基于粒子群算法的火电厂热工过程模型辨识

针对火电厂热工过程对象的特点及传统模型辨识的缺陷,将粒子群算法应用于热工过程模型的辨识,并在实现方法、参数选取等方面进行了改进,提高了辨识的精确性与快速性。通过仿真数据及以某台300MW机组锅炉烟气挡板控制为对象,对再热蒸汽温度系统进行辨识,证明了该方法的有效性和可靠性。     

基于粒子群优化算法的锂电池模型参数辨识

基于戴维南电池模型,采用粒子群优化算法进行离线参数辨识.粒子群优化算法作为一种高效并且简单的算法,在平衡全局优化能力和局部优化能力方面具有显著的优势.     

基于标准粒子群算法对热工模型的辨识

针对热工系统建模中的模型辨识问题,采用标准粒子群算法去辨识热工系统的模型;介绍了粒子群算法和标准粒子群算法的基本思想,以及利用标准粒子群算法进行系统辨识的基本原理与计算方法,并且利用Matlab数学工具对该方法在火电厂生产过程中蒸汽变化量对汽包水位的影响的传递函数,以及送风量和引风量变化对炉膛负压影响的传递函数的系统辨识进行了仿真研究,得到了这两个系统的数学模型,仿真结果显示所得的这两个数学模型与实际的现场数据有一定的吻合性,对火电厂热工系统的研究以及运行操作人员具有一定的指导意义。     

PSO算法在过程模型参数辨识中的应用

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,提出了一种基于微粒群优化（PSO）算法的模型参数辨识方法,利用微粒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验证了本文所提出算法的有效性。     

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。     

基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

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。     

基于粒子群算法的SCR烟气脱硝系统模型辨识

燃煤机组选择性催化还原（SCR）烟气脱硝系统出口NOx质量浓度存在大迟延、大惯性、非线性的特点，会导致控制器参数优化困难和传统模型辨识方法的缺陷。本文分析了某超临界660 MW机组SCR烟气脱硝控制系统的结构，挖掘了不同负荷下的历史数据，采用闭环辨识方法，利用粒子群算法对模型参数进行寻优，建立了SCR烟气脱硝系统调节阀开度与氨气流量对象、氨气流量与出口NOx质量浓度对象及烟气流量与出口NOx质量浓度对象的传递函数，基于MATLAB软件的模型辨识仿真结果表明了辨识曲线能较好地反应实际输出曲线，验证仿真结果证明了该方法的有效性和可靠性。     

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。     

基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

GLBest-PSO算法在热工过程模型参数辨识中的应用

过程对象的数学模型,对热工控制系统的设计和分析有着重要的意义。为了达到精确建模的目的,提出了一种基于全局-局部参数最优的粒子群优化算法的辨识方法。将过程模型的每个参数作为群体的一个粒子,利用粒子在空间进行高效并行的搜索来获得最佳参数值,提高了辨识精度和效率。对典型热工过程进行辨识表明:该方法对过程模型的阶次不敏感,对不同输入信号均能得到满意的辨识精度和效率,模型输出与实际输出基本一致,辨识效果较好。     

基于PSO优化最小二乘支持向量机的热工系统辨识

在用最小二乘支持向量机(LS-SVM)辨识大迟延对象时,正则化参数、核宽度以及模型类中的迟延时间多是根据经验估测的,而不同的参数值对最小二乘支持向量机辨识的精度就会不同.针对上述问题,采用粒子群优化(PSO)算法对热工辨识系统中的相关参数进行优化.对电厂一次风量数据和平均床温数据进行的仿真实验结果表明,在用LS-SVM对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳参数及迟延时间,能够有效地提高辨识精度.     

三相逆变器数字孪生系统的参数辨识研究

电力电子变换器的参数辨识能提升系统控制和运行效果,然而传统的参数辨识方法难以同时辨识多组参数且辨识结果精度较低。针对此问题,提出了基于数字孪生的三相逆变器参数辨识方法。首先,构造出数字孪生三相逆变器,包括利用Runge-kutta库塔方法建立三相逆变器主电路的数学模型和控制器离散模型。然后,利用自适应粒子群优化算法更新并优化数字孪生逆变器的电路参数,直至数字孪生逆变器和物理逆变器相应的电路参数相同。最后,通过仿真和实验验证了所提参数辨识方法的有效性。结果表明,该方法在稳态与动态条件下均能快速地辨识出物理逆变器的电感、寄生电阻和开关管内阻参数,辨识结果的相对误差在2%以内。     

基于APSO算法的发电机励磁系统参数辨识

针对传统辨识方法不能辨识励磁系统非线性环节的缺点,提出了一种基于自适应粒子群优化(APSO)算法的发电机励磁系统参数辨识的方法.通过建立待辨识励磁系统的传递函数结构模型,以励磁系统的实际输入作为模型的输入,以实际励磁系统和模型的输出误差最小作为目标函数,利用APSO算法对模型参数进行优化调整,最终得到满足误差要求的励磁系统参数.该方法根据输入输出采样数据直接在时域上进行参数辨识,无需经过FFT变换,方法简便,并且有效解决了励磁系统非线性环节难以有效辨识的问题.仿真结果表明,APSO算法具有较快的收敛速度和较高的辨识精度.     

基于微粒群算法的感应电机参数辨识

提出一种基于微粒群优化算法(Particle Swarm Optimization Algorithm,简称PSOA)的感应电机参数辨识方法.该方法通过计算感应电机实际输出与模型输出的差值来对估计模型进行不断修正,从而辨识出感应电机参数.介绍感应电机的数学模型和PSOA的运行机理及特征.详细说明采用PSOA对感应电机进行参数辨识的步骤和过程,并通过实验证明了该方法的可行性和辨识结果的可信性.     

基于分层匹配追踪算法的电能质量复合扰动参数辨识方法

针对电能质量中的复合扰动信号分析问题,提出一种粒子群优化(PSO)和匹配追踪(MP)算法相结合的分层搜索的原子分解方法。首先应用MP算法提取基波分量,对于去除基波分量的残差信号,利用快速傅里叶变换找寻能量最大的频率成分,采用PSO算法粗搜索出最佳匹配粒子,然后以最佳匹配粒子为中心,在一定范围内重新离散化,生成小规模原子库,再应用MP算法有针对性地进行细搜索,最终得到最佳匹配原子,提取出电能质量复合扰动特征参数。仿真结果表明,该方法能克服MP算法匹配时间长、计算量大及PSO优化MP算法残差积累过大、容易陷入局部最优、匹配参数不准确等缺点,且具有一定的抗噪性和实时性。     

基于改进PSO算法的燃料电池模型优化

采用一种改进粒子群优化(PSO)算法,提出了一种优化燃料电池模型的方法,并用于质子交换膜燃料电池(PEMFC)的极化曲线模型,以得到最优参数.结果表明,这种优化模型的平均平方误差(MSE)为4.42×10-10V2,相关系数为99.87%,数学模型和实验数据之间的拟合精度高.     

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。     

基于数据测试和粒子群优化算法的光伏逆变器LVRT特性辨识

为了对光伏逆变器低电压穿越控制精确建模,提出灵敏度分析和实测方案相结合的光伏发电单元低电压穿越控制参数辨识方法。首先对光伏单元待辨识参数进行灵敏度分析,提出辨识所用数据的测试方案;然后利用自适应惯性权重粒子群优化智能算法,结合多组实测数据对光伏并网系统低电压穿越控制参数予以辨识,从多组辨识结果中提取最优值;最后将最优值代入模型中,计算模型输出与实测数据的误差,验证了参数辨识结果的准确性。该方法考虑了逆变器功率等级不同给辨识结果带来的误差,辨识结果准确度较高并且多次辨识结果具有一致性,可用于工程实际计算。     

基于改进闭环子空间的水电机组参数辨识方法

以往的开环辨识方法仅适用于水电机组并大网模型,系统并入孤网或小网或空载运行时应采用闭环辨识。具有较好辨识效果的预测形式简约子空间闭环辨识方法(PARSIM-K)充分利用了马尔克夫参数矩阵的Toeplitz结构,通过奇异值分解降阶和线性投影获取模型参数,但需要选择合适的时域参数,目前尚无一般的方法。为此,建立了带有频率噪声的水轮机调速系统模型,提出基于粒子群优化算法参数优化的PARSIM-K。该方法利用粒子群优化算法优化时域参数p、f,提高了辨识精度。与传统开环方法相比,所提方法能够克服噪声的影响,更加简便、安全、实用。仿真结果表明,与未优化参数的方法相比,所提方法辨识的模型参数误差更小、模型精度更高。