一种提高静态负荷模型参数辨识精度方法的研究

研究表明,在电力系统中,由于谐波噪声的影响负荷模型参数存在较高的分散性。通过对谐波噪声的高频特性和小波分析的分析研究,提出了一种基于粒子群的小波阈值去噪算法,并将其应用到由谐波噪声引起的静态负荷模型参数分散性研究中。仿真实验验证表明,该算法能有效地去除电力信号中的谐波噪声,降低模型参数的高分散性,提高了模型参数辨识精度。     

负荷模型参数辨识的粒子群优化法及其与基因算法比较

粒子群优化法(PS算法)具有全局性能好、搜索效率高等优点。文中应用该算法进行电力系统负荷模型的参数辨识，并将其与模拟进化算法进行比较，发现PS算法在计算时间、全局性方面均有比较明显的优势。讨论了PS算法中用以调节全局搜索和局部搜索关系的权重ω与搜索效率之间的关系，并给出了适用于电力系统负荷参数辨识的ω值。提出了一种利用PS算法的收敛快速性来提高全局性能的工程实用方法，并对工程实例进行辨识，收到了良好效果。     

基于现场实测的电力系统静态负荷模型参数辨识

从模型参数的辨识准则和辨识算法等方面,将现场实测负荷特性数据用于电力系统传统静态负荷模型和综合静态负荷模型的参数辨识,并对这两类模型在电力系统仿真计算的实际应用加以分析,从而得出了一些有意义的结论.     

广东电网基于PMU的负荷模型参数辨识研究

建立基于PMU（phasor measurement unit,相量测量装置）数据的广东电网的实测负荷模型和辨识算法,指出PMU数据处理后用于负荷建模,要满足两个基本条件：一是PMU数据采集地点要装在220kV及以下电压等级的功率受端的纯负荷站点,负荷站出线没有小电源接入;二是PMU数据采集密度达到100Hz／s以上。以广东电网220kV清远变电站为例,通过与系统实际响应的对比分析,验证了负荷模型参数辨识方法的有效性。     

基于混沌蚁群算法的负荷模型参数辨识

为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题,提出了一种适用于负荷模型参数辨识的混沌蚁群混合算法.该算法针对蚁群算法容易陷入局部最优的缺点和混沌算法遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,在蚁群算法求解的基础上,利用混沌算法对解的邻域进行了混沌优化,有效避免了蚁群算法的局部收敛问题.基于实测数据的算例结果表明:与单一蚁群算法相比,混沌蚁群混合算法提高了辨识结果的精度,减少了辨识误差,有效控制了参数分散性,具有较好的工程实用价值.     

基于混沌蚁群算法的负荷模型参数辨识

为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题,提出了一种适用于负荷模型参数辨识的混沌蚁群混合算法.该算法针对蚁群算法容易陷入局部最优的缺点和混沌算法遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,在蚁群算法求解的基础上,利用混沌算法对解的邻域进行了混沌优化,有效避免了蚁群算法的局部收敛问题.基于实测数据...     

基于实测数据的发电机调速系统参数辨识方法

结合当前电力企业广泛开展的发电机组参数实测工作,提出一种参数解耦辨识和整体辨识相结合的发电机调速系统启发式参数辨识方法。首先对能够解耦且具有输入输出量测数据的环节进行单独辨识;然后对其他难以解耦和获得输入输出数据的环节,与已辨识参数环节组成一个整体进行整体辨识;最后基于粒子群算法来寻找最优拟合值,即认为是辨识参数的估计值。通过初步应用证明,该方法能够应用于参数实测和模型验证,有助于提高发电机参数辨识效率。     

基于PMU实测小扰动数据的负荷参数辨识方法

提出一种新的基于相量测量单元(PMU)实测小扰动数据辨识广义负荷模型动态参数的方法。该方法首先根据实测电压、电流变化曲线的特征来选取适合参数辨识的数据时段;而后依据在已知实测电压下负荷模型计算出的电流值的允许波动范围,确定转子初始滑差和其他需要辨识的几个参数的初始值;最后以实测的有功曲线、无功曲线的中心线与计算出的有功曲线、无功曲线中心线的误差最小为目标函数优化参数。所述方法在很大程度上解决了现有各种算法中小扰动数据无法用来辨识模型动态参数的难题。通过华北电网多个变电站母线节点实测算例表明,该算法在无法获得大扰动数据的情况下,只需系统的随机小扰动数据即可较为精确地辨识出负荷的动态参数。     

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。     

一种提高静态负荷模型参数辨识精度方法的研究

研究表明,在电力系统中,由于谐波噪声的影响负荷模型参数存在较高的分散性。通过对谐波噪声的高频特性和小波分析的分析研究,提出了一种基于粒子群的小波阈值去噪算法,并将其应用到由谐波噪声引起的静态负荷模型参数分散性研究中。仿真实验验证表明,该算法能有效地去除电力信号中的谐波噪声,降低模型参数的高分散性,提高了模型参数辨识精度。     

基于实测PMU数据的风电综合负荷参数辨识

根据配网侧负荷特点,构建含风力发电机的综合负荷数学模型。以实测PMU数据为基础,利用总体测辨法进行模型参数辨识。将负荷节点输入电压和负荷模型参数代入数学模型,通过改进Euler法求解模型的状态方程,得出负荷节点电流,将其与实测电流误差加权最小作为目标函数,采用遗传算法辨识出负荷模型的参数。以华北电网某线路实测PMU数据为依据,辨识出考虑风电综合负荷的模型参数。辨识结果体现了负荷中以双馈异步发电机为主体的特征,与负荷特点相吻合,由此说明了辨识方法的有效性与辨识结果的合理性。     

基于APSO算法的发电机励磁系统参数辨识

针对传统辨识方法不能辨识励磁系统非线性环节的缺点,提出了一种基于自适应粒子群优化(APSO)算法的发电机励磁系统参数辨识的方法.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函数,利用APSO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.该方法根据输入输出采样数据直接在时域上进行参数辨识,无需经过FFT变换,方法简便,并且有效解决了励磁系统非线性环节难以有效辨识的问题.仿真结果表明,APSO算法具有较快的收敛速度和较高的辨识精度.     

基于Lemke优化算法的负荷静态模型参数辨识

在分析传统优化算法不足的基础上,提出了基于二次规划的Lemke优化算法的负荷静态模型参数辨识新方法。详细描述了最小二乘法、拉格朗日乘数法及Lemke 3种算法的原理。通过对电力负荷元件进行静态故障模拟,在系统辨识原理的基础上,运用最优化理论的Lemke辨识算法,对实验故障数据进行负荷建模和参数辨识,并列出了日光灯、电风扇、空调及三者组合的静态特征参数。分析结果表明:由于电器设备的制造工艺不同,不能照搬国外软件提供的参数,而应采用实测参数;基于Lemke的优化算法拟合效果较理想,避免了局部最优,且辨识时间少;基于Lemke的优化算法避免了辨识参数的分散性,参数结果与初值选择无关。     

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.     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

基于广义回归神经网络的非侵入式负荷识别方法

非侵入式负荷识别可以实现电网和用户的灵活双向互动,对智能电网的发展具有重大意义,而神经网络因其自学习能力及计算复杂度低等优点越来越多地应用在非侵入式负荷识别中。针对现有BP神经网络方法容易陷入局部最优、收敛速度慢的问题,文章提出了一种基于广义回归神经网络(GRNN)的非侵入式负荷识别方法。该方法使用负荷投切过程的功率、谐波、投切时间等暂态特征作为输入,应用Parzen非参数估计方法搭建网络结构,利用模拟退火算法的全局搜索能力对光滑因子进行寻优,从而建立GRNN网络模型进行负荷识别。实验结果表明,相对于BP神经网络,文中方法具有更好的识别精度和训练速度。     

基于KM算法投切事件匹配的负荷辨识方法

负荷投切事件是关联负荷分类、辨识的一个重要依据,为了能够准确的实现非侵入式负荷投切过程的辨识,提出一种基于KM算法投切事件匹配的非侵入式负荷辨识方法。在该方法中,首先采用一种功率曲线拟合逼近的方式进行负荷事件检测,并利用投切稳态特征建立用电设备投入和切除特征的概率分布模型。同时,考虑到负荷投入事件和切除事件数量不对等情况,将负荷事件与数据库负荷进行匹配,并采用加权优化的KM算法寻找最佳解,从而实现负荷投入和切除的正确匹配辨识。最后,在真实的测试场景并结合REDD数据集进行实验,结果表明文中方法能对负荷投切事件进行有效匹配辨识,为实现能耗细分奠定了基础。     

三相逆变器数字孪生系统的参数辨识研究

电力电子变换器的参数辨识能提升系统控制和运行效果,然而传统的参数辨识方法难以同时辨识多组参数且辨识结果精度较低。针对此问题,提出了基于数字孪生的三相逆变器参数辨识方法。首先,构造出数字孪生三相逆变器,包括利用Runge-kutta库塔方法建立三相逆变器主电路的数学模型和控制器离散模型。然后,利用自适应粒子群优化算法更新并优化数字孪生逆变器的电路参数,直至数字孪生逆变器和物理逆变器相应的电路参数相同。最后,通过仿真和实验验证了所提参数辨识方法的有效性。结果表明,该方法在稳态与动态条件下均能快速地辨识出物理逆变器的电感、寄生电阻和开关管内阻参数,辨识结果的相对误差在2%以内。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

考虑日内温度变化的夏季温敏负荷模型及其时变参数的两阶段辨识方法

现有关于电力负荷温敏特性的研究大多仅关注长时间尺度上最高温度与最大负荷之间的关系,而未分析日内不同温度下的温敏特性。建立能反映日内温度变化的温敏负荷模型,并引入2个假设以解决模型可辨识性的问题;提出适用于参数辨识的数据筛选方法和温敏负荷模型时变参数的两阶段辨识方法。算例结果表明,所提方法可以准确且鲁棒地辨识温敏负荷模型的时变参数,并得到日内温敏负荷曲线及温敏负荷占比。