基于粒子群优化法的负荷模型参数辨识概述作为近年来广受关注的粒子群优化法(ParticleSwarmOptimization,PSO)，它的诞生源于Eberhart博士与Kennedy博士对于鸟类捕食行为的模拟而发明的一种新的全局优化算法。粒子群优化法(PSO算法)具有全局性能好、搜索效率高等优点，故在电气领域越来越多的应用开始出现，本次的课题即是关于粒子群优化算法在负荷模型中的应用。目前，电力负荷建模主要形成了三类方法，即总体测辨法、统计综合法和故障仿真法。对于此三类方法，我们在优劣上进行了详细的对比：总体测辨法的整体性避免了大量的统计工作，从而有利于微观定量分析，但是其难点在于，难以在系统中全部的变电站中都安装有关装置从而进行测辨；统计综合法所得的模型在概念上是较为清晰的，易于理解与应用，可是其建模的过程较为困难，所需要的资料与信息量肯能过于庞大；而对于故障仿真法，其优点在于某些特定故障情况下可以重现，同时也正因为如此说明其为一种试凑的方法。综上，对于上述三种方法的阐述表明，我们有必要尝试引入一种新的方法---粒子群优化法来进行新的负荷模型参数辨识，以扩展更多的应用空间。本文即从此入手，以达到将粒子群优化法施用的可能。目录1绪论..........................................................................................................................1电力系统负荷简介...........................................................................................1电力系统负荷特性的定义.......................................................................1电力系统负荷特性的分类.......................................................................1电力系统负荷建模的意义...............................................................................1负荷建模的发展与现状...................................................................................2综合负荷建模...................................................................................................3本文所做的工作...............................................................................................4负荷建模的相关理论基础.....................................................................................4电力系统负荷建模的基本理论.......................................................................42.1.1电力系统负荷模型的产生.......................................................................52.1.2电力系统负荷模型的分类.......................................................................62.1.3负荷特性对电力系统仿真计算结果的影响...........................................72.1.3.1负荷模型对潮流计算的影响........................................................72.1.3.2负荷模型对暂态稳定计算的影响...............................................72.1.4负荷模型对小信号动态稳定计算的影响..............................................82.2电力系统负荷模型的参数辨识............