CN111931427B - 一种配电网负荷建模中感应电机模型参数确定方法 - Google Patents
一种配电网负荷建模中感应电机模型参数确定方法 Download PDFInfo
- Publication number
- CN111931427B CN111931427B CN202011118558.1A CN202011118558A CN111931427B CN 111931427 B CN111931427 B CN 111931427B CN 202011118558 A CN202011118558 A CN 202011118558A CN 111931427 B CN111931427 B CN 111931427B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- induction motor
- food concentration
- state
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006698 induction Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000251468 Actinopterygii Species 0.000 claims abstract description 165
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 235000013305 food Nutrition 0.000 claims description 66
- 230000000007 visual effect Effects 0.000 claims description 30
- 230000019637 foraging behavior Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000002431 foraging effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 9
- 230000002068 genetic effect Effects 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明涉及配电网负荷建模技术领域,具体涉及到一种配电网负荷建模中感应电机模型参数确定方法,包括以针对配电网负荷建模中感应电机模型参数计算构建状态方程;针对配电网负荷建模中感应电机模型参数计算构建目标函数;通过自适应人工鱼群算法对状态方程和目标函数进行求解,确定感应电机模型参数。本发明的配电网负荷建模中感应电机模型参数确定方法采用了自适应人工鱼群算法对构建的状态方程和目标函数进行求解,以确定感应电机模型参数,确保感应电机模型参数的精确性;本发明的自适应人工鱼群算法将遗传算法和人工鱼群算法结合,融合了遗传算法的多个优点,在改进过程中,选择、交叉、变异三种操作都发挥了作用。
Description
技术领域
本发明涉及配电网负荷建模技术领域,具体涉及到一种配电网负荷建模中感应电机模型参数确定方法。
背景技术
随着我国特高压大电网的建设、新能源发电和新型电力电子设备的引入,我国电网的规模不断扩大,复杂程度不断增加,电力系统的短路电流、动态稳定性及电压稳定性问题更加突出,负荷模型对电力系统仿真计算结果的影响不容忽视。目前主流的负荷建模方法主要有统计综合法和总体辨识法两种。统计综合法具有物理模型清晰、模型精度高的优点。由于负荷的复杂性、分散性和随机性的特点,这类方法的缺点不够灵活、工作量大。电力系统负荷模型建立后,参数辨识便成为建模的核心,可引入启发式算法来加以处理。
现代启发式方法是运用计算机技术,模仿某些自然现象的运行机制研究出的优化求解算法,该类算法具有对目标函数和约束函数要求宽松、跳出局部极值的能力较强、计算效率高等突出优点。现代启发式方法主要有:禁忌搜索算法、遗传算法、模拟退火算法、粒子群算法、蚁群算法、人工鱼群算法等。现代启发式方法比较接近于人类的思维方式,易于理解,与数学优化方法相比,它更适用于求解组合优化问题或非线性优化问题。人工鱼群算法模拟鱼类觅食、聚群和追尾行为,从构造单条人工鱼的底层行为做起,通过人工鱼各个体的局部寻优,使全局最优值在群体寻优中突现出来。该算法具有跳出局部极值、实现搜索全局极值的良好能力,对搜索空间具有一定的自适应能力;算法对初值无要求,对各参数的选择也是不很敏感。人工鱼群算法虽然具有把握搜索方向和在一定程度上避免陷入局部最优的特性,但当一部分人工鱼处于漫无目的的随机移动或人工鱼在局部极值区域大量聚集时,收敛速度将大大减慢,搜索精度大大降低,这些缺点有待进一步改进。
在配电网负荷建模中,感应电机模型参数的确定必不可少,因此,有必要依据启发式算法提供一种适合的配电网负荷建模中感应电机模型参数确定方法。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种配电网负荷建模中感应电机模型参数确定方法。
为实现上述目的,本发明采用的技术方案如下:一种配电网负荷建模中感应电机模型参数确定方法,包括以下步骤:
步骤1,针对配电网负荷建模中感应电机模型参数计算构建状态方程;
步骤2,针对配电网负荷建模中感应电机模型参数计算构建目标函数;其中,所述目标函数为:
步骤3,通过自适应人工鱼群算法对状态方程和目标函数进行求解,确定感应电机模型参数。
进一步的,在步骤1中,所述状态方程为:
式中:e'x、e'y分别为感应电机暂态电势对应的x实轴、y虚轴分量;Ix、Iy分别为感应电机从电网吸收的电流对应的x实轴、y虚轴分量;X为感应电机定子电抗和励磁电抗串联的电抗、X'为感应电机励磁电抗并联感应电机转子电抗之后再与感应电机定子电抗串联的电抗、T0'为转子回路的时间常数、t为时间、s为感应电机转差率;ux、uy分别为感应电机定子侧x实轴和y虚轴上的电压分量;Tm为感应电机机械负荷功率;Te为感应电机电磁功率;T0为感应电机的初始负载转矩;H为惯性常数;Rs、Xs分别为感应电机定子电阻和电抗;Rr、Xr分别为感应电机转子电阻和电抗;Xm为感应电机励磁电抗;ω0为同步转速;f0为工频频率;A、B、C为自定义常数,ωr为转子转速。
进一步的,所述步骤3具体包括以下步骤:
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置;
初始化人工鱼个体的位置状态为向量X=(x1,x2,x3,x4,x5),向量x1,x2,x3,x4,x5分别为状态方程中对应的感应电机模型参数Rs、Xs、Rr、Xr、Xm,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差百分比,误差百分比越低的位置食物浓度越高;设置算法的初始参数人工鱼条数N、人工鱼视野Visual、人工鱼移动步长Step、人工鱼觅食行为最大尝试次数为try_number、拥挤度因子σ;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组感应电机模型参数;
步骤3.2,计算最优个体并将对应的食物浓度函数值记入公告板;
选取感应电机不同的实测电压和其对应的有功响应,根据目标函数计算出误差百分比,计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为误差百分比最小,即食物浓度最高,并将其对应的食物浓度函数值记入公告板;
步骤3.3,自适应修正人工鱼视野步长并分别执行人工鱼觅食行为、追尾行为;
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板,记录该次检验的值;
步骤3.5,对人工鱼执行交叉变异操作;
步骤3.6:判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的状态向量X=(x1,x2,x3,x4,x5),该状态向量表征满足配电网负荷建模要求的感应电机模型参数。
进一步的,所述步骤3.3具体包括:
设计人工鱼步长视野调节机制,fV(i)、fS(i)分别为人工鱼视野和步长的高斯分段自适应函数,i为迭代次数;
设Stepmax为人工鱼移动步长的最大值,Stepmin是人工鱼移动步长的最小值;利用高斯衰减函数,使得步长在迭代次数内由最大值衰减到最小值;利用高斯衰减函数右侧快速衰减的特性,避开函数峰处平缓的趋势,通过控制标准方差来调整高斯函数的衰减速率;根据标准方差计算出迭代次数i为:
式中,b为高斯函数尖峰中心坐标,c为标准方差;
则人工鱼视野为:
式中,Visual为人工鱼群视野;
则人工鱼步长为:
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤Visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为作为实际执行,以修正人工鱼视野步长。
进一步的,所述步骤3.5具体包括:
选择多条最优人工鱼个体,直接复制到下一代;在剩余的人工鱼个体中随机选取部分个体,以最优个体为父本执行交叉操作,计算新产生的各个体的食物浓度,与公告板中的值进行比较,如果比公告板中的值小,则取代之,同时将新个体取代旧个体;再从剩余的人工鱼个体中随机选取少量个体执行变异操作,然后计算出各新形成人工鱼的食物浓度,并与公告板中的值进行比较,如果优于公告板中的值,则以自身值取代之;变异操作后剩余的人工鱼个体直接进入下一代。
本发明的有益效果:由上述对本发明的描述可知,与现有技术相比,本发明的配电网负荷建模中感应电机模型参数确定方法采用了自适应人工鱼群算法对构建的状态方程和目标函数进行求解,以确定感应电机模型参数,确保感应电机模型参数的精确性;本发明的自适应人工鱼群算法将遗传算法和人工鱼群算法结合,融合了遗传算法的多个优点,在改进过程中,选择、交叉、变异三种操作都发挥了作用,其中交叉操作的效果最为明显;但每次实际操作的人工鱼个体数目较少,多数人工鱼个体直接进入下一代,因而每次迭代增加的计算量很少,较好地保留了人工鱼群算法简单、高效、易实现等诸多优点;调节各种操作人工鱼个体的数目,实际上是调节人工鱼群体的分布,始终把握局部搜索和全局搜索两个属性,克服人工鱼群算法搜索与开发平衡能力差的缺点,使局部搜索和全局搜索的力量达到相对均衡;自适应调节步长有利于各个阶段搜索效益和搜索效果的平衡,既能在远离优化点之外实现寻优的快速性,又可保证优化点附近寻优的精确性。
附图说明
图1为本发明优选实施例中一种配电网负荷建模中感应电机模型参数确定方法的流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
参照图1所示,本发明的优选实施例,一种配电网负荷建模中感应电机模型参数确定方法,包括以下步骤:
步骤1,针对配电网负荷建模中感应电机模型参数计算构建状态方程;
步骤2,针对配电网负荷建模中感应电机模型参数计算构建目标函数;其中,所述目标函数为:
步骤3,通过自适应人工鱼群算法对状态方程和目标函数进行求解,确定感应电机模型参数。
在本实施例中,在步骤1中,所述状态方程为:
式中:e'x、e'y分别为感应电机暂态电势对应的x实轴、y虚轴分量;Ix、Iy分别为感应电机从电网吸收的电流对应的x实轴、y虚轴分量;X为感应电机定子电抗和励磁电抗串联的电抗、X'为感应电机励磁电抗并联感应电机转子电抗之后再与感应电机定子电抗串联的电抗、T0'为转子回路的时间常数、t为时间、s为感应电机转差率;ux、uy分别为感应电机定子侧x实轴和y虚轴上的电压分量;Tm为感应电机机械负荷功率;Te为感应电机电磁功率;T0为感应电机的初始负载转矩;H为惯性常数;Rs、Xs分别为感应电机定子电阻和电抗;Rr、Xr分别为感应电机转子电阻和电抗;Xm为感应电机励磁电抗;ω0为同步转速;f0为工频频率;A、B、C为自定义常数,ωr为转子转速。
在本实施例中,所述步骤3具体包括以下步骤:
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置;
初始化人工鱼个体的位置状态为向量X=(x1,x2,x3,x4,x5),向量x1,x2,x3,x4,x5分别为状态方程中对应的感应电机模型参数Rs、Xs、Rr、Xr、Xm,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差百分比,误差百分比越低的位置食物浓度越高;设置算法的初始参数人工鱼条数N、人工鱼视野Visual、人工鱼移动步长Step、人工鱼觅食行为最大尝试次数为try_number、拥挤度因子σ;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组感应电机模型参数;
步骤3.2,计算最优个体并将对应的食物浓度函数值记入公告板;
选取感应电机不同的实测电压和其对应的有功响应,根据目标函数计算出误差百分比,计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为误差百分比最小,即食物浓度最高,并将其对应的食物浓度函数值记入公告板;
步骤3.3,自适应修正人工鱼视野步长并分别执行人工鱼觅食行为、追尾行为;
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板,记录该次检验的值;
步骤3.5,对人工鱼执行交叉变异操作;
步骤3.6:判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的状态向量X=(x1,x2,x3,x4,x5),该状态向量表征满足配电网负荷建模要求的感应电机模型参数。
在本实施例中,所述步骤3.3具体包括:
设计人工鱼步长视野调节机制,fV(i)、fS(i)分别为人工鱼视野和步长的高斯分段自适应函数,i为迭代次数;
设Stepmax为人工鱼移动步长的最大值,Stepmin是人工鱼移动步长的最小值;利用高斯衰减函数,使得步长在迭代次数内由最大值衰减到最小值;利用高斯衰减函数右侧快速衰减的特性,避开函数峰处平缓的趋势,通过控制标准方差来调整高斯函数的衰减速率;根据标准方差计算出迭代次数i为:
式中,b为高斯函数尖峰中心坐标,c为标准方差;
则人工鱼视野为:
式中,Visual为人工鱼群视野;
则人工鱼步长为:
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤Visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为作为实际执行,以修正人工鱼视野步长。
在本实施例中,所述步骤3.5具体包括:
选择多条最优人工鱼个体,直接复制到下一代;在剩余的人工鱼个体中随机选取部分个体,以最优个体为父本执行交叉操作,计算新产生的各个体的食物浓度,与公告板中的值进行比较,如果比公告板中的值小,则取代之,同时将新个体取代旧个体;再从剩余的人工鱼个体中随机选取少量个体执行变异操作,然后计算出各新形成人工鱼的食物浓度,并与公告板中的值进行比较,如果优于公告板中的值,则以自身值取代之;变异操作后剩余的人工鱼个体直接进入下一代。
本发明的配电网负荷建模中感应电机模型参数确定方法采用了自适应人工鱼群算法对构建的状态方程和目标函数进行求解,以确定感应电机模型参数,确保感应电机模型参数的精确性;本发明的自适应人工鱼群算法将遗传算法和人工鱼群算法结合,融合了遗传算法的多个优点,在改进过程中,选择、交叉、变异三种操作都发挥了作用,其中交叉操作的效果最为明显;但每次实际操作的人工鱼个体数目较少,多数人工鱼个体直接进入下一代,因而每次迭代增加的计算量很少,较好地保留了人工鱼群算法简单、高效、易实现等诸多优点;调节各种操作人工鱼个体的数目,实际上是调节人工鱼群体的分布,始终把握局部搜索和全局搜索两个属性,克服人工鱼群算法搜索与开发平衡能力差的缺点,使局部搜索和全局搜索的力量达到相对均衡;自适应调节步长有利于各个阶段搜索效益和搜索效果的平衡,既能在远离优化点之外实现寻优的快速性,又可保证优化点附近寻优的精确性。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (2)
1.一种配电网负荷建模中感应电机模型参数确定方法,其特征在于,包括以下步骤:
步骤1,针对配电网负荷建模中感应电机模型参数计算构建状态方程;所述状态方程为:
式中:e'x、e'y分别为感应电机暂态电势对应的x实轴、y虚轴分量;Ix、Iy分别为感应电机从电网吸收的电流对应的x实轴、y虚轴分量;X为感应电机定子电抗和励磁电抗串联的电抗、X'为感应电机励磁电抗并联感应电机转子电抗之后再与感应电机定子电抗串联的电抗、T'0为转子回路的时间常数、t为时间、s为感应电机转差率;ux、uy分别为感应电机定子侧x实轴和y虚轴上的电压分量;Tm为感应电机机械负荷功率;Te为感应电机电磁功率;T0为感应电机的初始负载转矩;H为惯性常数;Rs、Xs分别为感应电机定子电阻和电抗;Rr、Xr分别为感应电机转子电阻和电抗;Xm为感应电机励磁电抗;ω0为同步转速;f0为工频频率;A、B、C为自定义常数,ωr为转子转速;
步骤2,针对配电网负荷建模中感应电机模型参数计算构建目标函数;其中,所述目标函数为:
步骤3,通过自适应人工鱼群算法对状态方程和目标函数进行求解,确定感应电机模型参数;具体包括:
步骤3.1,初始化自适应人工鱼群算法中人工鱼个体的位置;初始化人工鱼个体的位置状态为向量X=(x1,x2,x3,x4,x5);具体包括:
向量x1,x2,x3,x4,x5分别为状态方程中对应的感应电机模型参数Rs、Xs、Rr、Xr、Xm,人工鱼当前所在位置的食物浓度为Y=f(x),对应于目标函数中的误差百分比,误差百分比越低的位置食物浓度越高;设置算法的初始参数人工鱼条数N、人工鱼视野Visual、人工鱼移动步长Step、人工鱼觅食行为最大尝试次数为try_number、拥挤度因子σ;随机生成各人工鱼个体,形成初始鱼群,鱼群中每条人工鱼代表一组感应电机模型参数;
步骤3.2,计算最优个体并将对应的食物浓度函数值记入公告板;具体包括:
选取感应电机不同的实测电压和其对应的有功响应,根据目标函数计算出误差百分比,计算出食物浓度函数值,并比较各条人工鱼对应的食物浓度函数值,取最优个体,最优个体为误差百分比最小,即食物浓度最高,并将其对应的食物浓度函数值记入公告板;
步骤3.3,自适应修正人工鱼视野步长并分别执行人工鱼觅食行为、追尾行为;具体包括:
设计人工鱼步长视野调节机制,fV(i)、fS(i)分别为人工鱼视野和步长的高斯分段自适应函数,i为迭代次数;
设Stepmax为人工鱼移动步长的最大值,Stepmin是人工鱼移动步长的最小值;利用高斯衰减函数,使得步长在迭代次数内由最大值衰减到最小值;利用高斯衰减函数右侧快速衰减的特性,避开函数峰处平缓的趋势,通过控制标准方差来调整高斯函数的衰减速率;根据标准方差计算出迭代次数i为:
式中,b为高斯函数尖峰中心坐标,c为标准方差;
则人工鱼视野为:
式中,Visual为人工鱼群视野;
则人工鱼步长为:
各人工鱼模拟觅食行为,假设当前人工鱼个体所处的状态为xi,当前人工鱼xi和下一个选择状态xj之间的距离dij≤Visual时,即在当前人工鱼个体所处的状态xi处的视野范围内,随机选择人工鱼个体的某个状态xj,若状态xj处的食物浓度值高于状态xi处的食物浓度值,则朝着xj处的方向前进一步;否则,再重新随机选择状态xj,并判断人工鱼个体朝着状态xj处前进的条件是否满足;如此不断地尝试,最多尝试try_number次,try_number为人工鱼觅食行为最大尝试次数,如果经过try_number次后仍然不满足朝状态xj处前进的条件,则随机朝任何一个方向前进一步;
各人工鱼模拟追尾行为,假设当前人工鱼个体所处的状态为xi,而人工鱼个体在该状态处的视野范围内可见的所有伙伴中食物浓度值最大者的伙伴为xmax,并且在伙伴xmax处的视野范围内可见的所有伙伴数目为Nmax;此时,若能够同时满足条件:和Yi<Ymax,则表明伙伴xmax处的食物浓度值较高,朝着xmax处的方向前进一步;否则执行觅食行为;其中,Nc为视野范围内可见的所有伙伴数目,Yi为当前区域食物浓度,Ymax为食物浓度最大区域;
当各人工鱼分别模拟觅食行为、追尾行为后,选择食物浓度高的行为作为实际执行,以修正人工鱼视野步长;
步骤3.4,各人工鱼执行一次觅食行为、追尾行为后,检验自身状态和食物浓度,并与公告板记录的值进行比较,如果优于公告板记录的值,则更新公告板,记录该次检验的值;
步骤3.5,对人工鱼执行交叉变异操作;
步骤3.6:判断是否达到最大迭代次数,若达到则输出结果,获得一组满足要求的状态向量X=(x1,x2,x3,x4,x5),该状态向量表征满足配电网负荷建模要求的感应电机模型参数。
2.根据权利要求1所述的一种配电网负荷建模中感应电机模型参数确定方法,其特征在于,所述步骤3.5具体包括:
选择多条最优人工鱼个体,直接复制到下一代;在剩余的人工鱼个体中随机选取部分个体,以最优个体为父本执行交叉操作,计算新产生的各个体的食物浓度,与公告板中的值进行比较,如果比公告板中的值小,则取代之,同时将新个体取代旧个体;再从剩余的人工鱼个体中随机选取少量个体执行变异操作,然后计算出各新形成人工鱼的食物浓度,并与公告板中的值进行比较,如果优于公告板中的值,则以自身值取代之;变异操作后剩余的人工鱼个体直接进入下一代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011118558.1A CN111931427B (zh) | 2020-10-19 | 2020-10-19 | 一种配电网负荷建模中感应电机模型参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011118558.1A CN111931427B (zh) | 2020-10-19 | 2020-10-19 | 一种配电网负荷建模中感应电机模型参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931427A CN111931427A (zh) | 2020-11-13 |
CN111931427B true CN111931427B (zh) | 2021-07-02 |
Family
ID=73335016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011118558.1A Active CN111931427B (zh) | 2020-10-19 | 2020-10-19 | 一种配电网负荷建模中感应电机模型参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420912B (zh) * | 2021-06-04 | 2022-04-26 | 国网江西省电力有限公司电力科学研究院 | 一种配电网低压异常用户辨识的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764413A (zh) * | 2009-11-25 | 2010-06-30 | 中国电力科学研究院 | 一种大规模风电集中接入电网的系统仿真方法 |
CN104077629A (zh) * | 2014-07-18 | 2014-10-01 | 合肥工业大学 | 一种变步长自适应的改进人工鱼群算法 |
CN107451364A (zh) * | 2017-08-03 | 2017-12-08 | 华北电力大学 | 一种dfig风电场等值参数的辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102403731B (zh) * | 2011-11-01 | 2014-03-12 | 湖南大学 | 微型燃气轮机发电系统的模拟方法 |
CN105634129B (zh) * | 2016-01-27 | 2018-05-25 | 云南电网有限责任公司电力科学研究院 | 一种智能变电站顺序控制方法 |
CN107944570B (zh) * | 2017-10-27 | 2021-02-02 | 许继电气股份有限公司 | 智能变电站顺序控制非典型状态的自动处理方法和装置 |
CN108964099B (zh) * | 2018-06-21 | 2023-05-23 | 深圳市欣旺达综合能源服务有限公司 | 一种分布式储能系统布局方法及系统 |
-
2020
- 2020-10-19 CN CN202011118558.1A patent/CN111931427B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101764413A (zh) * | 2009-11-25 | 2010-06-30 | 中国电力科学研究院 | 一种大规模风电集中接入电网的系统仿真方法 |
CN104077629A (zh) * | 2014-07-18 | 2014-10-01 | 合肥工业大学 | 一种变步长自适应的改进人工鱼群算法 |
CN107451364A (zh) * | 2017-08-03 | 2017-12-08 | 华北电力大学 | 一种dfig风电场等值参数的辨识方法 |
Non-Patent Citations (1)
Title |
---|
基于改进人工鱼群算法的配电网络重构;阳晓明 等;《电测与仪表》;20200910;第57卷(第17期);第72-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931427A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaing | Particle swarm optimization to solving the economic dispatch considering the generator constraints | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
CN111222286A (zh) | 一种基于输电线路状态估计的参数优化方法 | |
Gao et al. | Optimization design of switched reluctance motor based on particle swarm optimization | |
CN111931427B (zh) | 一种配电网负荷建模中感应电机模型参数确定方法 | |
CN109670213A (zh) | 一种风电场多机等值建模方法及装置 | |
CN109376921A (zh) | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
JP7137074B2 (ja) | 最適化計算方法、最適化計算装置及び最適化計算プログラム | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
Guo et al. | Improved cat swarm optimization algorithm for assembly sequence planning | |
Panda et al. | Model reduction of linear systems by conventional and evolutionary techniques | |
CN107069698A (zh) | 一种基于粒子群算法的电力系统负荷建模方法 | |
CN115879412A (zh) | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 | |
Mahala et al. | Active & reactive power rescheduling for congestion management using new PSO strategy | |
CN105069192B (zh) | 一种基于遗传算法求解风机功率曲线参数模型的改进方法 | |
CN108915927A (zh) | 确定波浪发电装置参数的方法、装置及设备 | |
Koshino et al. | Improved particle swarm optimization and application to portfolio selection | |
CN106528996B (zh) | 基于适应性教学优化的变压器优化设计方法 | |
Yasin et al. | Optimal least squares support vector machines parameter selection in predicting the output of distributed generation | |
CN106898037A (zh) | 一种鱼群动画制作系统及其鱼群生成方法 | |
Rust et al. | Evolutionary neural topiary: growing and sculpting artifical neurons to order | |
CN108629093A (zh) | 一种噪声感知的动态电压频率调节过渡序列设计方法 | |
Li et al. | An Improved Cuckoo Search Algorithm Using Elite Opposition-Based Learning and Golden Sine Operator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |