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。     

一种综合负荷模型参数辨识的混沌优化策略

针对等值于静态负荷和感应电动机负荷的电力系统综合负荷模型的参数辨识,提出了一种高精度的混沌优化算法,该方法利用混沌运动的随机性、规律性和遍历性的特点来寻优,具有全局优化的特点。此混沌优化方法无须优化问题具有连续性和可微性,它按自身的规律进行搜索,克服了传统辨识方法对初值要求高,鲁棒性差,容易陷于局部极值点的缺陷。文中采用了2种混沌映射,3步混沌搜索,并引入随机数来增强遍历性和加快收敛速度。实际算例的结果证实了该算法对综合负荷模型参数辨识的有效性和准确性。     

混沌神经网络负荷建模的理论研究

负荷建模在电力系统稳定分析中起着十分重要的作用。在现代大电力系统条件下，系统稳定性对负荷建模提出了新的要求。该文介绍了电压稳定分析领域的静态负荷模型和动态负荷模型；在基于对电力系统中混沌现象的研究基础上，分析了传统建模方法的不足之处；阐述了将混沌理论引入神经网络算法后算法的特点并将其应用到负荷建模的研究中，建立了利用混沌神经网络理论进行负荷建模的研究中，建立了利用混沌神经网络理论进行负荷模型参数辨识的数学模型和算法，给出了利用该算法进行参数辨识的步骤。分析表明，混沌神经网络逄法可以大幅提高负荷建模的准确度。     

变尺度混沌蚁群算法在NOx排放优化中的应用

为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。     

基于自适应卡尔曼滤波的负荷参数在线辨识方法

传统负荷模型参数辨识方法在数据获取、辨识精度和在线辨识上受到限制,且基于传统卡尔曼滤波的参数辨识算法易受噪声干扰,辨识结果不稳定.为此提出一种基于自适应卡尔曼滤波的负荷参数在线辨识算法.首先建立线性化的负荷模型,基于广域测量系统(WAMS)同步相量测量单元(PMU)测得的实时在线数据,运用预报误差法的思路,使用改进的Sage-Husa自适应卡尔曼滤波算法辨识负荷模型参数.基于浙江电网220 kV华金变电站PMU数据的算例表明了自适应卡尔曼滤波算法辨识结果具有更高的参数稳定性和良好的拟合度.     

采样数据对综合负荷模型参数辨识的影响

在实际工程应用中,经典的综合负荷模型(CLM)目前在电网中得到了广泛的应用与发展。采用总体测辨法的负荷参数辨识策略,以计及频率特性的CLM为研究对象,基于瞬时的三相交流电压和电流采样数据,采用具有较强全局寻优的蚁群算法来辨识负荷模型参数。通过仿真和计算,对比分析不同时间长度的采样数据对负荷模型参数辨识结果的影响,同时分析同一时间长度的采样数据对负荷模型曲线拟合效果的影响。     

混沌神经网络理论在负荷建模中的应用

针对现代电力系统条件下系统稳定性对负荷建模的新要求,分析了电力系统中的混沌现象和传统建模方法的不足,将混沌神经网络理论引入到负荷建模的研究中,提出了利用混沌神经网络理论进行负荷模型参数辨识的数学模型和算法。     

混沌优化用于电力系统静态负荷模型参数辨识

提出了一种应用混沌优化方法进行电力系统静态负荷模型参数辨识的新策略。混沌优化方法利用混沌变量的随机性、规律性、遍历性寻优,能够克服传统的基于梯度寻优的辨识方法容易陷入局部极小点的不足,而且方法简单、快速、易于掌握。实际算例的结果证实了混沌优化方法用于电力系统静态负荷模型辨识的有效性。     

开关磁阻电机模型参数辨识仿真研究

开关磁阻电机模型参数辨识直接决定开关磁阻电机运行性能。由于各非线性参数变量相互耦合,辨识难度较大,传统方法易陷入局部极小值,难以得到满意的控制效果。为此,提出了一种遗传蚁群算法的开关磁阻电机模型参数辨识方法。该方法首先建立开关磁阻电机模型,然后采用遗传算法对模型参数进行辩识,并将该辩识结果作为蚁群算法的初始信息素,最后采用蚁群算法对参数辩识进一步求解。仿真实验结果表明,相对于传统参数辩识方法,遗传蚁群算法能够对非线性参数进行准确的辩识,更准确有效地反映电机实际的工作状态。