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。     

遗传算法在参数辨识中的应用进展

系统地讨论遗传算法在参数辨识中的应用.总结了简单遗传算法用于参数辨识的步骤,指出其可能出现的问题,并综述国内外学者在编码、适应值函数和遗传算子等方面所作的改进以及将遗传算法与其他方法结合所产生的新算法.最后指出了遗传算法存在的局限性.     

基于改进遗传算法的电阻炉模型参数辨识

由于电阻炉模型为非线性模型,使得参数辨识非常困难。因此针对该模型提出了一种基于改进遗传算法的模型参数辨识方法,并通过MATIAB仿真对辨识方法进行验证,结果表明该方法有效可行。     

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.     

基于遗传算法的摩擦模型参数辨识

摘Tustin摩擦模型能够很好地描述零速附近的摩擦力,由于该模型为非线性模型,使得参数辨识非常困难。针对该模型提出了一种基于遗传算法的摩擦模型参数辨识方法,并通过仿真对辨识结果进行验证,结果表明该方法是有效的。     

遗传算法的双线性模型参数辨识

本文以遗传算法为基础 ,提出了一种辨识双线性离散动态系统模型参数的方法。该方法能够有效地克服噪声的污染 ,获得双线性系统参数的无偏估计值。应用该算法对双线性系统进行仿真表明 ,该方法辨识精度高 ,稳定性好     

用改进遗传算法求解电力系统负荷恢复

对系统恢复过程中最后一个阶段的负荷恢复问题进行了研究.考虑系统恢复过程中负荷对电力需求优先级的不同,将电力系统的负荷恢复问题建模为多约束条件的组合优化问题,并用改进的遗传算法对问题进行求解.在选择策略中采用稳态策略、精英策略和重叠种群策略,提高了遗传算法搜索的遍历性并使算法具有群体爬山性.将各种约束条件与目标函数融合在一起,建立一种偏序关系来处理负荷恢复中的约束条件.求解的过程满足了系统的约束条件,不会出现系统的越限.算例结果表明了算法的有效性.     

基于遗传算法的热物性参数辨识

为了提高热物性参数辨识的准确度,将遗传算法(genetic algorithm)应用于热物性参数辨识,提出了完整的数学模型.数值模拟结果表明,此法具有相当的精确度,不但没有造成噪声放大,而且还对噪声进行了过滤,使得输出噪声比输入噪声小了许多,成功克服了反问题中误差累积放大的弱点.本算法应用的唯一前提是相应的正问题可解.该算法很容易应用到其它热物性参数辨识和其它类型的反问题中.     

电力负荷模型参数辨识的混合优化算法

模拟进化类算法具有全局寻优特性但计算时间过长,而梯度类算法具有很高的局部搜索效率但容易陷入局部最优点。基于模拟进化类算法和梯度类算法的优点提出一种混合优化算法,即以蚁群算法起步,经过一定次数的迭代后切换为梯度算法。提出目标值下降准则和区间收缩准则两种切换算法策略,并且进行对比。针对电力负荷参数辨识,通过仿真算例和实际应用进行测试。结果表明,在保证相同精度的前提下混合优化算法大大提高了计算效率。     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了与进化代数相关的交叉概率和与个体适应度相关的变异概率.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

基于混合遗传算法的开关磁阻电机模型参数辨识

将开关磁阻电机（SRM）的建模问题作为一类非线性约束优化问题进行参数辨识研究,对模拟退火遗传算法进行了改进,提出一种带有退火精确罚函数的自适应混合遗传算法（HGA）,给出了算法的具体实现方法．建立了基于DSPTMS320F2812的磁链特性检测系统,通过实验获取开关磁阻电机的磁化曲线族,利用改进的混合遗传算法在测得的实验数据基础上对电机模型进行参数辨识．基于辨识得到的模型,对电机在两种不同工况下的运行特性分别进行了研究,仿真结果与实验结果的对比验证了该方法的有效性和准确性．辨识得到的电机模型可以作为电机性能估计及优化控制的基础．     

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.     

水电站厂房结构模态参数的遗传识别方法

环境激励下结构模态参数的时域识别方法是近年来的研究热点,水电站厂房结构一般规模巨大,常规的激励方式会对结构产生不良影响．此外,由于噪声的干扰往往产生众多虚假模态．由于机组停机过程中环境激励响应较易获得,提出一种基于遗传算法的结构模态参数识别方法,采用多信号分类法进行信号定阶．运用该方法通过模拟信号对其进行验证．并将其应用到水电站厂房结构的模态参数识别中．结果表明,该方法能够有效准确地识别出结构的自振频率和阻尼比．     

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。     

一种新的伪并行遗传算法

利用混沌序列的伪随机性,将混沌引入伪并行遗传算法,提出了伪并行混沌遗传算法。对3个检测函数的仿真实验表明该算法能较好地克服早熟现象及收敛速度慢的问题,优于伪并行遗传算法、显著优于标准遗传算法。     

应用改进遗传算法的电力变压器优化设计

为了提高遗传算法在电力变压器优化设计中获得全局最优解的能力，对传统遗传算法的编码方案、遗传算子以及约束条件、适应值函数等方面进行改进研究，提出了一种改进遗传算法，并应用经典数学函数进行验证，结果表明改进遗传算法具有较高的寻优效率。在此基础上提出了适应于求解多目标优化的改进遗传算法，并将改进遗传算法首次应用于S9系列电力变压器的单目标和双目标的优化设计中。应用实例表明，文中提出的改进遗传算法（IGA）具有更强的全局寻优能力和更高的求解精度，对电力变压器的优化设计效果明显。     

针对机器人路径规划问题的改进型遗传算法

针对路径规划的"求解质量"和"求解效率"2个问题,在传统遗传操作的基础上,通过在遗传操作中加入优化算子,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和仿真试验表明,算法的改进是有效的.     

含风电场机组组合的模糊建模和优化

环境保护的兴起和传统化石能源的日益枯竭增加了人们将可再生能源融入现有系统的兴趣。风电是最有前途的可再生能源之一。但由于风力发电的间歇性和不可预测性使得控制发电频率和实际调度变得困难,在含可再生能源的混合电力系统中存在许多问题。针对风电场出力的间歇性与不可预测性,应用模糊理论建立了含风电场的机组组合模型,综合考虑了一次能源的消耗与风电加入给系统带来的风险。通过定义隶属度函数将确定性问题模糊化,采用最大化满意度指标法将问题转化为非线性规划问题,并采用遗传算法求解该优化问题。对一个10机算例进行了仿真,结果表明本文的算法可行,且能根据决策者的意愿在一次能源的消耗与风险之间折中,为运行和计划提供了宝贵的信息。