CN117077546B - 基于数据驱动的电力***负荷建模方法及其*** - Google Patents
基于数据驱动的电力***负荷建模方法及其*** Download PDFInfo
- Publication number
- CN117077546B CN117077546B CN202311330762.3A CN202311330762A CN117077546B CN 117077546 B CN117077546 B CN 117077546B CN 202311330762 A CN202311330762 A CN 202311330762A CN 117077546 B CN117077546 B CN 117077546B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- power
- coefficient
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000000203 mixture Substances 0.000 claims description 140
- 230000004044 response Effects 0.000 claims description 136
- 238000005259 measurement Methods 0.000 claims description 100
- 230000006698 induction Effects 0.000 claims description 63
- 230000003068 static effect Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 29
- 230000035945 sensitivity Effects 0.000 claims description 28
- 238000005192 partition Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 21
- 238000005070 sampling Methods 0.000 description 9
- 239000000872 buffer Substances 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/70—Load identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力负荷建模技术领域,公开了一种基于数据驱动的电力***负荷建模方法及其***,其方法通过将电力***中的各类负荷进行等效简化,构建各类负荷分别对应的等效聚合负荷模型,基于电力***中的节点间的无功电压交互影响程度,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量,将筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集,通过深度强化学习算法对训练数据集进行离线训练,从而对在线实时量测电气量进行预测对应的实时负荷组成比例,通过实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识,提高了在线分析负荷组成和参数辨识的可靠性和准确性。
Description
技术领域
本发明涉及电力负荷建模技术领域,尤其涉及一种基于数据驱动的电力***负荷建模方法及其***。
背景技术
电力***的稳定特性分析主要依赖于仿真手段,其中负荷模型对仿真分析的结果具有重要影响。但随着可再生能源的大规模开发,大量分布式电源接入电力***,电力***负荷呈现多样性、时变性和复杂性特征,传统基于静态负荷和感应电动机的负荷模型难以准确反映新型电力***的真实负荷特性,亟需构建能够表征新型电力***复杂负荷特性的等值综合负荷模型。
等值综合负荷模型的构建主要包括三方面问题:一是构建各类型负荷的等值聚合模型结构;二是确定综合负荷模型中各类负荷的占比情况;三是综合负荷模型的参数辨识。在聚合模型构建方面,当前研究主要基于物理机理和仿真分析确定等值聚合模型的结构;在负荷组成分析和参数辨识方法,当前研究主要是采用最小二乘法、卡尔曼滤波法等传统算法或蚁群算法、粒子群算法等优化方法。
但当前以分布式光伏为代表的新型电力负荷点多面广且负荷特性的影响因素复杂,仅依赖物理机理和仿真手段确定等值聚合模型,所需计算复杂度和仿真规模较大,当前理论和技术条件难以满足。此外,新型电力***中负荷模型结构复杂,呈现高维非线性特征,内部各控制环节的传递量往往无法观测,导致综合负荷模型的组成成分和参数辨识难度较大,而基于传统技术手段在线分析负荷组成和参数辨识的可靠性和准确性较低。
发明内容
本发明提供了一种基于数据驱动的电力***负荷建模方法及其***,解决了基于传统技术手段在线分析负荷组成和参数辨识的可靠性和准确性较低的技术问题。
有鉴于此,本发明第一方面提供了一种基于数据驱动的电力***负荷建模方法,包括以下步骤:
步骤一、将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型;
步骤二、基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量;
步骤三、根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集;
步骤四、基于深度强化学习算法对所述训练数据集进行离线训练,搭建负荷组成模型;
步骤五、将在线实时量测电气量输入至所述负荷组成模型中,输出对应的实时负荷组成比例;
步骤六、基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识。
优选地,步骤一具体包括:
步骤101、获取电力***中的负荷类型,所述负荷类型包括静态负荷、感应电动机负荷和分布式光伏;
步骤102、构建静态负荷对应的等效聚合负荷模型为:
;
式中,P、Q分别表示静态负荷的有功功率和无功功率,P 0和Q 0分别表示静态负荷所消耗的额定有功功率和额定无功功率,U和U 0分别表示静态负荷的母线的实际电压和额定电压,a、b、c均表示静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数,、/>、/>分别表示静态负荷的无功恒阻抗系数、无功恒电流系数、无功恒功率系数;
步骤103、通过对各个静态负荷的额定有功功率和额定无功功率进行加和,得到静态负荷的等效聚合负荷模型的有功功率和无功功率;
步骤104、通过对各个静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数分别进行加权计算,得到静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数;
步骤105、构建感应电动机负荷对应的等效聚合负荷模型,所述等效聚合负荷模型为各个感应电动机负荷等效电路进行聚合得到,其中,每个感应电动机负荷等效电路包括定子支路、励磁支路和转子支路,其中,所述定子支路分别与所述励磁支路和所述转子支路构成回路连接,所述励磁支路和所述转子支路并联连接;
步骤106、基于各感应电动机负荷节点的量测功率,计算各感应电动机负荷的权重系数为:
;
式中,P i 表示第i个感应电动机负荷节点的量测功率,d为电动机负荷数目,表示第i个感应电动机负荷的权重系数;
步骤107、通过下式计算感应电动机负荷对应的等效聚合负荷模型的等值惯性时间常数为:
;
式中,表示等值惯性时间常数,TJi表示第i个感应电动机负荷的惯性时间常数;
步骤108、通过计算感应电动机负荷等效电路中各支路导纳的加权均值,获得感应电动机负荷的等效聚合负荷模型的等值电路参数,所述等值电路参数包括各个电气支路的阻抗;
步骤109、根据分布式光伏并网点到110kV枢纽节点的电气距离对分布式光伏进行分区;
步骤110、基于每个分区的分布式光伏的历史气象数据和历史日出力数据,每个分区内的分布式光伏进行聚类分析,得到多个分布式光伏簇;
步骤111、根据多个分布式光伏簇构建分区内的分布式光伏的等效聚合负荷模型,其中,分区内的分布式光伏的等效聚合负荷模型的容量为分区内的各个分布式光伏容量之和;
步骤112、将多个分区内的分布式光伏的等效聚合负荷模型进行联级,构建分布式光伏的等效聚合负荷模型。
优选地,步骤109具体包括:
步骤1091、根据电力***的拓扑结构和潮流数据,构建***带权无向图;
步骤1092、将所述***带权无向图中的每个110kV节点作为枢纽节点,对目标分布式光伏并网点到目标枢纽节点的所有路径的电气距离进行遍历计算,确定目标分布式光伏并网点到目标枢纽节点的最短路径以及其对应的电气距离,其中,所述电气距离为目标光伏并网点到目标枢纽节点的路径的边的权值累加和;
步骤1093、对目标枢纽节点进行更新并以更新后的目标枢纽节点重复步骤1092,直至对所有枢纽节点进行遍历计算,得到与所述目标分布式光伏并网点的电气距离最短的110kV节点,将所述所述目标分布式光伏并网点对应的分布式光伏归入相应的电气距离最短的110kV节点的所辖分区;
步骤1094、对所述目标分布式光伏并网点进行更新并以更新后的目标分布式光伏并网点重复步骤1092~1093,直至对所有分布式光伏并网点进行遍历计算,从而对所有分布式光伏进行分区。
优选地,步骤110具体包括:
步骤1101、采集各分区内分布式光伏的历史气象数据和历史日出力数据,根据不同的气象类型对所述历史日出力数据进行划分为多个数据子集,每个数据子集构成[气象数据 日出力数据]的向量形式;
步骤1102、对每个数据子集中的历史日出力数据进行平均值计算,得到各数据子集的典型值;
步骤1103、从分布式光伏的数据子集中任选一个典型值,依次计算所选的典型值与其它一个典型值之间的Frechet距离;
步骤1104、获取所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目,若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目不低于预设的数据数目阈值时,则以所选的典型值为聚类中心,并与其的Frechet距离小于预设的数据数目阈值内的历史日出力数据形成一个聚类簇;若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目低于预设的数据数目阈值时,则将所选的典型值作为边缘点,并抽取未遍历过的典型值重新执行步骤1103,直至所有历史日出力数据被归类至相应的聚类中心,得到多个分布式光伏簇。
优选地,步骤二具体包括:
步骤201、构建配电网***关于分布式光伏节点的潮流方程矩阵为,
;
式中,和/>分别为节点的有功功率的变化量和无功功率的变化量;/>和分别为节点电压相角的变化量和电压幅值的变化量;K、J均为子矩阵;
其中,子矩阵K和J分别为,
;
式中,i和j均表示节点编号,Kij为节点i和节点j之间的子矩阵,Jij为节点i和节点j之间的子矩阵,Vi和Vj分别节点i的电压和节点j的电压,Bij为节点i和节点j之间的节点阻抗矩阵的虚部,h和o分别表示节点数目和PQ节点数目;
步骤202、对子矩阵J求其逆矩阵,确定节点无功功率的变化量与节点电压幅值的变化量的数学关系为,
;
式中,表示子矩阵J的逆矩阵;
步骤203、获取逆矩阵中第i行、第k列的元素/>,元素/>描述了节点k与枢纽节点之间的无功电压耦合程度指标值;
步骤204、将分区内的各个节点按照无功电压耦合程度指标值的大小进行降序排序,选取排序在预设的安装比例前的所有节点作为关键量测点,在所述关键量测点安装电气量量测装置,以获取关键量测点对应的量测电气量;
步骤205、采用蒙特卡洛方法随机生成不同负荷组成及其比例情况;
步骤206、改变关键量测点下的每一类负荷的组成比例,计算关键量测点的各量测电气量的变化值,通过下式计算关键量测点的量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度为:
;
式中,A jm 为关键量测点m对节点j的负荷组成比例变化的灵敏度,p为采集的电气量种类数,T c 为仿真总步长,t为第t个步长,l为第l个量测电气量的响应,yml表示关键量测点m的第l个量测电气量的响应量,为节点j下的第x种负荷组成比例,/>为节点j下第x种负荷的给定比例,/>表示节点j下第x种负荷组成比例的变化量,/>为第x种负荷的给定比例,/>为第x种负荷组成比例,/>为第x种负荷组成比例的变化量,ymlN为响应量yml对应的额定值;
步骤207、通过量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度计算关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度;
步骤208、将各个关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度按照从大到小进行排序,选取预设的灵敏度排序位数之前的量测电气量作为主成分量测电气量。
优选地,步骤四具体包括:
步骤401、采用深度确定性梯度算法对所述训练数据集进行离线训练,并对动作空间、状态空间设计和奖励函数进行设计如下:
其中,通过各类负荷组成比例的变化量作为负荷组成模型的输出动作空间,将各类负荷组成比例的修正量作为负荷组成模型的动作输出,其中,修正过程为:
;
式中:表示负荷类型i在k+1步时的比例系数,/>表示负荷组成模型计算出的负荷类型i在k+1步时的比例系数修正量,/>表示负荷类型i在k步时的比例系数;
其中,将主成分量测电气量的变化作为负荷组成模型的状态空间,并对主成分量测电气量进行归一化计算;
其中,将奖励函数设计为:
;
式中,R为奖励值,和/>分别表示观测状态量的种类数以及观测状态量的量测数据长度,h表示第h个观测状态量的种类,w表示第w个观测状态量的量测数据长度,/>表示归一化后的主成分量测电气量,/>表示状态信息 i在t时刻的电力***模型仿真值,表示状态信息i的额定值;
步骤402、按照分区内的各个节点按照无功电压耦合程度指标值的排序结果逐个增加量测点,获取每次训练输出的各类负荷组成比例的计算结果的误差并取平均误差值,直至误差平均值小于预设的误差阈值或所有量测点均已布置了电气量量测装置,迭代训练结束,输出负荷组成模型。
优选地,步骤六具体包括:
步骤601、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,获得各类负荷的典型响应曲线及其所对应的负荷的等效聚合负荷模型的模型参数,构建负荷响应及模型参数的离线模式库,其中,所述典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
步骤602、将在线实时量测获取的响应量测曲线在所述负荷响应及模型参数的离线模式库中的典型响应曲线进行向量距离匹配,匹配得到向量距离最小的典型响应曲线;
步骤603、将匹配得到的典型响应曲线对应的模型参数作为校正的初始参数,计算匹配得到的典型响应曲线与其对应的响应量测曲线之间的平均绝对误差,根据平均绝对误差的倒数确定典型响应曲线的适应度评价指标值;
步骤604、将所述功率响应输出曲线和所述电压响应输出曲线分别对应的适应度评价指标值进行加权计算,得到加权平均适应度;
步骤605、根据所述加权平均适应度通过预置公式计算参数梯度与参数修正量,并对当前迭代次数下的模型参数进行迭代校正,直至达到预设的最大迭代次数,输出对应的模型参数作为等效聚合负荷模型的参数辨识结果。
优选地,步骤601具体包括:
步骤6011、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,其中,工况条件包括总体负荷水平、节点注入功率和故障位置,获取多组响应数据,所述响应数据包括典型响应曲线及其所对应的等效聚合负荷模型的模型参数,所述典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
步骤6012、对多组响应数据按照组别进行分类,得到多个分类数据集;
步骤6013、随机选取每个分类数据集中的一个响应数据作为基点移至基点集,计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值;
步骤6014、若相关系数大于预设的相关系数阈值,则将相应的响应数据移至归类数据集,并取分类数据集中最小相关系数的响应数据作为新的基点,并将其移入基点集,重新转至计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值的步骤,直至分类数据集为空,执行下一步;
步骤6015、将所述基点集中的每一个基点作为聚类中心,计算每个归类数据集中的响应数据与所述聚类中心的相关系数,将每个归类数据集中的响应数据归入至相关系数最大的基点所对应的响应数据簇类,从而将多组响应数据聚类划分为多组响应数据簇类;
步骤6016、将多组响应数据簇类中的所有响应数据的平均值作为典型模式类别对应的典型模型参数,根据各个典型模式类别以及其对应的典型模型参数组成负荷响应及模型参数的离线模式库。
第二方面,本发明还提供了一种基于数据驱动的电力***负荷建模***,包括:
等效建模模块,用于将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型;
量测点筛选模块,用于基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量;
训练集构建模块,用于根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集;
离线训练模块,用于基于深度强化学习算法对所述训练数据集进行离线训练,搭建负荷组成模型;
在线输出模块,用于将在线实时量测电气量输入至所述负荷组成模型中,输出对应的实时负荷组成比例;
参数辨识模块,用于基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过将电力***中的各类负荷进行等效简化,构建各类负荷分别对应的等效聚合负荷模型,基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量,将筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集,通过深度强化学习算法对训练数据集进行离线训练,搭建负荷组成模型,从而对在线实时量测电气量进行预测对应的实时负荷组成比例,并通过实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识,从而使得计算复杂度和仿真规模的依赖较小,能够实现负荷组成和参数辨识的在线辨识,提高了在线分析负荷组成和参数辨识的可靠性和准确性。
附图说明
图1为本发明实施例提供的一种基于数据驱动的电力***负荷建模方法的流程图;
图2为本发明实施例提供的感应电动机负荷等效电路示意图;
图3为本发明实施例提供的一种基于数据驱动的电力***负荷建模***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供的一种基于数据驱动的电力***负荷建模方法,包括以下步骤:
步骤一、将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型。
其中,电力***的各类负荷包括静态负荷、感应电动机负荷和分布式光伏。
步骤二、基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量。
其中,对于电力***中的节点间的无功电压交互影响程度越高,则节点对应的量测电气量越具有代表性,则可以依据电力***中的节点间的无功电压交互影响程度,筛选出关键量测点。
通过在关键量测点获得量测电气量,而负荷组成比例变化对量测电气量会产生影响,则依据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量,其中,主成分量测电气量则是为较为重要的量测电气量。
步骤三、根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集。
步骤四、基于深度强化学习算法对训练数据集进行离线训练,搭建负荷组成模型。
步骤五、将在线实时量测电气量输入至负荷组成模型中,输出对应的实时负荷组成比例。
步骤六、基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识。
需要说明的是,本实施例提供的一种基于数据驱动的电力***负荷建模方法,通过将电力***中的各类负荷进行等效简化,构建各类负荷分别对应的等效聚合负荷模型,基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量,将筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集,通过深度强化学习算法对训练数据集进行离线训练,搭建负荷组成模型,从而对在线实时量测电气量进行预测对应的实时负荷组成比例,并通过实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识,从而使得计算复杂度和仿真规模的依赖较小,能够实现负荷组成和参数辨识的在线辨识,提高了在线分析负荷组成和参数辨识的可靠性和准确性。
在一个具体实施例中,步骤一具体包括:
步骤101、获取电力***中的负荷类型,负荷类型包括静态负荷、感应电动机负荷和分布式光伏。
步骤102、构建静态负荷对应的等效聚合负荷模型为:
;
式中,P、Q分别表示静态负荷的有功功率和无功功率,P 0和Q 0分别表示静态负荷所消耗的额定有功功率和额定无功功率,U和U 0分别表示静态负荷的母线的实际电压和额定电压,a、b、c均表示静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数,、/>、/>分别表示静态负荷的无功恒阻抗系数、无功恒电流系数、无功恒功率系数。
可以理解的是,上式为由恒阻抗、恒电流、恒功率部分组成的多项式描述静态负荷对应的等效聚合负荷模型,故只需要计算出聚合静态负荷模型多项式中对应的参数(a、b、c、、/>、/>、P 0和Q 0)。
其中,a=a1, a2, …, an,b=b1, b2, …, bn,c=c1, c2, …, cn,,/>, …,;/>,/>,…,/>,n表示静态负荷的序号。
步骤103、通过对各个静态负荷的额定有功功率和额定无功功率进行加和,得到静态负荷的等效聚合负荷模型的有功功率和无功功率。
其中,静态负荷的等效聚合负荷模型的有功功率和无功功率的计算公式为下式:
;
式中,和/>分别为静态负荷的等效聚合负荷模型的有功功率和无功功率,和/>分别为第n个静态负荷的所消耗的额定有功功率和额定无功功率。
步骤104、通过对各个静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数分别进行加权计算,得到静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数;
其中,静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数的计算公式为下式:
;
;
式中,、/>、/>、/>、/>、/>分别为静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数。
步骤105、构建感应电动机负荷对应的等效聚合负荷模型,等效聚合负荷模型为各个感应电动机负荷等效电路进行聚合得到,其中,每个感应电动机负荷等效电路包括定子支路、励磁支路和转子支路,其中,定子支路分别与励磁支路和转子支路构成回路连接,励磁支路和转子支路并联连接;
其中,感应电动机负荷等效电路如图2所示,图2示意了感应电动机负荷等效电路,其中,感应电动机负荷等效电路包括定子支路、励磁支路和转子支路,图中,Rs和Xs分别表示定子支路的电阻和电抗,Xm表示励磁支路的电抗,Rr和Xr分别表示转子支路电阻和电抗,s表示转差率。故只需要计算出聚合感应电动机模型电路的上述参数及电动机等值惯性时间常数,即可描述聚合感应电动机负荷模型特性。
步骤106、基于各感应电动机负荷节点的量测功率,计算各感应电动机负荷的权重系数为:
;
式中,P i 表示第i个感应电动机负荷节点的量测功率,d为电动机负荷数目,表示第i个感应电动机负荷的权重系数;
步骤107、通过下式计算感应电动机负荷对应的等效聚合负荷模型的等值惯性时间常数为:
;
式中,表示等值惯性时间常数,TJi表示第i个感应电动机负荷的惯性时间常数;
其中,若以数学的形式来描述感应电动机的等值电路,而惯性时间常数是电动机的物理特征,它反映的是电动机从启动到加速的惯性大小。
步骤108、通过计算感应电动机负荷等效电路中各支路导纳的加权均值,获得感应电动机负荷的等效聚合负荷模型的等值电路参数,等值电路参数包括各个电气支路的阻抗;
其中,加权均值的计算公式为:
;
式中,ZM为等值电动机的电气支路阻抗,对定子支路Z=Rs+jXs,j为虚部,对励磁支路Z=jXm,对转子支路Z=Rr/s+jXr,Zi为第i个支路的阻抗。
步骤109、根据分布式光伏并网点到110kV枢纽节点的电气距离对分布式光伏进行分区;
具体地,步骤109具体包括:
步骤1091、根据电力***的拓扑结构和潮流数据,构建***带权无向图。
其中,基于图论将配电网***的拓扑结构描述为无向图,对配电网***中的所有节点进行编号,读取每个相连节点之间的联络线的阻抗和传输功率,将每个相连节点之间的联络线作为无向图的边,个相连节点之间的联络线的阻抗和传输功率的比值作为对应的边的权值,从而将无向图转换为***带权无向图。
其中,边权值大小通过下式计算得到:
;
式中,Wij表示带权无向图中节点i和j之间的边权值,xij表示节点i和j之间联络线的阻抗大小标幺值,pij表示节点i和j之间联络线传递的有功功率大小标幺值。
步骤1092、将***带权无向图中的每个110kV节点作为枢纽节点,对目标分布式光伏并网点到目标枢纽节点的所有路径的电气距离进行遍历计算,确定目标分布式光伏并网点到目标枢纽节点的最短路径以及其对应的电气距离,其中,电气距离为目标光伏并网点到目标枢纽节点的路径的边的权值累加和;
其中,路径的边的权值累加和通过下式计算得到:
;
式中,k为枢纽节点,表示节点i到k的路径的边的权值累加和,m为联络线序号,Wm表示从节点i到节点k的最小边权值累加和路径上第m条节点联络线上的边权值,n表示该最小边权值累加和路径上的联络线条数。
步骤1093、对目标枢纽节点进行更新并以更新后的目标枢纽节点重复步骤1092,直至对所有枢纽节点进行遍历计算,得到与目标分布式光伏并网点的电气距离最短的110kV节点,将目标分布式光伏并网点对应的分布式光伏归入相应的电气距离最短的110kV节点的所辖分区;
步骤1094、对目标分布式光伏并网点进行更新并以更新后的目标分布式光伏并网点重复步骤1092~1093,直至对所有分布式光伏并网点进行遍历计算,从而对所有分布式光伏进行分区。
步骤110、基于每个分区的分布式光伏的历史气象数据和历史日出力数据,每个分区内的分布式光伏进行聚类分析,得到多个分布式光伏簇。
具体地,步骤110具体包括:
步骤1101、采集各分区内分布式光伏的历史气象数据和历史日出力数据,根据不同的气象类型对历史日出力数据进行划分为多个数据子集,每个数据子集构成[气象数据日出力数据]的向量形式。
在一个示例中,气象类型包括春、夏、秋、冬四季和晴天、多云、雨天三种天气情况,并通过春、夏、秋、冬四季和晴天、多云、雨天三种天气情况进行两两组合对历史日出力数据进行划分,从而将历史日出力数据进行划分为S1-S12共12个数据子集。
其中,构成的[气象数据 日出力数据]的向量形式,其中气象数据包括太阳辐射、湿度、温度、风速、大气压力和背板温度,日出力曲线数据包括一天内分布式光伏的发电功率,时间间隔1小时。
步骤1102、对每个数据子集中的历史日出力数据进行平均值计算,得到各数据子集的典型值。
在一个示例中,对12个数据子集S1-S12中的数据进行平均值计算,得到各数据子集的典型值AS1~AS12,定义ASj-i表示分区中第j个数据子集中第i个光伏的典型值数据。
步骤1103、从分布式光伏的数据子集中任选一个典型值,依次计算所选的典型值与其它一个典型值之间的Frechet距离。
在一个示例中,从待处理的分布式光伏数据子集中任选一个典型值数据ASj-i,采用Frechet距离表征其与数据ASj-k之间的距离:
;
式中,A、B分别表示ASj-i与ASj-k中的日出力数据曲线,A(t)和B(t)分别为t时刻曲线A上的采样点; d[A(t),B(t)]为t时刻A、B曲线上采样点之间的欧氏距离,在每次采样中t离散的遍历单位区间得到该种采样下的最大距离,F(A,B)就是使该最大距离最小化的采样方式下的值,F(A,B)定义为Fik,以表示ASj-i与ASj-k的日出力数据间的Frechet距离。
步骤1104、获取所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目,若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目不低于预设的数据数目阈值时,则以所选的典型值为聚类中心,并与其的Frechet距离小于预设的数据数目阈值内的历史日出力数据形成一个聚类簇;若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目低于预设的数据数目阈值时,则将所选的典型值作为边缘点,并抽取未遍历过的典型值重新执行步骤1103,直至所有历史日出力数据被归类至相应的聚类中心,得到多个分布式光伏簇。
步骤111、根据多个分布式光伏簇构建分区内的分布式光伏的等效聚合负荷模型,其中,分区内的分布式光伏的等效聚合负荷模型的容量为分区内的各个分布式光伏容量之和。
其中,分区内的分布式光伏的等效聚合负荷模型结构与单一分布式光伏相同。由于分布式光伏模型和参数存在高维非线性特性,相关结构和控制参数暂取分布式光伏模型的典型值。
步骤112、将多个分区内的分布式光伏的等效聚合负荷模型进行联级,构建分布式光伏的等效聚合负荷模型。
在一个具体实施例中,步骤二具体包括:
步骤201、构建配电网***关于分布式光伏节点的潮流方程矩阵为,
;
式中,和/>分别为节点的有功功率的变化量和无功功率的变化量;/>和分别为节点电压相角的变化量和电压幅值的变化量;K、J均为子矩阵;
其中,子矩阵K和J分别为,
;
式中,i和j均表示节点编号,Kij为节点i和节点j之间的子矩阵,Jij为节点i和节点j之间的子矩阵,Vi和Vj分别节点i的电压和节点j的电压,Bij为节点i和节点j之间的节点阻抗矩阵的虚部,h和o分别表示节点数目和PQ节点数目;
步骤202、对子矩阵J求其逆矩阵,确定节点无功功率的变化量与节点电压幅值的变化量的数学关系为,
;
式中,表示子矩阵J的逆矩阵;
步骤203、获取逆矩阵中第i行、第k列的元素/>,元素/>描述了节点k与枢纽节点之间的无功电压耦合程度指标值;/>
其中,其元素的值越大则无功电压耦合程度越高,节点k的无功波动对110kV枢纽节点电压稳定性的影响越大。
步骤204、将分区内的各个节点按照无功电压耦合程度指标值的大小进行降序排序,选取排序在预设的安装比例前的所有节点作为关键量测点,在关键量测点安装电气量量测装置,以获取关键量测点对应的量测电气量;
其中,电气量量测装置可以为相量测量单元PMU。
步骤205、采用蒙特卡洛方法随机生成不同负荷组成及其比例情况;
其中,蒙特卡洛方法是处理电力***不确定性问题的主要方法,其按照各随机变量的概率分布对所有变量进行随机抽样,被广泛用于风险评估和样本生成领域,本发明采用该方法随机设置电力***负荷水平、负荷组成及其比例。
步骤206、改变关键量测点下的每一类负荷的组成比例,计算关键量测点的各量测电气量的变化值,通过下式计算关键量测点的量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度为:
;
式中,A jm 为关键量测点m对节点j的负荷组成比例变化的灵敏度,p为采集的电气量种类数,T c 为仿真总步长,t为第t个步长,l为第l个量测电气量的响应,yml表示关键量测点m的第l个量测电气量的响应量,为节点j下的第x种负荷组成比例,/>为节点j下第x种负荷的给定比例,/>表示节点j下第x种负荷组成比例的变化量,/>为第x种负荷的给定比例,/>为第x种负荷组成比例,/>为第x种负荷组成比例的变化量,ymlN为响应量yml对应的额定值;
步骤207、通过量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度计算关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度;
其中,平均灵敏度的计算公式为:
;
式中,N表示负荷节点总数。
步骤208、将各个关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度按照从大到小进行排序,选取预设的灵敏度排序位数之前的量测电气量作为主成分量测电气量。
其中,预设的灵敏度排序位数可以为前50%的量测电气量。
在一个具体实施例中,步骤四具体包括:
步骤401、采用深度确定性梯度算法对训练数据集进行离线训练,并对动作空间、状态空间设计和奖励函数进行设计如下:
其中,通过各类负荷组成比例的变化量作为负荷组成模型的输出动作空间,将各类负荷组成比例的修正量作为负荷组成模型的动作输出,其中,修正过程为:
;
式中:表示负荷类型i在k+1步时的比例系数,/>表示负荷组成模型计算出的负荷类型i在k+1步时的比例系数修正量,/>表示负荷类型i在k步时的比例系数;
其中,将主成分量测电气量的变化作为负荷组成模型的状态空间,并对主成分量测电气量进行归一化计算;
需要说明的是,主成分量测电气量能够提供电网运行中的电压、功率等状态信息以及当前的负荷组成比例,可用于分析相关负荷的组成比例情况。考虑到电网状态信息在数值上的差异性,因此对电网的状态信息进行归一化计算,具体方式如下:
;
式中,表示归一化后的主成分量测电气量,/>代表状态信息i在t时刻的量测值,/>代表状态信息i的额定值。
其中,将奖励函数设计为:
;
式中,R为奖励值,和/>分别表示观测状态量的种类数以及观测状态量的量测数据长度,h表示第h个观测状态量的种类,w表示第w个观测状态量的量测数据长度,/>表示归一化后的主成分量测电气量,/>表示状态信息 i在t时刻的电力***模型仿真值,表示状态信息i的额定值;
其中,对于奖励函数设计,负荷组成分析的目的在于寻找最优的负荷组成结果,使得电力***仿真结果与实际量测结果相接近。因此,负荷组成分析模型的效果,可以通过比较电力***的仿真结果与实际结果的差异进行评估。
其中,确定负荷组成模型的结构和环节,包括数据输入环节、数据缓存环节、离线训练环节以及在线应用环节。
其中,数据输入环节用于采集和记录关键量测点提供的量测变化量,并生成样本数据提供给数据缓存环节;数据缓存环节用于存储训练负荷组成分析模型所需的数据样本;离线训练环节通过与数据存储模块的交互,实现对负荷组成分析模型的离线训练;应用环节基于电网中的量测状态数据,对负荷组成进行在线分析并输出实时的负荷组成结果。
步骤402、按照分区内的各个节点按照无功电压耦合程度指标值的排序结果逐个增加量测点,获取每次训练输出的各类负荷组成比例的计算结果的误差并取平均误差值,直至误差平均值小于预设的误差阈值或所有量测点均已布置了电气量量测装置,迭代训练结束,输出负荷组成模型。
其中,平均误差值的计算公式为:
;
式中,表示平均误差值,M表示训练次数,/>和/>分别表示第i类负荷占比在第j次训练时的真实值和输出的计算值,i=1,2,3分别表示静态负荷、感应电动机负荷、分布式光伏。
在一个具体实施例中,步骤六具体包括:
步骤601、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,获得各类负荷的典型响应曲线及其所对应的负荷的等效聚合负荷模型的模型参数,构建负荷响应及模型参数的离线模式库,其中,典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
具体地,步骤601具体包括:
步骤6011、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,其中,工况条件包括总体负荷水平、节点注入功率和故障位置,获取多组响应数据,响应数据包括典型响应曲线及其所对应的等效聚合负荷模型的模型参数,典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
步骤6012、对多组响应数据按照组别进行分类,得到多个分类数据集;
在一个示例中,对N组响应数据按照组别进行分类,即若N组响应数据按照组别分类为N类响应数据,设分类集M1={Si | i=1,2,…,N },归类集M2= Ø,基点集M3= Ø。
其中,典型模式类别是基于工况条件进行预先分类得到的不同场景类别。
步骤6013、随机选取每个分类数据集中的一个响应数据作为基点移至基点集,计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值;
步骤6014、若相关系数大于预设的相关系数阈值,则将相应的响应数据移至归类数据集,并取分类数据集中最小相关系数的响应数据作为新的基点,并将其移入基点集,重新转至计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值的步骤,直至分类数据集为空,执行下一步;
在一个示例中,依次选取SiÎM1作为初始基点放入基点集M3并从M1中移除,根据式(18)计算分类集M1中所有响应与当前基点的相关系数,若相关系数大于阈值h则从分类集M1移至归类集M2,取分类集M1中具有最小相关系数的元素作为新基点,并将其移入基点集M3;
;
式中:Vi和Pi表示所选基点响应输出Si的电压和功率,Vj和Pj表示分类集M1中所考察响应输出Sj的电压和功率。
步骤6015、将基点集中的每一个基点作为聚类中心,计算每个归类数据集中的响应数据与聚类中心的相关系数,将每个归类数据集中的响应数据归入至相关系数最大的基点所对应的响应数据簇类,从而将多组响应数据聚类划分为多组响应数据簇类;
步骤6016、将多组响应数据簇类中的所有响应数据的平均值作为典型模式类别对应的典型模型参数,根据各个典型模式类别以及其对应的典型模型参数组成负荷响应及模型参数的离线模式库。
步骤602、将在线实时量测获取的响应量测曲线在负荷响应及模型参数的离线模式库中的典型响应曲线进行向量距离匹配,匹配得到向量距离最小的典型响应曲线。
其中,向量距离计算方法如下式所示:
;
式中,D为向量距离,T表示共有T个时刻的数据值。
步骤603、将匹配得到的典型响应曲线对应的模型参数作为校正的初始参数,计算匹配得到的典型响应曲线与其对应的响应量测曲线之间的平均绝对误差,根据平均绝对误差的倒数确定典型响应曲线的适应度评价指标值;
其中,适应度评价指标值如下式所示:
;
式中,YV为节点电压的适应度评价指标值,为典型响应曲线每个采样点的归一化数值,Vjk为响应量测曲线每个采样点的归一化数值,n为采样点个数,k为第k个采样点;
步骤604、将功率响应输出曲线和电压响应输出曲线分别对应的适应度评价指标值进行加权计算,得到加权平均适应度;
其中,加权平均适应度通过下式计算为:
;
式中,和/>分别表示节点电压和节点功率的适应度权重系数,YP为节点功率的适应度评价指标值,其中权重系数根据实际仿真分析需求进行确定,若对功率吻合度要求较高,则增大节点功率适应度权重系数;若对电压稳定性分析精度要求较高,则增大节点电压适应度权重系数。
步骤605、根据加权平均适应度通过预置公式计算参数梯度与参数修正量,并对当前迭代次数下的模型参数进行迭代校正,直至达到预设的最大迭代次数,输出对应的模型参数作为等效聚合负荷模型的参数辨识结果。
其中,预置公式为:
;/>
;
式中:θi为当前第i个模型参数,Y(θ0,…, θn)为在当前各模型参数下的加权平均适应度计算的适应度评价指标,为加权平均适应度Y对当前参数θi的梯度,ε为常数,ε在实际计算中取某一较小的正数,/>为迭代步长。
结合上述提供的基于数据驱动的电力***负荷建模方法,本发明还提供了一种负荷模型计算平台,包括负荷组成分析模块和负荷模型参数辨识模块。
其中,负荷组成分析模块包括离线训练部分和在线应用部分,在线应用时输入实时的量测信息能够输出实时的综合负荷组成情况。其中,数据来源为实际电力***负荷母线的电气量量测数据,包括母线电压、频率、注入有功功率和无功功率等;采样频率设置为0.02Hz,采样时间设置为5000秒,即以50s为时间间隔,采集100个电压、功率变化的数据点;
信息交互本质上是辨识算法和仿真***的接口模块,算法给仿真输入负荷组成情况或模型参数值,仿真返回对应的动态响应曲线,将该响应曲线与目标量测进行对照分析,以曲线间的拟合匹配程度评估所辨识负荷组成或模型参数的准确性,并赋予相应的修正量,从而进行下一次迭代或校正。
搭建与实际***结构、参数、规模相同(除负荷模型外)的机电暂态仿真模型,在不同负荷组成下进行暂态稳定仿真,生成不同负荷组成对应的动态响应轨迹。
输入:从离线训练环节输入负荷组成配比。
输出:向数据缓存环节(Buffer)输出暂态稳定仿真生成的电气量测数据(有功功率、无功功率、电压幅值的标幺值时间序列)。
量测数据环节:
功能:量测实际***的动态响应轨迹。一般是主配网连接处的变电站高压母线上的PMU量测装置,它量测该母线的电气量数据,包含:(有功功率、无功功率、电压幅值、频率等电气量的标幺值时间序列,时间分辨率大概在毫秒级,能够准确描述***的机电暂态相响应轨迹。
输入:和实际电力***接口。
输出:将实际电力***的量测量输出到数据缓存环节和DRL在线辨识模型,分别作为仿真动态轨迹的对比和DRL在线辨识负荷组成的输入。
数据缓存环节:
功能:存储DRL探索过程中获得的经验。内部存储由实际***量测、仿真平台生成的电气量测数据,仿真生成的电气数据附带相对应的仿真时负荷组成向量,还存储着DRL离线训练模型每次探索得到的奖励,其内部的数据缓存结构为(s,a,r,s’),分别代表(实际电网量测数据+当前负荷组成,负荷组成校正量,-|实际量测数据-仿真生成数据|,实际电网量测数据+校正后负荷组成)。
输入:由量测环节测得的实际电力***量测数据(实际动态轨迹),不同负荷组成对应的时域仿真数据(仿真动态轨迹)和其对应的负荷组成。
输出:像离线训练环节输出一定数量的数据缓存(s,a,r,s’)。
离线训练环节:
功能:依据Buffer中的经验训练辨识模型。可以理解为智能体根据当前状态s做出决策a,输入到仿真***并返回量测数据,将该数据与实际***量测数据对比后输出奖励r,并更新到状态s’,将每一次探索记录的(s,a,r,s’)存储到经验池中。训练时:从经验池中获取数据缓存(s,a,r,s’)对内部神经网络按照DRL算法进行训练,训练后的智能体继续执行前面的探索过程知道奖励达到预期标准,将此时训练好的DRL模型更新到DRL在线辨识模型中。
输入:Buffer中的数据缓存(s,a,r,s’)。
输出:向应用环节输出训练完成的Actor、critic神经网络权值。
6)应用环节:
功能:根据实际动态数据输出负荷组成。在离线训练模型达到预期指标后,复制训练完毕的模型作为在线辨识模型使用,其根据电网量测直接给出负荷组成的辨识结果。
输入:量测环节测得的实际电力***量测数据(实际动态轨迹)。
输出:当前的负荷组成。
同时,本发明所开发***具有管理平台,包括负荷组成分析管理模块和负荷模型参数管理模块。通过选择节点名称和电压等级,能够在界面上展示当前节点下综合负荷模型中各类型负荷的占比情况以及模型的参数辨识结果,并给出实际响应与仿真响应的对比。
与传统分析平台相比,能够在线实时地展示节点下的负荷组成情况及其模型参数辨识情况,并通过曲线对比直观展示辨识效果。
对于负荷组成分析模块,当从节点列表中点击选择节点后,可由图2所示界面展示此时该选中节点下综合负荷模型的组成成分辨识结果。饼状图给出了各类型负荷在综合负荷模型中所占的比例,比如此时该节点下静态负荷、感应电动机负荷、分布式电源等所占的比例分别为15%、40%、25%。此外,该界面展示了采用所辨识的综合负荷模型仿真分析时节点电压、节点功率的仿真曲线与真实曲线的对比,能够从响应曲线对比中评估负荷组成辨识的准确性。
对于模型参数辨识模块,当从节点列表中点击选择节点后,可由图3所示界面展示此时该选中节点下负荷模型参数的辨识结果。图中首先通过饼状图和文本形式给出了当前节点下综合负荷模型的组成成分,包括15%的静态负荷、40%的感应电动机负荷、25%的分布式电源等。继续点击选择相应的负荷类型,能够读取该类负荷模型内部参数的辨识情况。比如以感应电动机为例,当点击选取感应电动机负荷后,进一步得到感应电动机负荷模型的参数辨识结果列表,比如转子电抗和初始转速差的辨识结果分别为0.136pu和0.0114pu,并与能够得到的真实参数进行对比。此外,该功能界面还分别展示了该节点下采用负荷模型辨识参数后仿真响应与真实响应的对比曲线,包括节点电压、节点功率等电气量响应情况,根据响应曲线的吻合度和差异性能够评估负荷模型参数辨识的准确性。
以上为本发明提供的一种基于数据驱动的电力***负荷建模方法的实施例的详细描述,以下为本发明提供的一种基于数据驱动的电力***负荷建模***的实施例的详细描述。
为了便于理解,请参阅图3,本发明还提供了一种基于数据驱动的电力***负荷建模***,包括:
等效建模模块100,用于将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型;
量测点筛选模块200,用于基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量;
训练集构建模块300,用于根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集;
离线训练模块400,用于基于深度强化学习算法对训练数据集进行离线训练,搭建负荷组成模型;
在线输出模块500,用于将在线实时量测电气量输入至负荷组成模型中,输出对应的实时负荷组成比例;
参数辨识模块600,用于基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.基于数据驱动的电力***负荷建模方法,其特征在于,包括以下步骤:
步骤一、将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型;
步骤二、基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量;
步骤三、根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集;
步骤四、基于深度强化学习算法对所述训练数据集进行离线训练,搭建负荷组成模型;
步骤五、将在线实时量测电气量输入至所述负荷组成模型中,输出对应的实时负荷组成比例;
步骤六、基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识;
步骤一具体包括:
步骤101、获取电力***中的负荷类型,所述负荷类型包括静态负荷、感应电动机负荷和分布式光伏;
步骤102、构建静态负荷对应的等效聚合负荷模型为:
;
式中,P、Q分别表示静态负荷的有功功率和无功功率,P 0和Q 0分别表示静态负荷所消耗的额定有功功率和额定无功功率,U和U 0分别表示静态负荷的母线的实际电压和额定电压,a、b、c均表示静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数,、/>、/>分别表示静态负荷的无功恒阻抗系数、无功恒电流系数、无功恒功率系数;
步骤103、通过对各个静态负荷的额定有功功率和额定无功功率进行加和,得到静态负荷的等效聚合负荷模型的有功功率和无功功率;
步骤104、通过对各个静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数分别进行加权计算,得到静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数;
步骤105、构建感应电动机负荷对应的等效聚合负荷模型,所述等效聚合负荷模型为各个感应电动机负荷等效电路进行聚合得到,其中,每个感应电动机负荷等效电路包括定子支路、励磁支路和转子支路,其中,所述定子支路分别与所述励磁支路和所述转子支路构成回路连接,所述励磁支路和所述转子支路并联连接;
步骤106、基于各感应电动机负荷节点的量测功率,计算各感应电动机负荷的权重系数为:
;
式中,P i 表示第i个感应电动机负荷节点的量测功率,d为电动机负荷数目,表示第i个感应电动机负荷的权重系数;
步骤107、通过下式计算感应电动机负荷对应的等效聚合负荷模型的等值惯性时间常数为:
;
式中,表示等值惯性时间常数,TJi表示第i个感应电动机负荷的惯性时间常数;
步骤108、通过计算感应电动机负荷等效电路中各支路导纳的加权均值,获得感应电动机负荷的等效聚合负荷模型的等值电路参数,所述等值电路参数包括各个电气支路的阻抗;
步骤109、根据分布式光伏并网点到110kV枢纽节点的电气距离对分布式光伏进行分区;
步骤110、基于每个分区的分布式光伏的历史气象数据和历史日出力数据,每个分区内的分布式光伏进行聚类分析,得到多个分布式光伏簇;
步骤111、根据多个分布式光伏簇构建分区内的分布式光伏的等效聚合负荷模型,其中,分区内的分布式光伏的等效聚合负荷模型的容量为分区内的各个分布式光伏容量之和;
步骤112、将多个分区内的分布式光伏的等效聚合负荷模型进行联级,构建分布式光伏的等效聚合负荷模型。
2.根据权利要求1所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤109具体包括:
步骤1091、根据电力***的拓扑结构和潮流数据,构建***带权无向图;
步骤1092、将所述***带权无向图中的每个110kV节点作为枢纽节点,对目标分布式光伏并网点到目标枢纽节点的所有路径的电气距离进行遍历计算,确定目标分布式光伏并网点到目标枢纽节点的最短路径以及其对应的电气距离,其中,所述电气距离为目标光伏并网点到目标枢纽节点的路径的边的权值累加和;
步骤1093、对目标枢纽节点进行更新并以更新后的目标枢纽节点重复步骤1092,直至对所有枢纽节点进行遍历计算,得到与所述目标分布式光伏并网点的电气距离最短的110kV节点,将所述目标分布式光伏并网点对应的分布式光伏归入相应的电气距离最短的110kV节点的所辖分区;
步骤1094、对所述目标分布式光伏并网点进行更新并以更新后的目标分布式光伏并网点重复步骤1092~1093,直至对所有分布式光伏并网点进行遍历计算,从而对所有分布式光伏进行分区。
3.根据权利要求2所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤110具体包括:
步骤1101、采集各分区内分布式光伏的历史气象数据和历史日出力数据,根据不同的气象类型对所述历史日出力数据进行划分为多个数据子集,每个数据子集构成[气象数据日出力数据]的向量形式;
步骤1102、对每个数据子集中的历史日出力数据进行平均值计算,得到各数据子集的典型值;
步骤1103、从分布式光伏的数据子集中任选一个典型值,依次计算所选的典型值与其它一个典型值之间的Frechet距离;
步骤1104、获取所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目,若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目不低于预设的数据数目阈值时,则以所选的典型值为聚类中心,并与其的Frechet距离小于预设的数据数目阈值内的历史日出力数据形成一个聚类簇;若所选的典型值的Frechet距离在预设的邻域半径内的历史日出力数据数目低于预设的数据数目阈值时,则将所选的典型值作为边缘点,并抽取未遍历过的典型值重新执行步骤1103,直至所有历史日出力数据被归类至相应的聚类中心,得到多个分布式光伏簇。
4.根据权利要求3所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤二具体包括:
步骤201、构建配电网***关于分布式光伏节点的潮流方程矩阵为,
;
式中,和/>分别为节点的有功功率的变化量和无功功率的变化量;/>和/>分别为节点电压相角的变化量和电压幅值的变化量;K、J均为子矩阵;
其中,子矩阵K和J分别为,
;
式中,i和j均表示节点编号,Kij为节点i和节点j之间的子矩阵,Jij为节点i和节点j之间的子矩阵,Vi和Vj分别为节点i的电压和节点j的电压,Bij为节点i和节点j之间的节点阻抗矩阵的虚部,h和o分别表示节点数目和PQ节点数目;
步骤202、对子矩阵J求其逆矩阵,确定节点无功功率的变化量与节点电压幅值的变化量的数学关系为,
;
式中,表示子矩阵J的逆矩阵;
步骤203、获取逆矩阵中第i行、第k列的元素/>,元素/>描述了节点k与枢纽节点之间的无功电压耦合程度指标值;
步骤204、将分区内的各个节点按照无功电压耦合程度指标值的大小进行降序排序,选取排序在预设的安装比例前的所有节点作为关键量测点,在所述关键量测点安装电气量量测装置,以获取关键量测点对应的量测电气量;
步骤205、采用蒙特卡洛方法随机生成不同负荷组成及其比例情况;
步骤206、改变关键量测点下的每一类负荷的组成比例,计算关键量测点的各量测电气量的变化值,通过计算关键量测点的量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度;
步骤207、通过量测电气量对每一个负荷节点下的负荷组成比例变化的灵敏度计算关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度;
步骤208、将各个关键量测点对负荷节点下的负荷组成比例变化的平均灵敏度按照从大到小进行排序,选取预设的灵敏度排序位数之前的量测电气量作为主成分量测电气量。
5.根据权利要求1所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤四具体包括:
步骤401、采用深度确定性梯度算法对所述训练数据集进行离线训练,并对动作空间、状态空间设计和奖励函数进行设计如下:
其中,通过各类负荷组成比例的变化量作为负荷组成模型的输出动作空间,将各类负荷组成比例的修正量作为负荷组成模型的动作输出,其中,修正过程为:
;
式中:表示负荷类型i在k+1步时的比例系数,/>表示负荷组成模型计算出的负荷类型i在k+1步时的比例系数修正量,/>表示负荷类型i在k步时的比例系数;
其中,将主成分量测电气量的变化作为负荷组成模型的状态空间,并对主成分量测电气量进行归一化计算;
其中,将奖励函数设计为:
;
式中,R为奖励值,和/>分别表示观测状态量的种类数以及观测状态量的量测数据长度,h表示第h个观测状态量的种类,w表示第w个观测状态量的量测数据长度,/>表示归一化后的主成分量测电气量,/>表示状态信息i在t时刻的电力***模型仿真值,/>表示状态信息i的额定值;
步骤402、按照分区内的各个节点按照无功电压耦合程度指标值的排序结果逐个增加量测点,获取每次训练输出的各类负荷组成比例的计算结果的误差并取平均误差值,直至误差平均值小于预设的误差阈值或所有量测点均已布置了电气量量测装置,迭代训练结束,输出负荷组成模型。
6.根据权利要求5所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤六具体包括:
步骤601、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,获得各类负荷的典型响应曲线及其所对应的负荷的等效聚合负荷模型的模型参数,构建负荷响应及模型参数的离线模式库,其中,所述典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
步骤602、将在线实时量测获取的响应量测曲线在所述负荷响应及模型参数的离线模式库中的典型响应曲线进行向量距离匹配,匹配得到向量距离最小的典型响应曲线;
步骤603、将匹配得到的典型响应曲线对应的模型参数作为校正的初始参数,计算匹配得到的典型响应曲线与其对应的响应量测曲线之间的平均绝对误差,根据平均绝对误差的倒数确定典型响应曲线的适应度评价指标值;
步骤604、将所述功率响应输出曲线和所述电压响应输出曲线分别对应的适应度评价指标值进行加权计算,得到加权平均适应度;
步骤605、根据所述加权平均适应度通过预置公式计算参数梯度与参数修正量,并对当前迭代次数下的模型参数进行迭代校正,直至达到预设的最大迭代次数,输出对应的模型参数作为等效聚合负荷模型的参数辨识结果。
7.根据权利要求6所述的基于数据驱动的电力***负荷建模方法,其特征在于,步骤601具体包括:
步骤6011、采用蒙特卡洛方法对不同的等效聚合负荷模型的模型参数以及工况条件进行仿真,其中,工况条件包括总体负荷水平、节点注入功率和故障位置,获取多组响应数据,所述响应数据包括典型响应曲线及其所对应的等效聚合负荷模型的模型参数,所述典型响应曲线包括功率响应输出曲线和电压响应输出曲线;
步骤6012、对多组响应数据按照组别进行分类,得到多个分类数据集;
步骤6013、随机选取每个分类数据集中的一个响应数据作为基点移至基点集,计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值;
步骤6014、若相关系数大于预设的相关系数阈值,则将相应的响应数据移至归类数据集,并取分类数据集中最小相关系数的响应数据作为新的基点,并将其移入基点集,重新转至计算分类数据集中其它的响应数据与当前基点之间的相关系数,判断相关系数是否大于预设的相关系数阈值的步骤,直至分类数据集为空,执行下一步;
步骤6015、将所述基点集中的每一个基点作为聚类中心,计算每个归类数据集中的响应数据与所述聚类中心的相关系数,将每个归类数据集中的响应数据归入至相关系数最大的基点所对应的响应数据簇类,从而将多组响应数据聚类划分为多组响应数据簇类;
步骤6016、将多组响应数据簇类中的所有响应数据的平均值作为典型模式类别对应的典型模型参数,根据各个典型模式类别以及其对应的典型模型参数组成负荷响应及模型参数的离线模式库。
8.基于数据驱动的电力***负荷建模***,其特征在于,包括:
等效建模模块,用于将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型;
量测点筛选模块,用于基于电力***中的节点间的无功电压交互影响程度,筛选出关键量测点,根据量测电气量对负荷组成比例变化的灵敏度筛选出关键量测点对应的主成分量测电气量;
训练集构建模块,用于根据筛选出来的主成分量测电气量以及其对应的负荷组成比例构建训练数据集;
离线训练模块,用于基于深度强化学习算法对所述训练数据集进行离线训练,搭建负荷组成模型;
在线输出模块,用于将在线实时量测电气量输入至所述负荷组成模型中,输出对应的实时负荷组成比例;
参数辨识模块,用于基于实时负荷组成比例和在线实时量测电气量对等效聚合负荷模型进行参数辨识;
将电力***中的各类负荷进行等效简化,基于电力***中的节点量测信息构建各类负荷分别对应的等效聚合负荷模型,具体包括:
获取电力***中的负荷类型,所述负荷类型包括静态负荷、感应电动机负荷和分布式光伏;
构建静态负荷对应的等效聚合负荷模型为:
;
式中,P、Q分别表示静态负荷的有功功率和无功功率,P 0和Q 0分别表示静态负荷所消耗的额定有功功率和额定无功功率,U和U 0分别表示静态负荷的母线的实际电压和额定电压,a、b、c均表示静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数,、/>、/>分别表示静态负荷的无功恒阻抗系数、无功恒电流系数、无功恒功率系数;
通过对各个静态负荷的额定有功功率和额定无功功率进行加和,得到静态负荷的等效聚合负荷模型的有功功率和无功功率;
通过对各个静态负荷的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数分别进行加权计算,得到静态负荷的等效聚合负荷模型的有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数;
构建感应电动机负荷对应的等效聚合负荷模型,所述等效聚合负荷模型为各个感应电动机负荷等效电路进行聚合得到,其中,每个感应电动机负荷等效电路包括定子支路、励磁支路和转子支路,其中,所述定子支路分别与所述励磁支路和所述转子支路构成回路连接,所述励磁支路和所述转子支路并联连接;
基于各感应电动机负荷节点的量测功率,计算各感应电动机负荷的权重系数为:
;
式中,P i 表示第i个感应电动机负荷节点的量测功率,d为电动机负荷数目,表示第i个感应电动机负荷的权重系数;
通过下式计算感应电动机负荷对应的等效聚合负荷模型的等值惯性时间常数为:
;
式中,表示等值惯性时间常数,TJi表示第i个感应电动机负荷的惯性时间常数;
通过计算感应电动机负荷等效电路中各支路导纳的加权均值,获得感应电动机负荷的等效聚合负荷模型的等值电路参数,所述等值电路参数包括各个电气支路的阻抗;
根据分布式光伏并网点到110kV枢纽节点的电气距离对分布式光伏进行分区;
基于每个分区的分布式光伏的历史气象数据和历史日出力数据,每个分区内的分布式光伏进行聚类分析,得到多个分布式光伏簇;
根据多个分布式光伏簇构建分区内的分布式光伏的等效聚合负荷模型,其中,分区内的分布式光伏的等效聚合负荷模型的容量为分区内的各个分布式光伏容量之和;
将多个分区内的分布式光伏的等效聚合负荷模型进行联级,构建分布式光伏的等效聚合负荷模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330762.3A CN117077546B (zh) | 2023-10-16 | 2023-10-16 | 基于数据驱动的电力***负荷建模方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330762.3A CN117077546B (zh) | 2023-10-16 | 2023-10-16 | 基于数据驱动的电力***负荷建模方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077546A CN117077546A (zh) | 2023-11-17 |
CN117077546B true CN117077546B (zh) | 2024-03-08 |
Family
ID=88717526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330762.3A Active CN117077546B (zh) | 2023-10-16 | 2023-10-16 | 基于数据驱动的电力***负荷建模方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077546B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595040A (zh) * | 2013-11-21 | 2014-02-19 | 国网上海市电力公司 | 含直流分布式电源的配电网及其综合负荷特性的分析方法 |
CN109245100A (zh) * | 2018-11-07 | 2019-01-18 | 国网浙江省电力有限公司经济技术研究院 | 考虑交直流配电网负荷组成时变性的负荷动态建模方法 |
CN109713662A (zh) * | 2018-12-20 | 2019-05-03 | 清华大学 | 一种电力***负荷模型辨识参数向低压节点等效的方法 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN115422869A (zh) * | 2022-07-29 | 2022-12-02 | 广东电网有限责任公司广州供电局 | 负荷模型的参数辨识方法、***、计算机设备及存储介质 |
CN115829089A (zh) * | 2022-11-16 | 2023-03-21 | 广东电网有限责任公司 | 一种负荷组成分析方法、装置及设备 |
CN116401890A (zh) * | 2023-04-23 | 2023-07-07 | 广东电网有限责任公司 | 一种负荷模型组成信息确定方法、装置、设备及存储介质 |
CN116470512A (zh) * | 2023-04-20 | 2023-07-21 | 广东电网有限责任公司 | 考虑无功电压耦合程度的关键负荷节点识别方法和*** |
CN116796644A (zh) * | 2023-07-05 | 2023-09-22 | 杭州电子科技大学 | 基于多智能体sac深度强化学习的风电场参数辨识方法 |
-
2023
- 2023-10-16 CN CN202311330762.3A patent/CN117077546B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595040A (zh) * | 2013-11-21 | 2014-02-19 | 国网上海市电力公司 | 含直流分布式电源的配电网及其综合负荷特性的分析方法 |
CN109245100A (zh) * | 2018-11-07 | 2019-01-18 | 国网浙江省电力有限公司经济技术研究院 | 考虑交直流配电网负荷组成时变性的负荷动态建模方法 |
CN109713662A (zh) * | 2018-12-20 | 2019-05-03 | 清华大学 | 一种电力***负荷模型辨识参数向低压节点等效的方法 |
CN115422869A (zh) * | 2022-07-29 | 2022-12-02 | 广东电网有限责任公司广州供电局 | 负荷模型的参数辨识方法、***、计算机设备及存储介质 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN115829089A (zh) * | 2022-11-16 | 2023-03-21 | 广东电网有限责任公司 | 一种负荷组成分析方法、装置及设备 |
CN116470512A (zh) * | 2023-04-20 | 2023-07-21 | 广东电网有限责任公司 | 考虑无功电压耦合程度的关键负荷节点识别方法和*** |
CN116401890A (zh) * | 2023-04-23 | 2023-07-07 | 广东电网有限责任公司 | 一种负荷模型组成信息确定方法、装置、设备及存储介质 |
CN116796644A (zh) * | 2023-07-05 | 2023-09-22 | 杭州电子科技大学 | 基于多智能体sac深度强化学习的风电场参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
含直驱永磁风电场的配电网广义负荷建模;潘学萍;冯徐徐;鞠平;吴峰;金宇清;马倩;;电力***自动化(04);第145-150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077546A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Deep learning-based time-varying parameter identification for system-wide load modeling | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN109934423A (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及*** | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及*** | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
CN113659565B (zh) | 一种新能源电力***频率态势的在线预测方法 | |
CN112200038B (zh) | 一种基于cnn的电力***振荡类型的快速辨识方法 | |
Chen et al. | Data-driven robust state estimation through off-line learning and on-line matching | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力***频率预测方法 | |
CN112241836A (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN117077546B (zh) | 基于数据驱动的电力***负荷建模方法及其*** | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及*** | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |