基于云神经网络自适应逆系统的电力系统负荷频率控制

被引:29
作者
吴忠强
张伟
李峰
杜春奇
机构
[1] 燕山大学电气工程学院工业计算机控制工程河北省重点实验室
关键词
互联电力系统; 神经网络; 云模型; 自适应逆控制; 负荷频率控制;
D O I
暂无
中图分类号
TM712 [电力系统稳定]; TP183 [人工神经网络与计算];
学科分类号
080802 [电力系统及其自动化]; 140502 [人工智能];
摘要
针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动的问题,提出一种基于云神经网络自适应逆系统的多区域互联电力系统负荷频率控制方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制有效解决系统响应和扰动抑制的矛盾。将云模型引入自适应逆系统构建云神经网络辨识器。利用云模型在处理模糊性和随机性等不确定性方面的优势,进一步提高神经网络的辨识能力。仿真结果表明,所设计的云神经网络自适应逆系统不仅可以得到好的动态响应,还可以使风电及负荷引起的扰动减小到最小。
引用
收藏
页码:86 / 91+98 +98
页数:7
相关论文
共 14 条
[1]
Maximum wind power tracking based on cloud RBF neural network.[J].Zhong-Qiang Wu;Wen-Jing Jia;Li-Ru Zhao;Chang-Han Wu.Renewable Energy.2016,
[2]
Load frequency control by neural-network-based integral sliding mode for nonlinear power systems with wind turbines.[J].Dianwei Qian;Shiwen Tong;Hong Liu;Xiangjie Liu.Neurocomputing.2016,
[3]
DECENTRALIZED OPTIMUM LOAD FREQUENCY CONTROL OF INTERCONNECTED POWER-SYSTEMS [J].
ABDELHALIM, MA ;
CHRISTENSEN, GS ;
KELLY, DH .
JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS, 1985, 45 (04) :517-531
[4]
计及电动汽车实时可控能量动态变化的负荷频率控制 [J].
张谦 ;
李晨 ;
周林 ;
王众 ;
李春燕 .
电力自动化设备, 2017, 37 (08) :234-241
[5]
计及DG与STATCOM的配电网重构优化策略 [J].
吴忠强 ;
赵立儒 ;
贾文静 ;
吴昌韩 .
电力自动化设备, 2016, 36 (01) :111-116+122
[6]
Decentralized load frequency control for two-area interconnected power system.[J].Wei WANG;Hiromitsu OHMORI;.Control Theory and Technology.2015, 02
[7]
基于合作博弈和云模型的变压器状态评估方法 [J].
徐岩 ;
陈昕 .
电力自动化设备, 2015, 35 (03) :88-93
[8]
含规模化风电场/群的互联电网负荷频率广域分散预测控制 [J].
杨德友 ;
蔡国伟 .
中国电机工程学报, 2015, 35 (03) :583-591
[9]
云模型理论在互联电力系统负荷频率控制中的应用 [J].
蔡国伟 ;
张斌 ;
王建元 ;
杨德友 ;
孙然 .
中国电机工程学报, 2015, 35 (02) :353-358
[10]
Cloud Neural Fuzzy PID Hybrid Integrated Algorithm of Flatness Control [J].
Jia, Chun-yu ;
Bai, Tao ;
Shan, Xiu-ying ;
Cui, Fa-jun ;
Xu, Sheng-jie .
JOURNAL OF IRON AND STEEL RESEARCH INTERNATIONAL, 2014, 21 (06) :559-564