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
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。
