CN110932274A - 一种电力***测量与负荷参数分析辨识方法 - Google Patents

一种电力***测量与负荷参数分析辨识方法 Download PDF

Info

Publication number
CN110932274A
CN110932274A CN201911307051.8A CN201911307051A CN110932274A CN 110932274 A CN110932274 A CN 110932274A CN 201911307051 A CN201911307051 A CN 201911307051A CN 110932274 A CN110932274 A CN 110932274A
Authority
CN
China
Prior art keywords
load
algorithm
parameter
parameters
load model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201911307051.8A
Other languages
English (en)
Inventor
程海军
原琳
冮明颖
姜丕杰
屈丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning University of Technology
Original Assignee
Liaoning University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN201911307051.8A priority Critical patent/CN110932274A/zh
Publication of CN110932274A publication Critical patent/CN110932274A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种电力***测量与负荷参数分析辨识方法，涉及一种电力***参数辨识方法，包括下步骤：首先根据负荷量测信息对负荷聚类分析，确定负荷记录装置安装地点；其次，构建电动机并联静特性负荷的综合负荷模型，建立辨识目标函数；然后通过负荷记录装置的实测数据，采用蚁群算法与梯度算法相结合的混合优化算法进行参数辨识；并利用Kriging算法的无偏、最优估计特性，对多次辨识结果进行参数优选；最后统计不同站点的负荷模型，形成负荷模型参数库。本发明提高参数辨识的速度，对多次辨识结果采用Kriging算法实现参数优选，提高参数辨识的精度。该方法可对电力专项规划、电力***稳定分析和电力***能效评估等领域的研究提供模型基础。

Description

一种电力***测量与负荷参数分析辨识方法
技术领域
本发明涉及一种电力***参数辨识方法，特别是涉及一种电力***测量与负荷参数分析辨识方法。
背景技术
电力***的发展和大区联网的实现，使得电力***规模日益扩大、电网结构更加复杂，为国民经济带来显著效益的同时，也使电力***运行点越来越接近稳定极限，整个***发生电压失稳甚至电压崩溃的危险不断增加。同时，在智能电网背景下，电力***信息化与互动化所带来的实时运行数据与各种分布式电源的并网给电力***运行、规划、设计带来了新的挑战。电力***仿真技术是分析研究电力***运行机理的重要科学工具之一，已经成为电力***规划、运行及控制中不可缺少的手段。电力***仿真研究和各种具体分析都是建立在相应的数学模型基础上，实现良好的负荷建模及参数辨识，在电力***的运行、控制、计算中具有重要意义。
目前，负荷建模走向实用化过程中面临两个关键性难题：一是负荷的时变性，即使对同一负荷节点，其负荷构成随时间季节变化，不同时刻呈现不同的负荷特性；二是负荷的地域差异性，电力负荷的地域分布非常广泛，负荷构成不同使得各负荷节点的负荷特性存在差异。从提高负荷模型的精度来说，如果能建立针对不同负荷节点，不同时段的各种负荷模型当然是最理想的了，但在实际中这点很难做到，且电网仿真计算要求所采用的负荷模型应尽可能少而简化。
目前，我国在负荷参数辨识方面主要是采用负荷特性记录仪对负荷进行实测的方法。电力负荷的地域分布非常广泛,一个省级电网的22OkV负荷变电站也能有数十上百个，负荷构成不同使得各负荷节点的综合负荷特性存在差异。如何实现在众多的负荷点中选出合理的安装负荷记录装置的安装点，就是将不同负荷点负荷特征接近或相似的负荷归类，进行聚类分析。
针对今后广域电力***负荷建模以及电力***整体建模的发展趋势，当待辨识的参数大量增多时，要求算法有较高的效率。同时，由于电力***负荷建模工作的在线化甚至实时化发展的需要，要求参数辨识的计算速度加快。这些需求促使电力负荷模型参数辨识方法的研究需要更进一步。
电力负荷模型是非线性化的数学模型，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。解决电力***优化问题有多种算法：如梯度类算法，具有很强的局部搜索效率，但全局鲁棒性较差；模拟进化类算法，具有很强的全局搜索能力，但局部搜索效率较差。电力负荷模型参数辨识算法主要有遗传算法、蚁群算法、粒子群算法和梯度算法等，其中蚁群算法模拟了自然界中真实蚂蚁的觅食行为，优点是全局性能及正反馈性、协同性好，但所需计算时间长。
发明内容
本发明的目的在于提供一种电力***测量与负荷参数分析辨识方法，该方法为一种基于多算法融合的电力***测量与负荷模型辨识方法，实现电力***能效评估，电力负荷辨识参数优选，提高参数辨识的精度。适于在电力专项规划领域、电力***稳定分析技术领域和电力***能效评估领域应用。
本发明的目的是通过以下技术方案实现的：
一种电力***测量与负荷参数分析辨识方法，所述方法包括以下步骤：
S1：根据负荷量测信息聚类分析，确定负荷记录装置安装点；
S2：负荷模型采用综合负荷模型，其结构为电动机并联静特性负荷模型，反映负荷动态特性；该模型共有14个参数，即感应电动机定子电阻
Figure DEST_PATH_IMAGE001
和定子电抗
Figure 928799DEST_PATH_IMAGE002
、励磁电抗
Figure DEST_PATH_IMAGE003
、转子电阻
Figure 659995DEST_PATH_IMAGE004
和转子电抗
Figure DEST_PATH_IMAGE005
、转子惯性时间常数
Figure 715675DEST_PATH_IMAGE006
、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例
Figure DEST_PATH_IMAGE007
、感应电动机初始负荷率
Figure 532322DEST_PATH_IMAGE008
，以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数
Figure DEST_PATH_IMAGE009
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；
Figure 331650DEST_PATH_IMAGE010
为额定初始负荷率系数，
Figure DEST_PATH_IMAGE011
是感应电动机的额定容量，
Figure 855036DEST_PATH_IMAGE012
是负荷基准电压，
Figure DEST_PATH_IMAGE013
是暂态过程中负荷母线电压初始值；
Figure 347197DEST_PATH_IMAGE014
为负荷模型的独立待辨识参数向量，
Figure DEST_PATH_IMAGE015
为可以通过电机稳态条件和
Figure 656999DEST_PATH_IMAGE016
求得的辨识参数向量，
Figure DEST_PATH_IMAGE017
为电动机初始的暂态电压，
Figure 994439DEST_PATH_IMAGE018
为电动机的转差率，
Figure DEST_PATH_IMAGE019
为定子和转子之间的同步电抗，
Figure 637910DEST_PATH_IMAGE020
为负载率；
S3：进行负荷模型参数辨识，具体步骤包括：
S3.1：通过负荷记录装置获得现场的负荷动态特性的实测记录，从
Figure DEST_PATH_IMAGE021
时刻开始采样，到
Figure 35393DEST_PATH_IMAGE022
时刻采样结束，共计采样
Figure DEST_PATH_IMAGE023
次，
Figure 826632DEST_PATH_IMAGE024
时刻的实际测量值记为
Figure DEST_PATH_IMAGE025
，对应辨识负荷模型
Figure 967763DEST_PATH_IMAGE026
时刻的响应值为
Figure DEST_PATH_IMAGE027
；
S3.2：设定独立待辨识参数相量
Figure 528058DEST_PATH_IMAGE028
的初始值，采用混合优化算法对以下目标函数寻优：
Figure DEST_PATH_IMAGE029
混合优化算法的基本思想是结合蚁群算法与梯度类算法，综合利用蚁群算法全局寻优性能好而梯度类算法局部收敛快的特点，形成一种新的参数辨识算法；即采用蚁群算法起步迭代，在某一适当的时刻选取若干个当前较优的蚂蚁，切换为梯度类算法进行搜索迭代，直至收敛；
蚁群算法中信息量函数
Figure 299704DEST_PATH_IMAGE030
和每个子区间应有的蚂蚁数
Figure DEST_PATH_IMAGE031
按照以下公式确定：
Figure 312660DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为两只蚂蚁间信息素含量的峰值，为目标函数
Figure 257482DEST_PATH_IMAGE034
的倒数；
Figure DEST_PATH_IMAGE035
为压缩系数；
Figure 672283DEST_PATH_IMAGE036
为蚂蚁的个数；
Figure DEST_PATH_IMAGE037
为第
Figure DEST_PATH_IMAGE039
只蚂蚁与第
Figure 677148DEST_PATH_IMAGE040
只蚂蚁之间的距离，
Figure DEST_PATH_IMAGE041
，
Figure 177399DEST_PATH_IMAGE042
表示对
Figure DEST_PATH_IMAGE043
维空间的信息素进行
Figure 598017DEST_PATH_IMAGE043
重积分求得的整个空间内信息素含量总和；
梯度法的迭代公式按下式确定：
Figure 132903DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
为目标函数在
Figure 308669DEST_PATH_IMAGE043
维空间的梯度，
Figure 233900DEST_PATH_IMAGE046
为步长因子；
S4：负荷模型参数优选
根据所建的
Figure DEST_PATH_IMAGE047
的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；
S5：负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选，计算在实测数据下各参数的无偏、最优估计值，即可得到一组反映实测数据统计特征的负荷模型参数；当现场记录了若干新的实测数据时，对这些实测数据进行曲线辨识，然后将新辨识的负荷模型参数加入负荷参数集里，重新进行Kriging算法的参数优选，用来取代原来的模型参数；
所述的一种电力***测量与负荷参数分析辨识方法，负荷聚类方法，采用SOM神经网络的聚类分析方法，获胜神经元及其邻域神经元的连接权调整按照下式确定：
Figure 520525DEST_PATH_IMAGE048
其中
Figure DEST_PATH_IMAGE049
代表学习率,且
Figure 644339DEST_PATH_IMAGE050
；
Figure DEST_PATH_IMAGE051
是获胜神经元领域函数,
Figure 928690DEST_PATH_IMAGE052
；
Figure DEST_PATH_IMAGE053
和
Figure 403533DEST_PATH_IMAGE054
分别为获胜节点和其他节点j在输出层二维拓扑空间中的位置；
Figure DEST_PATH_IMAGE055
为邻域的范围。
所述的一种电力***测量与负荷参数分析辨识方法，所述步骤S3.2中，混合优化算法中不同算法的切换条件，因蚁群算法在局部迭代时逐步逼近最优解的速度变慢，因此根据蚁群算法相邻两步之间最佳目标函数值之间的相对值小于某一程度来切换算法，即按下式确定：
Figure 511427DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE057
为目标函数值，
Figure 755327DEST_PATH_IMAGE058
为迭代次数，
Figure DEST_PATH_IMAGE059
为切换门坎。
所述的一种电力***测量与负荷参数分析辨识方法，根据负荷模型参数优选，所建的
Figure 945000DEST_PATH_IMAGE060
的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；对某一负荷模型参数变量
Figure DEST_PATH_IMAGE061
的Kriging算法估计值
Figure 907139DEST_PATH_IMAGE062
按下式确定：
Figure DEST_PATH_IMAGE063
其中，
Figure 535567DEST_PATH_IMAGE064
为权重系数，表示各次的辨识值对估计值的贡献程度。为保证估计是无偏、最优的，
Figure 837235DEST_PATH_IMAGE064
的取值由下式确定：
Figure DEST_PATH_IMAGE065
其中，
Figure 260126DEST_PATH_IMAGE066
为拉格朗日系数。
本发明的优点与效果是：
1.本发明根据负荷的量测信息，采用SOM神经网络方法对电力负荷实现聚类分析，给出较优的负荷记录装置安装地点，具有代表性；
2.本发明采用蚁群算法与梯度算法相结合的混合优化算法进行负荷模型参数辨识，给出算法切换条件，综合利用蚁群算法全局寻优性能好而梯度算法局部收敛快的特点，提高参数辨识的速度；
3.本发明对多次辨识结果利用Kriging算法无偏、最优估计特性，实现负荷辨识参数优选，提高参数辨识的精度。
附图说明
图1是本发明基于多算法融合的电力***负荷参数辨识方法的一种具体实施方式流程图；
图2是本发明中负荷参数辨识的混合优化算法流程图。
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。
本发明包括以下步骤：
首先根据负荷量测信息聚类分析，确定负荷记录装置安装点；采用SOM神经网络的聚类分析方法，其步骤为：初始化网络、提供输入模式、计算连接权向量与输入模式之间的距离、确定获胜神经元、对获胜神经元及其邻域神经元的连接权进行调整、选取新的输入模式；重复计算连接权向量与输入模式之间的距离、确定获胜神经元、对获胜神经元及其邻域神经元的连接权进行调整步骤；直到所有的样本都被学习了一遍、更新学习率以及邻域函数、完成一次网络学习，返回提供输入模式步骤；直到达到设置的学习次数为止；
构建负荷模型，其结构为电动机并联静特性负荷模型，共14个独立待辨识参数；
采用蚁群算法与梯度算法相结合的混合优化算法进行负荷模型参数辨识，具体步骤包括：初始化蚁群、信息量计算、子区间蚁数分布计算、确定移动方向并移动、计算目标函数、判断是否满足算法切换；若是，进入梯度算法步骤；若否，进入信息量计算步骤、梯度算法、判断是否达到最优；若是，进入输出辨识结果步骤；若否，进入梯度算法步骤；
输出辨识结果；
采用Kriging算法对负荷模型参数优选；
负荷特征库更新。
实施例
图1是本发明基于多算法融合的电力***负荷参数辨识方法的一种具体实施方式流程图。如图1所示，本发明基于多算法融合的电力***负荷参数辨识方法包括以下步骤：
S1：根据负荷量测信息聚类分析，确定负荷记录装置安装点：
如何实现在众多的负荷点中选出合理的安装负荷记录装置的安装点，就是将不同负荷点负荷特征接近或相似的负荷归类，进行聚类分析。本发明采用SOM神经网络的聚类分析方法，其步骤为：
S1.1：初始化网络,确定输入层神经元个数n(负荷量测点数),竞争层神经元个数m和采用的拓扑结构，将输出层每个连接权值
Figure DEST_PATH_IMAGE067
赋于[0,l]区间内的随机值，设置网络学习次数T,当网络总的学习次数达到T后就停止学习。
S1.2：提供一个新的输入模式
Figure 709562DEST_PATH_IMAGE068
,输入到网络中。
S1.3：计算连接权向量
Figure DEST_PATH_IMAGE069
与输入模式
Figure 141680DEST_PATH_IMAGE070
之间的距离
Figure DEST_PATH_IMAGE071
Figure 32276DEST_PATH_IMAGE072
S1.4：确定获胜神经元,和输入模式
Figure DEST_PATH_IMAGE073
距离最小的神经元就是获胜神经元。
若以
Figure 891648DEST_PATH_IMAGE074
表示获胜神经元C与输入神经元的连接权向量,则有:
Figure DEST_PATH_IMAGE075
S1.5：对获胜神经元及其邻域神经元的连接权进行调整
Figure 562800DEST_PATH_IMAGE076
其中
Figure DEST_PATH_IMAGE077
代表学习率,且
Figure 798610DEST_PATH_IMAGE078
是获胜神经元周围的领域函数,采用Gauss邻域函数
Figure DEST_PATH_IMAGE079
Figure 871608DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
分别为获胜节点和其他节点j在输出层二维拓扑空间中的位置,
Figure 839564DEST_PATH_IMAGE082
反应了邻域的范围。
S1.6：选取新的输入模式,重复步骤(3),(4),(5),直到所有的样本都被学习了一遍。
S1.7：更新学习率以及邻域函数
Figure DEST_PATH_IMAGE083
Figure 998013DEST_PATH_IMAGE084
随时间单调减小，从而保证学习过程的收敛性。
Figure DEST_PATH_IMAGE085
Figure 771934DEST_PATH_IMAGE086
是
Figure DEST_PATH_IMAGE087
的初值，
Figure 699439DEST_PATH_IMAGE088
为时间常数，取
Figure DEST_PATH_IMAGE089
。
随着迭代次数的增加,
Figure 838296DEST_PATH_IMAGE087
以指数减小,拓扑邻域范围以相应的方式缩小,这意味着随着迭代次数的增加,获胜神经元对邻域神经元的激励作用减小,从而加强自己对某一模式响应的优势。
S1.8：令
Figure 484041DEST_PATH_IMAGE090
，返回步骤(2)，直到
Figure DEST_PATH_IMAGE091
为止。
S2：构建负荷模型
负荷模型采用综合负荷模型，其结构为电动机并联静特性负荷模型，其在电力***仿真和实际辨识中得到了广泛的应用，具有机理性强、能够较好反映负荷动态特性的优点。该模型共有14个参数，即感应电动机定子电阻
Figure 796073DEST_PATH_IMAGE092
和定子电抗
Figure DEST_PATH_IMAGE093
、励磁电抗
Figure 781347DEST_PATH_IMAGE094
、转子电阻
Figure DEST_PATH_IMAGE095
和转子电抗
Figure 159282DEST_PATH_IMAGE096
、转子惯性时间常数
Figure DEST_PATH_IMAGE097
、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例
Figure 292323DEST_PATH_IMAGE098
、感应电动机初始负荷率
Figure DEST_PATH_IMAGE099
，以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数
Figure 408046DEST_PATH_IMAGE100
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；
Figure 247827DEST_PATH_IMAGE099
为额定初始负荷率系数，
Figure DEST_PATH_IMAGE101
是感应电动机的额定容量，
Figure 790803DEST_PATH_IMAGE102
是负荷基准电压，
Figure DEST_PATH_IMAGE103
是暂态过程中负荷母线电压初始值。
Figure 145561DEST_PATH_IMAGE104
为负荷模型的独立待辨识参数向量，
Figure DEST_PATH_IMAGE105
为可以通过电机稳态条件和
Figure 64976DEST_PATH_IMAGE106
求得的辨识参数向量，
Figure DEST_PATH_IMAGE107
为电动机初始的暂态电压，
Figure 759262DEST_PATH_IMAGE108
为电动机的转差率，
Figure DEST_PATH_IMAGE109
为定子和转子之间的同步电抗，
Figure 473140DEST_PATH_IMAGE110
为负载率。
S3：进行负荷模型参数辨识
电力负荷模型是非线性化的数学模型，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。为寻找使得目标函数与辨识值误差最小，电力负荷模型参数辨识准则为：
Figure DEST_PATH_IMAGE111
其中
Figure 580774DEST_PATH_IMAGE112
为采样开始时刻，
Figure DEST_PATH_IMAGE113
为采样结束时刻，共计采样
Figure 38300DEST_PATH_IMAGE114
次。
Figure DEST_PATH_IMAGE115
和
Figure 587093DEST_PATH_IMAGE116
为时刻
Figure 737451DEST_PATH_IMAGE118
的实际测量的输出响应和辨识模型得到的输出响应。
本发明采用蚁群算法与梯度类算法相结合的混合优化算法，即采用蚁群算法起步迭代，在某一适当的时刻选取若干个当前较优的蚂蚁，切换为梯度算法进行搜索迭代，直至收敛。图2是本发明中负荷参数辨识的混合优化算法流程图，具体过程为：
S3.1：初始化蚁群，将维解空间的每一维等分为
Figure DEST_PATH_IMAGE119
，蚂蚁的初始分布是每个子区间一个，总共有
Figure 66802DEST_PATH_IMAGE120
个；
S3.2：信息量计算，第
Figure DEST_PATH_IMAGE121
只蚂蚁所在位置的坐标为
Figure 265702DEST_PATH_IMAGE122
，则其携带的信息量按下式计算：
Figure DEST_PATH_IMAGE123
其中，
Figure 731318DEST_PATH_IMAGE119
为两只蚂蚁间信息素含量的峰值，为目标函数
Figure 52578DEST_PATH_IMAGE124
的倒数；
Figure DEST_PATH_IMAGE125
为压缩系数；
Figure 806907DEST_PATH_IMAGE126
为第
Figure 606236DEST_PATH_IMAGE128
只蚂蚁与第
Figure DEST_PATH_IMAGE129
只蚂蚁之间的距离，
Figure 129621DEST_PATH_IMAGE130
；
S3.3：通过信息分布函数
Figure DEST_PATH_IMAGE131
在每一个子空间内的积分求得当前蚁群总信息量的分布情况，根据当前信息量总和占整个问题总和的比例，以及当前的蚁群规模，决定各子区间内应有的蚁数分布。每个子区间应有的蚂蚁数按下式计算：
Figure 684100DEST_PATH_IMAGE132
其中，
Figure DEST_PATH_IMAGE133
表示对
Figure 716603DEST_PATH_IMAGE134
维空间的信息素进行
Figure 257306DEST_PATH_IMAGE134
重积分求得的整个空间内信息素含量总和。
S3.4：根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别，决定蚁群的移动方向，并加以移动，更改当前蚂蚁坐标。在蚂蚁完成一次整体移动之后，再进行相应的信息量分布计算和蚁群移动操作；
S3.5：计算目标函数；
S3.6：判断是否满足算法切换；若是，进入步骤S3.7；若否进入步骤S3.2。考虑到蚁群算法在局部迭代时逐步逼近最优解的速度变慢，因此本发明根据蚁群算法相邻两步之间最佳目标函数值下降的相对值小于某一程度来切换算法，即按下式确定：
Figure DEST_PATH_IMAGE135
其中，
Figure 963094DEST_PATH_IMAGE136
为目标函数值，
Figure DEST_PATH_IMAGE137
为迭代次数，
Figure 360577DEST_PATH_IMAGE138
为切换门坎。
S3.7：梯度算法，梯度法是将目标函数的负梯度方向作为每一步迭代的搜索方向，且每一步都取负梯度方向的最优步长进行迭代，迭代公式按下式确定：
Figure DEST_PATH_IMAGE139
其中，
Figure 89499DEST_PATH_IMAGE140
为目标函数在
Figure DEST_PATH_IMAGE141
维空间的梯度，
Figure 230630DEST_PATH_IMAGE142
为步长因子。
S3.8：判断是否达到最优；若是，进入步骤S3.9；若否进入步骤S3.7；
S3.9：输出辨识结果。
通过负荷记录装置获得条现场的负荷动态特性的实测记录后，利用混合优化算法逐条对实测数据进行综合负荷模型的参数辨识，分别得到14个参数，建立
Figure DEST_PATH_IMAGE143
的负荷模型参数集，即：
Figure 790924DEST_PATH_IMAGE144
S4：模型参数优选
根据所建的
Figure DEST_PATH_IMAGE145
的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的。Kriging算法从统计意义上说，是从参数相关性和变异性出发，在有限区域内对参数取值进行无偏、最优估计的一种方法，是一种特定的滑动加权平均法。对于综合负荷模型参数的
Figure 359309DEST_PATH_IMAGE146
次辨识结果，它们之间具有相关性，适合采用Kriging算法进行无偏、最优估计。
对某一负荷模型参数变量
Figure DEST_PATH_IMAGE147
，进行
Figure 575527DEST_PATH_IMAGE148
此辨识的结果分别为
Figure DEST_PATH_IMAGE149
，则Kriging算法对该参数的估计值
Figure 520349DEST_PATH_IMAGE150
为：
Figure DEST_PATH_IMAGE151
其中，
Figure 935150DEST_PATH_IMAGE152
为权重系数，表示各次的辨识值对估计值的贡献程度。在求取权重系数时必须满足两个条件，一是保证估计是无偏的，即偏差的数学期望为零；二是最优的，即使估计方差最小。
保证无偏、最优估计，即保证下式：
Figure DEST_PATH_IMAGE153
求解上式线性方程组，求出权重系数
Figure 940015DEST_PATH_IMAGE154
和拉格朗日系数
Figure DEST_PATH_IMAGE155
，可得某一负荷参数的估计值
Figure 440266DEST_PATH_IMAGE156
，同时可知估计方差
Figure DEST_PATH_IMAGE157
，按下式确定：
Figure 860883DEST_PATH_IMAGE158
S5：负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选，计算在实测数据下各参数的无偏、最优估计值，即可得到一组反映实测数据统计特征的负荷模型参数。当现场记录了若干新的实测数据时，对这些实测数据进行曲线辨识，然后将新辨识的负荷模型参数加入负荷参数集里，重新进行Kriging算法的参数优选，用来取代原来的模型参数。

Claims (4)

1.一种电力***测量与负荷参数分析辨识方法，其特征在于，所述方法包括以下步骤：
S1：根据负荷量测信息聚类分析，确定负荷记录装置安装点；
S2：负荷模型采用综合负荷模型，其结构为电动机并联静特性负荷模型，反映负荷动态特性；该模型共有14个参数，即感应电动机定子电阻
Figure DEST_PATH_IMAGE002
和定子电抗
Figure DEST_PATH_IMAGE004
、励磁电抗
Figure DEST_PATH_IMAGE006
、转子电阻
Figure DEST_PATH_IMAGE008
和转子电抗
Figure DEST_PATH_IMAGE010
、转子惯性时间常数
Figure DEST_PATH_IMAGE012
、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例
Figure DEST_PATH_IMAGE014
、感应电动机初始负荷率
Figure DEST_PATH_IMAGE016
，以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数
Figure DEST_PATH_IMAGE018
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；
Figure DEST_PATH_IMAGE020
为额定初始负荷率系数，
Figure DEST_PATH_IMAGE022
是感应电动机的额定容量，
Figure DEST_PATH_IMAGE024
是负荷基准电压，
Figure DEST_PATH_IMAGE026
是暂态过程中负荷母线电压初始值；
Figure DEST_PATH_IMAGE028
为负荷模型的独立待辨识参数向量，
Figure DEST_PATH_IMAGE030
为可以通过电机稳态条件和
Figure DEST_PATH_IMAGE032
求得的辨识参数向量，
Figure DEST_PATH_IMAGE034
为电动机初始的暂态电压，
Figure DEST_PATH_IMAGE036
为电动机的转差率，
Figure DEST_PATH_IMAGE038
为定子和转子之间的同步电抗，
Figure DEST_PATH_IMAGE040
为负载率；
S3：进行负荷模型参数辨识，具体步骤包括：
S3.1：通过负荷记录装置获得现场的负荷动态特性的实测记录，从
Figure DEST_PATH_IMAGE042
时刻开始采样，到
Figure DEST_PATH_IMAGE044
时刻采样结束，共计采样
Figure DEST_PATH_IMAGE046
次，
Figure DEST_PATH_IMAGE048
时刻的实际测量值记为
Figure DEST_PATH_IMAGE050
，对应辨识负荷模型
Figure DEST_PATH_IMAGE052
时刻的响应值为
Figure DEST_PATH_IMAGE054
；
S3.2：设定独立待辨识参数相量
Figure DEST_PATH_IMAGE056
的初始值，采用混合优化算法对以下目标函数寻优：
Figure DEST_PATH_IMAGE058
混合优化算法的基本思想是结合蚁群算法与梯度类算法，综合利用蚁群算法全局寻优性能好而梯度类算法局部收敛快的特点，形成一种新的参数辨识算法；即采用蚁群算法起步迭代，在某一适当的时刻选取若干个当前较优的蚂蚁，切换为梯度类算法进行搜索迭代，直至收敛；
蚁群算法中信息量函数
Figure DEST_PATH_IMAGE060
和每个子区间应有的蚂蚁数按照以下公式确定：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE064
为两只蚂蚁间信息素含量的峰值，为目标函数
Figure DEST_PATH_IMAGE066
的倒数；
Figure DEST_PATH_IMAGE068
为压缩系数；
Figure DEST_PATH_IMAGE070
为蚂蚁的个数；
Figure DEST_PATH_IMAGE072
为第
Figure DEST_PATH_IMAGE074
只蚂蚁与第
Figure DEST_PATH_IMAGE076
只蚂蚁之间的距离，
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE080
表示对
Figure DEST_PATH_IMAGE082
维空间的信息素进行
Figure 771502DEST_PATH_IMAGE082
重积分求得的整个空间内信息素含量总和；
梯度法的迭代公式按下式确定：
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE086
为目标函数在
Figure 806323DEST_PATH_IMAGE082
维空间的梯度，
Figure DEST_PATH_IMAGE088
为步长因子；
S4：负荷模型参数优选
根据所建的
Figure DEST_PATH_IMAGE090
的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；
S5：负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选，计算在实测数据下各参数的无偏、最优估计值，即可得到一组反映实测数据统计特征的负荷模型参数；当现场记录了若干新的实测数据时，对这些实测数据进行曲线辨识，然后将新辨识的负荷模型参数加入负荷参数集里，重新进行Kriging算法的参数优选，用来取代原来的模型参数。
2.根据权利要求1所述的一种电力***测量与负荷参数分析辨识方法，其特征在于，负荷聚类方法，采用SOM神经网络的聚类分析方法，获胜神经元及其邻域神经元的连接权调整按照下式确定：
Figure DEST_PATH_IMAGE092
其中
Figure DEST_PATH_IMAGE094
代表学习率,且
Figure DEST_PATH_IMAGE096
是获胜神经元领域函数,
Figure DEST_PATH_IMAGE098
和
Figure DEST_PATH_IMAGE100
分别为获胜节点和其他节点j在输出层二维拓扑空间中的位置；
Figure DEST_PATH_IMAGE102
为邻域的范围。
3.根据权利要求1所述的一种电力***测量与负荷参数分析辨识方法，其特征在于，所述步骤S3.2中，混合优化算法中不同算法的切换条件，因蚁群算法在局部迭代时逐步逼近最优解的速度变慢，因此根据蚁群算法相邻两步之间最佳目标函数值之间的相对值小于某一程度来切换算法，即按下式确定：
Figure DEST_PATH_IMAGE104
其中，
Figure DEST_PATH_IMAGE106
为目标函数值，
Figure DEST_PATH_IMAGE108
为迭代次数，
Figure DEST_PATH_IMAGE110
为切换门坎。
4.根据权利要求1所述的一种电力***测量与负荷参数分析辨识方法，其特征在于，根据负荷模型参数优选，所建的
Figure DEST_PATH_IMAGE112
的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；对某一负荷模型参数变量
Figure DEST_PATH_IMAGE114
的Kriging算法估计值
Figure DEST_PATH_IMAGE116
按下式确定：
Figure DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE120
为权重系数，表示各次的辨识值对估计值的贡献程度，为保证估计是无偏、最优的，
Figure 235949DEST_PATH_IMAGE120
的取值由下式确定：
Figure DEST_PATH_IMAGE122
其中，
Figure DEST_PATH_IMAGE124
为拉格朗日系数。
CN201911307051.8A 2019-12-18 2019-12-18 一种电力***测量与负荷参数分析辨识方法 Withdrawn CN110932274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911307051.8A CN110932274A (zh) 2019-12-18 2019-12-18 一种电力***测量与负荷参数分析辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911307051.8A CN110932274A (zh) 2019-12-18 2019-12-18 一种电力***测量与负荷参数分析辨识方法

Publications (1)

Publication Number Publication Date
CN110932274A true CN110932274A (zh) 2020-03-27

Family

ID=69864216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911307051.8A Withdrawn CN110932274A (zh) 2019-12-18 2019-12-18 一种电力***测量与负荷参数分析辨识方法

Country Status (1)

Country Link
CN (1) CN110932274A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111725804A (zh) * 2020-06-10 2020-09-29 国网新疆电力有限公司 一种综合负荷模型参数辨识方法和计算机可读存储介质
CN111835016A (zh) * 2020-08-15 2020-10-27 杨银平 一种电网失稳分析方法
CN111835014A (zh) * 2020-08-15 2020-10-27 杨银平 一种多节点电网稳压控制***
CN111835015A (zh) * 2020-08-15 2020-10-27 杨银平 一种电力设备协调控制***
CN112039051A (zh) * 2020-06-30 2020-12-04 长沙理工大学 一种含双馈风力发电机接入变电站母线负荷的实时建模方法
CN112419093A (zh) * 2020-11-26 2021-02-26 清华大学 基于聚类算法的负荷模型特征参数提取方法和装置
CN112836320A (zh) * 2020-12-15 2021-05-25 国网江苏省电力有限公司 一种电力负荷在线建模修正方法
CN112883632A (zh) * 2021-01-13 2021-06-01 合肥工业大学 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN113159150A (zh) * 2021-04-12 2021-07-23 浙江工业大学 一种基于多算法集成的分歧介入珍珠分拣方法
WO2021243930A1 (zh) * 2020-06-05 2021-12-09 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125685A1 (en) * 2009-11-24 2011-05-26 Rizvi Syed Z Method for identifying Hammerstein models
CN103872678A (zh) * 2014-03-06 2014-06-18 国家电网公司 一种基于变电站量测的负荷模型辨识方法
CN104880992A (zh) * 2014-12-23 2015-09-02 湘潭大学 基于Kriging代理模型的磁控电弧传感器参数优化方法
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力***负荷数据辨识及修复方法
CN106650206A (zh) * 2016-09-28 2017-05-10 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的高血压预测方法和预测***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125685A1 (en) * 2009-11-24 2011-05-26 Rizvi Syed Z Method for identifying Hammerstein models
CN103872678A (zh) * 2014-03-06 2014-06-18 国家电网公司 一种基于变电站量测的负荷模型辨识方法
CN104880992A (zh) * 2014-12-23 2015-09-02 湘潭大学 基于Kriging代理模型的磁控电弧传感器参数优化方法
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力***负荷数据辨识及修复方法
CN106650206A (zh) * 2016-09-28 2017-05-10 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的高血压预测方法和预测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
秦川 等: "电力负荷模型参数辨识的混合优化算法" *
高铭 等: "支持向量机在地统计学中的应用研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021243930A1 (zh) * 2020-06-05 2021-12-09 中国电力科学研究院有限公司 母线负荷构成辨识方法及机器可读存储介质
CN111725804A (zh) * 2020-06-10 2020-09-29 国网新疆电力有限公司 一种综合负荷模型参数辨识方法和计算机可读存储介质
CN112039051A (zh) * 2020-06-30 2020-12-04 长沙理工大学 一种含双馈风力发电机接入变电站母线负荷的实时建模方法
CN111835016A (zh) * 2020-08-15 2020-10-27 杨银平 一种电网失稳分析方法
CN111835014A (zh) * 2020-08-15 2020-10-27 杨银平 一种多节点电网稳压控制***
CN111835015A (zh) * 2020-08-15 2020-10-27 杨银平 一种电力设备协调控制***
CN111835016B (zh) * 2020-08-15 2021-11-02 杨银平 一种电网失稳分析方法
CN112419093A (zh) * 2020-11-26 2021-02-26 清华大学 基于聚类算法的负荷模型特征参数提取方法和装置
CN112836320A (zh) * 2020-12-15 2021-05-25 国网江苏省电力有限公司 一种电力负荷在线建模修正方法
CN112836320B (zh) * 2020-12-15 2022-10-25 国网江苏省电力有限公司 一种电力负荷在线建模修正方法
CN112883632A (zh) * 2021-01-13 2021-06-01 合肥工业大学 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN113159150A (zh) * 2021-04-12 2021-07-23 浙江工业大学 一种基于多算法集成的分歧介入珍珠分拣方法

Similar Documents

Publication Publication Date Title
CN110932274A (zh) 一种电力***测量与负荷参数分析辨识方法
CN112510707B (zh) 一种配电台区电力阻抗拓扑图生成方法及***
CN108155648A (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
Nichiforov et al. Deep learning techniques for load forecasting in large commercial buildings
CN103544525A (zh) 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
CN107103184A (zh) 一种高压电缆接头温度预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
CN113177600B (zh) 一种电力***自适应鲁棒状态估计方法
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
Han et al. Multi‐objective robust dynamic VAR planning in power transmission girds for improving short‐term voltage stability under uncertainties
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
Yang et al. Multi-objective optimization of contactor’s characteristics based on RBF neural networks and hybrid method
CN104811336A (zh) 基于智能优化的分布式网络流量预测方法
CN115907122A (zh) 区域电动汽车充电负荷预测方法
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
Sun et al. Support vector machines with PSO algorithm for short-term load forecasting
Jiang et al. Two‐level area‐load modelling for OPF of power system using reinforcement learning
Nichiforov et al. Efficient Load Forecasting Model Assessment for Embedded Building Energy Management Systems
CN113285440B (zh) 一种低压台区降损优化方法
CN113408160B (zh) 一种基于多目标优化的电机参数设计方法
CN115688535A (zh) 基于波形相似性分析的功率数据组合插值方法及***
Matsumoto et al. Connection Phase Estimation of Pole Mounted Distribution Transformers by Integer Form of Population Based Incremental Learning Considering Measurement Errors and Outliers by Correntropy
CN113361187A (zh) 一种电网线路运行安全优化方法、***及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200327

WW01 Invention patent application withdrawn after publication