江苏电网电力系统稳定器参数辨识研究

提出了一种基于遗传算法(GA)的将电力系统稳定器(PSS)原模型转换为仿真软件下标准模型的参数辨识方法,通过建立PSS原模型和标准模型传递函数结构框图,输入扰动信号,以原模型和标准模型的输出误差最小作为辨识目标,利用GA对标准模型参数进行优化调整,最终得到满足要求的PSS标准模型参数。该方法简便易行,精度高,实际PSS参数辨识结果表明,该方法具有很好的效果。     

遗传算法的改进策略及其在非线性发电机励磁系统参数辨识中的应用

针对标准遗传算法收敛速度慢、易早熟等缺陷,通过对遗传策略的综合改进,提出了一种基于改进遗传算法的参数辨识方法。通过建立励磁系统原模型和标准模型,给原模型和标准模型施加相同的激励信号,以模型输出误差最小作为辨识目标,利用改进遗传算法对标准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标准模型参数。该方法的优点在于解决了传统的辨识方法无法对励磁系统非线性环节进行有效辨识的问题,实际励磁系统参数辨识结果表明,该方法具有较快的收敛速度和较高的辨识精度。     

基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA).该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施.算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高.     

改进遗传算法在发电机励磁系统参数辨识中的应用

提出了一种基于改进遗传算法的将发电机励磁系统原模型转换为仿真软件下标准模型的参数辨识方法,以原模型和标准模型的输出误差最小作为辨识目标,利用改进遗传算法不断优化调整标准模型中的参数,最终得到满足要求的励磁系统标准模型参数.与传统的励磁系统参数辨识方法相比较,该方法很好地解决了励磁系统非线性环节难以有效辨识的问题,方便可靠,精度高.实际发电机励磁系统参数辨识结果表明,该方法具有很好的效果.     

改进遗传算法在发电机励磁系统参数辨识中的应用

提出了一种基于改进遗传算法的将发电机励磁系统原模型转换为仿真软件下标准模型的参数辨识方法,以原模型和标准模型的输出误差最小作为辨识目标,利用改进遗传算法不断优化调整标准模型中的参数,最终得到满足要求的励磁系统标准模型参数。与传统的励磁系统参数辨识方法相比较,该方法很好地解决了励磁系统非线性环节难以有效辨识的问题,方便可靠,精度高。实际发电机励磁系统参数辨识结果表明,该方法具有很好的效果。     

基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA)。该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施。算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高。     

遗传算法在发电机励磁系统参数辨识中的应用

提出了一种基于遗传算法的将发电机励磁系统原模型转换为仿真软件下标准模型的参数辨识方法,以原模型和标准模型的输出误差最小作为辨识目标,利用遗传算法不断优化调整标准模型中的参数,最终得到满足误差要求的励磁系统标准模型参数.与传统的励磁系统参数辨识方法相比较,该方法很好地解决了励磁系统非线性环节难以有效辨识的问题,方便可靠,精度高.实际发电机励磁系统参数辨识结果表明,该方法具有很好的效果.     

基于改进微分进化算法的过程模型参数辨识

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.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,提出了一种基于改进微分进化(DE)算法的模型参数辨识方法,有效提高了参数辨识的精度和效率.对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性.结果表明,利用改进DE算法辨识过程模型参数,无论...     

基于改进遗传算法的电力系统无功优化

将遗传算法应用于电力系统无功优化.针对传统遗传算法中存在的易陷入局部最优解和后期收敛速度慢的问题,在简单遗传算法(SGA)的基础上,提出更加有效的算法即改进遗传算法(IGA).新算法结合灵敏度分析产生原始个体替代SGA.SGA 的交叉和变异被改进,改进的交叉操作拥有快速局部调节能力,改进的变异操作引入灵敏度分析产生新的个体.所提算法在一个算例上进行了分析验证.     

基于混沌自适应遗传算法的非晶合金干式变压器优化设计北大核心CSCD

针对目前变压器优化设计周期长、效率低与制造成本高等问题,采用了一种改进的遗传算法(IGA,improved genetic algorithm)—混沌自适应遗传算法(CAGA,chaotic adaptive genetic algorithm)对变压器的参数进行优化。该算法结合了混沌遗传算法(CGA,chaos genetic algorithm)与自适应遗传算法(AGA,adaptive genetic algorithm)各自的优点,将混沌序列、自适应遗传算子与精英策略引入传统遗传算法(SGA,simple genetic algorithms)中,有效地解决了SGA中种群多样性不足与易陷入局部最优问题。以SCLBH15-315/10三相非晶合金干式变压器(非晶干变)为优化设计对象,将变压器主材成本作为优化目标函数,分别采用SGA与IGA(CGA、AGA、CAGA)对非晶干变进行优化设计。实例优化数据分析表明,与原始设计方案相比,SGA与IGA能有效降低非晶干变主材成本并改善其损耗性能。在SGA与IGA中,CAGA优化效果最佳,寻优空间大、速度快,且收敛性强;与原始设计方案相比,CAGA能使非晶干变的主材重量下降11.55%,成本节约12.62%。     

Improved modelling of power transformer winding using bacterial swarming algorithm and frequency response analysis

The paper discusses an improved modelling of transformer windings based on bacterial swarming algorithm (BSA) and frequency response analysis (FRA). With the purpose to accurately identify transformer windings parameters a model-based identification approach is introduced using a well-known lumped parameter model. It includes search space estimation using analytical calculations, which is used for the subsequent model parameters identification with a novel BSA. The newly introduced BSA, being developed upon a bacterial foraging behavior, is described in detail. Simulations and discussions are presented to explore the potential of the proposed approach using simulated and experimentally measured FRA responses taken from two transformers. The BSA identification results are compared with those using genetic algorithm. It is shown that the proposed BSA delivers satisfactory parameter identification and improved modelling can be used for FRA results interpretation.     

SIMULINK中PMSM模型的改进及在参数辨识中的应用

Matlab\SIMULINK中集成的永磁同步电机模型在调速系统仿真中应用广泛,但存在电机参数不可动态修改,坐标定义不符合常规逻辑等不足,给研究工作带来不便.在分析永磁同步电机数学模型的基础上,针对原电机模型的不足提出了两种改进方案,并给出具体操作步骤和使用方法.一是根据需求直接对库模型做修改,二是自定义永磁同步电机仿真模型,这两种方法简单有效,各有其优点.仿真通过对比验证了改进模型的正确性,并结合模型参考自适应算法将自定义永磁同步电机模型应用在电机参数辨识中.结果显示,改进后的永磁同步电机模型弥补了原有模型的不足,在变参数变结构的动态仿真中具有实用性,拓展了永磁同步电机模型的应用范围.     

含有非线性环节的发电机励磁系统参数辨识

提出了一种基于遗传算法的励磁系统参数辨识方法,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,利用遗传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。该方法的优 点在于解决了目前电力系统中常用的辨识方法无法对非线性环节进行有效辨识的问题;且根据输 入输出采样数据直接在时域上进行参数辨识,方法简便,直接得到传递函数框图环节参数,无需转 换。在MATLAB下的数字仿真和现场试验结果均表明,该算法能较精确地辨识出包括非线性环 节在内的励磁系统模型各个环节的参数。     

单一综合负荷模型等效负荷群的适用性

采用基于遗传算法的综合负荷模型主导参数辨识方法,分析辨识了放射状、弱互联以及其他几种特殊电网组合形态的主导负荷参数。通过对比原始负荷模型与辨识负荷模型的动态仿真曲线,分析了综合负荷模型对电网负荷群外特性的拟合度及适用范围。仿真表明,当负荷区域中没有发电机时单一综合负荷模型可以近似等效其外特性否则,拟合效果不理想。     

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法全局搜索能力,从而提高J-A磁滞模型关键参数辨识的准确度。文中对比分析了所提改进算法(GSS-PSO)与其他智能算法对J-A磁滞模型的关键参数辨识速度与准确度。结果表明,改进的算法得到的磁滞回线与实测磁滞回线的误差最小,且识别效率较高,证明了该算法在J-A磁滞模型参数辨识中的准确性和有效性。     

一种综合改进型遗传算法及其在综合负荷建模中的应用

针对基本遗传算法本身存在收敛速度慢和易早熟的缺陷,提出一种综合改进型遗传算法并成功地应用于负荷建模。该改进遗传算法通过对初始种群的选择、最优个体的保留、自适应的交叉和变异率、早熟现象的防止策略等各方面进行综合的科学设计,能十分有效地克服早熟、避免近亲繁殖、明显提高收敛速度,并具有优良的自适应特性。基于现场实测负荷特性数据的负荷建模实践表明,所提出的综合改进型遗传算法对于加速收敛缩短辨识时间、提高模型拟合精度、克服模型参数的分散性均具有显著作用,是一种很适合于负荷建模的优秀优化算法。