基于改進粒子群算法的電力負荷模型參數辨識研究.pdf

1、電力負荷是電力系統(tǒng)的重要組成部分，對電力系統(tǒng)的穩(wěn)定運行具有重要影響。隨著對電力負荷研究的深入，負荷的數學模型已較為成熟，但由于負荷自身的復雜性使得模型參數的獲取變得困難，而參數準確程度又直接影響了負荷模型的有效性，因此研究負荷模型的參數辨識具有重要意義。
　　 本文分析了電力系統(tǒng)靜態(tài)和動態(tài)負荷模型，運用時域仿真法對感應電機啟動、平穩(wěn)運行中受擾動的暫態(tài)過程進行數值仿真，結果證明了所采用數學模型和數值算法的正確性。針對線性遞減慣性權

2、重和收縮因子粒子群算法存在“早熟”和遍歷性不足的問題，提出了一種基于S型慣性權重的變異粒子群算法。通過多個標準測試函數對改進算法進行綜合測試，驗證了該算法具有收斂速度快和搜索精度高的優(yōu)點，適用于負荷模型的參數辨識。其次，分析了冪函數和二項式形式的靜態(tài)負荷模型結構特點，指出二項式模型參數辨識結果不唯一的原因。然后基于實測負荷數據對此進行驗證，得出辨識結果是否唯一與模型結構有關的結論。以此為依據，選擇冪函數模型作為負荷靜態(tài)模型，并基于改進粒

3、子群算法對其進行參數辨識。通過將靜態(tài)模型對實際負荷突變情況進行擬合，證明了靜態(tài)負荷模型描述性能的局限性。最后，對動態(tài)模型進行初始狀態(tài)求解，運用四階龍格-庫塔法推導模型的迭代方程，結合改進粒子群算法設計出動態(tài)模型參數辨識的仿真步驟，并基于實測數據辨識模型參數。
　　 辨識結果表明S型慣性權重變異粒子群算法的擬合數據更接近于實測數據。與常規(guī)方法相比，改進算法具有更好的收斂速度和辨識精度，是一種較有效的辨識方法，適用于電力負荷模型的參