基于改进人工鱼群算法的互感器Jiles-Atherton模型参数辨识

为开展仿真平台下的电磁式互感器特性研究,需要对试验互感器建立精确可靠的磁滞模型。Jiles-Atherton(J-A)模型广泛应用在铁磁材料的磁滞建模与仿真实验中,其5个关键参数的准确度直接影响模型的拟合程度。本文提出一种结合模拟退火算法的改进人工鱼群算法对J-A模型进行参数辨识。改进算法初期使用人工鱼群算法将搜索域快速锁定在全局最优解的附近范围,当J-A模型拟合达到一定精度后,转而改用模拟退火算法继续进行局部的精确搜索。通过Matlab建模证实,改进算法同时解决了鱼群算法后期寻优效率较低以及退火算法难以大范围搜索的问题,能有效提高J-A模型参数辨识的时效性与精确度。     

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.     

基于改进鲸鱼算法的电流互感器J-A模型磁滞参数识别

基于J-A磁滞模型模拟电流互感器铁芯磁滞特性的关键是模型参数的精准快速识别。针对现有J-A模型参数提取时输入输出均不易测量和提取方法收敛速度慢、精度低等问题,提出了一种基于改进鲸鱼算法的ψ-i J-A磁滞模型的参数提取方法。该模型以磁链和电流为基础,而不是以磁通密度和磁场为基础。采用加入自适应权重值调整和搜索策略的改进鲸鱼算法对参数进行提取。用所提方法和粒子群算法、鲸鱼算法分别识别P型电流互感器和PR型电流互感器的磁滞曲线,对比可得改进鲸鱼算法精度更高、迭代次数更少,验证了所提方法的高效性。     

计及谐波的J-A磁滞模型修正

J-A磁滞理论被广泛应用于电磁式电流互感器的磁特性建模,但是在谐波条件下该模型存在较大的误差。针对这一问题,文中对各次谐波分别修正经典J-A模型参数,利用遗传退火算法进行参数辨识,然后将各次谐波的磁特性进行线性叠加,实现非正弦激励下电流互感器的磁特性建模。采用该修正方法的前提是计量用电流互感器的非线性误差符合规定的0.2S级,因此对各次谐波磁滞回线的仿真分析与误差修正均近似适用于线性叠加原理。以采用纳米晶材料的0.2S级电流互感器为例,对角差与比差进行仿真分析与实验验证,结果表明经过参数修正的J-A模型改善了谐波条件下的测量准确度,多次谐波磁特性的近似线性叠加方法对测量准确度的影响可以忽略不计,从而确认计及谐波的J-A磁滞模型修正合理有效。     

基于随机性与确定性混合优化算法的 Jiles-Atherton磁滞模型参数提取

基于J-A磁滞模型模拟铁磁材料磁滞特性的关键是模型参数的精确快速辨识。该文针对现有J-A磁滞模型参数提取方法存在的收敛速度慢、求解精度低的问题,提出一种基于随机性优化算法——模拟退火(SA)与确定性优化算法——Levengerg-Marquardt(L-M)混合的J-A模型参数提取方法,该方法综合了SA算法全局搜索能力强以及L-M算法局部收敛速度快的优点。在迭代优化初期,采用SA算法快速锁定J-A模型参数的优化区域;继而根据引入的普适性混合算法切换过渡准则,将SA算法当前解赋予L-M算法;针对基于传统L-M算法提取J-A模型参数出现的病态矩阵问题,该文将J-A模型参数的灵敏度函数矩阵进行归一化处理,从而推导出适用于J-A模型参数快速辨识的归一化L-M算法,该算法在接收到SA算法提供的优化解后,将其作为该算法局部搜索的初始值。仿真及实验结果表明,所提混合算法兼具收敛速度快、提取精度高的优异性能。     

基于改进秃鹰搜索算法的变压器J-A模型参数辨识

在对变压器的精确建模中,铁磁材料特性的表示是一大关键点.J-A磁滞模型具有参数较少、物理意义清晰等优点,在研究中得到广泛应用.针对现有J-A模型参数辨识所使用的优化算法存在精度低、耗时久等问题,本文提出了一种基于改进秃鹰搜索算法,以实现对J-A磁滞模型参数的快速、精确辨识.该方法融合混沌映射、精英反向学习及自适应权重,...     

J-A模型误差修正和温度特性仿真

Jiles-Atherton(J-A)模型在磁滞建模领域应用广泛,但其二次磁滞回线仿真结果误差较大且无法仿真磁滞回线温度特性。为建立精确并反映温度特性的磁滞回线模型,提出了J-A模型误差修正和温度特性仿真方法。通过修正模型参数提高二次磁滞回线仿真准确度,同时引入居里温度、临界指数等附加参数,实现了对磁滞回线温度特性的仿真。最后以硅钢片为例介绍了建模过程并进行了实验验证,仿真与实验结果吻合,证明了方法的有效性。     

基于蛙跳模糊算法的Jiles Atherton铁心磁滞模型参数确定

Jiles Atherton(JA)模型广泛应用于铁心磁滞建模领域,其参数确定精确与否直接影响铁心磁滞现象的表达,为此提出蛙跳模糊算法对JA模型参数进行辨识。为了防止蛙跳算法陷入局部最优解并加快收敛速度,根据特殊点(矫顽力、矫顽力点磁化率)处实测值与计算值的相对误差,采用模糊控制方法,得到动态反馈系数,修正蛙跳算法的步长调整公式。采用爱泼斯坦方圈搭建磁滞回线测量系统,测得铁心饱和磁滞回线与局部磁滞回线。采用蛙跳模糊算法、蛙跳算法、粒子群算法和遗传算法分别求解得到模型参数,并将计算的磁滞回线与实测磁滞回线进行比较,证明了所提出的蛙跳模糊算法不易陷入局部最优解且具有更快的收敛速度。根据蛙跳模糊算法得到的局部磁滞回线模型参数辨识结果,研究模型参数与磁通密度的关系并进行拟合,得到不同磁通密度下的局部磁滞回线参数拟合模型。     

基于模拟退火改进PSO算法的J-A磁滞模型参数辨识

本文作者提出了一种基于模拟退火改进PSO算法,将模拟退火算法和PSO算法融合,利用模拟退火算法的全局搜索能力与PSO算法的快速收敛性能,可实现磁滞模型参数的快速、精确辨识。J-A磁滞模型参数辨识的仿真验证了所提混合算法对于磁滞曲线的拟合程度、辨识所得参数精度均更高,且不易于陷入局部最优解。同时,通过引入铁心在交变磁场中产生的损耗部分,建立了动态J-A磁滞模型以评估动态损耗对磁内能的影响,验证了所提出算法在考虑涡流损耗和异常损耗因素下工程应用中参数辨识的快速性与有效性。     

基于PSCAD V4.6考虑磁滞的变压器模型

为研究计及铁心饱和特性和磁滞特性的变压器模型,对PSCAD V4.6软件中基于改进J-A磁滞理论对应的变压器模型进行了仿真分析。首先对比分析了表征变压器铁心磁滞特性的传统J-A模型与改进J-A模型;然后分析了模型参数对磁滞回线的影响;最后基于经典变压器模型和改进J-A理论对应的变压器模型,以变压器空载合闸为例,对比分析了合闸角、磁滞和剩磁对变压器励磁涌流的影响。仿真结果表明:改进的变压器模型能更好地反映铁心的饱和特性和磁滞特性,且能有效地考虑剩磁对励磁电流的影响,用于模拟实际变压器励磁特性具有更好的实用价值。     

一种用于电流互感器铁心J-A磁滞参数识别的改进方法

模拟电流互感器铁心的动态磁化过程,需要建立准确的磁滞模型。改进J-A磁滞模型能够更准确地模拟铁心的磁滞特性。针对改进J-A磁滞模型关键参数难以确定的问题,提出了一种基于烟花算法的电流互感器改进J-A磁滞模型参数识别方法。该方法首先建立改进J-A模型,然后建立参数识别模型,以求出的磁感应强度与已知的磁感应强度之间的绝对误差之和最小为目标函数,将模型参数作为变量引入烟花优化算法中求解。在产生新火花的时候,增加了对火花是否满足约束条件的校验。用所提方法分别识别P型和PR型电流互感器磁滞曲线,结果表明求得的磁滞曲线与实际曲线偏差小,增加的火花校验环节能够明显减少算法收敛所需要的迭代次数,证明了所提方法的有效性和自适应性。     

基于实际工程的变压器改进J-A模型研究

为了能够深入开展励磁涌流对直流输电系统影响的机理性研究,提出了一种基于PSCAD/EMTDC仿真软件的考虑磁滞特性的变压器模型建模方法,该建模方法采用改进J-A模型来描述变压器磁滞特性,具有物理意义清晰、参数较少等优势。介绍了常用的变压器电磁仿真模型建模方法,并给出了所提建模方法的详细步骤和算法设计。在PSCAD/EMTDC仿真平台上建立了牛从直流输电系统的仿真模型,并结合牛从直流的实际录波波形进行了参数辨识,最终利用PSCAD复现了牛从直流乙线换流变压器空充过程中甲线直流电流的录波波形,验证了所建模型的合理性和有效性。     

基于改进微分进化算法的负荷模型参数辨识

为了提高电力系统中负荷模型的精确度,提出了一种改进的微分进化算法(IDE)以辨识负荷模型参数。采用不依赖于优化问题的控制参数自适应调整机制,同时考虑搜索速度和搜索精度,使算法摆脱后期易于陷入局部极值点的束缚,克服了微分进化算法参数调整困难的不足,提高了算法的寻优能力。将改进算法应用于静态负荷模型参数辨识的工程实例并与其他算法对比的结果表明,改进DE算法的全局搜索能力强,搜索精度高。     

基于天牛须搜索粒子群优化的改进克里金模型

为提高克里金模型的建模精度,提出了一种基于天牛须(BAS)搜索粒子群(PSO)优化的改进克里金模型算法。在引入的天牛须搜索PSO优化算法中,每个粒子的更新规则不仅依赖于PSO最佳方案及个体的当前全局最优值,还综合了BAS的搜索规则,以提高全局搜索性能及搜索效率。由于相关参数的取值直接影响克里金模型的建模精度,应用天牛须搜索PSO算法对克里金模型的相关参数进行优化,并给出了具体的优化流程。测试算例表明,基于天牛须搜索PSO的改进克里金模型,具有得更高的模型精度和计算效率,优于常规的克里金算法及普通粒子群优化的克里金算法。     

粒子群优化的SVM算法在气体分析中的应用

提出一种用于电子鼻气体定量分析的基于粒子群参数优化的SVM算法。引入群能量守恒粒子群算法对SVM模型中的参数进行优化,获得最优参数组合,以减小定量分析中的平均相对误差。实验结果表明,引入群能量守恒的粒子群优化算法(SEC-PSO)对SVM回归模型中的参数进行优化,使参数的确定更为合理,与单纯基于SVM的方法相比平均相对误差由原来的2.17%降低到0.35%,所提出的算法有效地提高了拟合的精度,从而进一步提高预测精度。     

A Novel Parameter Identification Approach via Hybrid Learning for Aggregate Load Modeling

Parameter identification is the key technology in measurement-based load modeling. A hybrid learning algorithm is proposed to identify parameters for the aggregate load model (ZIP augmented with induction motor). The hybrid learning algorithm combines the genetic algorithm (GA) and the nonlinear Levenberg–Marquardt (L-M) algorithm. It takes advantages of the global search ability of GA and the local search ability of L-M algorithm, which is a more powerful search technique. The proposed algorithm is tested for load parameter identifications using both simulation data and field measurement data. Numerical results illustrate that the hybrid learning algorithm can improve the accuracy and reduce the computation time for load model parameter identifications.      

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。