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。     

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。     

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。     

基于微粒群辨识算法的电力负荷综合模型的建模与仿真

微粒群优化(PSO)算法具有全局性能好、搜索效率高等优点.应用该算法进行电力系统负荷模型的参数辨识,辩识结果表明PSO算法在计算时间、全局性方面均有比较明显的优势.辨识的模型具有较高精确性,最后通过工程实例进行仿真实验,实验结果验证了模型和算法的有效性.     

模拟退火粒子群优化算法在异步电动机参数辨识中的应用

分析了模拟退火算法和粒子群算法的优缺点,提出了一种利用两种算法优点的混合优化算法,并给出了详细应用步骤。利用异步电动机直接空载起动特性,对异步电动机动态数学模型参数进行了辨识,通过与其他几种算法辨识的结果进行比较,说明模拟退火粒子群优化算法有效地结合了模拟退火算法的全局寻优能力和粒子群算法的快速收敛的特点。     

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。     

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。     

基于遗传算法的汽轮机数字电液调节系统的参数辨识研究

调节系统性能的退化和故障的发生，首先表现在系统各个组成环节的参数的变化上，因此通过参数辨识可以这现汽轮机调筇系统的性能预测，状态监测和故障诊断，文中在简要介绍遗传算法的基础上将其应用于汽轮机数字电液调节系统的参数辨识，给出了参数辨识的基本原理和数据处理方法，辨识结果表明，这种辨识算法具有计算速度快，精度高，程序通用性强等优点，通过合理选择误差函数，相对误差可以控制在1％以上，为汽轮机调节系统的参数辨识提供了一种有效的新方法，具有重要的工程使用价值。     

基于遗传算法的超超临界机组过热器动态模型参数辨识

针对超超临界机组过热器MISO动态模型参数辨识问题,提出了一种基于遗传算法的模型参数辨识方法。将遗传算子改进为排序保优选择、非均匀线性交叉和高斯变异,引入均匀设计方法构造初始种群,采用Sigmoid函数适应性调整交叉和变异概率,以提高遗传算法的收敛精度和运算速度。对海门电厂超超临界机组运行数据进行参数辨识仿真的结果表明,该改进遗传算法具有较好的运算性能,预测的输出变化与主蒸汽温度实际变化基本一致,能够反映高温过热器的动态特性。     

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。     

基于遗传算法在线辨识的内模控制及在一类大时延变参数对象的应用

提出一种基于遗传算法(GA)在线参数辨识的内模控制,并应用于大时延变参数对象,构成对该对象的智能控制系统,使控制系统的鲁棒性得到了提高。应用内模控制对火电厂过热器温度控制进行仿真研究,并探讨了实际应用的可能性。研究结果表明,采用内模控制方法对过热器温度控制具有很好的控制效果。     

遗传算法及其在电力系统中的应用(上)

首先介绍了遗传算法(GA)的基本思想及解题的一般方法，然后从经济运行、电网规划、 网络分割、故障诊断、潮流计算、电力系统控制等６个方面，较为全面地介绍了GA在电力系 统中的应用研究现状，并指出了有待进一步研究的问题。     

应用混合遗传算法的超磁致伸缩致动器磁滞模型的参数辨识

针对遗传算法爬山能力差的弱点，该文把信赖域算法作为一个与选择、交叉和变异平行的算子，嵌入到遗传算法中，得到一种混合计算智能算法。该方法兼顾了遗传算法和信赖域算法的长处，既有较快的收敛速度，又能以非常大的概率求得最优解。应用该混合遗传算法对超磁致伸缩致动器的磁滞非线性动态模型进行参数辨识，仿真和实验研究表明，该算法能有效地辨识非线性系统的非线性参数，并具有一定的抗噪声能力。     

一种实数编码的自适应遗传算法及其在热工过程辨识中的应用研究

该文针对传统的遗传算法(GA)难以解决的早熟和局部收敛问题,分析了传统的GA编码策略、选择策略、交叉变异策略和交叉变异概率选择等环节存在的不足,提出一种实数编码、多种算子互相补充和交叉变异概率自适应选择的改进算法.用一个非常复杂的数学函数对新算法进行了测试,结果表明改进算法较之传统GA有效地提高了全局寻优能力.在此基础上将这种改进算法应用于热工过程辨识进行仿真研究,结果表明该方法是有效的,具有一定的应用价值,并且文中所提出的算法和策略具有一般性,很容易运用于其它优化问题.     

遗传禁忌混合算法及其在电网规划中的应用

电网规划是一个较难解决的NP难问题。文中首先就遗传算法、禁忌搜索算法(TS)及其两者的混合算法在旅行商问题(TSP)中的应用来比较它们之间的优缺点,认为采用了TS变异算子的改进遗传算法将大大提高其优化能力;然后通过该混合算法在典型电网扩展规划算例中的应用来看,认为该混合算法适用于求解复杂的电网规划问题;最后通过对该混合算法在求解实际的城市中压配电网络规划问题时与其他两种单一算法的结果比较来看,其搜索效率相比单一算法得到了很大程度的提高,体现了很好的应用前景。     

基于小波变换和Prony算法的同步电机参数辨识

将小波变换应用于同步电机瞬态参数测量，通过对采集到的同步电机三相突然短路电流进行小波变换，降低了信号的采集噪声，分离出了短路电流中的直流分量和基波电流分量，辨识出电机的瞬态参数和非周期分量时间常数，并提出利用扩展的Prony算法辨识电机的超瞬态参数。仿真分析和实机试验表明了所提出的方法是有效的。