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.     

基于改进的混合遗传算法的负荷建模参数辨识

针对传统遗传算法存在早熟及收敛速度慢等问题,采用了改进的遗传算法和局部搜索能力很强的单纯形法相结合的方法进行负荷模型的参数辨识.具体研究了算法的软件实现,包括编码、初始种群形成、适应度函数确定、自适应交叉变异、移民策略、排序选择、单纯形优化及终止条件的实现方法.算例表明了经改进后的混合遗传算法具有辨识精度高、速度快和参数分散性小等优点.     

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。     

遗传策略的综合改进及其在负荷建模中的应用

研究了遗传操作和控制参数选择对遗传算法性能的影响,设计了解群选择的随机-精英策略、避免近亲繁殖的双断点交叉策略和交叉与变异概率的自适应调整策略,提出了一种综合改进型遗传算法并成功地应用于基于实测参数的负荷建模。算例表明,该算法改善了进化过程中的种群多样性和早熟现象,对加速收敛、缩短辨识时间、克服模型参数分散性、提高辨识精度均有显著作用,适用于负荷建模。     

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。     

一种电力系统综合负荷模型辨识的改进算法研究

本文研究了一种具有全电压范围适应性的综合负荷导纳模型，提出了一种用于模型参数辨识的改进优化算法。仿真结果表明了算法的合理性和有效性。     

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.     

一种综合改进型遗传算法及其在综合负荷建模中的应用

针对基本遗传算法本身存在收敛速度慢和易早熟的缺陷,提出一种综合改进型遗传算法并成功地应用于负荷建模。该改进遗传算法通过对初始种群的选择、最优个体的保留、自适应的交叉和变异率、早熟现象的防止策略等各方面进行综合的科学设计,能十分有效地克服早熟、避免近亲繁殖、明显提高收敛速度,并具有优良的自适应特性。基于现场实测负荷特性数据的负荷建模实践表明,所提出的综合改进型遗传算法对于加速收敛缩短辨识时间、提高模型拟合精度、克服模型参数的分散性均具有显著作用,是一种很适合于负荷建模的优秀优化算法。     

一种综合改进型遗传算法及其在综合负荷建模中的应用

针对基本遗传算法本身存在收敛速度慢和易早熟的缺陷,提出一种综合改进型遗传算法并成功地应用于负荷建模.该改进遗传算法通过对初始种群的选择、最优个体的保留、自适应的交叉和变异率、早熟现象的防止策略等各方面进行综合的科学设计,能十分有效地克服早熟、避免近亲繁殖、明显提高收敛速度,并具有优良的自适应特性.基于现场实测负荷特性数据的负荷建模实践表明,所提出的综合改进型遗传算法对于加速收敛缩短辨识时间、提高模型拟合精度、克服模型参数的分散性均具有显著作用,是一种很适合于负荷建模的优秀优化算法.     

基于改进蚁群算法的客运专线电力负荷建模与参数辨识

电力牵引负荷建模是铁路电气化领域的一项基础工作,也极具有挑战性。根据电气化铁路牵引负荷的概率分布特征,提出利用供电范围内受流的电力机车数量、单车有功功率及空载损耗等决定性因素联合描述牵引负荷的基本思路,并给出通用函数式。然后,基于上述建模理论并针对客运专线的运行特点,提出采用2个服从正态分布的随机变量表征受流列车数量及单车有功功率,从而构建牵引负荷概率模型的具体方法。同时介绍了采用改进的连续域蚁群算法实现客运专线牵引负荷模型的参数辨识的具体步骤,包括目标函数和相关算子的设计等。实例求解和仿真结果表明所提负荷模型具有较高的准确性和良好的易用性。     

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。     

动态负荷建模中的负荷时变性研究

负荷的时变性是指受人们生活习惯等因素的影响负荷特性随时间变化的性质。该文将负荷时变性分解为负荷组成成分的时变性和负荷幅值大小的时变性分别进行研究，以降低问题的复杂程度，并探讨了实施的方法。提出了基于改进综合负荷模型结构及分组算法和多曲线拟合参数辨识的建模方法。该文根据负荷的时变规律，在不同时间选择不同的负荷模型参数来表征负荷，从而提高了负荷模型的精度，并以在实际工程中的一个应用实例说明了该方法的有效性。     

电力负荷参数辨识的实用改进及实测结果

针对电力负荷参数辨识中出现的参数不稳定问题,对参数辨识过程作了改进:一是将负荷参数分为重点参数和次要参数,只对重点参数进行辨识,对次要参数则直接采用其典型值进行计算;二是给出了参数初始搜索范围选取的一般方法;三是对系统容量基值和感应电动机容量基值下的参数作了一些说明,在进行联网计算时,感应电动机自身容量基值下的参数要根据系统容量基值折合;四是提出了模型类别的判别指标。基于以上改进措施,对河南电网和江苏电网的实测数据进行了参数辨识,表明以上改进措施使电力负荷建模达到实用要求。     

电力系统负荷建模理论与实践

从电力负荷对系统暂态稳定、静态稳定、电压稳定、系统阻尼的影响等方面分析了电力负荷建模的要求,综述了现有的电力负荷模型结构、参数辩识方法,介绍了国内外电力负荷建模的实践,对电力负荷建模今后的研究提出了４点建设性意见。认为在现代电力系统中,必须立足本地区系统和负荷的实际情况,开展负荷模型实测工作。     

四川电网综合负荷模型改进与预测辨识软件研究

针对四川电网的特点对传统的时变自适应综合负荷模型进行动态有功和无功补偿改进,设计了适用于四川电网的负荷建模与预测辨识软件.软件仿真结果表明改进的负荷模型能获得具有更高精度的辨识参数,有效提高了电网分析的鲁棒性.本软件具有数据处理、模型选择、参数辨识、历史数据保存等多种功能,该软件的应用能够有效提高四川电网的分析水平.     

负荷模型参数辨识的粒子群优化法及其与基因算法比较

粒子群优化法(PS算法)具有全局性能好、搜索效率高等优点。文中应用该算法进行电力系统负荷模型的参数辨识，并将其与模拟进化算法进行比较，发现PS算法在计算时间、全局性方面均有比较明显的优势。讨论了PS算法中用以调节全局搜索和局部搜索关系的权重ω与搜索效率之间的关系，并给出了适用于电力系统负荷参数辨识的ω值。提出了一种利用PS算法的收敛快速性来提高全局性能的工程实用方法，并对工程实例进行辨识，收到了良好效果。     

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。     

基于改进微分进化算法的过程模型参数辨识

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于改进微分进化(DE)算法的模型参数辨识方法,有效提高了参数辨识的精度和效率.对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性.结果表明,利用改进DE算法辨识过程模型参数,无论...     

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。