用动态神经网络辨识电力系统负荷的动态特性

利用前传神经网络和Ｈｏｐｆｉｌｄ网络构造一种具有动态特性的神经网络，并讨论了应用这种神经网络辨识电力系统负荷动态特性的方法，分析了辨识过程中应注意的问题。应用表明，文中提供的负荷特性辨识法提一种行之有效的方法。     

电力系统综合负荷模型简化方案及辨识参数集选取

负荷是电力系统的重要组成部分,建立合理的负荷模型对电力系统安全稳定分析和实时监控具有重要意义。目前综合负荷模型被广泛采用,但完整描述其动态特性需要十余个参数,在线辨识全部参数几乎不可能。文中从综合负荷模型状态方程入手,在保证暂态响应近似相等的准则下提出一种综合负荷模型简化方法,并在此基础上分析不同的参数对负荷动态特性的影响以及参数之间的相关关系,最终选取了感应电动机比例、电动机暂态电抗、电动机稳态滑差以及电动机转子时间常数组成辨识参数集,并通过仿真验证了相关结论。     

进化规划方法在电力系统静态负荷模型辨识中的应用

为克服传统的基于梯度寻优的辨识方法容易陷入局部极小值的不足，提出了电力系统静态负荷模型参数辨识的进化规划方法。进化规划方法是一种与遗传算法类似的模糊进化优化方法，能以较大的概率搜索到全局最优点。实际算例辨识结果显示了该方法的有效性和准确性。     

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。     

电力系统综合负荷模型的辨识算法研究

研究了一种具有全电压范围适应性的动态负荷模型，提出了一种用于模型参数辨识的改进模式搜索算法，仿真结果表明了所提出的模型辨识算法的可行性和有效性。     

混沌优化用于电力系统静态负荷模型参数辨识

提出了一种应用混沌优化方法进行电力系统静态负荷模型参数辨识的新策略。混沌优化方法利用混沌变量的随机性、规律性、遍历性寻优,能够克服传统的基于梯度寻优的辨识方法容易陷入局部极小点的不足,而且方法简单、快速、易于掌握。实际算例的结果证实了混沌优化方法用于电力系统静态负荷模型辨识的有效性。     

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。     

基于现场实测的电力系统静态负荷模型参数辨识

从模型参数的辨识准则和辨识算法等方面,将现场实测负荷特性数据用于电力系统传统静态负荷模型和综合静态负荷模型的参数辨识,并对这两类模型在电力系统仿真计算的实际应用加以分析,从而得出了一些有意义的结论.     

电力系统负荷预测研究综述与发展方向的探讨

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。讨论了年度负荷预测、月度负荷预测和短期负荷预测的特点、成熟方法，分析了负荷预测问题的各种解决方案，并指出未来的主要研究方向。根据国内电力系统负荷预测的实践和国外的经验，对我国开展电力系统负荷预测工作提出了一些建议。     

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。     

基于神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.     

基于RBF神经网络的电力系统月度负荷预测研究

月度负荷预测是电力系统计划、调度、营销部门的重要工作之一,本文根据影响月度负荷的因素,运用Matlab工具箱,建立基于RBF神经网络的月度负荷预测模型,利用它对某地区2009年的月度负荷进行预测,预测结果为相对误差1.96%,因此,据预测结果可知本文提出的模型预测精度较高,完全可以达到工程实际应用的目标。     

基于TensorFlow神经网络的MCR-WPT系统负载与互感识别方法

针对磁耦合谐振式无线电能传输(MCR-WPT)系统负载与互感识别精度低、速度慢等问题,提出一种基于TensorFlow神经网络的双LCC型MCR-WPT系统负载与互感识别方法.该方法基于TensorFlow深度学习框架,采用神经网络模型,将MCR-WPT系统的负载与互感识别问题等效为非线性方程的求解问题,进而转化为深度...     

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Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

灰色神经网络在电力系统短期负荷预测中的应用研究

为了有效地实现电力生产和供应,对各电网的电力负荷进行准确预测就十分必要。传统的GM（1,1）预测模型有建模数据少、计算简单和良好的短期预测能力等优点,这使得其在电力负荷的短期预测中得到了很好的应用,但是它不能有效处理电力系统的非线性问题,所以这种预测方法的预测精度不是很好。文章根据电力系统的非线性和波动性提出用灰色预测模型和神经网络理论相结合的灰色神经网络模型对电力负荷的时间序列进行短期预测。实验结果表明这种方法是可行的、有效的。     

基于自适应FCM和LVQ神经网络的负荷特性分类

随着电网规模日益扩大,电力负荷特性越来越多样化,精确的负荷特性分类对电力系统十分重要。基于自适应FCM和LVQ神经网络算法,提出了一种负荷特性分类方法,采用基于有效性指标函数FCM算法,产生最佳聚类数目;根据聚类结果选择最靠近每类中心的样本作为LVQ神经网络聚类的训练样本,训练学习矢量量化神经网络;通过训练好的神经网络实现对所有负荷特性样本的分类。算例分析表明是有效的和优越的。     

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。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

一种基于粒子群优化并行神经网络的电力系统负荷特性聚类方法

电力系统负荷聚类是大区电网负荷建模的基础工作之一,文中提出了一种基于粒子群优化的并行神经网络的电力系统负荷聚类算法。为了增加网络的并行处理能力,分别用一定数量的子样本集轮流对一定数量的神经网络进行并行训练,训练的结果再经过粒子群的优化,最终得到一个最优的聚类神经网络;同时为了克服神经网络聚类算法对输入样本的敏感性问题,算法采用非线性的连接权函数并将其中心作为粒子;给出了算法实现过程。采用东北电网负荷模型统计样本数据的聚类结果表明,文中提出的算法具有较强的适应性和较好的效果。