首页> 正文

基于QPSO算法的综合负荷模型参数辨识与负荷建模平台

2020-12-10阅读(880)

基于QPSO算法的综合负荷模型参数辨识与负荷建模平台

论文摘要

电力系统负荷建模是电力系统分析中重要的基础性研究课题之一,也是电力系统研究中公认的难题,其研究进展一直落后于电力系统其他元件的研究进展。近年来,国内外对负荷建模开展了大量的研究工作,有力地推动了负荷建模研究进展。在借鉴、综合众多前人研究的基础上,本文在综合负荷模型的参数辨识算法研究和负荷建模平台的开发两个方面展开了研究工作。在综合负荷模型参数辨识算法方面,本文首先较为深入地分析了制约粒子群算法（Particle Swarm Optimization Algorithm, PSO算法）全局搜索能力的一个影响因素：在每一次迭代的过程中,当前粒子的位置、速度等信息确定后,粒子迭代时运动轨迹的范围是确定的,而且只是整个可行区域的一部分,这样就大大限制了粒子群算法的全局收敛能力。其次,针对PSO算法在优化中存在这种的缺陷,提出了基于量子粒子群算法（Quantum Particle Swarm Optimization Algorithm, QPSO算法）的综合负荷模型的参数辨识方法。该方法利用量子力学中的粒子具有不确定轨迹的行为特点来改变粒子们位置,使粒子每次迭代时其运动轨迹的可能区域充满整个可行域,从而大大扩大了粒子的搜索范围,具有更好的全局收敛能力。再次,结合动模试验中获得的综合负荷扰动数据,利用QPSO算法分别对ZIP+差分方程和幂函数+差分方程两种综合负荷模型进行参数辨识,验证了QPSO算法用于综合负荷模型参数辨识的有效性。最后通过QPSO算法和PSO算法在ZIP+差分方程综合负荷模型参数辨识的试验进行对比,验证了QPSO算法搜索全局最优解的能力,并根据试验结果分析了粒子数目和迭代次数的乘积对两种算法全局收敛能力所具有的不同影响。在负荷建模平台的开发方面,开发了一套集负荷信息数据库的查看功能、统计综合法建模功能和总体测辨法建模功能的负荷建模平台。该平台基于用户/服务器模式,采用了面向对象的编程技术,运用了MFC ODBC和ADO数据库编程技术；特别是针对总体测辨法建模中复杂的负荷模型和辨识算法难以用VC++语言编写的问题,提出了利用基于COM组件的VC++和Matlab混合编程技术来实现复杂的负荷模型和参数辨识算法,使平台所含的模型和辨识算法都更加丰富,模型参数的辨识能力和图形处理能力都大为增强。该负荷建模平台具有功能较为全面、界面友好、运行稳定、可扩展性好等优点。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 选题背景
  • 1.2 负荷建模的研究意义
  • 1.2.1 负荷模型对潮流计算的影响
  • 1.2.2 负荷模型对暂态稳定计算的影响
  • 1.2.3 负荷模型对电压稳定计算的影响
  • 1.2.4 负荷模型对小信号动态稳定计算的影响
  • 1.3 负荷建模的发展与研究现状
  • 1.4 负荷建模存在的问题
  • 1.5 本文的主要内容
  • 第二章 负荷建模的理论和方法
  • 2.1 负荷模型的类型与结构
  • 2.1.1 静态负荷模型
  • 2.1.2 机理动态负荷模型
  • 2.1.3 非机理动态负荷模型
  • 2.2 负荷建模的方法
  • 2.2.1 统计综合法建模
  • 2.2.2 总体测辨法建模
  • 2.2.3 故障仿真法建模
  • 2.3 负荷模型参数辨识
  • 2.3.1 负荷参数辨识算法
  • 2.3.2 模型参数分散性和模型可辨识性
  • 2.4 负荷特性的分类与综合
  • 2.5 本章小结
  • 第三章 基于量子粒子群算法的综合负荷模型参数辨识
  • 3.1 粒子群优化算法分析
  • 3.2 量子粒子群优化算法分析
  • 3.3 量子粒子群算法应用
  • 3.3.1 负荷信息数据来源
  • 3.3.2 负荷模型选择
  • 3.3.3 优化函数选择
  • 3.3.4 参数辨识及分析
  • 3.4 算法的全局收敛性验证
  • 3.5 本章小结
  • 第四章 负荷建模平台的开发
  • 4.1 负荷建模平台的需求分析
  • 4.2 负荷建模平台的开发工具及相关技术
  • 4.2.1 利用MFC和Visual C++提供的向导来编写Windows应用程序
  • 4.2.2 数据库编程技术
  • 4.2.3 VC++和MATLAB的混合编程技术
  • 4.3 平台实现的技术方案、基本结构和功能设计
  • 4.3.1 平台实现的技术方案
  • 4.3.2 平台基本结构和功能设计
  • 4.4 平台主要实现的功能简述及部分界面示例
  • 4.4.1 用户信息验证
  • 4.4.2 系统功能选择
  • 4.4.3 查看数据库功能
  • 4.4.4 统计综合法建模功能
  • 4.4.5 总体测辨法建模功能
  • 4.5 平台优缺点分析
  • 4.6 本章小结
  • 第五章 总结与展望
  • 5.1 本文的主要研究内容
  • 5.2 后期的工作展望
  • 参考文献
  • 致谢
  • 攻读硕士学位期间发表论文及参与项目
  • 学位论文评阅及答辩情况表

    • 相关论文文献

    • [1].一种QPSO的地下浅层震源定位方法[J]. 计算机系统应用 2020(01)
    • [2].基于混合QPSO的模糊柔性作业车间调度问题研究[J]. 系统仿真学报 2020(10)
    • [3].基于时程响应QPSO算法识别结构损伤的研究[J]. 苏州科技大学学报(工程技术版) 2017(02)
    • [4].基于QPSO小波神经网络的网络异常检测[J]. 辽宁工程技术大学学报(自然科学版) 2009(02)
    • [5].基于QPSO的小波神经网络控制器[J]. 黑龙江水利科技 2013(07)
    • [6].基于QPSO算法的信道分配方法[J]. 通信技术 2009(02)
    • [7].基于QPSO灰色神经网络的基坑锚固荷载预测[J]. 科技通报 2016(01)
    • [8].基于改进QPSO算法的小波神经网络参数优化[J]. 辽宁石油化工大学学报 2013(04)
    • [9].基于QPSO算法移动机器人轨迹规划与实验[J]. 控制与决策 2014(12)
    • [10].基于QPSO算法的自抗扰控制器设计及参数整定[J]. 飞行力学 2011(02)
    • [11].求解作业车间调度问题的混合QPSO算法[J]. 合肥工业大学学报(自然科学版) 2009(03)
    • [12].基于改进QPSO算法的电动汽车模糊控制器参数优化[J]. 计算机应用研究 2019(12)
    • [13].基于QPSO算法的冷链物流配送运输问题的研究[J]. 市场周刊(理论研究) 2016(10)
    • [14].基于QPSO的重载齿轮多目标优化设计[J]. 现代机械 2009(05)
    • [15].基于QPSO算法的机器人时间最优轨迹规划[J]. 自动化与仪器仪表 2020(01)
    • [16].基于QPSO的机械臂多项式插值轨迹规划[J]. 传感器与微系统 2020(08)
    • [17].基于QPSO的数控加工切削参数优化[J]. 机械制造与自动化 2010(01)
    • [18].基于QPSO算法和S-系统的基因调控网络分析与重构[J]. 计算机应用研究 2010(09)
    • [19].基于干扰因子的QPSO算法改进[J]. 微电子学与计算机 2008(04)
    • [20].基于随机评价机制的交互式双子群QPSO算法[J]. 控制与决策 2015(03)
    • [21].基于代理模型的QPSO算法及结构优化应用[J]. 中国空间科学技术 2013(04)
    • [22].QPSO算法实现图像边缘检测[J]. 江南大学学报(自然科学版) 2015(02)
    • [23].QPSO算法柔性分子对接问题的研究[J]. 计算机与应用化学 2010(07)
    • [24].基于QPSO算法的模糊逻辑系统的设计及应用[J]. 辽宁工业大学学报(自然科学版) 2016(06)
    • [25].基于QPSO聚类算法的图像分割方法[J]. 科技视界 2016(12)
    • [26].基于QPSO优化投影寻踪的网络入侵检测方法[J]. 计算机工程与应用 2011(28)
    • [27].QPSO算法在朴素贝叶斯分类上的应用研究[J]. 哈尔滨理工大学学报 2010(04)
    • [28].基于量子粒群优化算法的智能电网多目标优化规划研究[J]. 机电信息 2015(09)
    • [29].基于QPSO的双机器人同步焊接路径规划研究[J]. 工业仪表与自动化装置 2015(05)
    • [30].一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法[J]. 模式识别与人工智能 2012(06)

    标签：;  ;  ;  ;  ;  ;  

    基于QPSO算法的综合负荷模型参数辨识与负荷建模平台
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5