负荷动特性综合方法研究

针对如何建立同类负荷动特性的综合模型问题,提出了基于实测响应空间的负荷动特性直接综合方法.该方法首先应用重心法确定同一类负荷特性的聚类中心,再通过对聚类中心等效样本进行参数辨识,以得到的模型参数作为该类负荷特性的综合模型参数.通过对某一变电站现场采集的负荷特性数据进行综合建模,结果表明该方法正确有效,而且其实现比综合辨识建模以及参数加权平均综合建模更为简便.     

含微型燃气轮机发电的配电网综合负荷建模

为了研究含微型燃气轮机发电(microturbine generation,MTG)的配电网综合负荷模型,建立了适合用于分布式发电仿真的MTG数学模型,提出了MTG三阶微分状态方程的等效描述模型,通过建模仿真验证了模型的有效性.在此基础上,提出了含MTG的配电网广义综合负荷模型结构——MTG等效描述模型并联传统综合负荷模型.在3种不同负荷水平、不同扰动程度条件下对该广义综合负荷模型的有效性进行了检验,验证结果表明,本文所提出的广义综合负荷模型具有较好的自描述能力、泛化能力和参数稳定性.     

基于感应电机参数聚类的负荷动特性综合方法

分类与综合是解决负荷时变性问题的有效途径,是负荷建模实用化的关键.在感应电机参数加权平均综合方法的基础上,结合了标准实测样本综合方法的原理,用模型参数聚类中心作为提取出的同类负荷本质特征,提出了模型参数聚类中心综合建模方法,通过分析比较,实例验证表明了该综合方法的有效性和可行性.     

遗传算法与传统优化方法应用于电力负荷建模的比较研究

将遗传算法应用于电力系统综合负荷建模．以三阶感应电动机为综合负荷模型,以待辨识参数为未知向量,以系统实测与模型响应误差平方和为目标函数;以随机初始种群为基础进行交叉一变异一选择运算并产生下一代种群;通过若干代进化即可获得具有足够精度的辨识结果．通过实验数据将遗传算法与传统模式搜索算法的建模结果比较,表明遗传算法所得模型的描述精度比模式搜索法高10倍,其模型参数呈现很好的稳健性,从而有效地克服了传统优化方法的模型参数分散性。     

负荷建模和参数辨识的遗传进化算法

提出了一种用于电力系统负荷建模和参数辨识的遗传进化算法,该方法与传统的最小二乘法相比具有全局搜索优化特点,适用于非线性、不连续或微分不连续的各种负荷模型.该方法已成功用于工业负荷实测数据辨识及动态和静态负荷建模.在静态负荷建模上,辨识结果略优于传统的最小二乘法,且通用性更好,只需做极小的修改就可以用于各种形式的静态负荷模型.在动态负荷建模上算法不仅给出了更优秀的结果,而且表现出很好的稳健性.结果表明此方法在负荷建模中的优势.     

考虑含全钒液流电池储能系统的广义综合负荷模型

构建了适用于电网仿真的全钒液流电池(all-vanadium redox flow battery,VRB)模型,研究了VRB储能系统的外特性.从外特性等效拟合的原理出发,忽略VRB系统的无功功率,提出了VRB储能系统的等效模型.该模型结构简单,参数少,易于辨识,能够有效拟合电网在大扰动和连续小扰动情况下的储能系统外特性,其优势在于能够模拟电池储能的出力极限情形.建立了所提出的VRB等效模型与考虑配电网参数和无功补偿的传统负荷模型并联的广义综合负荷模型(Generalized Synthesis Load Model,GSLM),对含VRB储能系统的配电网广义综合负荷特性进行辨识建模.算例表明,与传统综合负荷模型相比,该GSLM能够更精确描述含储能系统的配电网综合负荷特性,VRB在综合负荷中比例越大,这种优势越明显,且模型参数辨识结果具有较好的稳定性和综合描述能力.     

基于混沌模糊神经网络方法的短期负荷预测

针对模糊神经网络的BP学习算法提出改进,引入全局性较强的混沌搜索算法,提出一种基于混沌搜索学习算法的模糊神经网络模型.将改进的模型应用于短期负荷预测建模,应用我国南方某市电网的实际负荷数据进行实证研究.仿真结果显示改进后的模糊神经网络较改进前在同一样本预测中精确度提高了2.5%,增加算法运行时间仅为3.1 s,说明本文提出的新的负荷预测建模方法具有更好的预测效果.     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

基于模糊数学和神经网络的上海市中小企业商务成本综合评价模型研究

尝试运用模糊数学方法对指标数据运用隶属度函数处理,在确立了中小企业商务成本综合评价指标体系的基础上,建立了模型。以一级模糊综合评价向量作为神经网络评价模型的输入,该网络具有四个因子输入,一个衡量中小企业商务成本的输出,总共六层结构,模糊规则层最大的优势在于根据具体问题情况进行调节的能力,所以利用神经网络模型对中小企业商务成本进行评价,由于神经网络的非线性处理能力使评价更具体和科学。利用Matlab7.0对178组样本数据进行实证分析,训练结果表明网络预测误差小。     

电力日负荷数据特征模式智能提取方法

电力负荷数据中可能包含各种坏数据，严重影响负荷预测精度，因此需要从这些合有噪声的日负荷数据中提取出负荷的特征模式，以便对负荷数据进行清洗．以软聚类思想为指导，通过模糊C均值聚类算法及Kohonen自组织特征映射神经网络的互补结合，提出了日负荷特征模式的智能提取方法，该方法不但具有辨识精度高、收敛速度快的优点，而且具有对数据的动态处理能力，为精确的负荷预测和准确的系统分析做好了数据上的准备，对重庆城区供电局负荷数据的实例分析说明了方法的高效性．     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于改进自适应神经模糊推理模型的 回流焊参数设定方法

复杂制造过程中,系统参数往往呈现动态、非线性特征,以回流焊过程为例,针对现有参数设定方法效率和精度不足的问题,提出了一种基于改进自适应神经模糊推理模型的在线参数设定方法.引入了神经网络预测器来增强模糊神经网络的自适应能力和非线性逼近能力,通过最近邻聚类算法对模糊规则的参数和结构进行调整和在线更新,以提高模糊推理的精度,增强系统的容错性和鲁棒性.以回流焊过程参数设定过程为背景,建立仿真实验.结果表明,所提出方法可有效实现非线性输入输出系统参数的快速及准确的设定.     

一种基于模糊逻辑和神经网络的电力负荷预测方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,并开发了实用化的负荷在线预测软件,该软件是基于Windows的应用程序,具有开放式的结构和友好的人机接口,可用于每小时或每15min的负荷预测,测试结果表明,该方法具有良好的预测精度。     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

基于动态模糊神经网络的配电网规划供电可靠性评估

传统的供电可靠性评估方法是以准确的配电网结构和多年的元件可靠性历史数据为基础进行评估,难以实现对城市配电网规划方案的供电可靠性评估.为此本文提出一种基于动态模糊神经网络的配电网规划供电可靠性评估方法,首先对供电可靠性的影响因素进行分析,建立供电可靠性评价指标体系,然后利用动态模糊神经网络对规划目标年的供电可靠性进行评估,算例表明,该方法是有效的.     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.