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。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于群体智能算法的非线性系统参数辨识

群体智能算法是一类适用于非线性、不可微和多峰值复杂函数的优化方法.针对非线性系统的特点,在粒子群算法中,采用贪婪准则来确定全局最优粒子,并将该算法与人工蜂群算法应用于非线性系统参数辨识,辨识结果显示了两种算法对含加性噪声的NARMAX模型辨识的有效性,并为将来的研究工作提出了方向.     

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．     

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.     

基于粒子群算法的风电场参数辨识研究

大规模的风电并网使得电力系统的安全运行受到了挑战,建立高精度风电场模型有利于维护电网的稳定运行。本研究以河西地区马鬃山和酒泉风电场为研究对象,基于粒子群算法,结合马鬃山和酒泉风速数据对威布尔模型中的形状系数和尺度系数进行辨识。以实际值与辨识值误差的平方和最小为目标函数,得到了较高精度的风电场参数值。通过与穷举算法的辨识结果进行对比,本研究的粒子群算法能够获得更高精度的风电场模型。     

一种电力电子电路参数性故障的辨识方法

为准确辨识电力电子电路参数性故障,研究了电力电子关键器件的故障模型,并将其纳入了电力电子电路的混合自动机模型中进行了参数辨识的仿真和实验研究,结果证明了本文方法的有效性.     

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.     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

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.     

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。     

基于最小二乘改进算法的时变系统参数辨识

在系统辨识领域,常规最小二乘法是一种最基本的辨识方法之一.然而,随着观测数据的不断增加,会出现“数据饱和”的现象,造成新观测数据对估计值起不到修正的作用.由于新观测值对未知参数估计的影响要比旧观测值大,采用了渐消记忆和限定记忆最小二乘改进算法,来实现时变过程的参数辨识,并进行了仿真实验.仿真结果表明,它们能够克服“数据饱和”现象,从而改善参数辨识结果     

Parameter optimization of electric bus transmission system based on dynamical evolutionary algorithm

The transmission ratio is the key parameters influence power performance and economic performance of electric vehicle (EV). As a class of heuristic algorithms, Dynamical Evolutionary Algorithm (DEA) is suitable to solve multi-objective optimization problems. This paper presents a new method to optimize the transmission ratio using DEA. The fuzzy constraints and objective function of transmission ratio are established for parameter optimization problem of electric bus transmission. DEA is used to solve the optimization problem. The transmission system is also designed based on the optimization result. Optimization and test results show that the dynamical evolutionary algorithm is an effective method to solve transmission parameter optimization problems.     

基于角度模型的机器人驱动系统参数辨识

针对直流电动机驱动的轮式机器人,提出一种根据机器人轮子编码器读数辨识机器人驱动系统参数的算法,并与传统的根据速度输出来辨识机器人参数的方法进行了比较.仿真计算证明:根据编码器数据辨识有更好的精度及抗干扰能力.     

基于PSO算法的定速风电机组三质块传动系统模型参数辨识

为获得传动系统模型的准确参数,提出阵风激励下三质块传动系统模型的参数辨识方法。根据定速风电机组机械动态与电气动态解耦的特性,提出在辨识传动系统模型参数时可忽略电气动态,据此获得定速风电机组的简化模型。采用轨迹灵敏度方法,分析了传动系统各参数的可辨识性及辨识的难易程度。基于粒子群优化算法(PSO)对传动系统模型进行了参数辨识。辨识结果与轨迹灵敏度分析结论一致,验证了提出的参数辨识方法的可行性。     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

基于功率谱灵敏度的子结构损伤识别方法

提出功率谱灵敏度与子结构缩聚技术结合的损伤识别方法,在分析响应功率谱对结构单元面积灵敏度的过程中采用差分法,解决了求解参数的偏微分较困难的问题;并将整体结构划分为若干子结构,对未损伤子结构采用Guyan缩聚技术,通过功率谱灵敏度分析的方法对缩聚结构进行损伤识别,该方法只需测量结构的少数几个自由度的响应就可以达到损伤检测的目的.最后,通过1个三层两跨的刚架模型验证了该方法的有效性.     

基于改进Gauss-Newton法的在役桥梁结构参数识别

针对在役桥梁结构静力参数识别中识别参数初始值难以确定的特点,提出了改进Gauss-Newton法.先对在迭代矩阵中增加一个阻尼项以防止迭代矩阵出现奇异的方法进行初步识别,再将初步识别结果作为Gauss-Newton（G-N）法的初始值进行再识别,从而既克服了G-N法对初始值要求苛刻的缺点,又保持了G-N法识别精度高的优点.模拟试验结果表明,该方法既能有效处理奇异和非正定矩阵,消除由于初始估计值偏离真值过大而造成识别结果发散的困扰,又能大大提高识别精度,从而保证了在役桥梁结构参数识别结果的可靠性.     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

基于参数离散化的梁式桥损伤识别方法

针对梁式桥提出了一种基于参数离散化的损伤识别方法,并以结构动力指纹、实测位移、速度、结构刚度矩阵及其影响矩阵为变量,提出了全面损伤指标I1和精准损伤指标I2,通过数值模拟和实桥试验验证了该损伤识别方法的敏感性和抗噪性.结果表明,损伤指标I1和损伤指标I2均能有效实现梁式桥的损伤识别,且损伤指标I1具有更好的损伤敏感性和抗噪性,而损伤指标I2相对漏诊的可能性较低.在新沂河大桥损伤识别中,损伤指标I1能基本拟合梁式桥裂缝分布,较全面地反映出桥梁的损伤概况;而损伤指标I2对梁式桥中的重大损伤更为敏感,对于桥梁重大病害损伤识别的抗干扰性较高,能较准确反映桥梁结构的主要损伤.基于参数离散化的损伤识别方法可从本质上揭示梁式桥刚度损伤的数学形式,有效应用于梁式桥损伤识别中.