资源描述：
《基于神经网络的电力系统负荷特性辨识_任海燕》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、5电气开关6(2010.No.4)31文章编号:1004-289X(2010)04-0031-04基于神经网络的电力系统负荷特性辨识任海燕,吴奋读(广西大学电气工程学院,广西南宁53004)摘要:负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP(LBP)网络的参数辨识方法,分别对静态负荷模型(幂函数模型、多项式模型)和动态负荷模型(差分方程模型)的参数进行辨识。通过现场的实测数据辨识
2、了模型的参数,并验证了模型的有效性。关键词:电力系统;参数辨识;负荷模型;神经网络中图分类号:TM71文献标识码:BIdentificationofLoadCharacteristicoftheElectricPowerSystemBasedonaNeuralNetworkRENHai-yan,WUFen-du(CollegeofElectricalEngineering,GuangxiUniversity,Nanning530004,China)Abstract:Theloadmodelingplaysaveryimportantroleinthepowersystemana
3、lysis.Parameteridentificationisthekeytoloadmodeling,agoodwayforidentifyingparametercanobtainabestresultintheshortesttime,whichcangreatlyenhancetheefficiencyofthemodeling.Thispaperintroducesthestaticloadmodelanddynamicloadmode,lthenintro-ducesneuralnetwork,atlastbasedonneuralnetworkweidentifi
4、edpowersystemloadcharacteristic.Theparametersofstatic(exponentfunction,polynomial)anddynamic(differentialequations)modelscanbeidentifiedbythemethodwhichisusedintheLinearBack-Propagationnetwork.Themodelparameterscanbeidentifiedbythedataofthefield,andverifytheeffectivenessofthemode.lKeywords:p
5、owersystem;parameteridentification;loadmodels;neuralnetwork1引言2系统辨识近年来,人们对负荷模型的参数辨识进行了大量系统辩识是指在输入和输出数据的基础上,在给的探索工作。传统的方法有最小二乘法、辅助变量法、定的模型中,确定一组与所测系统等价的模型。辨识分段线性多项式等基于梯度的寻优方法,但是传统的的实质可以理解为数据拟合的优化,其中包含系统辨参数辨识很容易陷入局部极小,不能有效地克服负荷识的三要素:输入输出数据对、模型结构和收敛准则。[1]建模中的非线性和不连续性等问题。人工神经网系统辨识的原理图如图1所示。即利用待测
6、系统[2-4]络也被引入这一领域,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。许多应用实例表明,人工神经网络所具有的非线性映射能力和高度并行运算能力为非线性动态负荷模型的辨识提[5]供了一条有效的途径。图1系统辨识原理图325电气开关6(2010.No.4)2的动态过程提供的输入、输出数据,不断调整模型结构UUffUP,,,输出为,通过改进[6]U和参数,使得模型结果尽量接近实际结果。0U0f0f0U0P0最速下降法求取连接权值,由图4可知3BP网络反向传播网络Back-PropagationNetwork,简称BP网络。目前,在人工神经网络的实际应用中,绝大
7、部分的神经网络模型是采用BP网络和它的变化形式。多[7]层BP网络结构如图2所示。图3简化前馈网络辨识幂函数模型示意图2PUUffU=ap+bp+cp+dp(7)P0U0U0f0f0U02QUUffU=aq+bq+cq+dq(8)图2BP网络模型结构Q0U0U0f0f0U04基于神经网络的电力系统负荷特性辨识411简化前馈网络用于幂函数模型参数辨识负荷的静特性模型之一为幂函数模型,即PPUUffP=P0(1)U0f0qqUUffQ=Q0(2)U0f0图4简化前馈网络辨识多项式模型示意图以式(
