基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识

针对分布式光伏发电系统广泛接入配电网,导致电力系统潮流计算速度和精度较低的问题,提出一种基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识模型。首先,在综合负荷模型的虚拟母线上接入等效光伏发电系统的负荷模型,从而建立配电网广义负荷模型;之后,提出一种将混沌优化与海鸥优化相结合的优化算法,基于该算法完成配电网的等值,并在此基础上进行含光伏发电的综合负荷模型参数辨识。最后,通过仿真表明该文提出的算法,相比于传统的粒子群算法和单一海鸥优化算法,在计算精度和收敛速度等方面具有优越性,并可应用于负荷模型的参数优化。     

一种基于遗传算法的光伏阵列参数辨识方法

提出一种基于遗传算法的参数辨识方法,在保证辨识精度的前提下,将光伏电池参数辨识后得到的多组结果收敛为一组参数值。依据光伏电池的I-U方程和参数特性,基于实测数据,通过参数辨识方法确定待求解参数的可行解范围;利用基本遗传算法辨识待求解的参数值,得到一组准确的辨识值;当出现部分数据辨识结果的误差较大时,利用一种基于混合遗传算法的参数辨识方法,提高这部分数据辨识结果的精度。基于实测数据,利用所提出的辨识方法确定参数值,通过预测结果与实测结果的比较,验证了该方法的准确性与实用性。     

基于全局信息融合粒子群算法的水轮发电机模型参数辨识

针对粒子群(PSO)优化算法辨识发电机模型参数时存在局部最优和后期收敛速度慢很难准确获取具有强泛化能力的模型参数的问题,提出了一种基于多粒子全局信息共享和变权重的全局信息融合PSO算法(GPSO),并通过IEEE3机9节点系统算例验证了该算法的有效性。结果表明,与常规PSO算法相比,该算法具有泛化能力强、辨识精度高和后期收敛速度快的优点。     

MSMA传感器的建模及参数辨识研究

MSMA传感器是一种将机械力信号转化为感应电压信号的新型传感器,为了更好地实现MSMA传感器的应用,需要对其进行建模研究。由于传感器输入和输出之间呈现非线性关系,会增加建模的复杂性,并且需要辨识的未知参数较多。采用机理法结合电磁学理论建立了MSMA传感器的数学模型,并采用改进的粒子群算法对MSMA传感器数学模型的未知参数进行辨识。在辨识过程中,引入调节系数,对粒子的权重和最大速度进行动态调整,加快了算法的收敛速度,对社会学习因子进行改进,增强了算法的全局搜索能力。最后,将传感器数学模型计算的感应电压值与试验得到的感应电压值对比,验证了模型的正确性,也表明了该算法可以有效解决MSMA传感器数学模型的辨识问题。     

并网光伏发电系统暂态特性研究

基于光伏发电系统的物理模型研究,在matlab/simulink中开发了包含光伏阵列模型、光伏阵列的最大功率跟踪（MPPT）模块、DC/DC升压电路和采用电压及电流环控制的逆变系统在内的动态仿真模型,并建立了基于电压型逆变器的暂态数学模型;并通过仿真得到了并网光伏发电系统辐射强度突变和发生短路时的暂态运行特性,为深入研究并网光伏发电系统的暂态特性建立了基础。     

基于分组教与学优化算法的光伏电池模型参数辨识

为了提高光伏发电系统建模过程中光伏电池的参数辨识精度,在基本的教与学优化算法(teaching-learning-based optimization, TLBO)的基础上,针对其存在易于出现精度不高且陷入局部最优等问题,提出了一种基于分组的教与学优化算法(grouping teaching-learning-based optimization, GTLBO)。GTLBO算法在教学阶段采用了分组教学的方式,并对教学因子进行了改进,将GTLBO算法应用于单二极管模型、双二极管模型和3个光伏组件模型的参数提取。实验结果表明,与其他优化算法相比,GTLBO算法在光伏模型参数提取方面更加准确可靠。其次,相对于基础的TLBO算法,GTLBO算法的收敛速度和辨识精度都得到了提高,具有一定的可行性和实用性。     

基于实测数据的光伏阵列参数辨识与输出功率预测

基于光伏电池的I-U方程、基本电路理论和最大功率跟踪的输出特性,提出了运用参数辨识方法及光伏阵列的输入、输出数据,辨识光伏阵列光生电流、反向饱和电流、二极管理想因子、电池串联内阻4个待定系数,确定光伏阵列的I-U方程,再用求解得到的I-U方程来预测光伏电站的输出功率。通过算例和实测数据仿真比较,验证了所提出方法的可行性和准确性。     

基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法研究

短期分布式光伏发电功率预测对配电网调度计划的安排及优化具有重要意义。人工智能技术的进步为精细化分析光伏发电功率预测结果的影响因素以及提高光伏发电功率的预测精度提供了有效途径。文章提出一种基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法。首先,基于随机森林中的增益情况,对影响分布式光伏发电系统的各项特征参数进行筛选;然后,通过自适应神经模糊推理算法对输入数据进行训练,并使用粒子群算法对ANFIS模型进行优化;接着,建立基于离线训练和在线预测的ANFIS-PSO分布式光伏发电功率预测模型;最后,利用北京某地分布式光伏发电系统的实际数据来验证模拟结果的准确性。     

基于PSO算法的电液伺服调节环节参数辨识

鉴于汽轮机电液伺服调节环节大量存在的非线性环节,并且常规辨识方法很难对调速系统中大量存在的非线性环节参数进行辨识,从而难以得到准确的数学模型,本研究将粒子群优化算法引入参数辨识研究中,针对算法易早熟收敛的缺点,采用了基于双层进化的多粒子群优化算法,同时,通过现场实验研究对参数辨识的方法及效果进行验证.试验结果表明,利用多粒子群优化算法对建立的汽轮机电液调节系统执行环节的参数进行辨识能取得理想效果,满足工程应用的需求.     

基于功率响应特性的双馈风电场一次调频模型参数全局辨识

随着风电在电力系统中占比提高,其一次调频特性对电力系统频率稳定性的影响增大。为了实现风电场一次调频模型的参数辨识,设计了以实际功率响应数据为依据的辨识方法,基于多工况功率响应数据并采用狼群算法对模型参数进行全局最优辨识。应用所设计的参数辨识方法对某双馈风电场进行了参数辨识,模型仿真值与实测值的对比结果表明：采用该方法辨识得到的模型参数能够较好地反映风电场一次调频功率响应实际特性。     

基于PSASP的含大规模光伏发电系统暂态稳定仿真分析

光伏发电的出力特性不同于常规机组发电,随着光伏发电在西藏装机容量的不断增加,对西藏电网安全稳定运行提出了严峻的挑战。根据2019年冬季运行方式下的数据,基于电力系统分析综合程序（power system analysis software package,PSASP）建立了含大规模光伏发电的西藏某地区电网机电仿真模型。通过典型光照扰动、光伏电站切机及短路故障分析了对西藏某地区电网暂态稳定的影响,电网在典型光照扰动、光伏电站切机及短路故障条件下均能保持暂态稳定,但是有部分母线电压高于规定电压上限。针对部分母线电压越限的问题加装无功补偿装置,改善了电网系统的电压稳定性。     

基于暂态数据戴维南等值参数辨识的时变广义短路比计算方法

广义短路比能有效反映多馈入直流系统受端交流电网的强度,其计算通常基于直流馈入节点处受端交流电网的戴维南等值导纳矩阵,忽略了交流电网各元件动态对电网强度的影响。本文提出了一种基于暂态数据戴维南等值参数辨识的时变广义短路比计算方法,将隐含系统元件动态特性的端口节点电压与注入端口节点功率作为辨识数据,基于多端口戴维南等值模型与最小二乘法辨识受端交流电网时变导纳矩阵,进而计算出时变广义短路比,准确地反映了系统动态对受端交流电网强度的影响。最后,以单馈入直流系统算例验证了方法的精确性,以某省级电网算例验证了其实用性,分析了负荷动态特性对时变广义短路比的影响。     

粒子群优化算法及其在发电机组调速系统参数辨识中的应用

准确可靠的发电机组调速系统模型参数对于电力系统稳定性分析非常重要,由于利用常规辨识方法(如最小二乘法)进行模型参数辨识时对试验条件要求较为苛刻,且很难对调速系统中大量存在的非线性环节参数进行辨识.本研究将目前正处于研究热点的粒子群算法引入发电机组调速系统模型参数的辨识过程研究,结果表明,利用粒子群理论进行模型参数辨识时...     

光伏并网逆变器的群控技术

并网逆变器作为光伏发电系统的核心装置,对系统的运行效率有重要影响。群控技术是一种有效提高系统运行效率的手段。文章首先对群控技术进行了详细的描述,随后对采用具有群控功能的逆变器构成的发电系统与采用常规逆变器构成的发电系统的实际发电量进行了统计与分析。实际运行结果表明,群控技术可以在一定程度上提高系统发电量。     

基于Z源逆变器的粒子群和模糊变步长电导增量MPPT算法

针对局部阴影环境及环境辐照度阶跃的问题,提出一种基于Z源逆变器的粒子群和模糊变步长电导增量MPPT算法。粒子群通过少量迭代搜索至最大功率点附近,再切换至模糊变步长电导增量法,不仅使得最大功率点跟踪过程用时短,还可保证最大功率点追踪的稳态精度。同时此算法针对辐照度阶跃变化的情况设置重启环节,以便在功率阶跃后能迅速跟踪至新的最大功率点。通过建立的仿真模型和搭建的试验平台验证算法的可行性和优越性。     

基于人工鱼群和蛙跳混合算法的光伏阵列多场景参数辨识

光伏阵列模型的准确性对大规模光伏发电系统的并网运行与调度至关重要。在建立光伏阵列机理模型的基础上,采用人工鱼群和蛙跳混合算法对模型中的未知参数进行辨识,并将辨识结果与人工鱼群算法和蛙跳算法单独辨识的结果进行了对比分析,证明了混合算法兼具两种算法的优点,并能有效克服两种算法的不足,验证了其优越性和有效性。为使光伏阵列模型的输出与实际光伏电站任意1 d的实测曲线均能很好拟合,采用混合算法对不同场景下的参数进行了辨识,并采用任意2 d的实测数据对辨识结果进行了适应性验证,证明了辨识结果的准确性,进一步验证了混合算法的有效性和实用性。     

基于阶跃响应的光伏发电最大功率点检测

为提高光伏发电最大功率点检测精度,结合阶跃响应开展对其检测方法的设计研究.通过构建光功率捕获数学模型、基于阶跃响应的模型线性化处理、最大功率点实时检测与跟踪,提出一种全新的检测方法.通过实验证明,新的检测方法与基于变步长扰动观测法的检测方法相比,检测结果更加符合实际情况,检测精度得到明显提高.     

基于自适应变异粒子群算法的光伏MPPT控制研究

针对局部遮阴(PSC)时,光伏阵列输出P-U曲线出现多峰值现象,传统最大功率点追踪(MPPT)算法易陷入局部最优解,无法追踪到全局最优解的问题,该文提出基于自适应变异粒子群算法的光伏MPPT控制方法.在粒子群算法寻优过程中同步调整学习因子与惯性权重,以提高算法收敛速度与精度,同时引入变异机制以扩大粒子搜索范围,增强算法...     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。