基于pso-rbf神经网络的微电网等效建模-蔡昌春.pdf

《基于pso-rbf神经网络的微电网等效建模-蔡昌春.pdf》由会员分享，可在线阅读，更多相关《基于pso-rbf神经网络的微电网等效建模-蔡昌春.pdf（8页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第37卷第1期2016年1月太阳能学报ACTA ENERGIAE SOLARIS SINICAVot37No1Jan2016文章编号：02540096(2016)010076-08基于PSORBF神经网络的微电网等效建模蔡昌春13，邓立华1,3，江 冰1,3，戴卫力1,3，金宇清4，苗红霞13(1河海大学，江苏省输配电装备技术重点实验室，常州213022；2河海大学，常州市光伏系统集成与生产装备技术重点实验室，常州213022；3河海大学，物联网工程学院，常州213022；4河海大学，能源与电气学院，南京210098)摘要：提出一种改进粒子群优化的RBF神经网络微电网动态等效模型及建模方法，利

2、用RBF人工神经网络的菲线性映射特性解决微电网系统并网接入的等效建模问题。基于微电网公共接人点(PCC)的电压、电流、功率等量测数据构建RBF神经网络等效模型，将接入点电压和电流分别作为神经网络的输入和输出，使神经网络的输入输出更具独立性。将混沌优化的全局遍历性引入粒子群优化算法中，构建基于全局最优解的变邻域混沌搜索提高粒子群算法的全局搜索能力，利用改进粒子群算法优化RBF神经网络模型参数提高模型计算精度。最后通过微电网并网仿真实验验证本文提出等效模型的准确性和建模方法的合理性。关键词：RBF神经网络；等效建模；粒子群优化；混沌搜索；微电网中图分类号：TM744 文献标识码：AO 引 言微电网

3、的提出为分布式发电系统的高效利用提供了接人平台。随着微电网数量、容量的增加，有必要研究微电网接入对配电网的影响。从系统的角度，微电网整体表现为一可控“负荷”或者“电源”。电力系统仿真需要对微电网进行等效建模，通过降阶方法降低微电网整体系统的维数和规模从而提高系统动态仿真分析速度。国内外学者针对微电网分布式发电系统建模。4 1和微电网内部协调控制建模巧。1开展了大量的研究工作。动态降阶是提高微电网仿真速度的有效手段，文献8将微电网内部电力电子逆变器和线路进行等效降阶处理并参与微电网系统的动态仿真分析。文献9将传统动态等值方法延伸到微电网，并结合微电网特性提出基于时域的非迭代代数运算等效聚合方法，

4、有效地提高了微电网的仿真速度。文献10提出了一种微电网内部元件等效建模的简化方法，该方法能够实现微电网内部网络、元件的等效聚合。一种基于逆变器功率因素的广义同调判别方法被用来判断电力电子逆变器同调性1。，并利用等值聚合方法获得微电网局部网络的等值模型。为了提高分布式发电系统建模的通用性，文献12提出了一种分布式发电系统控制器通用模型，将控制系统划分为功率控制、电压控制、电流控制等模块。微电网并网时，其内部元件的复杂性使得利用微电网元件详细模型参与系统仿真变得困难。而将微电网视为整体外部系统进行动态分析可大大简化系统仿真规模。微电网内部元件具有一定的统计特性，文献13将微电网内部元件分为旋转元件

5、和静态元件，利用旋转元件描述具有旋转特性的同步电机和异步电机，利用静态元件描述光伏等电压功率存在代数关系的元件。以微电网并网接入点的动态特性出发，将微电网等效为一系列不同频率的电压、电流信号的叠加，并通过辨识方法确定各频率信号的参数n。文献15提出了一种用于系统电压稳定分析的微电网静态电压模型，该模型将微电网等效为戴维南等效电路参与系统电压稳定分析。RBF神经网络具有结构简单，收敛速度快、局部逼近性能好等特点并已广泛应用于各个领域。收稿日期：20140717基金项目：国家自然科学基金(51207043)；江苏省自然科学基金(BK2012150)；常州市科技支撑项目(CE20130043)；常州

6、市光伏系统集成与生产装备技术重点实验室开放基金(CZ201300004)通信作者：蔡昌春(198l一)，男，博士、讲师，主要从事分布式发电及微电网建模等方面的研究。floadcai163tom万方数据1期 蔡昌春等：基于PSORBF神经网络的微电网等效建模 77文献16提出了一种基于微分进化算法和RBF神经网络的热工过程参数辨识方法，利用微分进化算法优化神经网络参数，使之更加逼近实际系统。在文献17中，一种基于免疫原理的新型RBF神经网络模型用于建立热工过程的非线性特性。文献18采用广义生长剪枝神经网络建立稳态频率谐波源动态模型。文献19提出了一种强化RBF神经网络并将其应用于电力系统信号检测

7、与噪声识别，新方法能够克服传统方法的初始值敏感问题。文献20提出了一种边界值约束的RBF神经网络并应用于开关磁阻电机建模中。RBF神经网络在电力系统等效建模中也有广泛的应用。文献21建立了一种发电机进相能力RBF神经网络模型，该模型能够精确描述发电机进相特性。文献22将循环神经网络应用于包含大量分布式发电的配电网中，利用神经网络对分布式发电系统进行动态等效建模并参与系统仿真计算。文献23，24提出了一种基于人工神经网络电力系统动态等值模型，利用神经网络的非线性特性描述外部系统的动态特性。本文提出一种基于RBF人工神经网络的微电网并网动态等效模型及建模方法。利用RBF人工神经网络的非线性动态等效

8、模型代替微电网整体并网接人特性，从而规避微电网并网仿真分析的内部元件复杂性。该模型以微电网并网接人点电压、电流和功率实测数据作为神经网络的训练数据，通过改进粒子群算法对RBF神经网络模型参数进行优化。通过微电网系统进行仿真建模验证，仿真实验结果表明该方法的合理性和准确性，可用于电力系统的在线仿真分析。1 ImF人工神经网络RBF神经网络具有很强的非线性特性和全局逼近能力，在无需先验知识的情况下根据系统输人输出关系确定网络模型并能够准确描述系统的动态特性。如图1所示，RBF人工神经网络一般具有3层结构，其中隐含层映射一般采用高斯核函数来描述：Rj(xc，)=exp(一|Xc，112盯Y)，=l，

9、2，P(1)式中，x输入量，x=3C1，3ff：，戈。】；Cj基函数的巾心，其维数与x相同；Oi神经元高斯基函数的方差；n，P输人层和隐含层的神经元的数量。输入层 隐含层输出层图1 RBF神经网络模型Fig1 RBF neural network modelRBF神经网络输入输出之间的关系表达式为：Y。=埘。exp(一|I戈一q022try)，i=1 T2，n(2)=l式中，Y。第i个神经元的输出值；叫。隐含层第i个单元与输出层第j个单元之间的连接权值；m输出层神经元的数量。模型结构和模型参数是建模的关键：模型结构确定各层神经元的个数以及基函数的映射关系；模型参数参数包括基函数的中心c，基函数

10、的方法以及隐含层到输出层的权值凯。从数学上讲参数的确定实质是一个不断演化、优化的过程，即通过训练样本寻找神经网络输出和实际输出的均方误差最小，最大限度地重现系统动态特性。2基于混沌粒子群算法的神经网络参数优化21基本粒子群算法粒子群算法是一种仿生鸟类觅食过程迁徙和群集行为的启发式优化算法。粒子群算法根据粒子个体最优解和全局最优解来改变粒子的飞行速度，从而改变粒子的位置：秽。(动=nm。(后一1)+cr。p。(七一1)一Xi(I|一1)+c：r：g(七一1)一z。(后一1) (3)戈(动=口。(助+xi(七一1)式中，秽，(后)第i个粒子飞行速度；飞行速度的惯性权重；Pi(助第i个粒子当前最优解

11、；戈。(七)第i个粒子；gi(后)粒子群全局最优解；k迭代次数；r，、r：、c、c：随机数，分别取值为(01)、(01)、(02)、(02)。万方数据78 太 阳 能 学 报 37卷22基于混沌邻域变异的粒子群算法混沌变异将全局最优解在一定邻域附近进行混沌搜索，利用混沌算法的全局遍历性避免粒子群算法陷入局部最优解，从而提高粒子群算法的全局搜索能力。变邻域混沌搜索实质上是一种全局最优解的变异过程，以增加获得最优解的可能。当算法陷入停滞时，利用Logistic映射产生混沌量：u，=4uo，(1一Uo，) (4)利用映射方程将混沌量转换成模型参数的变异量：Ax=口+邵， (5)式中，u。进化混沌变量

12、；U。，初始混沌变量；口邻域半径随着算法的进化非线性的减少量。 卢电。)cos(器)(6)式中，戈、戈。粒子的上下限；k、k。迭代次数和最大迭代次数。在获得混沌邻域变异量后，利用式(7)得到全局最优解变异邻域粒子位置，比较变异前后全局最优解的适应度函数以更新全局最优解。X。=X。+AX (7)在粒子群算法进化过程中，通过式(8)非线性函数改变惯性权重，使得算法在初期具有较大的速度，增加粒子的探索能力，后期随着速度的降低，其开发能力得到增强。并利用式(9)在粒子进化过程中的适应度来实现加速算子的非线性控制。 W=W+(圳。一W)(1+cos吕呐2(8)几m缸一1c-=22exp(一IF。，。一F

13、e。t1) fq、C，=2一c、，式中，W。、W。最大和最小惯性权重；F。个体最优解平均适应度；F脚全局最优解适应度。3基于改进粒子群优化的RBF神经网络微电网建模如图2所示，在建模过程中需要确定神经网络结构和神经网络参数，其中模型参数需要通过对量测量进行训练并通过优化算法来确定。微电网内部元件复杂、运行方式多变，实际运行过程中，描述微电网并网动态特性主要由PCC点的电压、电流和功率等量测量的动态特性来体现。删u,f革 J一糕纂星图2微电网等效建模Fig2 Equivalent modeling of micro-gid31 RBF神经网络等效模型为了提高模型的适用性，将电压和电流的稳态偏离值

14、AU和，作为神经网络的输入输出，由此构建人工神经网络模型，如式(10)所示。，(动=ANNAU(k)，U一1)，U(后一凡)，明 (10)式中，AU(k)当前时刻电压偏离量；AU(kn1前n时刻的电压偏离量；W神经网络权重矩阵。电压和电流偏离量的计算为：2Tu(k)-Uo吼2，一(11)缸(功：Tl(k)-Io吼2，n“式中，AU(k)电压量测值偏移值；u(k)量测电压值；Uo、，n基准电压和电流值，一般采用稳态值；，(助等效模型输出电流偏移值；，等效模型输出的电流值。32 RBF神经网络等效建模过程RBF神经网络微电网等效建模步骤如下：1)初始化：采集微电网并网运行故障数据作为RBF神经网络

15、的训练数据并确定RBF神经网络结构模型。2)构造基于RBF神经网络粒子群优化模型。将RBF神经网络的3个参数基函数中心位置C、方差盯，和连接值权重作为优化参数，以系统均方根误差最小为适应度函数构造粒子群优化模型。，=隳而 (12)万方数据1期 蔡昌春等：基于PSORBF神经网络的微电网等效建模 79式中，穸。等效模型输出数据；Y。量测数据。3)粒子群优化进化。更新粒子群速度、位置、惯性权重以及个体最优解和全局最优解等。其中，粒子速度、位置的更新如式(3)所示。当全局最优解停滞不前时，算法进入全局最优解的变邻域混沌变异搜索：当全局最优解停止不前时，利用粒子最大、最小位置确定粒子当前代邻域半径，并

16、随机产生混沌变量。利用Logistic映射和邻域半径获得一组混沌变量，以全局最优解为中心在邻域半径内进行混沌搜索。如果变异后适应度好于全局最优解，那么就以适应度好的粒子代替全局最优解。4)判断算法的收敛性，判断条件为最大迭代次数。如果满足则停止，否则继续进行粒子群优化。5)得到最优的RBF神经网络最优参数进行系统建模计算。4微电网等效建模仿真分析如图3所示，微电网由风力发电系统、光伏发电和燃气轮机发电系统以及负荷构成。微电网通过PCC点并网接人，微电网参数如附录A所示。微电网并网运行时，分布式发电的并网控制方式为恒功率控制以提高可再生能源的利用效率。图3微电网系统Fig3 Microgrid

17、system电为了激发微电网内部动态特征以提高神经网络建模的精度，选择配电网线路三相短路故障数据进行神经网络训练。三相短路故障持续时间01 S，数据采样间隔l ms。为了更好的扩展神经网络的描述特性以及故障期间动态数据的前后关联特征，将前后5个时刻的电压实部和虚部作为神经网络的输入，因此神经网络的输入层为lO个变量，输出层为2个变量。41仿真结果分析及讨论。三相短路故障下RBF等效模型和微电网详细模型之间的动态曲线如图4所示。从图4可看出，利用BRF神经网络构建的微电网等效模型能够精确的重现微电网故障状态下的动态特性。婚脚图4微电网并网电流动态曲线Fig4 The current dynami

18、c curve of micro-grid在三相短路数据训练构建等效模型的基础上，通过两相短路故障验证等效模型的适用性。图5给出了配电网线路两相故障下获得的微电网等效模型和详细模型输出电流的动态曲线。在微电网网络拓扑结构和运行参数不发生变化的情况下，微电网详细数学模型参数不发生变化，此时利用三相短路数据训练得到的微电网等效模型能够精确的捕述系统两相短路故障下的动态特件图5微电网输出电流曲线Fig5 The output power of micro-grid在神经网络训练过程中，粒子群算法不断的对模型参数进行优化，粒子群算法能够提高RBF神经网络的训练速度。表1给出了基本粒子群算法和改进的粒子

19、群算法在参数优化方面的定量分析。通过对比三相短路、两相短路和单相短路故障的误差可看出，相对来说改进粒子群RBF神经网络的精万方数据80 太 阳 能 学 报 37卷度最高。图6所示改进粒子群算法具有更高的收敛性。表1不同RBF神经网络系统建模误差Table 1 The error between different RBFANN roodel二。、，：奠图6粒子群优化收敛过程Fig6 The convergence of PSO and APSe42等效模型的泛化分析微电网并网运行时其内部分布式发电和负荷的随机性较大，因此等效模型应该具有一定的泛化能力以满足微电网不同运行情况下的扩展性。为了验证

20、本文提出等效模型的可靠性，利用下述4种情况验证等效模型的可靠性。1)微电网内部静态负荷减少50，微电网向配电网输送一部分电能。2)可再生能源发电系统由于受到环境影响，输出功率减少50，使得微电网从大电网吸收更多的功率。3)微电网内部负荷减少20，燃气轮机功率输出减少20，微电网和大电网的交换功率保持不变。4)微电网内部负荷增加15，交换功率保持不变，故障持续时间为O3 S。4种运行情况下微电网并网接人点稳态数据如表2所示。利用配电网线路三相短路故障数据来分析上述两种情况下微电网等效模型的有效性。图7给出了故障期间等效模型和详细模型对比曲线，从图7可看出，等效模型能够精确地描述微电网的动态特性。

21、表2不同运行状态下微电网接入点稳态数据Table 2 The initial data of different micro-grid operationalconditions情况情况2情况3时间sd情况4图7微电网接人点电流动态曲线Fig7 The current dynamic curves of micro一甜d万方数据1期 蔡昌春等：基于PSORBF神经网络的微电网等效建模在实际微电网运行过程中，数据的采集可能不够完整。本文利用不同采样精度数据对等效模型进行泛化能力分析，验证不同数据情况下建模的有效性以及模型的泛化能力。图8给出了不同采样时间的模型动态特性。从图8a和图8b可看出，针

22、对不同精度的数据，等效模型能够精确的描述微电网动态特性。如图8c所示，采样时间的增加会使等效模型的描述能力有所下降，但还是能够基本表征微电网的动态特性。说明在一些极端数据量不足的情况下，等效模型依然具有较强的描述能力。S廷佃廷廿采样时问为50 msc采样时间为100ms图8等效横型和详细横型的模型动态曲线Fig8 The dynamic curves of detailed model and equivalentmodel5结论提出一种基于PSORBF神经网络的微电网动态等效建模方法。在微电网内部系统的网络拓扑结构和元件参数缺乏的情况下，利用RBF神经网络描述微电网并网接入的整体动态特性。在

23、建模过程中将微电网并网接人点的量测电压及其历史值作为输入，构建基于等效模型输出和实际测量值之间误差最小的目标函数，利用改进粒子群优化算法进行模型参数辨识。最后，利用不同故障下的扰动数据对等效模型进行仿真分析，结果表明本文提出的PSORBF神经网络能够准确地描述微电网的动态特性，具有一定的工程实用价值。参考文献1Pogaku N，Prodanovic M，Green T CModeling，analysisand testing of autonomous operation of an inverter-basedmicrogrid lJ JIEEE Transactions on Power

24、 Electronics，2007，22(2)：613缶251 2 j Sungwoo B，Kwasinski ADynamic modeling andoperation strategy for a microgrid with wind andphotovoltaic resources【JjIEEE Transactions on SmartGrid，2012，3(4)：1867一18763 Conti S，Rizzo S AModelling of microgrid-renewablegenerators accounting for power-output correlatio

25、n lJ jIEEE Transactions on Power Delivery，201 3，28(4)：212421334Pavlovic T，Bjazic T，Ban ZSimplified averaged modelsof DCDC power converters suitable for controller designand microgrid simulationJIEEE Transactions onPower Electronics，2013，28(7)：3266-32755 Etemadi A H，Davison E J，Iravani RA decentraliz

26、edrobust control strategy for multiDER microgrids part I：Fundamental conceptsJIEEE Transactions on PowerDelivery，2012，27(4)：1843一18536 Guerrero J M，Vasquez J C，Matas J，et a1Controlstrategy for flexible mierogrid based on parallel line-interactive UPS systems lJjIEEE Transactions OHIndustrial Electro

27、nics，2009，56(3)：726_一7367 Kim Jong-Yul，Jeon JinHong，Kim Seul-Ki，et a1Cooperative control strategy of energy storage system andmierosources for stabilizing the microgrid duringislanded operation【JjIEEE Transactions on PowerElectronics，2010，25(12)：303730488 查晓明，张扬，孙建军，等基于微分同调和混沌分析的集成三相变流电路的降阶方法J物理学报，2

28、012，61(2)：97一1058 Zha Xiaoming，Zhang Yang，Sun Jianjun，et a1Newequivalent method of integrated threephase AC-DC万方数据82 太 阳 能 学 报 37卷99101212131314151516system based on differential homology and chaoticanalysisJActa Physica Sinica，2012，61(2)：97105杨勇波，查晓明舰船电力系统发电单元时域聚合方法J电工技术学报，2010，25(4)：15卜157Yang Yon

29、gbo，Zha XiaomingTime domain aggregationof generating units of ship power system lJjTransactions of China Electrotechnical Society，2010，25(4)：150-157Cai Changchun，Cao XiangqinEquivalent simplificationmethod of micro-加d【JJIndonesian Journal ofElectrical Engineering，2013，11(9)：54615470查晓明，张扬，成燕，等用于简化微电

30、网结构的微分几何广义同调方法J电工技术学报，2012，27(1)：2431Zha Xiaoming，Zhang Yang，Cheng Yan，et a1Newmethod of extended coherency for microgrid based onhomology in differential geometry lJ 1Transactions ofChina Electrotechnical Society，2012，27(1)：2431张扬，刘刚，高志军，等含有统一接口的微电网系统可靠性建模研究J电源学报，2013，(4)：3036Zhang Yang，Liu Gang，Ga

31、o Zhijun，et a1Modelingmethod for reliability of micro-一d systems including aunified interfaceJJournal of Power Supply，2013，(4)：30_一36鞠平，蔡昌春，曹相芹基于物理背景的微网总体模型J电力自动化设备，2010，30(3)：7一14Ju Ping，Cai Changchun，Cao XiangqinGeneralmicrogrid model based on physical background l J JElectric Power Automation Equ

32、ipment，2010，30(3)：7-14Papadopoulos P N，Papadopoulos T A，Papagiannis GKDynamic modeling of a microgrid using smart卵dtechnologiesA Universities Power EngineeringConference(UPEC)C，47th International，2012，l一5陈井锐，吕林，邓启，等基于PCC的大系统与微电网静态建模仿真J电力系统保护与控制，2011，39(15)：1722，27Chen Jingrui，Lti Lin，Deng Qi，et a1La

33、rge scalesystem and microgrid static modeling and simulationbased on PCC l J JPower System Protection And Control，201l，39(15)：1722，27李岩，王东风，焦嵩鸣，等采用微分进化算法和径向基函数神经网络的热工过程模型辨识J中国161717181819202121222324电机工程学报，2010，30(8)：ll卜116Li Yan，Wang Dongfeng，Jiao Songrning，et a1Thermalprocess identification using

34、differential evolutionalgorithm and radial basis function neural network lJ JProceeding oftheCSEE2010，30(8)：1l口一116杨戈，吕剑虹，刘志远基于RBF神经网络的热工过程在线自适应建模算法研究J中国电机工程学报，2004，24(1)：191195Yang Ge，LU Jianhong，Liu ZhiyuanA study 011 RBFneural network based online algorithm models adaptiveto thermal processesJPro

35、ceeding of the CSEE，2004，24(1)：191一195占勇，程浩忠，葛乃成，等基于广义生长剪枝径向基函数神经网络的谐波源建模J中国电机工程学报，2005，25(16)：4246Zhan Yong，Cheng Haozhong，Ge Naicheng，et a1Generalized growing and pruning RBF neural networkbased harmonic source modeling lJ JProceeding of theCSEE，2005，25(16)：42-46Liao ChiungChou Enhanced RBF networ

36、k forrecognizing noiseriding power quality events lJ 3IEEETransactions on Instrumentation and Measurement，201059(6)：155m一1561Cai J，Deng Z Q，Qi R Yet a1A novel BVC-RBFneural network based system simulation model forswitched reluctance motorJIEEE Transactions onMagnetics，2011，47(4)：830-838王成亮，王宏华，向昌明，

37、等发电机进相能力的RBF神经网络模型J电工技术学报，2012，27(1)：124一129Wang Chengliang，Wang Honghua，Xiang Changming，et a1Generator leading phase ability model based onRBF neural networkJTransactions of ChinaElectrotechnical Society201227(1)：124129Azmy A M，Erlich I，Sowa PArtificial neural networkbased dynamic equivalents for d

38、istribution systemscontaining active sources【JJ1EE ProceedingsGeneration，Transmission and Distribution20041 5 1(6)：681_688Stankovi6 A M，Saric A T，Milosevic MIdentification ofnonparametric dynamic power system equivalents withartificial neural networksJIEEE Transactions onPower Systems，2003，18(4)：147

39、8-1486陈涵，邓长虹，李大路基于循环神经网络的动态等值模型辨识J高电压技术，2008，34(5)：100ll004万方数据l期 蔡昌春等：基于PSORBF神经网络的微电网等效建模24 Chen Han，Deng Changhong，Li DaluRecurrent neuralnetworkbased dynamic equivalencing and identificationJHigh Voltage Engineering，2008，34(5)：100l一1004附录A微电网电源及负荷数据光伏系统参数：JP=l MW，COSp=l。风力发电机参数：砜=044 kV，S。=24MVA

40、，cos|p=0。8756，R。=001 pu，X；=01 pu，R，=0叭pu，X，=O1 pu，以=30pu，L=1188 s。燃气轮机发电系统参数：Up=044 kV，S。=8 MVA，R。=0pu，置=15 pu，Z=15 pu，五，=0256pu，五”=O07pu，x，=03 pu，x，”=007 pu，=O0171 S，Os，”=00057 S。电动机负荷参数：U=0415 kV，P。=315 kW，5。=002756，R。=0 pu，X。=002pu，R，=00347 pu，X。=02022pu，x。=239pu，I=0623 s。其中负荷1包含2台电动机，负荷2包含5台电动机。

41、静态负荷1：P=1 MW，Q=O5 Mvar；静态负荷2：P=5 MW，Q=l MvRr。线路参数：z呲，=(o164+j019)12kin，Z。6-(0164+j0103)nl(m，z。=(o504+jo408)11kmMICRO-GIUD DYNAMIC EQUIVALENT MoDELING BASED oNPARTICLE SWARM OPTIMIZATIoN ALGORITHM AND RBFARTIFICIAL NEURAL NETWORKCai Changchunl一，Deng Lihual”，Jiang Bin91，Dai Weilil，Jin Yuqin94，Miao Hon

42、gxial3(1Jiangsu Key Laboratory ofPower TransmissionDistribution Equipment Technology，Hohai University，Changzhou 213022 China；2Changzhou Key Laboratory ofPhotovoltaic 5p把m Integration and Production Equipmer,t Technology，Hohai University，Changzhou 213022，China；3College ofThe Internet ofThings Enginee

43、ring，Hohai University，Changzhou 213022，China；4College ofElectrical and Energy Engineering，Hohai University，Na彬ng 213022，China)Abstrat：Based on particle swami optimization algorithm(PSO)and Radial Basis Function(RBF)neural network，amicrogad equivalent modeling method was proposed in this paperNonline

44、ar mapping characteristics of RBF neuralnetwork is used for the dynamic modeling of microgadVoltage，current and power of the Point of Common Coupling(PCC)are collected for the input and output of the RBF neural networkThe ergodicity of chaos algorithm is introduced toaccelerate the convergence of PS

45、O algorithmChaos variable neighborhood searching method operates around the globaloptimization of tx30 which can improve the global searching ability of PSO algorithmThe improved PSO algorithm isused for the parameter optimization of RBFSimulation results showed that the proposed modeling method is suitable andeffective，the RBF neural network based dynamic equivalent model can descript the dynamic characteristics of microgad in connected modeKeywords：RBF neural network；equivalent modeling；particle swann optimization algorithm；Chaos algorithm；micro-鲫d万方数据