CN103872678B - 一种基于变电站量测的负荷模型辨识方法 - Google Patents

Abstract

本发明公开了一种电力***的负荷模型建模方法，首先对电网中的变电站进行同调机群划分，构建等值感应电动机的负荷模型，建立辨识准则函数，对负荷模型中待辨识的负荷参数通过输入电压和实际***的输出响应采用粒子群算法进行寻优，统计不同站点的负荷模型，得到地区电网负荷模型参数库。本发明在辨识参数中引入初始有功功率比例系数K_pm和额定初始负荷率系数M_lf，消除负荷幅值的时变性带来的影响，使负荷模型更加准确；并设置了粒子群算法的速度调整因子和惯性因子，提高算法收敛精度。

Description

一种基于变电站量测的负荷模型辨识方法

技术领域

本发明属于电力***负荷模型技术领域，更为具体地讲，涉及一种基于变电站量测的负荷模型辨识方法。

背景技术

电力***是由发电、输电、配电和电力负荷四大部分组成的有机整体。其中，电力负荷是电力网络中用电设备的总称，有时候也包括用来连接电力设备的配电网。由于电力***具有电能无法大量存储，电网彼此间关联性极强的特性，因此在电网正常状态时，电网各个环节保持动态平衡，而当电网中任意部分出现故障时，其余部分有可能会受到极大的影响，最终导致电网局部紊乱，甚至导致整个电网的震荡，造成社会安全和经济发展重大的损失。随着社会经济的持续快速发展，电力负荷也变得愈来愈重，这使得对电力***的安全性、可靠性的要求更加严格。目前我国电网正朝着“大电网，超高压，大机组，远距离”的方向发展，研究负荷动态特性能够有效发现电网的脆弱部位，并及时采用各种提前性措施，保障电网的安全性和可靠性，这是提高电力***的安全性、可靠性的关键。

近些年，国内外都在负荷建模研究领域取得了不少成果，然而很多模型还是相对粗糙甚至是与实际特性相差甚大。不准确的负荷模型与精确电力***其它元件模型显得很不协调，甚至限制了电网仿真精度的提高。在仿真计算中使用这种相对粗糙的负荷模型，如果仿真结果过于保守，会使得电网输发电的能力不能充分使用而导致资源浪费；如果仿真结果太过乐观，会造成设计规划不合理，降低电网运行的稳定能力，甚至造成由于控制误操作引起的***解列崩溃后果。除此之外，电力负荷特性对电网仿真计算的各方面都有深远影响：负荷特性对电力***的潮流计算、暂态稳定、小信号动态稳定以及电压稳定都会产生一定的影响。因此负荷模型的精确性对电力***的良好运行影响重大，对电力负荷模型进行深入的研究是十分必要的。在模型结构研究方面，目前重点研究了机理负荷模型（主要是静态负荷并联三阶感应电机），以及非机理式模型中的差分方程模型；在***辨识算法中，一些先进的辨识方法也已经应用到负荷建模中如人工神经网络模型在负荷建模领域的应用也得到了大量关注。虽然前人的研究已经取得了一定成果，但随着电网的复杂程度越来越高，负荷模型的精确度仍然有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于变电站量测的负荷模型辨识方法，提高负荷参数辨识的准确度，提高负荷模型的精确度。

为实现上述发明目的，本发明基于变电站量测的负荷模型辨识方法，包括以下步骤：

S1：对电网中的变电站根据电压等级进行划分，将每个变电站的等值负荷模型采用感应电动机并联静态负荷来表示；

S2：等值感应电动机采用三阶感应电动机负荷模型，α＝[R_s,X_S,X_M,R_R,X_R,H,A,B,k_Pz,k_Pi,k_Qz,k_Qi,K_pm,M_lf]^T为负荷模型的独立待辨识参数向量，β＝[e_x0,e_y0,s₀,x_s,K_l]^T为可以通过电机稳态条件和α求得的辨识参数向量，其中R_S为定子电阻、X_S为定子绕阻漏抗、X_M为励磁电抗、R_R为转子电阻、X_R为转子漏抗、H为转子惯性时间常数、A、B为电机机械转矩特性参数，k_Pz、k_Pi、k_Qz、k_Qi为静态特性参数，e_x0,e_y0为电动机初始的暂态电压，s₀为电动机的转差率，x_s为定子和转子之间的同步电抗，K_l为负载率；K_pm表示初始有功功率比例系数，K_pm＝P₀′/P，P₀′为电动机初始有功功率，P为所测负荷点在暂态过程中所消耗的有功功率；M_lf为额定初始负荷率系数，S_MB是感应电动机的额定容量，U_B是负荷基准电压，U₀是暂态过程中负荷母线电压初始值；

S3：进行负荷模型参数辨识，具体步骤包括：

S3.1：在实际变电站***中输入电压激励U(k)并采样测量得到N+1个实际输出响应y(t)＝[P(t),Q(t)]^T，其中t表示测量样本序号，取值范围为0≤t≤N，P(t)为时刻t的负荷点在暂态过程中所消耗的有功功率值，Q(t)为时刻t的负荷点在暂态过程中所消耗的无功功率值；

S3.2：将实际输出响应对应时刻的离散时间序列{u(0),u(1),…,u(N)}输入负荷模型，负荷模型的初始稳态条件为：初始电压U₀＝u(0)，初始有功功率P₀＝P(0)，初始无功功率Q₀＝Q(0)；设定独立待辨识参数向量α的n个初始值，采用粒子群算法对以下目标函数寻优：

$\min J(\mathrm{\α},\mathrm{\β})=\min \underset{t=0}{\overset{N}{\mathrm{\Σ}}}{[y\left(t\right)-y_m\left(t\right)]}^T[y\left(t\right)-y_m\left(t\right)]$

其中，y_m(t)＝[P_m(t),Q_m(t)]^T为输入u(t)时负荷模型得到的输出响应；

粒子群算法中的速度调整因子a(m)按照以下公式确定：

$a\left(m\right)=\frac{1}{F}\underset{i=1}{\overset{D}{\mathrm{\Σ}}}\sqrt{a_{\max }\left(m\right)+a_{\min }\left(m\right)}$

$a_{\max }\left(m\right)=\frac{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{(n_{\mathrm{ij}}^1-c_{\mathrm{ij}}^1)}^2}{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{\left(c_{\mathrm{ij}}^1\right)}^2}$

$a_{\min }\left(m\right)=\frac{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{(n_{\mathrm{ij}}^2-c_{\mathrm{ij}}^2)}^2}{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{\left(c_{\mathrm{ij}}^2\right)}^2}$

其中，F为粒子群中粒子个数，D为独立待辨识参数向量α的维度，分别表示设置的各个参数的最大速度及最小速度对应的拟合数据，分别表示设置的各个参数的最大速度及最小速度对应的测量数据计算值。

S4：各等值感应电动机的负荷模型及其负荷参数辨识结果作为变电站挂接母线下等值负荷模型及负荷参数，将不同站点的负荷模型进行统计，得到地区电网负荷模型参数库。

本发明基于变电站量测的负荷模型辨识方法，首先对电网中的变电站进行电动机群划分，构建等值感应电动机的负荷模型，建立辨识准则函数，对负荷模型中待辨识的负荷参数通过输入电压和实际***的输出响应采用粒子群算法进行寻优，最后统计不同站点的负荷模型，得到地区电网负荷模型参数库。

本发明具有以下有益效果：

（1）针对地区电网不同电压等级的变电站，采集变电站出测母线电压、电流数据，对区域内所有站点的第一次聚类，作为负荷分类的先验条件；

（2）通过引入初始有功功率比例系数K_pm和额定初始负荷率系数M_lf，消除负荷幅值的时变性带来的影响；

（3）采用变系数的位置更新算法，重新设置了粒子群算法的速度调整因子和惯性因子，防止早熟现象的出现同时免于陷进局部最优点，提高算法收敛精度。

附图说明

图1是本发明基于变电站量测的负荷模型辨识方法的一种具体实施方式流程图；

图2是本发明中粒子群算法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于变电站量测的负荷模型辨识方法的一种具体实施方式流程图。如图1所示，本发明基于变电站量测的负荷模型辨识方法包括以下步骤：

S101：划分电动机群，等值为感应电动机：

电网互联为一体，其分析与计算需要全网数据的支持，而电力***的运行，管理和调度又是分层分区的，实时获取全网数据极其困难和繁琐，为了构建层次清晰的电网动态等值模型，本发明采用电网之间的分层协调方式进行计算。因此首先对电网中的变电站进行电动机群划分，将每个电动机群采用等值感应电动机和静态负荷来表示。具体方法为：将变电站按照电压等级进行聚类，对于同一电压等级的变电站按照电动机在负荷中所占的比重分类。目前成熟的聚类方法有很多，例如K均值算法、模糊C均值算法、硬均值算法等等。

S102：构建负荷模型：

本发明考虑电网负荷直挂接在低压母线侧，采用三阶感应电动机负荷模型，感应电动机的转子状态方程和定子输出方程如下：

$\left\{\begin{array}{c}\frac{{{\mathrm{dE}}_d}^{\′}}{\mathrm{dt}}=-\frac{1}{T_0^{\′}}[{E_d}^{\′}+(X-X^{\′})I_q]+(\mathrm{\ω}-{\mathrm{\ω}}_r){E_d}^{\′}\\ \frac{{{\mathrm{dE}}_q}^{\′}}{\mathrm{dt}}=-\frac{1}{T_0^{\′}}[{E_q}^{\′}+(X-X^{\′})I_d]+(\mathrm{\ω}-{\mathrm{\ω}}_r){E_q}^{\′}\\ \frac{{\mathrm{d\ω}}_r}{\mathrm{dt}}=\frac{1}{2H}[({E_d}^{\′}{I}_d+{E_q}^{\′}{I}_q)-T_L({{\mathrm{A\ω}}_r}^2+{\mathrm{B\ω}}_r+C))]\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}{I}_d=\frac{1}{{R_S}^2+{X_S}^{\′2}}[R_S(U_d-{E_d}^{\′})+X^{\′}(U_q-{E_q}^{\′})]\\ I_q=\frac{1}{{R_S}^2+{X_S}^{\′2}}[R_S(U_q-{E_q}^{\′})-X^{\′}(U_d-{E_d}^{\′})]\end{array}\right.---\left(2\right)$

其中E_d′表示转子d轴电动势，E_q′表示转子q轴电动势，ω表示定子磁场的同步转速，ω_r表示转子的转速，T₀′＝(X_R+X_M)/R_R，A、B、C为电机机械转矩特性参数，A+B+C＝1。H为转子惯性时间常数，X和X′分别为感应电动机稳态电抗和暂态电抗，X＝X_S+X_M，X'＝X_s+(X_MX_R)/(X_M+X_R)。I_d、I_q分别为流过感应电动机电流的交、直轴分量。X_S为定子绕阻漏抗，X_M为励磁电抗，X_R为转子漏抗，R_R为转子电阻，R_S为定子电阻，U_d、U_q分别为负荷母线上的电压的交、直轴分量值。

三阶感应电动机负荷模型中静态部分为：

$\left\{\begin{array}{c}\frac{P}{P_0}=k_{\mathrm{Pz}}\left(\frac{U}{U_0}\right)+k_{\mathrm{Pi}}\left(\frac{U}{U_0}\right)+k_{\mathrm{Pp}}\\ \frac{Q}{Q_0}=k_{\mathrm{Qz}}\left(\frac{U}{U_0}\right)+k_{\mathrm{Qi}}\left(\frac{U}{U_0}\right)+k_{\mathrm{Qp}}\end{array}\right.---\left(3\right)$

其中，k_Pz、k_Pi、k_Pp为静态特性参数，k_Pz+k_Pi+k_Pp＝1；k_Qz、k_Qi、k_Qp为静态特性参数，k_Qz+k_Qi+k_Qp＝1；P₀、Q₀和P、Q分别为所测负荷点在暂态过程开始时和暂态过程中所消耗的有功功率和无功功率值；U、U₀分别为在暂态过程中负荷母线的电压值和初始值。

为了适应负荷的时变性，实现负荷容量的自适应，本发明引入两个参数K_pm和M_lf，其中，K_pm表示初始有功功率比例系数，M_lf为额定初始负荷率系数，公式为：

K_pm＝P₀′/P(4)

$M_{\mathrm{lf}}=\left(\frac{{P_0}^{\′}}{S_{\mathrm{MB}}}\right)/\left(\frac{U_0}{U_B}\right)---\left(5\right)$

其中，P₀′为电动机初始有功功率，S_MB是感应电动机的额定容量，U_B是负荷基准电压。

通过引入参数K_pm和M_lf可以保证完全消除负荷幅值的时变性带来的影响，即：如果负荷组成成分比例恒定，无论负荷大小如何变化，都可以用一组参数来拟合所有的负荷，很大程度上简化了负荷建模过程，增加了模型的实用性。

感应电动机模型是非线性化的数学模型，在电力***分析中对非线性模型的可辨识性分析是一个非常困难的问题。非线性***的参数辨识方法目前大都是以优化方法为基础，其主要过程是寻找一组最优的参数向量，使得预定的误差目标函数值达到最小，误差目标函数为需要辨识的参数的函数。由于此函数的解析关系很难表示，解空间往往也相当复杂，存在多个极点，在众多的负荷模型参数辨识方法中，粒子群算法具有良好的鲁棒性和较快的收敛速度。但也存在如全局搜索能力较差，迭代到后期时粒子的飞行速度过小，易陷于局部极值，收敛精度不高等缺陷。因此本发明通过对粒子群算法进行了改进，提升收敛精度。

S103：负荷参数辨识：

负荷模型的辨识准则函数如下式(4)所示：

$\min J(\mathrm{\α},\mathrm{\β})=\min \underset{t=0}{\overset{N}{\mathrm{\Σ}}}{[y\left(t\right)-y_m\left(t\right)]}^T[y\left(t\right)-y_m\left(t\right)]---\left(4\right)$

其中t＝0为采样开始时刻，N为采样结束的时刻，共计采样N+1次。。α＝[R_s,X_S,X_M,R_R,X_R,H,A,B,K_pm,M_lf,k_Pz,k_Pi,k_Qz,k_Qi]^T为负荷模型的待辨识参数向量，β＝[e_x0,e_y0,s₀,x_s,K_l]^T为可以通过电机稳态条件和α求得的辨识参数向量，其中e_x0,e_y0为电动机初始的暂态电压，s₀为电动机的转差率，x_s为定子和转子之间的同步电抗，K_l为负载率。y(t)＝[P(t),Q(t)]^T和y_m(t)＝[P_m(t),Q_m(t)]^T为时刻t的实际测量的输出响应和辨识模型得到的输出响应。

具体辨识过程为：

S3.1：在实际变电站***中输入电压激励U(k)并采样测量得到N+1个实际输出响应y(t)＝[P(t),Q(t)]^T，其中t表示测量样本序号，取值范围为0≤t≤N，P(t)为时刻t的负荷点在暂态过程中所消耗的有功功率值，Q(t)为时刻t的负荷点在暂态过程中所消耗的无功功率值。

S3.2：将实际输出响应对应时刻的离散时间序列{u(0),u(1),…,u(N)}输入负荷模型，负荷模型的初始稳态条件为：初始电压U₀＝u(0)，初始有功功率P₀＝P(0)，初始无功功率Q₀＝Q(0)；设定独立待辨识参数向量α的初始值，采用粒子群算法对以下目标函数寻优：

$\min J(\mathrm{\α},\mathrm{\β})=\min \underset{t=0}{\overset{N}{\mathrm{\Σ}}}{[y\left(t\right)-y_m\left(t\right)]}^T[y\left(t\right)-y_m\left(t\right)]---\left(5\right)$

其中，y_m(t)＝[P_m(t),Q_m(t)]^T为输入u(t)时负荷模型得到的输出响应。

可见，根据独立待辨识参数向量α和初始稳态条件，可以计算得到辨识参数向量β，从而代入目标函数寻优。

粒子群算法是通过用搜素空间中的粒子来确定函数的最优解，所有的粒子对象都有一个由优化函数决定的适应值和决定它们飞行方向的速度组成。粒子群算法的操作行为为：

$\left\{\begin{array}{c}{v}_{\mathrm{id}}^{k+1}={\mathrm{wv}}_{\mathrm{id}}^k+\mathrm{Random}(0,c_1)(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+\mathrm{Random}(0,c_2)(p_{\mathrm{gd}}^k-x_{\mathrm{id}}^x)\\ x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+a\left(m\right)v_{\mathrm{id}}^{k+1}\\ v_{d\min }\≤v_{\mathrm{id}}^k\≤v_{d\max }\\ x_{d\max }\≤x_{\mathrm{id}}^k\≤x_{\mathrm{dmx}}\end{array}\right.---\left(6\right)$

记粒子群中粒子个数为F，每个粒子即独立待辨识参数向量α的维度为D，第i个粒子的位置可以表示为一个D维的向量x_i＝(x_i1,x_i2,…,x_id,…,x_iD)，i＝1,2,…,F，d＝1,2,…,D。将x_i代入目标函数就可以计算出适应值，通过适应值就可以衡量x_i的优劣。粒子的飞行速度也是一个D维向量，记为v_i＝(v_i1,v_i2,…,v_id,…,v_iD)。第i个粒子迄今为止搜索到的最优位置为p_i＝(p_i1,p_i2,…,p_id,…,p_iD)，整个粒子群迄今为止搜索到的最优位置为p_g＝(q_g1,q_g2,…,q_gd,…,q_gD)。w是惯性因子，c₁,c₂是学习因子，Random(·)是随机函数，上标k为目前迭代的次数。a(m)是速度调整因子，通常取1。但是本发明中重新定义了a(m)来缩放下一代粒子的位置，采用环形取法，速度间隔数为D-1，m＝1,2,…,D-1。a(m)的大小由多曲线差分拟合法确定。具体方法如下：

设第i个粒子中第j个参数的测量数据为c_ij，拟合数据为n_ij，则多曲线差分拟合法的目标函数为：

$a\left(m\right)=\frac{1}{F}\underset{i=1}{\overset{F}{\mathrm{\Σ}}}\left(\frac{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{(n_{\mathrm{ij}}-c_{\mathrm{ij}})}^2}{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{c_{\mathrm{ij}}}^2}\right)---\left(7\right)$

速度调整因子最终确定时，要求微粒的“飞行”速度不能偏离实际最大速度和最小速度值，因此，在确定目标函数时需要考虑到两者，因此可在设置各个参数的最大速度及最小速度对应的拟合数据分别为测量数据计算值分别为的前提下，粒子最大速度及最小速度的速度调整因子分别可设为：

$a_{\max }\left(m\right)=\frac{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{(n_{\mathrm{ij}}^1-c_{\mathrm{ij}}^1)}^2}{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{\left(c_{\mathrm{ij}}^1\right)}^2}---\left(8\right)$

$a_{\min }\left(m\right)=\frac{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{(n_{\mathrm{ij}}^2-c_{\mathrm{ij}}^2)}^2}{\underset{j=1}{\overset{D}{\mathrm{\Σ}}}{\left(c_{\mathrm{ij}}^2\right)}^2}---\left(8\right)$

在此基础上，速度调整因子a(m)的最终目标函数可确定为：

$a\left(m\right)=\frac{1}{F}\underset{i=1}{\overset{D}{\mathrm{\Σ}}}\sqrt{a_{\max }\left(m\right)+a_{\min }\left(m\right)}---\left(10\right)$

由于速度调整因子的变化曲线比较复杂，若期望应用函数逼近来得到比较合适的数据则需要提高次数，增加待定系数从而增加计算量。考虑到采集点为离散点，差分方程不要求一阶导数，计算量较少，并且适用范围更广。

式(6)中惯性因子w会对粒子群算法的性能有较大的影响：较大的w能够提升算法的收敛速度，较小的w能够提升算法的精度。本发明提出了一种在迭代过程中w根据情况进行自适应修正的方法，随着计算的前行，逐渐按指数减小w，其公式为：

$w\left(k\right)=[2/(1+e^{\∂k/k_{\max }})]w^0---\left(11\right)$

其中表示正常数，k_max为粒子群算法的最大迭代数；w⁰为w(k)的上限；k为目前迭代的次数。

由于粒子飞行的方向与原算法一样都是指向两个“极值”，但本发明所使用的改进算法中粒子位置受弹性速度调整因子的影响而自适应地缩小或放大，避免了到了迭代末尾时整个群体都向同一个极值点周围靠拢，因此防止了早熟现象的出现同时免于陷进局部最优点。还可以采用自适应惯性因子，避免在迭代过程中种群出现剧烈的“趋同性”，提升粒子群算法的收敛精度。

图2是本发明中粒子群算法的流程图：

S201：在解空间范围内，设定初始粒子群。

S202：根据目标函数计算每个粒子的适应值；

S203：判断适应值是否达到最优要求，如果达到，进入步骤S208；如果未达到，进入步骤S204；

S204：对每个粒子，如果当前位置的适应值优于个体的历史最优值，则将个体历史最优适应值和最优位置用粒子当前的情况进行替换；对每个粒子，如果当前位置的适应值优于群体的历史最优值，则将群体历史最优适应值和最优位置用粒子当前的情况进行替换；

S205：判断迭代次数是否达到最大迭代次数，如果达到，进入步骤S208；如果未达到，进入步骤S206：

S206：计算速度调整因子a(m)和惯性因子w；

S207：更新粒子的位置，返回步骤S202；

S208：输出历史最优粒子位置，即历史最优适应值对应的粒子位置，算法结束。

S104：不同特性的负荷按照上述步骤进行各自的负荷模型参数辨识工作，各等值感应电动机的负荷模型及其负荷参数辨识结果作为变电站挂接母线下等值负荷模型及负荷参数，将不同站点的负荷模型进行统计，得到地区电网负荷模型参数库。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于变电站量测的负荷模型辨识方法，其特征在于，包括以下步骤：

S1：对电网中的变电站根据电压等级进行划分，将每个变电站的等值负荷模型采用感应电动机并联静态负荷来表示；

S2：等值感应电动机采用三阶感应电动机负荷模型，α＝[R_s,X_S,X_M,R_R,X_R,H,A,B,k_Pz,k_Pi,k_Qz,k_Qi,K_pm,M_lf]^T为负荷模型的独立待辨识参数向量，β＝[e_x0,e_y0,s₀,x_s,K_l]^T为可以通过电机稳态条件和α求得的辨识参数向量，其中R_S为定子电阻、X_S为定子绕阻漏抗、X_M为励磁电抗、R_R为转子电阻、X_R为转子漏抗、H为转子惯性时间常数、A、B为电机机械转矩特性参数，k_Pz、k_Pi、k_Qz、k_Qi为静态特性参数，e_x0,e_y0为电动机初始的暂态电压，s₀为电动机的转差率，x_s为定子和转子之间的同步电抗，K_l为负载率；K_pm表示初始有功功率比例系数，K_pm＝P₀′/P，P₀′为电动机初始有功功率，P为所测负荷点在暂态过程中所消耗的有功功率；M_lf为额定初始负荷率系数，S_MB是感应电动机的额定容量，U_B是负荷基准电压，U₀是暂态过程中负荷母线电压初始值；

S3：进行负荷模型参数辨识，具体步骤包括：

S3.1：在实际变电站***中输入电压激励U(k)并采样测量得到N+1个实际输出响应y(t)＝[P(t),Q(t)]^T，其中t表示测量样本序号，取值范围为0≤t≤N，P(t)为时刻t的负荷点在暂态过程中所消耗的有功功率值，Q(t)为时刻t的负荷点在暂态过程中所消耗的无功功率值；

S3.2：将实际输出响应对应时刻的离散时间序列{u(0),u(1),...,u(N)}输入负荷模型，负荷模型的初始稳态条件为：初始电压U₀＝u(0)，初始有功功率P₀＝P(0)，初始无功功率Q₀＝Q(0)；设定独立待辨识参数向量α的n个初始值，采用粒子群算法对以下目标函数寻优：

$\min J(\mathrm{\α},\mathrm{\β})=min\underset{t=0}{\overset{N}{\Σ}}{\[y\left(t\right)-y_m\left(t\right)\]}^T\[y\left(t\right)-y_m\left(t\right)\]$

其中，y_m(t)＝[P_m(t),Q_m(t)]^T为输入u(t)时负荷模型得到的输出响应；

粒子群算法中的速度调整因子a(m)按照以下公式确定：

$a\left(m\right)=\frac{1}{F}\underset{i=1}{\overset{D}{\Σ}}\sqrt{a_{max}\left(m\right)+a_{min}\left(m\right)}$

$a_{max}\left(m\right)=\frac{\underset{j=1}{\overset{D}{\Σ}}{(n_{ij}^1-c_{ij}^1)}^2}{\underset{j=1}{\overset{D}{\Σ}}{\left(c_{ij}^1\right)}^2}$

$a_{min}\left(m\right)=\frac{\underset{j=1}{\overset{D}{\Σ}}{(n_{ij}^2-c_{ij}^2)}^2}{\underset{j=1}{\overset{D}{\Σ}}{\left(c_{ij}^2\right)}^2}$

其中，F为粒子群中粒子个数，D为独立待辨识参数向量α的维度，分别表示设置的各个参数的最大速度及最小速度对应的拟合数据，分别表示设置的各个参数的最大速度及最小速度对应的测量数据计算值；

S4：各等值感应电动机的负荷模型及其负荷参数辨识结果作为变电站挂接母线下等值负荷模型及负荷参数，将不同站点的负荷模型进行统计，得到地区电网负荷模型参数库。

2.根据权利要求1所述的负荷模型辨识方法，其特征在于，所述步骤S1中同调机群划分的具体方法为：将变电站按照电压等级进行聚类，对于同一电压等级的变电站按照电动机在负荷中所占的比重分类。

3.根据权利要求1所述的负荷模型辨识方法，其特征在于，所述步骤S3.2中，粒子群算法中的惯性因子w按照以下公式确定：

$w\left(k\right)=\[2/(1+e^{\∂k/k_{max}})\]w^0$

其中表示正常数，k_max为粒子群算法的最大迭代数；w⁰为w(k)的上限；k为目前迭代的次数。

4.根据权利要求1所述的负荷模型辨识方法，其特征在于，所述步骤S4中的动态等值采用同调等值方法。