负荷建模参数辨识中综合改进遗传算法的应用

参数辨识是负荷建模的关键之一,针对遗传算法本身存在的缺陷,提出一种综合改进的遗传算法.该算法通过初始种群选择、最优个体保留、自适应交叉和变异率等方面进行综合设计,有效地避免了早熟和近亲繁殖,提高了收敛速度.建模实践表明,所提的综合改进遗传算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,是一种适合于负荷建模参数辨识的优化算法.     

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.     

灰色系统参数估计与不良数据辨识

针对序列中含有空穴或不良数据的情况，将参数估计与不良数据辨识理论作为数据预处理技术应用于灰色系统建模。以观测数据为依据进行参数估计，避免了常规模型将空穴处的生成数据与其余实际数据同等对待的弊端；对序列作检测与辨识，使剔除不良数据后的参数估计结果更为精确。在电力系统灰色负荷预测中的应用结果表明，这一方法在提高灰色系统建模精度方面有相当的优越性，预测结果比常规灰色模型有很大的改善。     

基于SLM模型的负荷模型总体测辨方法

福建电网已经建立了负荷在线综合建模系统,实现了负荷模型的在线动态维护。系统一期采用了基于CLM模型的负荷模型总体测辨方法,该模型由于没有充分考虑配网阻抗对负荷模型的影响,在实际应用中与实际负荷特性存在一定偏差。为了进一步提高负荷实测模型准确度,该文提出并实现了基于SLM模型的负荷模型总体辨识方法,并给出了SLM模型的辨识结果。基于SLM模型的负荷实测模型的应用将进一步提高电网仿真计算的精度。     

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.     

在线短期负荷预测方法的研究与应用

根据电力系统负荷的特性，提出了一种在线短期负荷预测方法：用“周期模型”来描述并预测负荷的周期变化分量，再用ＡＲＭＡ模型对周期模型的残差进行建模并用Ｂｏｘ—Ｊｅｎｋｉｎｓ方法进行预测．模型参数的辨识采用在线辨识算法，因而对负荷的变化特性具有较强的适应性．实践结果表明，该方法具有很好的预测效果．     

神经网络负荷模型的综合能力研究

针对电力电子设备综合负荷模型难以用机理模型描述的现状,构造了动态综合负荷的模糊神经网络模型.该模型具有模糊推理和神经网络的优点,能很好地逼近动态负荷的模型输出.通过对已知实测建模数据的训练,分析了模糊神经网络负荷模型的前件参数、结论参数的辨识策略,阐述了模糊隶属度和模糊规则的形成过程.对负荷构成相异的4组实测变电站负荷数据,用其中1组建模数据进行训练,得出模糊模型结构和参数,用该模型去拟合其他3组数据,对模糊神经网络负荷模型的综合能力进行验证.实例表明,该模糊神经网络负荷模型不仅具有很强的自描述能力和收敛性,而且具有良好的综合描述能力.     

含主动负荷的综合电力负荷建模研究综述与展望

总结当前电力负荷建模的研究进展，根据负荷建模所面临的新形势，提出含主动负荷的广义综合电力负荷建模问题的研究框架，并详细论述研究方案，重点解决主动负荷模型结构的准确性与简洁性相协调、主动负荷模型参数的时变性与鲁棒性相协调这2个关键难题，为建立准确描述主动负荷电气特性的广义综合电力负荷模型指明一条可行的技术路线。     

改进的等值电力系统综合负荷模型研究

在分析了以往负荷模型的基础上,采用了一种新的电力系统等值综合负荷模型。在对等值综合负荷模型参数进行辨识时,采用了“改进的自适应遗传算法”,该算法有效地改善了“自适应遗传算法”中高适应值和高适应值个体、高适应值和低适应值个体之间的交叉概率降低,以及进化中后期群体突变概率显著降低的缺陷。实例分析表明,该负荷模型可以较好地反映实际负荷在小干扰情况下的暂态效应,可以应用于电压稳定性暂态分析。     

电力负荷模型特性辨识方法的比较研究

在建立了异步电动机电力负荷模型的基础上，利用最小二乘法、复合变量法、卡尔曼滤波法在线辨识电力负荷特性．结果表明，当电力系统电压频率发生变化时，辨识的有功模型特性与异步电动机特性较为一致，辨识的无功模型精度较差，四阶模型优于三阶模型．     

基于人工蜂群的云计算负载均衡算法

针对云计算负载均衡问题,基于人工蜂群的思想设计负载均衡算法。首先建立了云计算系统中计算负载的数学模型;在此模型基础上,分三步实现负载均衡:①负载均衡决策,计算云系统整体的负载,在云系统整体上尚未过载且负载不均衡的前提下,启动后续步骤;②虚拟机分组,将云系统中的全体虚拟机分别归入过载、低负载、负载均衡三个分组。后续步骤中需要被迁移的计算任务通常处在过载虚拟机之上,而迁移目的地通常是一个低负载虚拟机;③计算任务调度,将过载虚拟机上的任务向外迁移,并设计规则来选择恰当的低负载虚拟机作为迁移目的地。实验验证了所提算法的有效性。     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题，结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine)，提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性；然后将核函数进行排列组合，从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量，利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化，从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测，结果证明了提出方法的有效性。     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

多态蚁群算法在计算网格负载均衡中的应用研究

研究了基于多态蚁群算法的计算网格负载均衡方法的可行性,在此基础上,分析并设计了一个基于多态蚁群算法的网格负载均衡算法,给出了算法流程图.最后通过实验仿真,验证了算法的有效性.     

负荷以恒定阻抗模型表示的电力系统潮流计算方法

在传统的电力系统潮流计算数学模型中,都是假定负荷节点的有功功率P、无功功率Q保持不变,这与电力系统实际运行情况并不完全相符．据此,提出了负荷以恒定阻抗模型表示的电力系统潮流计算方法,给出了相应的节点功率误差方程,推导了雅可比矩阵中相应的元素．用Fortran语言编制了负荷以恒定阻抗模型表示的电力系统潮流计算程序,用5节点系统进行了对比计算．研究结果表明,电炉、电镀和电解等纯电阻性或近似电阻性负荷以恒定阻抗模型表示,潮流计算结果更加符合电力系统实际运行情况．     

变负载下直流电机双闭环调速系统建模

针对直流电机双闭环调速系统负载经常发生变化的情况,在适用于恒定负载的直流电机双闭环调速系统简化模型基础上,分析了该模型在变负载情况下其模型参数变化关系,通过直流电机系统驱动电流和电机转动状态建立了直流电机双闭环调速系统动力学模型.通过实测系统转速响应,利用改进遗传算法和曲线拟合进行模型参数辨识,从而得到变负载情况下直流电机双闭环调速系统模型.实验结果表明,模型的动力学响应贴近实际系统,可以很好地代替实际系统进行控制系统设计.     

一种基于预测的负载平衡策略

提出了一种基于预测的动态负载平衡算法，算法以本地负载信息为基础预测结点到达空闲状态的时间，并且在此之前发出任务请求，从而保证系统中各结点都处于忙碌状态，以提高系统资源的利用率与系统整体性能。由于算法在实施负载平衡时不需要在各进程之间进行同步操作，而且各结点自主决定负载平衡参数，对系统中其他结点的信息要求少，因此负载平衡的开销较小。实验证明，该算法对于科学计算类问题具有较好的效果。     

基于服务网格的动态负载平衡调度算法研究

为了提高资源利用率和系统的吞吐率,需要实现服务网格系统内负载的均衡分布.提出了层次式动态负载平衡调度模式,详细介绍了负载平衡系统的系统结构.作业分配是负载平衡系统中的核心机制.设计并实现了一种综合考虑各局部代理作业数和各个局部代理性能以及当前负载情况的动态双阀值作业分配算法.试验数据表明,该作业分配算法较传统调度算法综合性能有较大提高.在作业数较多时,该作业分配算法性能更好.     

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。