为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由...为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由于回声状态网络初始化参数选取后就不再改变,缺乏自适应性,往往导致逼近能力不能达到最优;而烟花算法具有爆发性、瞬时性、分布并行性和可扩充性等优点;为了提高建模的精确性,故利用烟花算法对回声状态网络进行参数优化。通过模拟烟花的爆炸来建立数学模型,计算个体适应度值选择最优个体。建模结果与微电网并网仿真的实测数据对比,验证了该建模方法的合理型和准确性,说明所建模型具有较好的实际应用价值。展开更多
由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,...由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。展开更多
文摘为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由于回声状态网络初始化参数选取后就不再改变,缺乏自适应性,往往导致逼近能力不能达到最优;而烟花算法具有爆发性、瞬时性、分布并行性和可扩充性等优点;为了提高建模的精确性,故利用烟花算法对回声状态网络进行参数优化。通过模拟烟花的爆炸来建立数学模型,计算个体适应度值选择最优个体。建模结果与微电网并网仿真的实测数据对比,验证了该建模方法的合理型和准确性,说明所建模型具有较好的实际应用价值。
文摘由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。
