基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究-Engineering.PDF

20 14 年 12 月 电 工 技 术 学 报 Vol.29 No. 12 第 29 卷第 12 期 TRAN SACTION S OF CHINA ELECTROTECHNICAL SOCIETY Dec. 20 14 基于混沌与量子粒子群算法相结合的负荷模型 参数辨识研究 1 2 1 1 1 王振树 卞绍润 刘晓宇 于凯 石云鹏 （1. 山东大学电气工程学院 济南 25006 1 2. 济南历城供电公司 济南 250 100 ） 摘要 负荷建模是电力系统建模中亟待解 的难题。负荷特性数据、负荷模型结构以及参数 辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型 参数辨识方法。实测数据验证结果表明，该方法相对于常用的粒子群算法及量子粒子群算法在 计 算精度、收敛速度等方面都具有明显优势，应用于负荷模型参数辨识提高了负荷模型的准 确 性。 关键词 混沌优化算法 量子粒子群算法 故障录波 参数辨识 负荷建模 中图分类号 TM7 14 Research on Load Model Parameter Identification Based on the CQDPSO Algorithm Wang Zhenshu1 B ian Shaorun2 L iu X iaoy u1 Yu Kai1 Shi Yunp eng 1 （1. Shandong University Jinan 25006 1 China 2. Li Cheng Power Supply Company of National Grid Jinan 250 100 China ） Abstract Load modeling has become a critical problem that is urgent to be solved in power system modeling. Precise field measurement data, proper load model structure and accurate parameter identification are three key factors that can affect the results of the measurement-based load modeling. In this paper, CQDPSO algorithm, a hybrid optimization algorithm that combines chaotic optimization algorithm(COA) and quantum delta-potential-well-based particle swarm optimization(QDP SO) algorithm is proposed to identify the parameters of the selected load model. Finally, simulation results using field measurement data illustrate that the proposed method has advantages in calculation precision, convergence speed when compared with particle swarm optimization(PSO) algorithm and QDPSO algorithm . The application of CQDPSO algorithm in load