基于粒子群算法的负荷模型参数辨识研究

针对负荷模型的稳定性直接影响电力系统分析计算的可靠程度问题,提出了将粒子群算法与分散协调控制相结合的负荷模型参数辨识方法。该负荷模型参数辨识方法根据负荷节点的电压变化情况,通过粒子群优化对含负荷控制的目标函数进行校正,使得模型参数在辨识迭代过程中获得全局最优值,达到负荷模型的最佳稳定性,并通过计算机仿真证实所提出方法能够提高负荷模型的稳健性。     

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。     

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DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的...     

含直驱永磁风电场的配电网广义负荷建模

以可再生能源为主的分布式电源大量、分散接入配电网,传统的负荷模型已无法描述含分布式电源的广义负荷动态特性。针对这一现状,在现有直驱永磁风电机组通用模型的基础上忽略其机械环节,提出直驱永磁风电机组的简化模型。采用综合粒子群方法和Levenberg-Marquardt方法的优化算法,对直驱永磁风电机组简化模型的参数进行了辨识,并针对不同扰动进行了模型适应性分析。在此基础上,将所提风电机组简化模型与传统负荷并联作为广义负荷的模型结构。基于轨迹灵敏度方法,分析了参数的可辨识性及辨识难易度。通过算例,给出了广义负荷在不同电压跌落程度、不同风电接入比例下的参数辨识结果,讨论了配电网等值参数对辨识结果的影响,说明了采用所述建模方法的可行性。     

基于改进PSO优化LSTM网络的典型用电负荷模式识别

新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持。为提高用电负荷模式辨识准确率,提出一种基于改进粒子群（IPSO）算法优化长短期记忆（LSTM）神经网络的用电负荷模式识别模型。通过引入多样化初始参数、动态非线性权重和淘汰机制等措施,改善了粒子群算法的寻优能力,实现对LSTM的关键参数寻优,确定LSTM神经网络的最优参数组合。实验结果表明,该方法可以有效提高模型的准确率,同时节省模型的训练时间。     

应用粒子群优化算法的静电放电模型参数辨识

为了获得精确的静电放电模型,提出了一种应用粒子群优化算法的静电放电模型参数辨识新方法。以Heidler雷电流方程的静电放电模型参数为辨识对象,分别以仿真及实验数据验证了该方法的可行性,并从电流波形的整体和局部两方面对拟合效果进行了评估。结果表明,与遗传算法相比,粒子群优化方法的执行速度更快,所得的辨识参数精度更高,粒子群优化方法对电流波形的整体和局部关键点的拟合度均高于遗传算法。因此,粒子群算法较遗传算法更适用于解决静电放电模型参数辨识问题。此外,从实例可以看出,粒子群算法不需要过多的初始参数值先验知识,而只须提供一个较宽的初始参数搜索范围即可获得良好的辨识结果。     

基于MDPSO的永磁直驱风力发电机参数辨识

针对永磁直驱风力发电机的多参数辨识问题以及传统参数辨识方法的收敛精度差、收敛速度慢等问题,提出了引入平均最优位置变量的自适应空间搜索向量的改进粒子群算法(MDPSO),对永磁直驱风力发电机参数辨识。根据永磁直驱风力发电机定子电压电流模型,进行pade近似并降阶处理后进行离散化,建立直驱风力发电机辨识模型;引入自适应空间搜索向量和平均最优位置变量改进粒子群算法;应用提出的MDPSO辨识直驱风力发电机定子绕组的电阻、电感和磁链等参数。算例仿真结果表明,提出的辨识算法具有精度高、计算速度快、稳定性高等特点,从而验证了建立的直驱风力发电机辨识模型及辨识算法的有效性。     

基于杂交粒子群算法的汽轮机调速系统参数辨识

汽轮机调速系统对于机组动态行为及电力系统的电能质量有重要的影响,准确模拟调速系统运行控制特性对于提高电力系统稳定性水平意义重大。以BPA软件中的调速系统标准模型作为待辨识模型,通过对汽轮机施加频率小阶跃扰动,选择对频率阶跃响应影响较大的参数作为待辨识参数,采用杂交粒子群算法分别对调速器、执行机构及汽轮机环节进行辨识。在Simulink中搭建单机-无穷大系统,采用辨识模型计算得到的仿真值与与实测值的误差较小,表明将杂交粒子群算法应用于调速系统参数辨识的方法是有效的。     

基于改进粒子群算法的电流互感器J-A模型参数辨识

在应用Jiles-Atherton(J-A)磁滞模型对电流互感器的磁滞回线进行分析时,需对J-A磁滞模型中5个关键参数进行精确识辨.针对目前辨识方法存在的计算时间长和寻优能力差等问题,提出了一种改进的粒子群算法对J-A磁滞模型中的关键参数进行辨识.该算法将遗传选择策略引入到粒子群算法中,通过增加粒子群的多样性来提高了算...     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

基于ICPSO-XGBoost的非侵入式负荷辨识方法

针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题,文中提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,并结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上,提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中,首先利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地,通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷入过拟合。同时,将混沌思想应用于粒子群算法中提升其全局寻优能力,并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。最后,在AMPds公用数据集上进行测试,通过对比分析测试结果,验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵入式负荷辨识的有效性。     

全局优化算法在Preisach磁滞模型参数辨识问题中的应用与性能对比

Preisach模型参数的快速辨识对实现考虑磁滞特性的电工装备有限元计算具有重要意义.该文结合显式Everett函数Preisach磁滞模型,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并对比分析全局优化算法在该问题应用的效率问题.首先,为了解决传统离散型Preisach模型因存储庞大Everett矩阵造成的计算效率低下问题,构建Everett函数的参数化显式表达式;其次,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并基于测量的硅钢片准静态磁滞回线,实现模型的参数辨识;最后,对比分析模拟退火算法、遗传算法与该文所提算法在模型迭代次数与计算时间、磁滞回线模拟准确度、参数辨识成功率三个方面的应用效率.结果表明,该文所提出的改进速度可控粒子群算法在Preisach模型辨识上同时兼具辨识精度高、收敛速度快、成功率高的特点.     

基于实测数据跳变及稳态点的负荷模型参数快速辨识方法

传统总体测辨法存在暂态仿真计算量大、辨识所需时间长等问题,无法满足负荷特性记录装置在线实时辨识负荷模型参数的需求,为此,提出一种基于实测数据跳变及稳态点的负荷模型参数辨识方法。选取实测数据电压突变后1点、电压恢复前后2点以及最终稳态点作为计算点;根据感应电动机三阶微分方程,采用稳态计算法和大步长隐式梯形法计算4点的状态变量,进而得到4点的有功和无功功率;根据4点的实测功率,采用遗传粒子群混合优化算法对负荷模型重点参数进行寻优辨识。算例结果表明,所提方法辨识结果准确,所需计算量小,其计算时间不到传统总体测辨法的1/10。     

含抽水蓄能电站的互联电网负荷频率自抗扰优化控制研究

针对发电能源结构的多元化发展给互联电网负荷频率的稳定性控制带来较大的挑战,建立含抽水蓄能电站的两区域互联电网多元混合发电的负荷频率控制模型,提出一种基于粒子群优化算法的负荷频率线性自抗扰控制器参数整定优化策略,通过粒子群算法的迭代寻优计算获得最优的线性自抗扰控制器参数.考虑互联电网各区域发生不同的负荷扰动,在抽水蓄能电...     

基于粒子群优化算法的过程模型辨识

参数辨识是过程建模的基础,提出了一种基于粒子群优化(PSO)算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.对火电厂热工过程进行参数辨识的仿真结果表明,利用PSO算法辨识过程模型参数,无论过程模型是否是时滞对象,该辨识方法对过程模型的阶次不敏感,对于不同的输入信号,均能得到满意的辨识精度和效率,因此得到了较为精确的过程模型,模型输出与实际输出基本一致.     

一种提高静态负荷模型参数辨识精度方法的研究

研究表明,在电力系统中,由于谐波噪声的影响负荷模型参数存在较高的分散性。通过对谐波噪声的高频特性和小波分析的分析研究,提出了一种基于粒子群的小波阈值去噪算法,并将其应用到由谐波噪声引起的静态负荷模型参数分散性研究中。仿真实验验证表明,该算法能有效地去除电力信号中的谐波噪声,降低模型参数的高分散性,提高了模型参数辨识精度。     

考虑低压释放特性的双机综合负荷模型参数识别策略研究

首先介绍了考虑低压释放特性的综合负荷模型,然后从电动机聚类和实际负荷类型两方面分析了双机和单机模型各自的适用情况。通过对双机模型轨迹灵敏度分析,得出大电动机和小电动机参数不能一起辨识。从电动机稳定性和低压释放特性分析,提出了固定大电动机参数辨识小电动机参数的辨识策略。仿真算例表明提出的双机参数辨识策略精度较高,能提高参数辨识精度。     

一种提高静态负荷模型参数辨识精度方法的研究

研究表明,在电力系统中,由于谐波噪声的影响负荷模型参数存在较高的分散性。通过对谐波噪声的高频特性和小波分析的分析研究,提出了一种基于粒子群的小波阈值去噪算法,并将其应用到由谐波噪声引起的静态负荷模型参数分散性研究中。仿真实验验证表明,该算法能有效地去除电力信号中的谐波噪声,降低模型参数的高分散性,提高了模型参数辨识精度。