数据驱动的变频空调负荷模型参数在线辨识方法

准确辨识空调负荷模型的参数是挖掘其节能及需求响应潜力的重要基础,当前研究大多采用精度较差的离线辨识方法。为此,基于数据驱动思想,提出一种变频空调模型参数在线辨识方法。首先,建立了数据驱动的空调负荷模型参数在线辨识架构。然后,基于空调负荷模型提出数据驱动的在线辨识机制和方法。其中,数据驱动的在线辨识机制设计为基于参数显著变化事件驱动的参数更新判别机制和基于历史参数波动范围的参数动态阈值设定机制,在该机制下通过粒子群优化算法建立了快速在线辨识方法。最后,通过实测环境,验证了所提在线辨识方法的有效性,与离线辨识方法相比,所提方法极大地提高了计算速度及准确度,可满足在线应用需要。     

基于广域测量系统的双馈风力发电机组在线参数辨识方法

随着电力系统广域测量系统(WAMS)的普遍应用,可以获得大量在线实测数据用于电力系统的计算与分析。本文基于WAMS实测数据对双馈风力发电机(DFIG)进行在线参数辨识方法研究。首先,建立了用于辨识的DFIG简化模型,并证明了基于WAMS实测数据的电力系统在线参数辨识是一个闭环辨识问题,运用预报误差法(PEM)可以解决闭环辨识问题。然后,提出了卡尔曼滤波法和数据转化法两种技术路线,对比了两者相同点和不同点。最后,通过宁夏电网风电场WAMS实测数据的仿真算例,证明了两种方法的有效性和可行性。     

分裂电池模型的在线参数辨识

分裂电池模型(SBM)是一种可消除状态变量间相互干扰的新型模型,但该模型的参数辨识一般采用传统的最小二乘法(RLS),无法实时跟踪模型参数,且RLS会出现数据饱和,导致辨识精度低,影响电池荷电状态(SOC)估算精度。针对这一问题,提出基于分裂电池模型的带遗忘因子的递推最小二乘法在线参数识别方法,该方法能够实现模型参数的在线识别并提高辨识精度,基于辨识的模型参数利用无迹卡尔曼滤波(UKF)算法估算SOC,从而提高电池SOC估算精度。实验结果表明,采用带遗忘因子的递推最小二乘法可提高模型参数的估算精度,并有效改善SOC的估算效果。     

基于自适应互联扩展卡尔曼观测器的永磁同步直线电机高精度抗干扰在线多参数辨识

该文研究一种新型自适应互联扩展卡尔曼观测器,以实现永磁同步直线电机(permanent magnet synchronous linear motor,PMSLM)高精度抗干扰在线多参数辨识。首先,为了减轻测量噪声和参数耦合误差对辨识精度的影响,建立包含干扰的多参数互联耦合补偿辨识模型;其次,基于此模型设计互联式观测器来实现PMSLM多参数在线辨识,利用扩展卡尔曼滤波(extended Kalman filter,EKF)算法优化观测器中的增益矩阵,消除测量噪声误差,获得高精度的辨识结果;再次,构造一种自适应率函数动态调整传统EKF中固定的噪声协方差矩阵,提高观测器的抗扰动性能;然后,使用考虑互联式观测器模型误差的离散李雅普诺夫函数验证观测器的稳定性;最后,搭建基于半实物AD5435的PMSLM参数辨识系统,通过仿真和实验,验证该文观测器的有效性。     

感应电动机模型参数在线辨识的UKF算法

针对高阶非线性动态系统参数估计的非线性特征,介绍了无味卡尔曼滤波(UKF)算法。在给出了UKF的算法描述的基础上,从一般意义上讨论了无味变换(UF)仅用有限的参数来近似随机变量的概率统计特征,避免了传统的通过线性化来估计非线性系统而带来的误差,进而将该算法用于电力系统感应电动机动态负荷模型的参数估计。算例利用某电网同步相量测量(PMU)采集数据,利用所提算法实时跟踪模型参数,结果表明该算法能够实时有效地辨识出感应电动机负荷模型的参数,有望在实际工程中得到应用。     

无迹卡尔曼滤波算法在短期负荷预测中的应用

电力系统短期负荷一般随着时间的变化呈现一定的范围性、非线性的波动。对于非线性短期电力负荷,传统的卡尔曼滤波预测方法难以取得令人满意的结果。为了快速准确高效地预测非线性电力负荷,研究了基于Unscented卡尔曼滤波的,以历史负荷数据、随机干扰因素作为输入的短期电力负荷预测方法。利用该算法对某地夏季9天电力负荷数据进行建模,采用基于脉冲响应序列的Hankel矩阵法辨识模型的阶。并将Unscented算法预测负荷数据与实测负荷数据及传统卡尔曼滤波预测数据进行对比分析,仿真结果证明基于Unscented卡尔曼滤波方法预测非线性负荷是实用而有效的,不仅预测精度较高,而且模型收敛速度快,滤波器稳定性高。为复杂的非线性负荷电力系统模型化提供了一条新途径。     

基于四川电能质量监测系统与改进粒子群算法的负荷模型参数辨识方法研究

负荷模型的参数识别决定着总体测辨法的精度。在四川地区电网广域测量系统工程基础上,提出了基于改 进粒子群算法的负荷模型参数辨识方法。改进粒子群算法结合了传统粒子群算法和多曲线差分拟合方法,新方法既 有粒子群算法的全局搜索能力又有多曲线拟合差分方法的局部搜索能力,能够有效地提高收敛速度。通过对模拟电 能质量监测系统所获取的数据仿真,结果表明采用改进粒子群算法可以提高负荷模型辨识精度,并降低模型参数的 辨识时间。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于同步相量测量的实时电压稳定分析方法

提出了一种基于同步相量测量的实时电压稳定分析方法.该算法利用局部同步相量测量信息就地进行实时在线参数辨识,在辨识后的2节点等值系统和静态负荷模型的基础上,根据一种节点电压稳定性指标实时进行电压稳定性估计.该方法基于π型支路模型和静态负荷参数模型,辨识局部2节点等值系统,可以更好地反映线路的无功特性以及负荷参数的变化.最后,结合新英格兰39节点系统的仿真结果,对不同等值系统模型及负荷模型进行对比,结果表明所提出的方法能提供更加精确的电压稳定估计指标,验证了该方法的可行性.     

模型参数优化的卡尔曼滤波SOC估计

荷电状态(SOC)表征电动汽车动力电池剩余电量。以精确在线估计电动汽车动力电池SOC为目的,基于Thevenin等效电路模型,结合电路原理对模型参数进行辨识,对辨识后的模型参数进行合理优化。利用基于优化后模型参数的扩展卡尔曼滤波对SOC进行在线估计,对比基于优化前模型参数的扩展卡尔曼滤波SOC在线估计结果,仿真结果表明,利用优化后的模型参数,在不影响扩展卡尔曼滤波初值误差收敛性的前提下,估算误差比优化前减小了43%左右,具有更高的SOC在线估计精度。