基于粒子群優(yōu)化法的負荷模型參數(shù)辨識畢業(yè)論文-資料下載頁
2025-06-30 11:27本頁面
【導(dǎo)讀】Eberhart博士與Kennedy博士對于鳥類捕食行為的模擬而發(fā)明的一種新的全局優(yōu)化算法。開始出現(xiàn)，本次的課題即是關(guān)于粒子群優(yōu)化算法在負荷模型中的應(yīng)用。目前，電力負荷建模主要形成了三類方法，即總體測辨法、統(tǒng)計綜合法和故障仿真法。點在于某些特定故障情況下可以重現(xiàn)，同時也正因為如此說明其為一種試湊的方法。法來進行新的負荷模型參數(shù)辨識，以擴展更多的應(yīng)用空間。本文即從此入手，以達到將粒子。群優(yōu)化法施用的可能。隨時間變化的規(guī)律,稱負荷的時間特性。變化過程中負荷功率與電壓（或頻率）的關(guān)系，稱為負荷的動態(tài)特性。負荷功率又分為有功功率和無功功率。在不同負荷點，這些用電設(shè)備所占的比重不同，用電情況也不同，
【正文】 電力系統(tǒng)負荷模型的參數(shù)辨識 電力系統(tǒng)負荷模型參數(shù)辨識的形成 電力系統(tǒng) 負荷模型的模型形式和結(jié)構(gòu)確定后參數(shù)辨識相對來說比較容易，本質(zhì)上是一個單純的數(shù)值優(yōu)化問題。 對于靜態(tài)負荷模型，可采用求解非線性最小二乘問題的牛頓法、阻尼最小二乘法 (Marquart 法 )，也可采用各種非線性優(yōu)化 方法，例如，最速下降法、共扼梯度法、變尺度法、直接法等。對于動態(tài)負荷模型，其參數(shù)辨識包括準則和算法兩部分，常用的準則有最小二乘、最大似然、最小方差等。有了準則，參數(shù)辨識問題就化為求某準則函數(shù)達極值的優(yōu)化計算 問題，可采用上述各種非線性優(yōu)化方法。 與靜態(tài)負荷模型參數(shù)辨識不同。 動態(tài)負荷模型參數(shù)辨識在參數(shù)尋優(yōu)過程中要考慮動態(tài)約束，例如狀態(tài)方程、差分方程，即動態(tài)負荷模型參數(shù)辨識是一個具有動態(tài)約束的非線性優(yōu)化問題。從整體上說，電力負荷辨識方法大體可以分為線性和非線性兩大類。線性類方法包括最 ,b乘估計、卡爾曼濾波等方法 ，對于參數(shù)線性模型通常是行之有效的。但對于參數(shù)非線性模型，容易產(chǎn)生不準確及收斂性差等問題。非線性模型的參數(shù)辨識方法目前大都以優(yōu)化為基礎(chǔ) pI。其主要過程是尋找一組最優(yōu)的參數(shù)向量 0，使得預(yù)定的誤差目標函數(shù)值，達到最小，誤差目標函數(shù) J 通常選取輸出誤差的一個非負單調(diào)遞增函數(shù)。為參數(shù) 0 的函數(shù)。但這一函數(shù)是不可能寫出其解析十分有效。 優(yōu)化搜索方法從其原理上說，有 3 種： 1)梯度類方法。對于連續(xù)、光滑、單峰的優(yōu)化問題，具有良好的性能，精確而快速。但存在如下困難：局部性；要求一階導(dǎo)數(shù)甚至二階導(dǎo)數(shù)存在：一般不適用于既包含離散變量，又包含連續(xù)變量的混合問題；難以處理噪聲問題或隨機干擾；魯棒性較差，即條件好時收斂性好，而當條件復(fù)雜時收斂性差。 2)隨機類搜索方法。它具有良好的收斂性、全局性和魯棒性，其最大的往往也是致命的缺陷是計算效率太低。 3)模擬進化類方法口。它具有以下特點：適用范圍較廣；找到全局最優(yōu)解或近乎全局最優(yōu)解的可能性大：屬于隨機性優(yōu)化方法，但計算效率比傳統(tǒng)的隨機類搜索 方法要高得多。 同時 電力系統(tǒng)本質(zhì)上是非線性的高階復(fù)雜系統(tǒng) ，故 通常用降階的模型系統(tǒng)來動態(tài)擬合原系統(tǒng) 。 非線性系統(tǒng)的參數(shù)辨識方法目前大多以優(yōu)化為基礎(chǔ)在負荷參數(shù)辨識中目標函數(shù)不可能寫出其解析關(guān)系 。 其解空間相當復(fù)雜 ， 有多個極值點 ， 且有些極值點之間差異細微 。 因此 ， 優(yōu)化搜索方法相當重要 。 常用的優(yōu)化搜索方法有最小二乘法 , 卡爾曼濾波法 , 爬山類方法 , 隨機類方法等 。 前兩種方法適用于線性系統(tǒng) 。 若用于電力系統(tǒng)這類高階非線性系統(tǒng) ， 較易出現(xiàn)不準確和收斂問題 。爬山類方法基于梯度 ， 因而只能收斂到起始點附近的局部最優(yōu)點多峰問題 ， 難以搜索 到全局最優(yōu)點 ， 在峽谷則會出現(xiàn)振蕩 ， 且要求存在一階導(dǎo)數(shù)甚至二階導(dǎo)數(shù) 。 故很少用于電力系統(tǒng)參數(shù)辨識 。 目前在負荷參數(shù)辨識中應(yīng)用得比較有效的是隨機類方法中的模擬進化方法 ， 包括基因算法 ,進化策略法 ,模擬退火法等 。 只要求所求解的問題可計算 ， 而無可微性 ,連續(xù)性等要求 。 電力系統(tǒng)負荷模型建立的主要方法 目前，電力負荷建模形成了 3 類方法，即統(tǒng)計綜合法，總體測辨法和故障仿真法。 用統(tǒng)計綜合法得到的負荷模型具有物理概念清晰、易于被工程人員理解的優(yōu)點，但其核心是建立在“統(tǒng)計資料齊全，負荷特性精準”的基礎(chǔ)之上的，這一點往往難以做到，而且不可能經(jīng)常進行統(tǒng)計，從而無法考慮負荷隨時間變化的特性。 總體測辨法避免了大量的統(tǒng)計工作，有可能得到隨時間變化的在線實時負荷特性，其最大的困難在于難以在系統(tǒng)中所有變電站都安裝有關(guān)裝置，另一個困難時參數(shù)的實時性。 故障仿真法的優(yōu)點是參數(shù)確定過程與現(xiàn)在程序計算時選擇參數(shù)的過程一致，而且在某些故障下能獲得重現(xiàn)。但實際上他是一種試湊的方法，在某些故障下的負荷參數(shù)是否適用于其他故障，難以保證。而且認為全系統(tǒng)負荷參數(shù)相同、不變顯然不符合負荷的實質(zhì)，可見，總體測辨法比較適合于微觀定量分析，統(tǒng)計綜合法比較適合于中觀定性分析，故障仿真法比較適合于宏觀校驗。 而本文即將著重研究的 粒子群優(yōu)化法算法是由 James Kennedy 和 提出的 。 本質(zhì)上也屬于隨機類方法 ， 具有并行處理特征 ， 魯棒性好 ， 易于實現(xiàn) ， 原理上可以以較大的概率找到優(yōu)化問題的全局最優(yōu)解 。 感應(yīng)電動機 感應(yīng)電 動 機或許是所有電動機中 使用最廣泛的。它們通常具有結(jié)構(gòu)簡單、耐用的特點，具有合理的異步性 能 [9]：可管理的轉(zhuǎn)矩 速度曲線，負載條件下的穩(wěn)定工作，以及 令人滿意的效率。由于它們的使用范圍很廣， 故非常 值得 我們 了解。 除了其目前經(jīng)濟方面的重要性 外，感應(yīng)電動機和發(fā)電機也能在某些新的應(yīng)用領(lǐng)域找到一席之地，其設(shè)計不同于當前的諸多設(shè)計 。例如，用于氣體壓縮機的超高速電動機，或采用鼠籠式電動機，或采用固態(tài)鐵形式（或兩者都采用）。 感應(yīng)電動機在電力負荷（尤其是工業(yè)負荷）中占有較大的比重，對電力系統(tǒng)運行分析與控制具有相當大的影響，在不少電力系統(tǒng)計算軟件中均包含感應(yīng)電動機模型，因此成為電力系統(tǒng)模型中的重要成分。一般來說，感應(yīng)電動機定子繞組的暫態(tài)過程比轉(zhuǎn)子繞組的電磁暫態(tài)過程要快得多，且更比電力系統(tǒng)暫態(tài)過程快得多。因此，就感應(yīng)電動機對電力系統(tǒng)的影響而言，是否計及定子的暫態(tài)過程影響不大，采用三階模型就能很好地反映感應(yīng)電動機的性能，因此可將電力系統(tǒng)負荷等值為一個感應(yīng)電動機和靜態(tài)負荷的并聯(lián)。 本章小結(jié) 本章 著重了解了負荷建模的相關(guān)理論，如 電力系統(tǒng)負荷模型的理論以及參數(shù)辨識，感應(yīng)電動機模型等知識。 對于電力系統(tǒng)而言，進行合理的適當?shù)呢摵赡Ｐ徒２⑦M行參數(shù)辨識對于研究以及實際生產(chǎn)都有著重要的意義，無論是研究上的推廣還是經(jīng)濟上的可行性，都有著極強的實用性。同時，感應(yīng)電動機 —— 這個運用度及其廣泛的電動機模型，在建模以及辨識的基礎(chǔ)上可進行良好的輔助了解。這些在接下來的設(shè)計中都是必備的常識性知識，將起到貫穿整個設(shè)計的作用。
研究報告相關(guān)推薦
鄂ICP備17016276號-1