基于小波分析的电力负荷模型辨识数据去噪

为了提高电力负荷模型辨识的准确度,需要对实际扰动数据进行去噪处理.为此,针对有效值动态数据,提出了将平稳阶段噪声过滤掉而暂态阶段数据不加处理的去噪策略,将去噪后的平稳阶段数据与暂态阶段数据合成获得辨识用数据;给出了平稳阶段起始点的判据,提出了基于小波分析的平稳阶段数据去噪方法.实际应用结果表明,将处理过的扰动信号用于负...     

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。     

基于负荷模型的电冰箱制冷量辨识与分析

提出了一种模型与试验相结合的电冰箱制冷量动态特性辨识方法，通过将常规实验结果代入电冰箱动态负荷模型的逆模型获得电冰箱制冷量的动态特性，对一实例的辨识结果进行了分析，其结果可为蒸发器的改进设计和相关部件的性能评价提供依据。     

基于前馈神经网络的动态负荷模型辨识

本文提出了一种利用人工神经网络（ＡＮＮ）与系统辨识技术相结合的动态负荷建模方法。首先简要介绍了电力系统负荷的动态模型和前馈神经网络，然后具体讨论了应用ＡＮＮ辩识负荷模型参数的方法，并结合具体辩识程序的框图，分析了辩识过程中应注意的问题。研究表明，本文提供了一条有效的辩识建模途径。     

电力系统非机理负荷模型的可辨识性

主要研究了ＩＥＥＥ工作组分布的常用电力负荷非机理模型的可辨识性问题－－这些模型的参数能否根据测量数据唯一获得。对每一种模型都得出了明确结果。结果表明,一些常见负荷模型是不可辨识的,必须采用统计综合法或增加附加信息,研究结果对今后进一步研究和应用工作具有重要的参考价值。     

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。     

采用谐波特性的电力负荷分类

由于当前电网负荷的电力电子化趋势越来越明显,导致其复杂性、随机性、时变性也显得尤为突出,从而影响了电力负荷模型的准确性.负荷建模过程中为了考虑到不同比例及不同类型电力电子设备的影响,需要进行合理的分类.针对不同类型的电力电子设备具有不同的端口机电特性与谐波特性,对典型负荷设备进行谐波特性分析,进行初步的分类,然后建立详...     

短期电力负荷预测的基本模型

负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进行预测。在进行电力系统的短期负荷预测时，针对负荷变化的特点，既要充分分析，掌握并利用其规律性，叉要兼顾各种因素的影响。本文通过对影响负荷的各种因素的分析和预测模型应满足的要求，提出了短期电力负荷预测的基本模型。     

基于密度估计的异常电力负荷数据辨识与修正

SCADA系统数据库中一般会有一些异常的电力负荷数据,直接用其来进行短期负荷预测将影响预测结果的准确性,因此有必要对这些异常数据进行辨识和修正.文中同时考虑负荷的横向连续性和纵向连续性,先把负荷数据按照日期排列成二维数据集,然后采用基于密度的方法,在两个维度中对异常数据进行辨识与修正,最后通过实例分析验证了该方法的有效性.     

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。     

基于负荷识别的电网电压无功优化控制方案探讨

提出了一种基于负荷识别的电网电压无功优化控制方案,指出该方案能够准确地识别电网负荷运行情况,结合逆调压要求,给出不同负荷区域的定值整定原则,实时修正控制定值,使电压无功控制与负荷变化实时联动,提高了电压无功的控制效果,达到优化控制的目的。     

电力系统短期负荷新型Volterra预测模型研究

针对电力系统负荷短时预测问题,从分析负荷数据的混沌特性入手,利用相空间重构理论对负荷数据进行重构,构建了一种新型的Volterra模型对电力系统负荷进行预测。该模型采用二次线性微分方程方法对原Volterra级数进行变换,与以往Volterra级数相比,该模型无截断误差,包含了系统更多精确的信息。最后,以某地区实际用电负荷数据为对象进行验证,结果表明:该模型2d和4d用电负荷预测结果和实际结果误差不超过5%,完全能够满足电力调度需求,同时也为电力公司制定经济模型和实时电价调整提供了理论支持。     

一种动态载荷的识别方法

提出了一种逆优化系统识别动态载荷的方法。该方法避免了一般载荷识别中频响函数求逆运算中由于矩阵病态而引起的运算及运算失败，从而提高了识别精度，为动态载荷，特别是宽频带、瞬态冲击载荷的识别提供了一种有效途径。     

动态调节模型的最小二乘迭代辨识方法

为了改进参数估计精度,利用递阶辨识的交互估计理论,提出了辨识动态调节模型的最小二乘迭代辨识方法。其基本思想是:在每步迭代计算中,将信息向量中或信息矩阵中不可测噪声项用其估计值代替,而噪声估计值又是用前一次迭代参数估计进行计算的,二者执行了一个递阶计算过程。与流行的递推广义最小二乘算法相比,提出的迭代算法在每一步计算中,同时利用了系统所有量测数据信息,因而具有更高的参数估计精度和更快的收敛速度。进行了仿真计算。     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

电力系统中长期负荷预测的模糊算法

介绍了用模糊指数平滑法和模糊线性回归法进行电力系统中长期负荷预测的方法，以实际预测为例，给出预测结果，实践证明了上述2种方法虽然以传统预测方法为基础，但具有算法简单，计算速度快，预测精度高，预测误差小，并能提供负荷的一个预测区间等优点，尤其在原始数据存在不确定性和模糊性时，更有着常规预测方法无可比拟的优越性。     

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．     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。