个实测建模参数辨识     

实测冲击负荷建模新方法

针对冲击负荷具有时变性、功率需求主动性以及波动频繁性等特点,本文采用基于实测的冲击负荷模型结构,将多曲线拟合与多目标优化两者相结合,改进了冲击负荷参数辨识的目标函数,提出了一种参数辨识的新方法。在此基础上,用快速非支配排序遗传算法NSGA2(non-dominated sorting genetic algorithm)对实测数据进行参数辨识,得到Pareto解集。研究表明该建模策略能有效地反映冲击负荷的冲击特性,辨识结果与实测数据能较好地吻合,同时也验证了该辨识算法的可行性。     

基于Lemke优化算法的负荷静态模型参数辨识

在分析传统优化算法不足的基础上,提出了基于二次规划的Lemke优化算法的负荷静态模型参数辨识新方法。详细描述了最小二乘法、拉格朗日乘数法及Lemke 3种算法的原理。通过对电力负荷元件进行静态故障模拟,在系统辨识原理的基础上,运用最优化理论的Lemke辨识算法,对实验故障数据进行负荷建模和参数辨识,并列出了日光灯、电风扇、空调及三者组合的静态特征参数。分析结果表明:由于电器设备的制造工艺不同,不能照搬国外软件提供的参数,而应采用实测参数;基于Lemke的优化算法拟合效果较理想,避免了局部最优,且辨识时间少;基于Lemke的优化算法避免了辨识参数的分散性,参数结果与初值选择无关。     

基于Lemke优化算法的负荷静态模型参数辨识

在分析传统的优化算法的不足的基础上,提出了基于二次规划的Lemke优化算法的负荷静态模型参数辨识的新方法.通过对电力负荷元件进行的静态故障模拟,在基于系统辨识的原理的基础上,运用最优化理论的Lemke辨识算法,对实验故障数据进行负荷建模和参数辨识,辨识结果证实了该方法的正确性和有效性,且该方法比传统的优化算法具有更高的精度和快速收敛的优势,为负荷静态模型提供了一种更为有效的参数辨识方法.通过对不同的用电高峰时刻的静态负荷成分的模拟,辨识的参数对实际的电网运行具有参考指导意义.     

改进的遗传算法辨识综合负荷模型

以基于实测数据的电力系统综合负荷建模为目标,研究了遗传操作和控制参数选择对遗传算法性能的影响。针对基本遗传算法的不足,设计了比例选择策略和线性自适应变异策略,对遗传算法的选择算子和变异算子进行改进,使得遗传算法能够根据个体自身的适应度值进行选择和自适应地调整变异概率,实现方式简单有效。选用TVA综合负荷模型,使用改进的遗传算法进行负荷模型参数辨识,同时在不改变负荷模型结构的前提下,通过调整待辨识参数及其取值范围,考虑无功补偿的影响。利用现场实测数据进行建模,结果表明,改进后的遗传算法改善了优化过程,对加速收敛、缩短辨识时间均有显著作用,适用于负荷建模。     

动态负荷模型多曲线拟合参数辨识

针对负荷的时变性问题，提出了应用动态负荷模型的多曲线拟合参数辨识方法，讨论了多曲线拟合参数辨识成立的前提条件，解决了负荷模型结构上的主要困难，并结合遗传算法和单纯形算法提出了一种综合参数辨识算法。多曲线拟合参数辨识方法实现了负荷建模从特定模型到一般模型的突破，同时，该方法还能够给出建立的负荷模型表征误差的估计值。文中给出了该算法在工程中的实际应用情况，并以一个具体应用实例说明了该方法的有效性。     

基于改进NSGA-Ⅱ算法的电厂多目标负荷分配

针对电厂负荷分配通常以经济性单目标进行优化的局限性,综合国内外研究情况。确定了以负荷分配中的经济性和快速性为目标建立多目标优化的数学模型。运用改进的NSGA-Ⅱ算法求解负荷分配问题,得到Pareto最优解集,并引入模糊优化理论将优化得到的Pareto最优解集进行隶属度计算得到最优解。实例运行结果表明,该优化方法是正确的、有效的。     

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。     

基于进化计算的类噪声负荷辨识改进方法

文章提出一种有别于传统负荷模型的非仿真模型辨识模型,并成功将其应用于电力系统日常负荷数据辨识,在此基础上从系统辨识角度定义为Hammerstein-Wiener模型,并从模型结构、算法初值策略、差分进化算法算子和基本性质等方面进行综合改进和证明。该方法显著提高了Hammerstein-Wiener模型的精度和算法的收敛速度,并证明其在优化过程中不会出现如以往模型优化中常出现的数值问题,经多角度分析验证,该完整有效的分析流程适用于类噪声负荷辨识,对负荷建模具有重要意义。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

基于改进微分进化算法的负荷模型参数辨识

为了提高电力系统中负荷模型的精确度,提出了一种改进的微分进化算法(IDE)以辨识负荷模型参数。采用不依赖于优化问题的控制参数自适应调整机制,同时考虑搜索速度和搜索精度,使算法摆脱后期易于陷入局部极值点的束缚,克服了微分进化算法参数调整困难的不足,提高了算法的寻优能力。将改进算法应用于静态负荷模型参数辨识的工程实例并与其他算法对比的结果表明,改进DE算法的全局搜索能力强,搜索精度高。     

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。     

一种改进遗传算法及其在负荷建模中的应用

在基于量测的电力负荷建模中,模型参数辨识结果的分散性是困扰模型应用的难题,其解决途径之一是在确定合理的模型结构和进行合理的时变性综合前提下,采用具有全局寻优特性的优化算法。遗传算法是一种具有全局寻优能力的随机搜索算法,但其本身存在收敛速度慢和易早熟的缺陷。为此,提出一种改进的遗传算法,它包括精英策略,交叉策略和移民策略,具有克服早熟、避免近亲繁殖和自适应的优良特性。建模实例表明,提出的改进遗传算法在精度、参数稳定性和计算时间上都远远优于基本遗传算法。     

电力负荷模型结构的样条函数描述

提出了用一系列简单函数分段或分区描述大幅度电压变化情况下负荷、变结构负荷和复杂非线性负荷特性的样条函数模型。介绍了一元样条函数模型参数辨识的样条最小二乘法,提出了确定样条函数模型中多项式系数和内节点数值的参数辨识的2层优化算法,其中内层优化问题为内节点数量和数值确定情况下的多项式系数的辨识,外层优化问题为内节点数值的辨识,问题求解采用步长加速法。通过改变样条函数模型中多项式的阶次、内节点数目和内节点数值,可用样条函数模型灵活方便地描述许多复杂的电力负荷特性,并且具有传统数学模型的简单结构和形式,为模型结构或形式未知情况下的负荷建模提供了新的途径。仿真建模实例证明了所提模型与算法的有效性。     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM模型,再通过改进的模拟退火算法（improved simulate anneal,ISA）对LSSVM中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于改进型SVR的电网短期负荷预测

常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取,其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响,将粒子群优化算法和混沌机制引入常规人工鱼群算法,对其进行改进,可以提高种群多样性和全局寻优能力,避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明,所研究的短期负荷预测精度较高,具有较好的工程应用价值。     

Bat inspired algorithm based optimal design of model predictive load frequency control

Bat inspired algorithm (BIA) has recently been explored to develop a novel algorithm for distributed optimization and control. In this paper, BIA-based design of model predictive controllers (MPCs) is proposed for load frequency control (LFC) to enhance the damping of oscillations in power systems. The proposed model predictive load frequency controllers are termed as MPLFCs. Two-area hydro-thermal system, equipped with MPLFCs, is considered to accomplish this study. The suggested power system model considers generation rate constraint (GRC) and governor dead band (GDB). Time delays imposed to the power system by governor-turbine, thermodynamic process, and communication channels are accounted for as well. BIA is utilized to search for optimal controller parameters by minimizing a candidate time-domain based objective function. The performance of the proposed controller has been compared to those of the conventional PI controller based on integral square error (ISE) technique and the PI controller optimized by genetic algorithms (GA), in order to demonstrate the superior efficiency of the BIA-based MPLFCs. Simulation results emphasis on the better performance of the proposed MPLFCs compared to conventional and GA-based PI controllers over a wide range of operating conditions and system parameters uncertainties.     

A Novel Parameter Identification Approach via Hybrid Learning for Aggregate Load Modeling

Parameter identification is the key technology in measurement-based load modeling. A hybrid learning algorithm is proposed to identify parameters for the aggregate load model (ZIP augmented with induction motor). The hybrid learning algorithm combines the genetic algorithm (GA) and the nonlinear Levenberg–Marquardt (L-M) algorithm. It takes advantages of the global search ability of GA and the local search ability of L-M algorithm, which is a more powerful search technique. The proposed algorithm is tested for load parameter identifications using both simulation data and field measurement data. Numerical results illustrate that the hybrid learning algorithm can improve the accuracy and reduce the computation time for load model parameter identifications.      

线性连续系统动态负荷模型的参数辨识与应用

目前在电力负荷建模中非机理负荷模型较多地采用离散系统模型或差分方程形式的模型,而电力系统数字仿真中更需要连续系统的模型。研究了作用函数不含导数项和含有导数项两种情况下的线性连续系统微分方程形式的负荷建模方法,介绍了模型参数辨识的直接优化算法,该模型对于描述线性动态负荷或小扰动下的非线性动态负荷的行为,具有一定程度的普适性。介绍了该动态负荷模型与电力系统分析综合程序PSASP的自定义连接方法。通过动模实验数据建模和仿真计算,验证了模型参数辨识算法以及模型与电力系统分析综合程序接口的有效性。