负荷建模和参数辨识的遗传进化算法
电力系统的电力负荷预测与管理
电力系统的电力负荷预测与管理电力负荷预测与管理是电力系统运营中至关重要的一环。
准确预测电力负荷可以帮助电力公司合理安排发电计划、优化电网运行，并确保电力供应的可靠性和稳定性。
本文将从负荷预测的重要性、预测方法以及负荷管理方面进行探讨。
1. 负荷预测的重要性负荷预测在电力系统运营中具有重要的意义。
准确的负荷预测可以帮助电力公司合理安排发电计划，避免过剩或不足的发电量，从而提高发电效率和降低成本。
此外，负荷预测还可以帮助电力公司优化电网运行，合理调度输电线路和变电站的运行状态，以保证电力供应的可靠性和稳定性。
2. 负荷预测的方法负荷预测的方法可以分为传统方法和基于人工智能的方法两大类。
传统方法主要包括时间序列分析、回归分析和模糊理论等。
时间序列分析是一种基于历史负荷数据的预测方法，通过对历史数据进行分析和建模，预测未来的负荷趋势。
回归分析则是通过建立负荷与影响因素之间的数学模型，来预测未来的负荷变化。
模糊理论则是一种模糊数学的应用，通过对影响负荷的各种因素进行模糊化处理，来进行负荷预测。
基于人工智能的方法则包括神经网络、遗传算法和支持向量机等。
神经网络是一种模拟人脑神经元网络的计算模型，通过学习历史数据的规律，来预测未来的负荷变化。
遗传算法则是一种模拟生物进化过程的优化算法，通过不断迭代和优化，找到最优的负荷预测模型。
支持向量机则是一种基于统计学习理论的方法，通过找到一个最优的超平面，将不同类别的数据分开，从而进行负荷预测。
3. 负荷管理负荷管理是在负荷预测的基础上，对电力负荷进行有效控制和管理的过程。
负荷管理的目标是实现电力系统的平衡和稳定运行。
负荷管理的方法包括负荷调度和负荷控制。
负荷调度是根据负荷预测结果，合理安排发电计划和输电线路的运行状态，以满足电力需求，并保持电力系统的平衡。
负荷控制则是通过控制电力负荷的启停、调整和分配，来实现负荷平衡和电力系统的稳定运行。
此外，负荷管理还需要考虑可再生能源的接入和能源存储技术的应用。
人工智能在电力系统中的电能负荷预测与优化调度
人工智能在电力系统中的电能负荷预测与优化调度随着电力系统规模的不断扩大和负荷需求的增加，电能负荷预测与优化调度成为提高电力系统运行效率和可靠性的重要任务。
近年来，人工智能技术的快速发展为电能负荷预测和优化调度提供了新的解决思路。
本文将重点探讨人工智能在电力系统中的电能负荷预测与优化调度方面的应用与挑战。
电能负荷预测是电力系统运行的关键环节之一。
通过准确地预测未来一段时间内的负荷需求，电力系统可以合理安排发电计划、调节电能分配，并确保电力供应的稳定性和经济性。
人工智能可以利用大数据分析和机器学习等技术，对历史负荷数据、天气数据、节假日数据等进行综合分析，建立负荷预测模型。
通过模型训练和优化，可以得到更准确的负荷预测结果。
一种常用的人工智能算法是基于神经网络的负荷预测模型。
神经网络是一种模仿人脑神经元网络结构的计算模型，可以通过训练得到负荷预测的参数和权重。
通过输入历史负荷数据和其他相关因素，神经网络可以自动学习负荷预测的规律和模式，从而提高预测准确度。
此外，遗传算法、粒子群算法等进化算法也被广泛应用于负荷预测中，通过优化算法参数，提高负荷预测效果。
在电能负荷预测的基础上，电力系统的优化调度也变得更加高效。
优化调度旨在最大限度地利用可再生能源、降低燃料成本、减少排放量，同时保证电力系统的稳定运行。
人工智能技术可以通过合理建模和优化算法，实现电力系统的智能化运行。
一种常用的人工智能算法是基于遗传算法的电力系统优化调度模型。
遗传算法模仿了自然界生物进化的过程，通过模拟生物种群的选择、交叉和变异等操作，不断优化电力系统的调度方案。
利用遗传算法，可以在考虑发电成本、供求关系、电力网络约束等多维度指标的基础上，得到最优的调度策略，提高电力系统的运行效率。
另外，人工智能在电能负荷预测与优化调度中的应用也面临一些挑战。
首先，数据的质量和可靠性对于预测和调度的准确性至关重要。
在现实情况下，数据的收集和传输可能会受到噪声干扰和不确定性的影响。
电力系统中的电力负荷预测方法与算法研究
电力系统中的电力负荷预测方法与算法研究引言：在电力系统中，准确预测电力负荷对于实现稳定和可靠的电力供应至关重要。
电力负荷预测是指根据过去的用电数据和相关的环境和经济因素，预测未来一段时间（如天、周、月）内的电力负荷情况。
准确的负荷预测可以帮助电力公司优化电力调度，合理安排发电和输电，有效解决电力供需平衡问题，提高电网运行效率和经济性。
一、传统的电力负荷预测方法：1. 时间序列方法：时间序列方法是一种常用的负荷预测方法，其基本思想是通过分析负荷历史数据的变化趋势、周期性和规律性，预测未来的负荷情况。
常用的时间序列方法包括ARIMA模型、指数平滑模型和季节性分解方法等。
这些方法适用于短期负荷预测，但对于长期预测效果不佳。
2. 统计回归方法：统计回归方法通过建立负荷与相关因素（如气温、湿度、日照等）之间的函数关系，进行负荷预测。
常用的统计回归方法包括多元线性回归分析、多元非线性回归分析和逐步回归分析等。
这些方法适用于中期和长期负荷预测，并且考虑了外部因素的影响，但要求提供大量的相关数据。
二、基于机器学习的电力负荷预测方法：1. 神经网络方法：神经网络方法通过构建具有多层隐含层的人工神经网络模型，通过学习历史数据中的模式和规律，进行负荷预测。
常用的神经网络方法包括BP神经网络、RBF神经网络和CNN神经网络等。
这些方法适用于短期和中期负荷预测，可以更好地捕捉负荷的非线性关系。
2. 支持向量机方法：支持向量机方法通过将负荷预测问题转化为一个优化问题，通过寻找一个最优的超平面，将不同类别的样本分开。
常用的支持向量机方法包括线性支持向量机、非线性支持向量机和径向基函数支持向量机等。
这些方法适用于中期和长期负荷预测，并且具有较好的泛化能力。
3. 遗传算法方法：遗传算法方法通过模拟自然界的遗传和进化过程，寻找最优的解决方案。
常用的遗传算法方法包括基于交叉、变异和选择等操作的进化算法和遗传规划算法等。
这些方法适用于长期负荷预测，可以考虑多个因素之间的复杂关系。
用电负荷建模方案
用电负荷建模方案引言用电负荷建模是一种重要的技术，它能够帮助我们预测和优化电力系统的负荷需求。
在本文档中，我们将介绍用电负荷建模的基本概念和方法，并讨论其在电力系统中的应用。
一、用电负荷建模的基本概念用电负荷建模是指通过统计和分析已有的用电数据，建立模型来预测未来的用电负荷需求。
这个模型可以基于各种因素，例如时间、天气、季节等，来准确预测电力系统未来的负荷需求。
二、用电负荷建模的方法在用电负荷建模中，常用的方法包括时间序列分析、回归分析和人工智能算法等。
下面分别介绍这些方法的基本原理和应用。
2.1 时间序列分析时间序列分析是用电负荷建模中最常用的方法之一。
它基于历史用电数据，通过对时间序列进行分析，来预测未来的用电负荷需求。
常用的时间序列分析方法包括移动平均法、指数平滑法和ARIMA模型等。
2.2 回归分析回归分析是用电负荷建模中另一个常用的方法。
它通过将用电负荷与其他相关因素进行回归分析，来建立负荷预测模型。
例如，可以将用电负荷与天气因素、节假日等进行回归分析，从而预测未来的用电负荷需求。
2.3 人工智能算法人工智能算法在用电负荷建模中也得到了广泛的应用。
例如，可以使用神经网络算法来建立负荷预测模型，通过对大量的用电数据进行训练，来预测未来的用电负荷需求。
另外，遗传算法等进化算法也可以应用于用电负荷建模中，以优化模型参数和提高预测精度。
三、用电负荷建模的应用用电负荷建模在电力系统中有着广泛的应用。
下面列举了一些常见的应用场景。
3.1 电力系统规划在电力系统规划中，用电负荷建模可以帮助确定未来需求增长，从而指导电力系统的扩建和升级。
通过建立负荷预测模型，可以准确预测未来的用电需求，并据此制定合理的规划方案。
3.2 电力市场调度在电力市场调度中，用电负荷建模可以帮助电力公司进行负荷平衡和调度。
通过准确的负荷预测，可以合理分配电力资源，优化电力系统的运行，并降低供需不平衡带来的影响。
3.3 节能管理用电负荷建模可以帮助企业进行节能管理。
基于遗传程序设计的电力系统负荷建模
基于遗传程序设计的电力系统负荷建模摘要：随着现代科学技术的不断发展，各式各样的负荷预测数学模型不断涌现，但是他们都有各自的使用条件。
如回归分析方法对于不同趋势的历史负荷曲线，需要选择不同的回归函数，这将会对预测的准确度产生一定程度的影响，而且往往这些历史负荷曲线非线性程度又比较复杂，选择起来也会非常困难，而遗传程序设计方法无需人为选择数学模型，它能够根据与问题有关的终结点集和函数集，自动生成与历史数据相拟合的函数表达式，从而可以预测出负荷的未来趋势，有效地避免了经验需求和假设。
关键词：电力系统；遗传程序设计方法；应用遗传程序设计是基于遗传算法的一种进化算法，具有自组织、自学习和自适应性，作为一种自动编程技术，试图研究计算机怎样在没有人工干预的情况下根据客观环境自动解决问题。
它采用生物界的自然选择原理和进化理论，用层次化的树形结构表达问题，从随机产生的初始群体出发，用适应度来衡量个体的优劣，对每一代个体都采用复制、交叉、变异等操作，经若干代的进化得出给定问题的最优解，也就是适应度最优的个体。
1 电力系统的负荷模型负荷建模工作中通常所谓的负荷指的是由母线供电的各类用电设备、配电网络和接入该变电站（母线）的电源的综合。
负荷模型则是负荷的功率随系统的电压U和频率f的变化而变化的数学表达式。
按照模型是否反映负荷的动态行为，可分为静态负荷模型（LOADMODEL）和动态负荷模型（STATICLOADMODEL），前者反映的是母线功率（有功、无功）随电压和频率变化而变化的特性，通常用代数方程来表示，后者反应的则是母线负荷功率随系统的电压U、频率f和时间t的变化而变化的特性，重点强调对时间的记忆性，不仅与当前的电压和频率有关，而且与历史电压和频率值也有关，因此通常用微分方程、差分方程等非线性方程来描述动态负荷模型。
具有记忆性的电力系统负荷成分主要是感应电动机，因此动态负荷模型的结构形式通常用感应电动机的数学模型来表示。
负荷建模参数辨识中综合改进遗传算法的应用
改进 遗传算 法 可加 速 收敛 ， 缩短 辨识 时间 ， 同时提 高 了拟 合精 度 ， 克服 了参数 的分散性 ， 是一 种适 合 于 负荷 建模 参 数辨 识 的优化 算 法 ． 关键词 ： 电力 系统 ；负荷 建模 ；参数 辨识 ； 传算 法 ；综合 改进 遗
中 图分类 号 ： Ｍ７ ４ Ｔ １ 文献标 识码 ： Ａ
ａ ｏ ｄ ｃｏ ｅ ｒ ｌｔｖ ｒ ｐ ｇａ ｉ ｎ，ｎ ｔｃ ａ ｙ ｅ ｈ ｎｃ ｈ ａ ｄｉｙ ｏ ｎ ｅ ｇ ｎ ｅ ，ａ ｓｇ ｏ ｄ ｐｔｖ ｈ ｒ ｃ ｖ ｉ ｌｓ ｅａ ｉｅ ｐ ｏ ａ ｔｏ ｏ ｉｅ ｂｌ ｎ ａ ｅ ｔ ｅ ｒ ｐｉ ｔ ｆｃ ｖ ｒ ｅ ｃ ｏ ｎｄ ｈａ ｏ ｄ ａ ａ ｉ ｅｃ ａ ａ —
ｔ ｒｓ ｉｓ ｅ ｉｔｃ ．Ｔｈ ｒ ｃ ｉａ ｏ ｅ ｉｇ ｂ ｓ ｄ ｏ ｈｅｆｅｄ ｍ ｅ ｓ ｒ ｄ ｄ ｔ ｒ ｍ ｗ ｅ ｕ ｓ ａ ｉｎ ｈ ｓｐｒ ｖ ｄ ｔ ｔｔ ｓｉ — ｅ ｐ ａ ｔｃ ｌ ｍ ｄ ｌ ａ ｅ ｎ ｔ ｉ ｌ ａ ｕ ｅ ａ ａｆｏ ｐ ｎ ｏ ｒｓ ｂ ｔ ｔ ａ ｏ ｅ ｈａ ｈｉ ｍ ｏ ｐ ｏ ｅ ｅ ｅ ｉ ｌｏ ｉｈｍ ａ ｅ ｔｅ ｆ ｃ ｎ ｓ ｏ ｔ ｎｉｇ ｃ ｎ ｅ ｇ ｎ ｅ ｔｍ ｅ，ｉ ｐｒ ｖ ｎ ｏ ｅ ｅ ｉｉ ｎ，ｃ ｎ ｅ ｎ ｒ ｖ ｄ ｇ ｎ ｔｃａｇ ｒｔ ｈ ｓｇｒ ａ ｆｅ ｔｉ ｈ ｒｅ ｎ ｏ ｖ ｒ ｅ ｃ ｉ ｍ ｏ ｉｇｍ ｄ ｌ ｐｒ ｃｓｏ ｏ ｑｕ ｒ ｇ ｉ
维普资讯
第 ３ ４卷 第 ２期
２ ０ 年 ０ ７
湖
南
大
学
学
报 （自 然 科 学 版 ）
ＶＯ ． １３４． ＮＯ． ２
电力负荷预测的建模与优化方法
电力负荷预测的建模与优化方法随着电力行业的快速发展和电力需求的不断增长，准确预测电力负荷对于电力系统运行的稳定性和可靠性至关重要。
然而，电力负荷的预测是一项复杂的任务，涉及到多种因素的影响和多个变量的相互作用。
为了提高电力系统的运行效率和资源利用率，研究人员提出了多种建模和优化方法，旨在提供准确的电力负荷预测。
一、电力负荷预测的建模方法1. 统计模型统计模型是最常用的电力负荷预测建模方法之一。
经典的统计模型包括时间序列模型和回归模型。
时间序列模型基于历史数据，通过分析和拟合数据中的趋势、周期性和季节性等特征来预测未来的负荷。
回归模型则根据负荷与其他变量（如温度、季节等）之间的相关性建立数学模型，通过对这些变量的测量和预测来实现负荷的预测。
2. 人工神经网络（ANN）人工神经网络是一种模仿人脑神经系统工作原理的建模方法。
它通过构建多个节点和连接来模拟神经元之间的相互作用，并通过学习过程来调整节点之间的连接权重。
在电力负荷预测中，ANN可以通过对输入变量和负荷之间的关系进行训练和学习，实现负荷的准确预测。
3. 支持向量机（SVM）支持向量机是一种机器学习方法，在电力负荷预测中得到了广泛应用。
SVM通过找到一个最优的超平面来实现数据的分类和回归，并根据不同的核函数来处理不同类型的数据。
在电力负荷预测中，SVM可以根据历史负荷数据和其他变量，建立预测模型，并通过对模型的优化来提高预测准确度。
二、电力负荷预测的优化方法1. 多目标优化方法电力系统中存在着多个目标，如成本最小化、能源利用率最大化和负荷平衡等。
因此，多目标优化方法被应用于电力负荷预测中，以实现多个目标之间的平衡和优化。
通过建立多目标优化模型，研究人员可以通过调整负荷预测模型中的参数和权重，来实现不同目标之间的最佳平衡。
2. 智能优化算法智能优化算法是一种基于启发式搜索的优化方法，通过模拟自然界中的进化、变异和选择等过程，来寻找最优解。
在电力负荷预测中，智能优化算法可以用于优化建模方法中的参数和权重，以提高预测模型的准确度和稳定性。
【国家自然科学基金】_辨识建模_基金支持热词逐年推荐_【万方软件创新助手】_20140803
遗传规划 遗传算法 递阶遗传算法 递阶神经网络 递阶分解 递推最小二乘算法 逆系统方法 进气流量估计 运动控制 运动学标定 过热汽温 辨识模型 辅助变量法 轨迹灵敏度 趋势项 超磁致伸缩致动器 超磁致伸缩 负荷参数辨识 负荷分类 调度 误差敏感方向 误差敏感性 误差建模 试验建模 计算机接口 船舶航向跟踪控制 船舶操纵运动数学模型 船舶操纵运动 船舶、舰船工程 航班进港过程 航班调度 航向自动舵 自适应预测控制 自适应逆控制 自适应控制 自适应变结构控制 自适应 自标定 自感知 自回归模型 自动控制 脑 网络化控制系统 网格 综合轨迹灵敏度 综合负荷模型 综合负荷 综合能力 结构辨识 结合部 细长体理论 粒子群优化(pso)算法 粒子群优化 算法
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 4பைடு நூலகம் 43 44 45 46 47 48 49 50 51 52
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
感应电动机负荷模型参数辨识
研究现状和发展趋势
现有的负荷模型辨识方法主要包括直接测量法、传递函数法和神经网络法等。
直接测量法虽然简单但精度较低，传递函数法对模型参数的准确性要求较高，神经 网络法能够自适应地辨识模型参数但训练时间较长。
随着人工智能和机器学习技术的发展，新型的辨识方法如深度学习、强化学习等逐 渐应用于感应电动机负荷模型的辨识。
4. 根据比较结果运用优化算法对模型 参数进行进一步调整；
3. 根据初步估计的参数对模型进行仿 真，并将仿真结果与实验数据进行比 较；
5. 重复步骤3和4，直到模型预测值与 实际测量值之间的误差满足要求。
03
基于遗传算法的负荷模型参数辨 识
遗传算法的基本原理和实现过程
遗传算法是一种基于生物进化 原理的优化算法，通过模拟生 物进化的过程，在解空间内搜 索最优解。
4. 模型训练完成后，使用训练好的模型对感应电动机的负荷 模型参数进行辨识；
2. 利用支持向量机回归算法构建模型，将负荷数据分为训练集和 测试集；
5. 最后，对辨识结果进行实验验证与分析。
实验验证与分析
ห้องสมุดไป่ตู้
为了验证基于支持向量机回 归的负荷模型参数辨识算法 的有效性和优越性，我们进 行了一系列实验。
实验中，我们收集了多组感 应电动机的负荷数据，包括 电流、电压、转速等，并对 数据进行了预处理。
然后，我们使用支持向量机 回归算法构建了负荷模型， 并使用训练集对模型进行了 训练和测试。
最后，我们对辨识结果进行 了分析和比较，发现基于支 持向量机回归的负荷模型参 数辨识算法具有较高的准确 率和泛化能力。
06
总结与展望
改进的遗传算法辨识综合负荷模型
改进的遗传算法辨识综合负荷模型韩民晓;马杰;姚蜀军;王坤【摘要】The influence of genetic operations and selection of control parameters on the performance of genetic algorithm's application in load modeling is studied. To overcome the shortcomings of basic genetic algorithm in selection and mutation, proportional selection and linear self-adaptive mutation strategies are designed to improve the behavior of the algorithm. The value ranges of parameters are adjusted to reflect reactive compensation. The improved algorithm can balance the complexity and the effectiveness of GA in load model parameters identification. The developed algorithm is used to identify TVA load model based on measurement-based modeling. And practical modeling process shows that the proposed genetic algorithm is excellent in accelerating convergence, shortening identification time,overcoming the dispersivity of model parameters and improving the identification precision.%以基于实测数据的电力系统综合负荷建模为目标,研究了遗传操作和控制参数选择对遗传算法性能的影响.针对基本遗传算法的不足,设计了比例选择策略和线性自适应变异策略,对遗传算法的选择算子和变异算子进行改进,使得遗传算法能够根据个体自身的适应度值进行选择和自适应地调整变异概率,实现方式简单有效.选用TVA综合负荷模型,使用改进的遗传算法进行负荷模型参数辨识,同时在不改变负荷模型结构的前提下,通过调整待辨识参数及其取值范围,考虑无功补偿的影响.利用现场实测数据进行建模,结果表明,改进后的遗传算法改善了优化过程,对加速收敛、缩短辨识时间均有显著作用,适用于负荷建模.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2011(023)003【总页数】5页(P79-83)【关键词】电力系统;参数辨识;遗传算法;比例选择;线性自适应变异;综合负荷模型;无功补偿【作者】韩民晓;马杰;姚蜀军;王坤【作者单位】华北电力大学电气与电子工程学院,北京102206;河南省电力公司郑州供电公司变电运行部,郑州450006;华北电力大学电气与电子工程学院,北京102206;河南省电力公司郑州供电公司变电运行部,郑州450006【正文语种】中文【中图分类】TM714电力负荷作为能量的消耗者，在电力系统的设计、分析与控制中有着重要的影响。
负荷模型辨识中广域电网负荷空间分类
负荷模型辨识中广域电网负荷空间分类戴嘉祺;郝丽丽【摘要】提出了负荷模型辨识中广域电网负荷的空间分类方法,基于工业、商业、农业、居民及其他负荷的典型值数据,通过模糊均值聚类(FCM)算法对负荷按负荷性质空间分类,辅以灵敏度计算公式确定重点辨识参数,进而以遗传优化算法并结合暂态过程各种扰动设置中电压响应曲线的交互计算,以全网母线电压跌落最为严重的母线作为观察变量,辨识修正负荷模型参数,并以不分类、区域分类两种方法与文中所提出方法作对比,仿真结果表明,按负荷性质分类具有合理性与有效性.【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)001【总页数】6页(P36-41)【关键词】负荷模型;空间分类;模糊均值聚类;负荷性质【作者】戴嘉祺;郝丽丽【作者单位】南京工业大学电气工程与控制科学学院,江苏南京 211816;南京工业大学电气工程与控制科学学院,江苏南京 211816【正文语种】中文【中图分类】TM743KEY W0RDS：1oad mode1；sPace c1assification；fuzzy means c1ustering；1oad nature电力系统负荷模型是电力系统仿真分析的基础，对电力系统动态仿真结果有重要影响。
然而在实际工程中多次发现仿真结果无法重现真实的动态过程，仿真的有效性问题亟待解决[1-2]，负荷模型直接影响到电力系统静态、动态和暂态特性的分析计算。
广域电力系统涵盖的负荷节点较多，若对每个负荷节点都采用不同的模型参数，则不管是建模还是计算，都十分困难。
但如果对所有节点都采用相同的模型参数，虽然简单，却不符合实际。
负荷自身的时变性、多样性、地域分散性问题为负荷建模带来不小的困难。
研究发现，若依据负荷特性的相似性，将具有同类特性的负荷点归结为一类，则可极大地提高负荷建模的准确性与有效性。
国内外电力工作者一直致力于研究适用于负荷建模的各种负荷分类策略[3-5]。
负荷点分类涉及特征向量的选取与数据聚类，选取的样本特征向量应能完全代表样本的本质特征。
基于一种改进的遗传模糊算法的短期负荷预测
考虑使用遗传算法来对模糊系统进行优化 。 ２ ２ 用遗传 算法确 定 系统参数 ．
图 １ 模 糊 系 统
第一 层为 输人 层 ， 该层 的各 个 节点 直 接 与输 入 向 量的各个分量相连， 其作用是将输入值传递到下一层 。 每个变量 的值域可根据应用而定 ， 不局限于 ０—１ 之 间， 其输入与输出均是精确值。 第二层为输人隶属度生成层， 实现输人变量 的模 糊化 ， 点 的个数 由各个 输人 变量 的模 糊子集 数决定 。 节 每一 个节 点 代 表 一 个 模 糊 子集 （ 言 变量 值 ） 语 。它 的
素用 ０ １表示 。 ／ 第 四层 为输 出层 ， 于单 输 出系统 而言 ， 对 该层 只有
一
２ 基 于遗传算 法的模糊 系统描述
２ １ 模 型描 述 ．
个节 点 。输 人为第 三层 中隶属 度乘积 经过 归一 化后
ｋ
的加权 因子
：
Ｊ ＿一 ：
， ｋ＝ １ ２ … ，／ 再 根 据 各输 ，， ／ ， ７ ，
ｃ＇ ｉ ｜ 表示该模糊子集的隶属度参数 ，ｉ ｉ 表示第 ｉ 个输 入分量的取值。
第 三层为 推理层 ， 层 的每一 个 节 点代 表 一个 可 该 能的模糊 规则 ， 与该规 则 前 件 涉及 的系 统输 人 变量 的
模 糊子集 相连 ， 实现模 糊 推 理 ， 人 为相 应 的隶 属 度 ， 输
糊逻 辑有直 接关 系 的系统 。这种 使用 ｉ—ｔｅ 则 的 ｆ ｈｎ规
人工神经网络法等¨２。 ． Ｊ
模糊推理系统能够非常有效的解决很多用传统数学方
＜ 电气开关＞ ２ １ ． ｏ２ （０ ２ 没有 学习 能 力 ， 实 际应用 中 ， 糊预测 法大 多与其他 方法结 合 在 模 使用。
人工智能在电力系统负荷预测中的应用与分析
人工智能在电力系统负荷预测中的应用与分析人工智能（Artificial Intelligence，简称AI）是指通过仿真人类智能的方法和手段，使计算机系统具有一定的人类智能。
近年来，随着计算能力的不断提升和数据的大规模收集，人工智能在各个领域展现出巨大的潜力。
其中，电力系统负荷预测是人工智能在电力领域中的一个重要应用。
电力系统是现代工业和生活的支撑，而负荷预测是电力系统运行中的一项关键技术。
负荷预测的准确性对于电力系统的规划、调度和运营都至关重要。
传统的负荷预测方法主要依赖于统计模型和数学建模，但这些方法往往受限于模型的假设和复杂性，对于非线性和非稳态的负荷变化预测效果有限。
人工智能技术的快速发展为电力系统负荷预测带来了新的思路和方法。
人工智能技术能够更好地处理复杂的、非线性的负荷数据，并且在不断学习和优化中提高预测准确性。
下面将对人工智能在电力系统负荷预测中的应用与分析进行探讨。
首先，人工智能技术中的神经网络模型在电力负荷预测中被广泛采用。
神经网络模型能够根据历史数据和环境因素，自动地学习和识别负荷数据的规律和特征，进而进行预测。
通过合理的网络结构设计和参数调整，神经网络模型能够在一定程度上解决非线性和非稳态负荷数据的预测问题。
同时，随着深度学习的兴起，基于深度神经网络的模型不断涌现，通过增加网络层数和节点数，提高了负荷预测模型的准确性和泛化能力。
其次，人工智能技术中的支持向量机（Support Vector Machine，简称SVM）在电力负荷预测中也有着重要的应用。
SVM模型是一种基于统计学习理论的预测方法，能够有效地处理高维空间、非线性和非稳态的负荷数据。
SVM模型通过寻找最佳的超平面，将不同类别的负荷数据分隔开来，进而进行负荷预测。
该模型具有一定的可解释性和稳定性，在处理小样本和高噪声的负荷数据方面表现出色。
此外，人工智能技术中的遗传算法也可应用于电力负荷预测。
遗传算法是一种模拟生物进化过程的优化算法，通过模拟自然选择和遗传机制，对负荷预测模型进行参数优化和模型选择。
电力行业的数据分析与模型
电力行业的数据分析与模型随着科技的不断进步，信息技术在各个行业中的应用日益广泛，电力行业也不例外。
电力行业是一个数据密集型的行业，大量的数据需要进行分析和建模，以帮助企业进行决策和优化运营。
本文将讨论电力行业数据分析的重要性，并探讨一些常用的数据分析方法和模型。
一、电力行业数据分析的重要性在电力行业中，数据分析起着至关重要的作用。
电力企业通常会收集大量的数据，包括供电负荷、发电量、用电量、电力设备运行数据等等。
这些数据蕴含着丰富的信息，通过对这些数据的分析，可以获取有关电力系统运行情况、能耗特点、用户需求等方面的知识，为企业提供决策支持和优化建议。
数据分析可以帮助电力企业实现以下目标：1. 制定合理的供电计划：通过对历史数据的分析，可以了解供电负荷的变化规律，预测未来的供电需求，从而合理调配发电资源，确保供电的稳定性和可靠性。
2. 发现能耗特点和规律：通过对用电量和发电量数据的分析，可以了解不同用户群体的用电特点和用电规律，为制定差异化的电价政策提供依据，优化供需匹配，提高资源利用效率。
3. 预测电力设备的故障：通过对电力设备运行数据进行分析，可以早期发现设备的异常情况，预测可能发生的故障，及时进行维修和更换，提高电力设备的可靠性和安全性。
4. 优化电力系统运行：通过对电力系统运行数据的分析，可以掌握系统的运行状态和性能指标，及时发现问题，进行优化调整，提高系统的效率和稳定性。
以上仅是电力行业数据分析的一部分应用场景，实际上数据分析在电力行业中有着更广泛的应用。
二、电力行业常用的数据分析方法1. 回归分析：回归分析是一种利用历史数据来预测未来趋势的方法。
在电力行业中，可以利用回归分析来预测供电负荷、用电量等指标的变化趋势，提前调整资源配置，确保供需平衡。
2. 聚类分析：聚类分析可以将相似的样本归类到同一个群组中，帮助电力企业了解不同用户群体的用电特点和需求。
通过聚类分析可以制定差异化的用电策略，提高用户满意度和企业收益。
静态负荷建模的最小二乘法和遗传进化算法的应用比较
静态负荷建模的最小二乘法和遗传进化算法的应用比较【摘要】本文综述了静态负荷建模的研究现状及相关理论，在对最小二乘法的辨识过程进行初步研究的基础上，指出其存在的不足，针对这一问题，采用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。
同时将该方法成功用于静态负荷建模。
仿真结果表明，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。
【关键词】负荷建模;静态负荷模型;参数辨识;遗传进化算法;最小二乘法0.引言在对最小二乘法的辨识过程进行初步研究的基础上，指出其存在的不足，针对这一问题，采用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。
1.最小二乘法最小二乘法大约是1795年高斯在星体运动轨道预报工作中提出的。
后来，最小二乘法就成了估计理论的奠基石，由于最小二乘法结构简单，编制程序也不困难，所以它颇受人们重视，应用相当广泛。
最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。
是用最简单的方法求得一些绝对不可知的真值，而令误差方法之和为最小，通常用于曲线拟合。
1.1幂函数模型其形式为P=a■V■Q=a■V■ （1-1）其中，P，Q，V均为额定运行参数的标么值。
1.2辨识准则及目标函数将式1.1两边取对数，转化成线性形式，即lnP=lna■+b■lnVlnQ=lna■+b■lnV (1-2)幂函数模型构造的目标函数如下：minJ■(p■,α)=■[■(V■)-■m(V■)]■minJ■(Q■,β)=■[■(V■)-■m(V■)]■ （1-3）其中N为每一负荷记录的数据长度。
■，■是与系统有功和无功的模型响应。
p■Q■为V=V■时的有功和无功实测响应，待辨识的参数为a■,a■,b■,b■。
电力负荷统计学特性研究
华北电力大学（北京）硕士学位论文电力负荷统计学特性的研究姓名：***申请学位级别：硕士专业：电力系统及其自动化指导教师：***20051231华北电力大学硕士学位论文差的总体水平，指标越大则数据差别越大。
图２－５负荷模型准确度分析程序界面∑Ｊｐ（ｋ）－ｙ（ｋＤ豫＝（２—８）∑Ｉｙ（ｋ）－ｙ。
其中：夕（尼）一一仿真数据序列；ｙ（｜ｊ｝）——实测数据序列；Ｙ。
一～实测数据序列扰动前稳态值。
另外，式中分子部分定义为实测数据与仿真结果之间的残差，它是辨识算法的目标函数。
ＯＶＲ给出了整个仿真过程误差的总体水平。
但对误差的具体动态信息仍知之甚少。
至于误差发生在扰动阶段还是在稳态阶段，文献［２０］给出了定义两个误差指标反映详细误差内容：Ｅｄｉｓ：故障时段误差，反映了故障发生时段扰动误差的最大值。
该指标属于细Ｐｍ＝竺！！ｍ‘ａ！ｘ！辫（／ｃｋ＝１，…，Ｎ（２—９）节信息，可以判断扰动时段的仿真误差大小。
¨）一ｙ．１其中：丸一（七）一一故障时段仿真数据；电力负荷统计学特性的研究作者：周彦军学位授予单位：华北电力大学(北京)被引用次数：1次1.C Concordia.S Ihara Load representation in power systems stability studies 19822.J M Undrill.T F Laskowski Model Selection and Data Assembly for Power System Simulation 19823.IEEE Task Force on Load Representation for Dynamic Performance,"Load Representation for Dynamic Performance Analysis" 1993(02)4.IEEE Task Force on Load Representation for Dynamic Performance,"Bibliography on Load Models for Power Flow and Dynamic Performance Simulation 1995(01)5.IEEE Task Force on Load Representation for Dynamic Performance,"Standard Load Models for Power Flow and Dynamic Performance Simulation" 1995(03)6.Dmitry N Kosterev.Carson W Talor Model Validation for the August 10,1996 WSCC System Outage1999(03)7.T Gentile.S Ihara.A Murdoch.N.Simons Determining Load Characteristics for RenasientPerformance[EPRI Report EL-850,Project RP849-1 Palo alto,California] 19818.鞠平.马大强电力系统负荷建模 19959.朱守真.沈善德.郑宇辉.李力.艾芊.曲祖义负荷建模和参数辨识的遗传进化算法[期刊论文]-清华大学学报（自然科学版） 1999(3)10.石景海考虑负荷时变性的大区电网负荷建模研究[学位论文] 200411.石景海.贺仁睦动态负荷模型多曲线拟合参数辨识[期刊论文]-电力系统自动化 2003(24)12.贺仁睦负荷模型在电力系统计算中的作用及其发展[期刊论文]-华北电力学院学报 1985(3)13.鞠平电力系统中负荷建模研究概观 1990(03)14.韩民晓人工神经网络及其在负荷建模中的应用 199515.章健电力系统负荷建模方法的研究[学位论文] 199716.李欣然考虑负荷特性的电压稳定及其负荷建模的研究 199817.周文电力系统负荷建模平台的研究[学位论文] 199918.王卫国电力系统动态负荷建模及其有效性验证的研究 200219.张红斌电力系统负荷模型结构与参数辨识的研究[学位论文] 200320.高松.贺仁睦.马进.张进电力系统动态仿真误差评定准则研究21.石景海.贺仁睦动态负荷建模中的负荷时变性研究[期刊论文]-中国电机工程学报 2004(4)22.张红斌.贺仁睦.刘应梅基于KOHONEN神经网络的电力系统负荷动特性聚类与综合[期刊论文]-中国电机工程学报 2003(5)23.Vapnik V N.张学工统计学习理论的本质 200024.张林.刘先珊.阴和俊基于时间序列的支持向量机在负荷预测中的应用[期刊论文]-电网技术 2004(19)25.祁亨年支持向量机及其应用研究综述[期刊论文]-计算机工程 2004(10)26.Vapnik V The nature of statistical learning theory 199527.A Ben-Hur.David Horn.H T Siegelmann.V.Vapnik Support Vector Clustering 2001(02)28.Cholkopf B Statistical Learning and Kernel Methods 200029.Zhang Ling The Relationship Between Kernel Functions Based SVM and Three-layer Feedforward Neural Networks 2002(07)1.李兵.崔春艳.付佳.Li Bing.Cui Chunyan.Fu Jia基于支持向量机的负荷非线性组合预测研究[期刊论文]-电子技术2009,46(5)2.王李东.李志宇.文劲宇.WANG Li-dong.LI Zhi-yu.WEN Jin-yu基于SVR算法的短期负荷快速预测研究[期刊论文]-继电器2005,33(9)3.郭锐蒙西电网负荷建模及其影响分析[学位论文]20074.张裕仕.田贵才.韦德泉.ZHANG Yu-Shi.TIAN Gui-Cai.WEI De-Quan红外区金属氧化物反蛋白石光子晶体的安德森定域化研究[期刊论文]-原子与分子物理学报2008,25(6)5.王静娴基于支持向量机的中短期电力负荷预测[学位论文]20086.代小华.汪玉春.朱勇.代治海.宋永亮基于SVM方法的天然气管网负荷预测研究[期刊论文]-天然气与石油2009,27(2)7.何习佳.HE Xi-jia基于支持向量机的电力短期负荷预测研究[期刊论文]-电子设计工程2009,17(12)8.宋红志电力负荷模型与基于虚拟仪器的负荷特性测辨系统的研究[学位论文]20049.苑津莎.张英慧.牛丽仙.刘献伟.Yuan Jinsha.Zhang Yinghui.Niu lixian.Liu Xianwei基于SOFM和支持向量机回归的短期负荷预测方法[期刊论文]-电力科学与工程2009,25(8)10.刘斌.王立梅.LIU Bin.WANG Li-mei一种在线向量机增强学习算法[期刊论文]-微电子学与计算机2008,25(11) 1.李金友静态负荷建模的最小二乘法和遗传进化算法的应用比较[期刊论文]-科技致富向导 2012(3)本文链接：/Thesis_Y867824.aspx。
基于改进DE算法的负荷建模参数辨识
基于改进DE算法的负荷建模参数辨识许津津;马进;唐永红;贺仁睦【期刊名称】《电力系统保护与控制》【年(卷),期】2009(037)024【摘要】负荷建模对电力系统运行及其控制起着重要的影响,主要有基于元件和基于量测两种建模方法.基于量测的负荷建模已广泛用于实践中,当考虑负荷的时变性后,基于量测的负荷建模即成为数学优化问题.因此,寻找到有效可靠的优化方法用于负荷建模参数辨识具有重要的现实意义.微分进化(DE)算法具有全局寻优能力,对初值不敏感,经改进后还可以加快收敛速度并防止出现早熟现象,因此可用于负荷建模参数辨识实践中.将DE算法用于负荷建模参数辨识实践中,在现有改进算法的基础上,借鉴遗传算法引入移民策略以防止早熟现象,通过对两个实测建模参数辨识实例的分析,表明经改进后的DE算法具有比改进遗传算法、蚁群算法和粒子群算法更好的性能.【总页数】6页(P36-40,45)【作者】许津津;马进;唐永红;贺仁睦【作者单位】华北电力大学电力系统保护与动态安全监控教育部重点实验室,北京,102206;华北电力大学电力系统保护与动态安全监控教育部重点实验室,北京,102206;四川电力试验研究院,四川,成都,610041;华北电力大学电力系统保护与动态安全监控教育部重点实验室,北京,102206【正文语种】中文【中图分类】TM743【相关文献】1.基于改进K-means聚类算法的负荷建模及应用 [J], 白雪峰;蒋国栋2.基于电能质量装置数据和改进克隆选择算法的电力动态负荷建模 [J], 尹建华;黄东启;艾芊3.负荷建模参数辨识中综合改进遗传算法的应用 [J], 李欣然;李培强;金群;陈辉华;唐外文4.基于DEAFCR算法的非线性系统模型参数辨识 [J], 段崇崇;张雨飞;冯晨5.基于改进灰狼算法的发电机励磁系统参数辨识算法 [J], 刘亨铭;曹路因版权原因，仅展示原文概要，查看原文内容请购买。
遗传算法参数设置及其在负荷建模中应用
遗传算法参数设置及其在负荷建模中应用
金群;李欣然
【期刊名称】《电力自动化设备》
【年(卷),期】2006(026)005
【摘要】以基于实测的电力系统综合负荷建模为应用对象,探讨遗传算法的运行机理,分析遗传算子的不同搜索能力.指出决定遗传算法性能的关键因素是种群多样性,得出了种群多样性与算法参数的关联约束.从理论分析上给出遗传参数的设定规则,
深入研究遗传算法中种群规模、交叉、变异概率及其控制策略,以及初始种群参数
区间等遗传算法关键操作参数对算法性能的影响规律,给出合理的种群规模和参数
初始区间,提出与群体进化程度指标相关的自适应调整交叉概率和变异概率策略.研
究结果表明,合理的参数组合是挖掘遗传算法潜能的关键,可提高遗传算法运行效率、克服早熟及尽量减小模型参数分散性.
【总页数】5页(P23-27)
【作者】金群;李欣然
【作者单位】湖南大学,电气与信息工程学院,湖南,长沙,410082;湖南大学,电气与信息工程学院,湖南,长沙,410082
【正文语种】中文
【中图分类】TM714
【相关文献】
1.一种改进遗传算法及其在负荷建模中的应用 [J], 金群;李欣然;刘艳阳;陈辉华;唐外文;李培强
2.一种综合改进型遗传算法及其在综合负荷建模中的应用 [J], 金群;李欣然;刘艳阳;陈辉华;唐外文
3.基于规则归纳的遗传算法选择和参数设置 [J], 李婷;崔杜武
4.负荷建模参数辨识中综合改进遗传算法的应用 [J], 李欣然;李培强;金群;陈辉华;唐外文
5.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 [J], 李欣然;刘艳阳;陈辉华;唐外文;李培强
因版权原因，仅展示原文概要，查看原文内容请购买。
论文-计及参数约束条件的多项式负荷模型的辨识方法研究讲解
计及参数约束条件的多项式负荷模型的辨识方法研究摘要电力负荷作为电力系统的一个重要组成部分，在电力系统的设计，分析与控制中有着重要影响，收到国内外电力界学者的高度重视。
本文概述了电力系统负荷建模的发展及现状，介绍了负荷模型的概念，方法，常见模型及其参数辨识方法，着重研究了负荷模型的多项式模型在计及参数约束情况下的辨识方法进行了比较深入的研究，对系统辨识的定义，系统辨识的分类和系统辨识的方法进行了比较详细的分析。
对于多项式负荷模型的一般表达式进行了描述。
我们以最小二乘法作为辨识准则，分别采用传统的拉格朗日乘子法和新型罚函数法进行了基于实测数据的模型辨识，仿真结果表明了多项式模型在电压稳定分析计算中的描述能力和两种算法各自的特点。
关键字：电力负荷；多项式模型；拉格朗日乘子法；罚函数法Plans and parameters constraints of the conditions of the polynomial load of a model to identify ways of researchABSTRACTPower the power system as an important part of the power system designs, analysis and control of an important effect, both domestic and international community attaches great importance to the scholars. this article summarizes the power systems modeling development and the status quo, introduced the concept of a model,Common model and to identify the method parameters, the model of the polynomial model in the scheme of control and parameters to identify the method for more in-depth research, the system to identify the definition and classification system to identify and system to identify the method is more detailed analysis.The polynomial load model of a general expression can be described. we with the guidelines as to identify the multiplication, the traditional lagrange by the law and the new law is a function of the mapping of the model is based on data to identify and simulation results indicate the number of the model in a stable analysis and calculation of two different algorithms individual peculiarities.Keyword ：the electricity load ；polynomial model ；space law day long by the law of a function第一章绪论1.1 电力负荷模型的重要意义1.1.1 电力负荷模型在电力系统规划与运行中的重要意义在研究运行中的电力系统行为时，由于安全运行的限制以及运行状态控制的困难等原因，采用直接在实际系统上进行各种实验通常是不可行的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ISSN 1000-0054CN 11-2223/N 清华大学学报(自然科学版)J T singh ua Un iv (Sci &Tech ),1999年第39卷第3期1999,V o l.39,N o.311/3437～40负荷建模和参数辨识的遗传进化算法*朱守真, 沈善德, 郑宇辉, 李 力, 艾 芊, 曲祖义清华大学电机工程与应用电子技术系,北京100084; 东北电力集团公司,沈阳110006 收稿日期:1998-06-23 第一作者:女,1950年生,副教授 *基金项目:国家攀登计划B(85-35)文 摘 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。
关键词 遗传进化算法;负荷建模;参数辨识分类号 T M 761 电力负荷模型是电力系统分析、规划、运行和计算的基础,尤其在计算中对电力系统动态行为的模拟结果影响很大。
不同的计算需要采用不同的负荷模型,常规采用以不同比例的恒定阻抗、恒定电流、恒定功率或考虑不同动静比例负荷模型的方式使计算结果相差很大,甚至会导致完全错误的结论[1,2]。
研究表明建立符合实际的负荷模型是十分必要的。
负荷特性具有时变、非线形、不确定等多种特点,且实际负荷的用电设备构成差别很大,尤其是当电压或电流变化时,负荷产生突变,这也增加了建模的难度和复杂性。
参数辨识是负荷建模的核心,目前常用的有最小二乘法、辅助变量法、分段线性多项式等方法,其中传统的方法不能有效地克服负荷建模中的非线性和不连续性等问题,会产生多值性等误差。
近年来ANN 方法在建模方面已取得成功,但该方法更侧重于模拟模型的动态过程,且形成的结果是非参数模型。
遗传进化算法是模拟自然界进化中优胜劣汰的优化过程,原则上能以较大的概率找到全局的最优解,具有并行、通用、鲁棒性强,全局收敛性好等优点。
研究人员已在发电规划[3],发电调度[4],无功优化[5]中用算例证明了EP 方法比传统的梯度寻优技术更优越。
本文采用遗传进化算法对静态、动态负荷进行了实测建模。
1 电力负荷的数学模型本文主要描述以负荷特性来分类的静态和动态模型的建模方法。
1.1 静态负荷模型静态负荷模型表示某一时刻负荷所吸收的有功功率和无功功率与同一时刻负荷母线电压和频率之间的函数关系。
静态负荷模型一般以幂函数和多项式模型表示。
本文以幂函数模型为例进行计算,幂函数表示的静态负荷特性如下:P =P 0U a 1f a 2,Q =Q 0U b 1f b2.(1) 定义误差函数E w =Ni =1[W m (i )-W c (i )]2N(2)式中:N 为测量点数,W m (i )分别表示第i 次有功或无功功率测量值,W c (i )表示利用第i 次采样U i ,f i 的值由式(1)得到的有功或无功计算值,X p 、X q 是待辨识参数的向量:X p =[P 0,a 1,a 2],X q =[Q 0,b 1,b 2].(3)辨识问题表述为极小值寻优问题,即搜索一组参数使误差E w 达到最小值。
1.2 动态负荷的模型动态负荷模型表示某一时刻负荷所吸收的有功功率和无功功率与前几时刻负荷母线电压和频率之间的函数关系。
机理式模型有严格的数学推导,但因参数较多,较难获得精确解,因此常采用实用的非机理动态模型。
非机理动态模型,亦即输入/输出模型,是将待研究的负荷群看作一个“系统”。
输入变量为负荷母线电压U和频率f,输出变量是负荷吸收的总有功功率P和无功功率Q。
以PQ解耦的k阶的差分方程表示动态负荷特性。
为了改善模型精度,有时以电压平方项表示负荷对电压的非线性性质。
若取消电压平方项,则为线性差分方程表达式。
动态负荷的k阶非线性差分方程为:W(n)= k i=1a i W(n-i)+ k i=0b i U(n-i)+ ki=0c i f(n-i)+ k i=0d i( U(n-i))2(4)式中 W为 P或 Q,处理动态负荷数据时,各输入/输出变量均取用前稳态量作为基准的增量形式。
待辨识参数以向量形式表示为:X=[a1,…,a k,b0,b1,…,b k, c0,c1,…,c k,D0,d1,…,d k](5)定义误差函数如式(2)。
2 遗传进化算法2.1 遗传进化算法的计算过程遗传进化法的基本计算包括了三种过程:变异,竞争,选择。
1)变异:繁殖是由当前解群选出的个体产生下一代的过程。
繁殖的具体方法通过各种类型的基因操作实现,最基本的是交叉操作和变异。
在基因算法(GA)中,变异是针对染色体(亦即以二进制串表示的个体)上的基因(即串中的各个二进位)进行的,变异主要用于保证解群中所有的数串中的某位数字不总是取相同的值。
而在进化规划法(E P)和进化策略法(E S)中主要采用变异操作来维持代与代之间的行为联系。
2)竞争:竞争则是将每个个体与其它个体相比较,根据其在竞争中是否占优势来决定它的入选情况。
3)选择:选择过程是按照当前解群中每个个体的适应函数值,用随机的方式选出一定数目的个体用于繁殖下一代。
较强的个体在选择中获得有较多的机会进行繁殖,反之,较弱的个体则机会较少。
2.2 遗传进化算法的特点1)EP中的数字串的表示方式可根据要求解决问题的解的形式来确定,不必编码和译码。
EP不采用交叉算子,变异是其主要算子。
2)从一组初始点开始搜索,而不是从某个单一的初始点开始搜索;最后产生的也是一组优选出的解。
这使得遗传进化算法有较高的概率以一定的精度获得全局最优解,避免了诸如爬山法之类的算法受起始点的限制易于收敛到局部最优解的缺点。
3)遗传进化算法搜索中用到的是适应度函数值的信息,不要求目标函数具有线性、可微性等假定。
也可以不必考虑其它与具体问题有关的特殊知识。
这使得遗传进化算法具有应用的广泛性。
并且易于写出一个通用的算法,来求解许多不同的优化问题。
4)遗传进化算法具有很好的易修改性。
原问题进行了改动,遗传算法不必像其它优化算法一样进行大改动就可以适应新的问题。
3 用于负荷参数辨识的遗传进化算法设计3.1 基本算法在进化规划法(E P)中,问题的解常以实向量表示,繁殖的手段是在父代上加上一个高斯分布的随机向量来实现变异。
本论文所采用的基本算法如下:1)问题表示。
将优化问题的解X表示成d维向量的形式,X=[x1,x2,…,x d],a j<x j<b j,j=1,2,…,d,x j表示向量的第j维,a j,b j分别是x j的下限和上限。
X(i),i=1,2,…,n,表示当前代中第i个个体,n为解群的规模。
2)解群的初始化。
随机产生一个初始解群式, x(i)j=Rand()*(b j-a j)+a j, i=1,2,…,n,j=1,2,…,d(6)其中函数Rand()产生均匀分布于(0,1)的随机变量。
3)计算适应值。
对每一个解X(i),计算其适应度f i=F(X(i)),这里沿用优化目标函数E(X(i))——即误差函数E w,不再另外设计适应度函数。
记误差值e i=E(X(i)),误差值越小,表示适应得越好。
静态和动态负荷辨识的误差函数见公式(2)。
4)变异。
将当前解群中的每一个解向量X(i), i=1,2,…,n加上一个正态分布的d维随机变量,得到其子代x(i)′j=x(i)j, j=1,2,…,d(7)38清华大学学报(自然科学版)1999,39(3)式中N0, je ie max+Z j为解向量,为j维向量的变异量,它是均值为0,方差为 je ie max+Z j的正态分布随机变量。
5)竞争。
通过每一个个体X(i)与随机选出的m 个体进行竞争,计算每个个体的失败点数W(i)来反映其竞争能力。
本算法采纳了精华保留法,即保留了E个最好的解。
则W(i)= m j=1w j,其中w j=1, i,j>e rje rj+e i,0.(8)式中 i,j是(0,1)上的均匀分布的随机变量,e rj /(e rj+e i)反映X(i)对X(r j)的竞争优势,e i越小,则其值越大,这样w j为1(竞争失利一次)的概率越小。
6)选择。
将所有的个体(如果每个父代产生一个子代,这时共2n个)按W值大小升序排列,取排在前面的n个体作为下一代种群。
7)返回步骤4,直到迭代步骤已到给定值或者人为要求中止退出。
3.2 静态负荷算例令种群规模n=50,每个个体面对竞争个数为m=30,每代保留10%的精华,即E=n 10%=5个。
变异量参数Z=0.001,比例因子 =e-0.08 n S,其中n S为迭代步数。
解向量变化范围如表1:表1 参数变化范围界P0a1a2Q0b1b2上11071161下0-1-30-1-30 该变化范围仅在随机产生初始解群时使用,种群进化演变过程中并未对各个体进行范围检验,因为实际上那些不合理的解相应的误差值很大,很快就会被淘汰掉。
算例:某工业负荷实测数据(负荷味精线)辨识分别对P,Q进行辨识,100代后结果如下(见表2)。
味精线静态负荷模型为:P=0.454084U1.405, Q=0.179435U3.206.P0,a1,Q0,b1每次辨识结果都非常接近,辨识重复多次均很快能收敛到某一个结果附近,由于现场试验未虑及频率变化,实际测得的数据中所包含关于频率的信息过于的少,远远在噪声和测量误差之下,因此与频率f有关的参数a2,b2每次结果都相去甚远,所以辨识时不考虑频率特性,即令a2,b2均为0。
有功和无功拟合曲线与实测曲线的比较见图1。
图1 静态负荷模型有功、无功拟合与实测曲线比较3.3 动态负荷算例令种群规模n=200,每个个体面对竞争个数为m=80,每代保留10%的精华,即E=n 10%=20个。
变异量参数Z=0.001, =e-0.002 n S,其中n S为迭代步数。
解向量变化范围为(-20,20)。
算法中与模型相关的参数为:M为模型阶数,常用的为1阶和2阶。
I为布尔量,线性模型取0,非线性模型取1。
对味精线的动态负荷数据进行辨识,固定迭代步数3000代,用一阶线性模型和二阶非线性建模。
辨识一阶线性最后结果见表3,有功、无功拟合曲线见图2、3。
图2 动态负荷有功、无功一阶线性图3 动态负荷有功二阶非线性3.4 结果分析1)辨识结果是令人满意的。
比较图形可以看出EP法的结果比最小二乘法给出的结果更优。
改变模型阶次,或者由线性模型变为非线性模型,算法表39朱守真,等: 负荷建模和参数辨识的遗传进化算法表2 有功、无功功率的电压特性有功E w P0a1无功E w Q0b10.001640187390.454084 1.4056870.001279161910.179435 3.206189 0.001650695740.453899 1.3920680.001293138090.179156 3.334360 0.001653239680.454093 1.3711640.001296446280.178940 3.282196 0.001653973170.453688 1.4250570.001307012980.179701 3.140772 0.001689126050.454194 1.3447730.001308194530.179461 3.281395表3 P, Q的一阶线性辨识结果PE w a0b0 b1 c0 c1QE w a1b0b1c0c10.024*******.689 4.052-13.950-7.8469.1660.0068562140.954 5.354-5.220-6.0208.200 0.024*******.686 4.279-14.169-8.2299.4720.0068737610.956 5.409-5.284-5.7367.888 0.024*******.687 4.254-14.145-8.0549.2140.0068765850.954 5.465-5.332-5.7597.795 0.024*******.689 4.370-14.268-8.2069.3050.0068776330.955 5.399-5.271-5.9788.031 0.024*******.690 4.305-14.204-8.2929.4220.0068809900.955 5.522-5.397-5.9888.080现出很好的稳健性。