基于状态空间方程的油纸绝缘系统等效电路参数辨识

合理地辨识油纸绝缘系统等效电路的参数是绝缘老化特性分析的基础.根据回复电压测试原理,提出建立回复电压时域响应的状态空间模型,并利用控制理论中状态空间方程的求解方法结合自适应粒子群算法搜索出最优解,从而得到等效电路的未知参数值.利用国外学者所提供的一组300 MV·A油纸绝缘变压器不同充电时间下的回复电压响应曲线进行辨识,并将辨识结果所对应的回复电压曲线与测量曲线对比,二者重合度高,验证了计算模型及辨识方法的有效性.同时,分析了模型支路数不同时对辨识结果的影响,初步得出该台变压器选择6条支路辨识拟合效果最佳的结论.为油纸绝缘系统等值电路参数的辨识提供了一种新思路.     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

基于越限风险评估的分布式光伏电源接入配电网适应性研究

为合理评价现状配电网对规划分布式光伏电源的适应性,针对分布式光伏电源接入配电网引起的电压和潮流越限问题,讨论了典型接入配电网拓扑和接线模式,并在MATLAB/Simulink环境下建立了含分布式光伏电源模型的IEEE34标准节点配电网络系统.考虑到分布式光伏电源的随机出力扰动和负荷波动给配电网运行带来的风险,建立节点电压越限和支路潮流越限风险评估指标模型,分析了相同节点对不同容量电源的接纳能力,重点讨论了分布式光伏电源接入配电网准入容量.以配电网典型实际参数为例进行仿真实验,仿真结果验证了应用风险评估指标模型评估分布式电源接入配电网适应性的合理性.     

概率积分法参数反演的文化-随机粒子群优化算法

为解决传统方法在概率积分法参数反演中存在的反演过程发散问题.将粒子群优化(PSO)算法纳入到文化算法(CA)框架中,提出了概率积分法参数反演的文化-随机粒子群优化(CA-rPSO)算法.以随机粒子群优化(rPSO)算法作为信念空间的进化算法,并将PSO作为群体空间的进化算法,形成两者独立并行进化的"双演化双促进"机制,按照误差平方和最小化准则构建适应度函数,反演出概率积分法参数.研究结果表明:对于常规布设形式的地表移动观测站,基于CA-rPSO反演概率积分法参数的收敛成功率为1.该结论具有较高的实用价值,且对矿山其它复杂参数寻优问题有着一定的指导意义.     

基于模拟退火粒子群算法的飞机气动参数辨识

针对飞机气动参数辨识中如极大似然法等常规方法存在收敛慢、对初值敏感或数学形式复杂等缺点,讨论了模拟退火粒子群算法及其在气动参数识别中的应用,该方法主要辨识策略是一次采集多次迭代,增强了粒子群算法的收敛性和全局性.对某飞机纵横向气动参数辨识进行了仿真研究,结果表明模拟退火粒子群算法对飞机气动参数辨识问题行之有效,并且在扩展搜索空间上,比基本粒子群算法和自适应粒子群算法更有优势.     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

基于改进粒子群算法的ICPT配电系统规划

针对城市电气化交通的供电解决方案提出一种新型的感应耦合电能接入模式.针对粒子群优化算法全局搜索的高效性与易"早熟"收敛之间的矛盾,提出一种基于非线性单纯体法的改进粒子群算法,保证了具有一定代表性的粒子在解空间的合理分布.该算法结构上增加的被动聚集项,使得粒子在寻优过程中不仅受到个体极值点和全局极值点的影响,还受被动聚集项的扰动.感应耦合电能传输配电系统规划问题的仿真结果表明,改进算法的年综合费用比粒子群优化算法少1.40%,改进算法既有效又稳定.     

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。     

基于自适应随机惯性权的粒子群优化算法

分析惯性权值对粒子群优化算法(PSO)优化性能的影响,提出了基于自适应随机惯性权(ARIW)的改进粒子群优化算法.在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布.使用四个基准函数进行测试,结果表明基于ARIW的PSO算法不但计算简便,而且能有效地调整算法全局与局部的搜索能力,显著提高了全局搜索的速度与精度.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

基于改进差分进化算法的估计等值法

为解决现有的用于电力系统在线安全分析的估计等值法精度低、收敛性弱的问题,给出了较精细的等值发电机加综合负荷的等值系统模型,以提高等值精度,并提出了基于差分进化(DE)算法的等值系统参数辨识策略.为解决DE存在的早熟收敛问题,构造变异方式不同的两个差分进化群,两群并行进化且定时交换信息,以增加种群的多样性,改善算法的收敛性.仿真结果表明:改进的双群体DE算法有效解决了等值系统的参数辨识问题,算法简单、收敛快,辨识的参数精度高、鲁棒性好;所建立的等值系统模型更符合电网实际,等值后外部系统的动态特性基本被保留;所提基于改进DE的估计等值法可用于在线大规模外部系统的等值化简.     

考虑风电场运行方式的风电支路导线选型建模

建立了风电场的随机模型,分析了风电场对配电线路电压和潮流的影响,定义了风电支路和风电平行支路并对其进行仿真,分析了风电场对其线路输送功率的影响,并建立了兼顾大电网和风电场送电容量的线路选型的数学模型,揭示了不同位置、不同容量的风电场接入电网线路选型的一般规律,用以解决风电场影响下的架空线路的选型和配置问题.算例分析结果验证了文中方法的有效性.     

基于感应滤波的高压取电装置谐波抑制方法

为了解决偏远山村、通信基站、郊区工厂等负荷的供电问题,通过特制的大容量电压互感器(PT)可实现从高压铁塔或架空线路直接取电,从而实现灵活取电、就地供电的要求。取电装置的负荷中,含大量非线性负荷,而取电装置直接接入高压输电线路,必然在线路中注入一定的谐波。以110 k V输电线路的单相PT取电装置为对象,考虑接入负荷类型及容量,提出了一种基于感应滤波的高压取电装置谐波抑制方法。首先对110 k V输电线路单相PT取电装置的引下线及塔型布置方案、谐波源负荷情况进行分析,建立相应的仿真模型,得到取电装置注入电网的谐波含量与取电装置容量的关系,进而确定取电装置接入电网的容量限值。分析了基于感应滤波的单相PT取电装置的拓扑及等效电路,并推导了输出电压与输入电压的传递函数,设计了感应滤波绕组和调谐装置的参数。仿真结果表明感应滤波及其调谐装置对不同谐波成分均有良好的衰减效果。可见,利用感应滤波对取电装置进行谐波抑制能减小取电装置接入对电网的影响,具有良好的经济性和技术性。     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

基于二阶灵敏度的电力负荷参数辨识方法

利用牛顿法收敛性强的优点,将一阶灵敏度和二阶灵敏度引入牛顿法,得到基于二阶灵敏度的牛顿参数辨识法,并将其应用于电力负荷参数辨识。采用仿真算例将该方法与粒子群算法的参数辨识结果进行对比验证,结果表明牛顿参数辨识法的辨识精度高、辨识计算量小、辨识鲁棒性好。     

基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

基于动态自适应多目标粒子群算法的企业电网无功优化

针对大型工业企业电网无功补偿不合理、功率因数偏低、网损严重等问题,以有功网损、电压偏差、功率因数及静态电压稳定裕度为目标函数,在满足潮流方程、设备能力限制以及系统安全运行要求等约束条件下,建立了企业电网多目标无功优化模型,并提出了一种动态自适应多目标粒子群(DAMOPSO)算法进行求解.该算法通过动态变化参数增强全局搜索能力,采用动态拥挤距离保持Pareto解的多样性,同时引入自适应变异机制避免算法早熟收敛.IEEE-30节点系统和北方某大型钢铁企业电网的算例结果验证了该算法和模型的可行性和有效性.     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

基于改进支持向量机的轨道交通光伏发电预测

轨道交通系统作为用电大户,将光伏发电系统接入轨道交通牵引供电系统不但可以降低交通系统的运营成本,而且可以很好地实现节能环保.但因光伏发电具有随机性、不确定性,将光伏发电直接接入轨道交通牵引供电系统,将会对轨道交通牵引供电系统带来一定的冲击,精确的光伏发电预测是减少光电并网冲击的有效解决方法.首先,采用自适应粒子群算法提高了训练光伏发电历史数据时粒子的寻优能力,然后采用优化后的参数代入最小二乘支持向量机对光伏发电负荷进行了预测,有效地保证了预测的精度,进而提高光伏发电接入轨道交通供电系统时的稳定性.