一種廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法
【專利摘要】本發(fā)明提供了一種廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，步驟包括：負(fù)荷時變分類閾值的計算、負(fù)荷模型的重置啟動判別、基于系統(tǒng)主導(dǎo)振蕩模式識別觀測對象來判斷負(fù)荷模型的有效性、廣域電力系統(tǒng)負(fù)荷的空間分類以及系統(tǒng)各類負(fù)荷的統(tǒng)一識別。該自適應(yīng)識別方法持續(xù)監(jiān)測負(fù)荷特征變化，如有負(fù)荷出現(xiàn)大幅度的特征變化，則按用電性質(zhì)構(gòu)成比例特征對負(fù)荷分類進(jìn)行統(tǒng)一識別，并用識別結(jié)果重置仿真系統(tǒng)負(fù)荷模型，提高負(fù)荷模型的準(zhǔn)確性和工程實用價值，從而提高系統(tǒng)安全性和經(jīng)濟(jì)性。
【專利說明】
-種廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種負(fù)荷模型識別方法，尤其是一種用于廣域電力系統(tǒng)負(fù)荷模型的自 適應(yīng)識別方法。
【背景技術(shù)】
[0002] 電力系統(tǒng)仿真結(jié)果的準(zhǔn)確與否直接影響系統(tǒng)規(guī)劃、設(shè)計和運行的可靠性。系統(tǒng)模 型的不準(zhǔn)確是導(dǎo)致仿真結(jié)果異于系統(tǒng)實際運行狀況的關(guān)鍵因素。通過RTU的信息采集和冗 余分析，可獲得較為準(zhǔn)確的電力系統(tǒng)網(wǎng)絡(luò)拓?fù)淠Ｐ?；在正常的頻率運行范圍內(nèi)，線路、變壓 器、電容器等靜態(tài)元件的模型參數(shù)較為可靠;通過大量的廠家測試、獨立建模與定期跟蹤檢 驗，發(fā)電機(jī)及其控制器的模型已較為成熟。然而，作為電力系統(tǒng)重要元件之一的負(fù)荷，在仿 真系統(tǒng)中一般是由負(fù)荷、變壓器、電源、補(bǔ)償裝置等聚合等效得到，廣域電力系統(tǒng)中等效負(fù) 荷數(shù)目繁多、接入分散，且負(fù)荷自身具有時變性，所W負(fù)荷很難逐一、準(zhǔn)確建模，負(fù)荷模型較 系統(tǒng)的其它元件更加不可靠。若能跟蹤負(fù)荷的實際變化，兼顧負(fù)荷的空間分散特性，根據(jù)現(xiàn) 場測量信息及時識別并自動更新負(fù)荷模型，則可建立更為準(zhǔn)確的自適應(yīng)負(fù)荷模型，為電力 系統(tǒng)的規(guī)劃、設(shè)計和運行提供更為準(zhǔn)確的參照，提高系統(tǒng)設(shè)計和運行安排的安全性和經(jīng)濟(jì) 性，具有重大的工程使用價值。
[0003] 電力系統(tǒng)涵蓋的負(fù)荷節(jié)點較多，若對每個負(fù)荷節(jié)點都采用不同的模型參數(shù)，則不 管是建模還是計算，都十分困難。但如果對所有節(jié)點都采用相同的模型參數(shù)，雖然簡單，卻 不符合實際。W往按行政區(qū)域或電氣距離對負(fù)荷分類，各類負(fù)荷采用相同模型參數(shù)，進(jìn)行全 系統(tǒng)負(fù)荷的統(tǒng)一參數(shù)識別，并固定為負(fù)荷的全時段模型。在此種方法中，將所屬同一行政區(qū) 域或彼此間電氣距離較小的負(fù)荷歸為一類，并設(shè)定它們具有相同的特征，忽略了各空間負(fù) 荷的特征差異，識別結(jié)果將密切依賴于擾動場景，適用性較差。并且在此種方法中沒有考慮 負(fù)荷的時變性，沒有隨負(fù)荷自身的變化調(diào)整模型，識別得到的模型無法反映全時段的負(fù)荷 特征。因此，W往的廣域系統(tǒng)負(fù)荷模型識別方法并不具有足夠高的工程實用價值。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問題是現(xiàn)有技術(shù)中沒有考慮負(fù)荷的時變性，沒有隨負(fù)荷自身 的變化調(diào)整模型，識別得到的模型無法反映全時段的負(fù)荷特征。
[0005] 為了解決上述技術(shù)問題，本發(fā)明提供了一種廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別 方法，包括W下步驟：
[0006] 步驟1，負(fù)荷時變分類闊值的計算，具體步驟為：
[0007] 步驟1.1，設(shè)定負(fù)荷特征采集的樣本周期Ts和樣本周期內(nèi)的采樣次數(shù)化，設(shè)系統(tǒng)有n 個負(fù)荷節(jié)點，前一個樣本周期內(nèi)第s(s = l，2,…，化)次采樣中，得到第ia = l，2,…，n)個負(fù) 荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例為Xl,S;
[000引步驟1.2,設(shè)定樣本周期內(nèi)系統(tǒng)負(fù)荷模型重置次數(shù)的上限為Nmsc、第k次分類闊值為 Ek化=0，1，2,......及分類闊值優(yōu)化步長為Ae,導(dǎo)入前一樣本周期內(nèi)各負(fù)荷節(jié)點的歷 史數(shù)據(jù)，再W歷史數(shù)據(jù)中負(fù)荷用電性質(zhì)構(gòu)成比例為分類特征對第i個負(fù)荷節(jié)點的化個采樣 點進(jìn)行分類，得到第i個負(fù)荷節(jié)點在樣本周期內(nèi)的分類個數(shù)CkiW及負(fù)荷分類變化時點集合 tki;
[0009] 步驟1.3,遍歷系統(tǒng)中的所有n個負(fù)荷節(jié)點，獲得各負(fù)荷分類變化時點集合的并集， 即為整個系統(tǒng)的負(fù)荷分類變化時點集合tks，集合tks中元素的個數(shù)Nk即為上一樣本周期內(nèi)系 統(tǒng)負(fù)荷模型所需重置的次數(shù)，如果Nk〉NMSc，貝化值增加1，增大分類闊值Ek=Ek-I+Ae,重新依 據(jù)負(fù)荷用電性質(zhì)構(gòu)成比例對每個負(fù)荷的化個采樣點進(jìn)行分類，同時重新計算系統(tǒng)負(fù)荷模型 的重置次數(shù)Nk，如果此時Nk^NMSC，則負(fù)荷時變分類闊值e = Ek;
[0010] 步驟2,負(fù)荷模型的重置啟動判別，具體步驟為：
[0011] 步驟2.1，在當(dāng)前樣本周期內(nèi)，持續(xù)監(jiān)測系統(tǒng)各負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比 例；
[0012] 步驟2.2,判斷所有負(fù)荷節(jié)點的用電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距是否小 于負(fù)荷時變分類闊值e，若小于，則系統(tǒng)負(fù)荷模型保持不變，返回步驟2.1，若某個負(fù)荷節(jié)點 的用電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距大于負(fù)荷時變分類闊值e，則進(jìn)入步驟3;
[0013] 步驟3,基于系統(tǒng)主導(dǎo)振蕩模式識別觀測對象來判斷負(fù)荷模型的有效性，具體步驟 為：
[0014] 步驟3.1，根據(jù)預(yù)設(shè)的對象選擇方法來選擇觀測對象，設(shè)定誤差闊值ej，確立實際 系統(tǒng)與仿真系統(tǒng)觀測對象的電壓均方誤差函數(shù)J作為廣域系統(tǒng)負(fù)荷模型有效性判別依據(jù)：
[0015]
…
[0016] 式（1)中，N表示動態(tài)響應(yīng)采樣點數(shù)，Vm(j)表示觀測對象的第j個電壓實測值，Vs(j) 表示仿真系統(tǒng)中觀測對象的第j個電壓響應(yīng)；
[0017]步驟3.2,判斷J與誤差闊值EJ的大小關(guān)系，若長誤差闊值ej，則表明當(dāng)前負(fù)荷模型 無效并進(jìn)入步驟4進(jìn)行廣域電力系統(tǒng)負(fù)荷的空間分類，若J《誤差闊值ej，則表明當(dāng)前模型 有效并進(jìn)一步判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2，若已經(jīng)結(jié)束，則進(jìn)入 下一樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值；
[0018] 步驟4,廣域電力系統(tǒng)負(fù)荷的空間分類，在當(dāng)前樣本周期的第S次采樣中，第Ki = 1，2,…，n)個負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例為Xi,s，W負(fù)荷用電性質(zhì)構(gòu)成比例為分類特 征，利用模糊C均值聚類算;吐W-TSf# *進(jìn)：/片么V* ,旦卒Il玄^云K ^ TBf么V類數(shù)目為C，第 fi(fi=l，2,…，C)類負(fù)荷 ，其中fin為屬 于第fi類的負(fù)荷個數(shù)，L&fh為第fi類負(fù)荷中的第fin個負(fù)荷；
[0019] 步驟5,系統(tǒng)各類負(fù)荷的統(tǒng)一識別，具體步驟為：
[0020] 步驟5. 1，設(shè)第fi類負(fù)荷需識別W式個參數(shù)，則系統(tǒng)所需識別的總參數(shù)為 C 2]巧2，再將系統(tǒng)內(nèi)同一類負(fù)荷均設(shè)為相同的模型參數(shù)，將式（1)作為負(fù)荷模型參數(shù)識 ./:=1 別的目標(biāo)函數(shù)，設(shè)定負(fù)荷的初始值，利用梯度下降法計算min(J)時對應(yīng)的模型參數(shù)，并將該 模型參數(shù)作為負(fù)荷模型的識別結(jié)果賦值到仿真系統(tǒng)負(fù)荷模型中；
[0021] 步驟5.2,判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2,若已經(jīng)結(jié)束，貝U 進(jìn)入下一樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值。
[0022] 本發(fā)明的自適應(yīng)識別方法持續(xù)監(jiān)測負(fù)荷特征變化，如有負(fù)荷出現(xiàn)大幅度的特征變 化，則按用電性質(zhì)構(gòu)成比例特征對負(fù)荷分類進(jìn)行統(tǒng)一識別，并用識別結(jié)果重置仿真系統(tǒng)負(fù) 荷模型，提高負(fù)荷模型的準(zhǔn)確性和工程實用價值;根據(jù)前一樣本周期內(nèi)各負(fù)荷節(jié)點歷史數(shù) 據(jù)和負(fù)荷模型的重置次數(shù)上限計算下一樣本周期的系統(tǒng)負(fù)荷時變分類闊值，使負(fù)荷模型自 適應(yīng)跟蹤負(fù)荷變化，并保證模型的重置僅發(fā)生在負(fù)荷特征有較大變化的情況下，減少總計 算量;選取充分參與系統(tǒng)主導(dǎo)振蕩模式，且具有較高電壓的關(guān)鍵母線作為觀測對象，構(gòu)建模 型識別的目標(biāo)函數(shù)，可W充分反映負(fù)荷對系統(tǒng)動態(tài)的影響；W負(fù)荷用電性質(zhì)構(gòu)成比例為特 征進(jìn)行負(fù)荷的空間分類，同一類負(fù)荷節(jié)點用相同的模型參數(shù)進(jìn)行統(tǒng)一校準(zhǔn)，可W減少待識 別負(fù)荷模型參數(shù)，提高廣域電力系統(tǒng)負(fù)荷模型識別的效率和精度。最終得到的負(fù)荷模型可 W及時跟蹤負(fù)荷的變化，自適應(yīng)更新負(fù)荷模型，識別結(jié)果可W根據(jù)不同需求應(yīng)用于電力系 統(tǒng)的設(shè)計、規(guī)劃、運行等領(lǐng)域，將顯著提高相關(guān)的計算精度和預(yù)測準(zhǔn)確度，提高系統(tǒng)安全性 和經(jīng)濟(jì)性。
[0023] 作為本發(fā)明的進(jìn)一步限定方案，步驟1中的負(fù)荷用電性質(zhì)構(gòu)成比例Xi,S= Uisi, Xis2，Xis3，Xis4)，其中義131，義132，義133，義134分別表示第1個負(fù)荷第8次采樣時工業(yè)、商業(yè)、農(nóng)業(yè)和 其它負(fù)荷所占的用電比重。采用按照對負(fù)荷用電性質(zhì)進(jìn)行分類，有效提高了負(fù)荷模型的工 程實用價值。
[0024] 作為本發(fā)明的進(jìn)一步限定方案，步驟3中的對象選擇方法為:利用Prony算法對所 有PMU量測進(jìn)行頻率、阻尼比W及模態(tài)的識別，判別系統(tǒng)的主導(dǎo)振蕩模式及模態(tài)，從而確定 每個PMU測點參與主導(dǎo)振蕩的程度，選擇在系統(tǒng)主導(dǎo)振蕩模式中參與因子高、位于聯(lián)絡(luò)線上 且具有高電壓等級的關(guān)鍵母線作為負(fù)荷模型有效性判別和負(fù)荷模型識別的觀測對象。由于 受擾軌跡完整地反映擾動后的物理系統(tǒng)或數(shù)學(xué)模型的動態(tài)特征，在負(fù)荷模型的有效性判別 和負(fù)荷模型識別中，所W應(yīng)選擇能充分、有效反映負(fù)荷動態(tài)行為的信號作為觀測對象。擾動 可能激發(fā)系統(tǒng)的多種振蕩模式，與主導(dǎo)振蕩模式強(qiáng)相關(guān)的信號更能夠明顯地反映暫態(tài)模型 對系統(tǒng)動態(tài)過程的影響，進(jìn)而反映系統(tǒng)模型是否有效。此外，高電壓等級或關(guān)鍵節(jié)點母線， 尤其是位于聯(lián)絡(luò)線上的母線，對系統(tǒng)將有更廣泛的影響，所W選擇高電壓等級的關(guān)鍵母線 作為負(fù)荷模型有效性判別和負(fù)荷模型識別的觀測對象具有更好的識別效果。
[0025] 作為本發(fā)明的進(jìn)一步限定方案，步驟5.1中，利用梯度下降法計算min(J)時對應(yīng)的 C 模型參數(shù)的具體步驟為:設(shè)定統(tǒng)一校準(zhǔn)C類負(fù)荷的個模型參數(shù)為： '/; =1 ''
[0026]
[0027]設(shè)定負(fù)荷的初始值為樂()，第k步迭代時W目標(biāo)函數(shù)的梯度方向作為迭代的捜索方 向，迭代公式為：
[002引
0>
[0029] 式中，VJ為目標(biāo)函數(shù)在參數(shù)空間的梯度，在仿真系統(tǒng)中利用數(shù)值攝動法計算 該梯度，化為步長因子，在進(jìn)行第k步迭代時，若J《誤差闊值ej，則迭代收斂，若J>誤差闊值 ej，則繼續(xù)迭代，直到求得滿足迭代條件使J取min(J)的模型參數(shù)為止，再將此時的模型參 數(shù)占作為負(fù)荷模型的識別結(jié)果。
[0030] 作為本發(fā)明的進(jìn)一步限定方案，步驟5.1中的步長因子iik由黃金分割法來獲取。 [0031 ]本發(fā)明的有益效果在于：（1)采用自適應(yīng)識別方法持續(xù)監(jiān)測負(fù)荷特征變化，如有負(fù) 荷出現(xiàn)大幅度的特征變化，則按用電性質(zhì)構(gòu)成比例特征對負(fù)荷分類進(jìn)行統(tǒng)一識別，并用識 別結(jié)果重置仿真系統(tǒng)負(fù)荷模型，提高負(fù)荷模型的準(zhǔn)確性和工程實用價值；（2)根據(jù)前一樣本 周期內(nèi)各負(fù)荷節(jié)點歷史數(shù)據(jù)和負(fù)荷模型的重置次數(shù)上限計算下一樣本周期的系統(tǒng)負(fù)荷時 變分類闊值，使負(fù)荷模型自適應(yīng)跟蹤負(fù)荷變化，并保證模型的重置僅發(fā)生在負(fù)荷特征有較 大變化的情況下，減少總計算量；（3)選取充分參與系統(tǒng)主導(dǎo)振蕩模式，且具有較高電壓的 關(guān)鍵母線作為觀測對象，構(gòu)建模型識別的目標(biāo)函數(shù)，可W充分反映負(fù)荷對系統(tǒng)動態(tài)的影響； (4) W負(fù)荷用電性質(zhì)構(gòu)成比例為特征進(jìn)行負(fù)荷的空間分類，同一類負(fù)荷節(jié)點用相同的模型 參數(shù)進(jìn)行統(tǒng)一校準(zhǔn)，可W減少待識別負(fù)荷模型參數(shù)，提高廣域電力系統(tǒng)負(fù)荷模型識別的效 率和精度；（5)最終得到的負(fù)荷模型可W及時跟蹤負(fù)荷的變化，自適應(yīng)更新負(fù)荷模型，識別 結(jié)果可W根據(jù)不同需求應(yīng)用于電力系統(tǒng)的設(shè)計、規(guī)劃、運行等領(lǐng)域，將顯著提高相關(guān)的計算 精度和預(yù)測準(zhǔn)確度，提高系統(tǒng)安全性和經(jīng)濟(jì)性。
【附圖說明】
[0032] 圖1為本發(fā)明的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別流程；
[0033] 圖2為本發(fā)明的負(fù)荷時變分類闊值的計算模塊流程；
[0034] 圖3為本發(fā)明的廣域電力系統(tǒng)空間負(fù)荷的分類、識別與模型重置模塊流程。
【具體實施方式】
[0035] 如圖1-3所示，本發(fā)明提供的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，包括W下 步驟：
[0036] 步驟1，負(fù)荷時變分類闊值的計算，具體步驟為：
[0037] 步驟1.1，設(shè)定負(fù)荷特征采集的樣本周期Ts(如一年)和樣本周期內(nèi)的采樣次數(shù)化， 設(shè)系統(tǒng)有n個負(fù)荷節(jié)點，前一個樣本周期內(nèi)第s(s = l，2,…，Ns)次采樣中，得到第i(i = l， 2^''，11)個負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例為乂1,3=佔31，義132，義133，義134)，其中義131，又132， Xis3，Xis4分別表示第i個負(fù)荷第S次采樣時工業(yè)、商業(yè)、農(nóng)業(yè)和其它負(fù)荷所占的用電比重；
[0038] 步驟1.2,設(shè)定樣本周期內(nèi)系統(tǒng)負(fù)荷模型重置次數(shù)的上限為Nmsc、第k次分類闊值為 Ek化=0，1，2,......）W及分類闊值優(yōu)化步長為Ae,負(fù)荷模型重置時需要進(jìn)行負(fù)荷模型的 分類識別，同時還會因仿真模型變化需要重新計算電力系統(tǒng)的運行、控制參數(shù)，頻繁的負(fù)荷 模型重置將極大的增加計算量，另外，較小的負(fù)荷變化對系統(tǒng)響應(yīng)的影響有限，因此，為了 減少計算量，系統(tǒng)負(fù)荷模型重置次數(shù)上限Nmsc不宜過大，可W使仿真模型重置跟蹤較大的負(fù) 荷變化即可，導(dǎo)入前一樣本周期內(nèi)各負(fù)荷節(jié)點的歷史數(shù)據(jù)，再W歷史數(shù)據(jù)中負(fù)荷用電性質(zhì) 構(gòu)成比例為分類特征對第i個負(fù)荷節(jié)點的化個采樣點進(jìn)行分類，得到第i個負(fù)荷節(jié)點在樣本 周期內(nèi)的分類個數(shù)CkiW及負(fù)荷分類變化時點集合tki;
[0039] 步驟1.3,遍歷系統(tǒng)中的所有n個負(fù)荷節(jié)點，獲得各負(fù)荷分類變化時點集合的并集， 即為整個系統(tǒng)的負(fù)荷分類變化時點集合tks，集合tks中元素的個數(shù)Nk即為上一樣本周期內(nèi)系 統(tǒng)負(fù)荷模型所需重置的次數(shù)，如果Nk〉NMSc，貝化值增加1，增大分類闊值Ek=Ek-I+Ae,重新依 據(jù)負(fù)荷用電性質(zhì)構(gòu)成比例對每個負(fù)荷的化個采樣點進(jìn)行分類，同時重新計算系統(tǒng)負(fù)荷模型 的重置次數(shù)Nk，如果此時Nk^NMSC，則負(fù)荷時變分類闊值e = Ek;
[0040] 步驟2,負(fù)荷模型的重置啟動判別，具體步驟為：
[0041] 步驟2.1，在當(dāng)前樣本周期內(nèi)，持續(xù)監(jiān)測系統(tǒng)各負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比 例；
[0042] 步驟2.2,判斷所有負(fù)荷節(jié)點的用電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距是否小 于負(fù)荷時變分類闊值e，若小于，則系統(tǒng)負(fù)荷模型保持不變，返回步驟2.1，若某個負(fù)荷節(jié)點 的用電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距大于負(fù)荷時變分類闊值e，則進(jìn)入步驟3;
[0043] 步驟3,基于系統(tǒng)主導(dǎo)振蕩模式識別觀測對象來判斷負(fù)荷模型的有效性，具體步驟 為：
[0044] 步驟3.1，根據(jù)預(yù)設(shè)的對象選擇方法來選擇觀測對象，受擾軌跡完整地反映擾動后 的物理系統(tǒng)或數(shù)學(xué)模型的動態(tài)特征，在負(fù)荷模型的有效性判別和負(fù)荷模型識別中，應(yīng)選擇 能充分、有效反映負(fù)荷動態(tài)行為的信號作為觀測對象，此處的擾動激勵可W是實驗安排也 可W是隨機(jī)產(chǎn)生，可W是負(fù)荷的正常投切也可W是系統(tǒng)故障，擾動可能激發(fā)系統(tǒng)的多種振 蕩模式，與主導(dǎo)振蕩模式強(qiáng)相關(guān)的信號更能夠明顯地反映暫態(tài)模型對系統(tǒng)動態(tài)過程的影 響，進(jìn)而反映系統(tǒng)模型是否有效，此外，高電壓等級或關(guān)鍵節(jié)點母線，尤其是位于聯(lián)絡(luò)線上 的母線，對系統(tǒng)將有更廣泛的影響，所W采用的對象選擇方法為:利用Prony算法對所有PMU 量測進(jìn)行頻率、阻尼比W及模態(tài)的識別，判別系統(tǒng)的主導(dǎo)振蕩模式及模態(tài)，從而確定每個 PMU測點參與主導(dǎo)振蕩的程度，選擇在系統(tǒng)主導(dǎo)振蕩模式中參與因子高、位于聯(lián)絡(luò)線上且具 有高電壓等級的關(guān)鍵母線作為負(fù)荷模型有效性判別和負(fù)荷模型識別的觀測對象，設(shè)定誤差 闊值ej，確立實際系統(tǒng)與仿真系統(tǒng)觀測對象的電壓均方誤差函數(shù)J作為廣域系統(tǒng)負(fù)荷模型 有效性判別依據(jù)：
[0045] (1)
[0046] U T，N巧不功念啊/^米巧巧毀，VmU)表示觀測對象的第j個電壓實測值，Vs( j) 表示仿真系統(tǒng)中觀測對象的第j個電壓響應(yīng)；
[0047] 步驟3.2,判斷J與誤差闊值EJ的大小關(guān)系，若J>誤差闊值ej，則表明當(dāng)前負(fù)荷模型 無效并進(jìn)入步驟4進(jìn)行廣域電力系統(tǒng)負(fù)荷的空間分類，若J《誤差闊值ej，則表明當(dāng)前模型 有效并進(jìn)一步判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2，若已經(jīng)結(jié)束，則進(jìn)入 下一樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值；
[0048] 步驟4,廣域電力系統(tǒng)負(fù)荷的空間分類，在當(dāng)前樣本周期的第S次采樣中，第i(i = 1，2,…，n)個負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例為Xi,s，W負(fù)荷用電性質(zhì)構(gòu)成比例為分類特 征，利用模糊C均值聚類算'法對〇傘債溫巧占;#4子-俱否Il態(tài)紐技A々債溫A類數(shù)目為C，第
fi(fi=l，2,…，C)類負(fù)荷 ，其中fin為屬 于第fi類的負(fù)荷個數(shù)，L 為第fi類負(fù)荷中的第fin個負(fù)荷；
[0049] 步驟5,系統(tǒng)各類負(fù)荷的統(tǒng)一識別，具體步驟為：
[0化0 ]步驟5 . 1，設(shè)第f 1類負(fù)荷需識別W 個參數(shù)，則系統(tǒng)所需識別的總參數(shù)為 C /72A，再將系統(tǒng)內(nèi)同一類負(fù)荷均設(shè)為相同的模型參數(shù)，將式（1)作為負(fù)荷模型參數(shù)識 /,=!" 別的目標(biāo)函數(shù)，設(shè)定負(fù)荷的初始值，利用梯度下降法計算min(J)時對應(yīng)的模型參數(shù)，并將該 模型參數(shù)作為負(fù)荷模型的識別結(jié)果賦值到仿真系統(tǒng)負(fù)荷模型中，利用梯度下降法計算min 'C. (J)時對應(yīng)的模型參數(shù)的具體步驟為:設(shè)定統(tǒng)一校準(zhǔn)C類負(fù)荷的/..I個模型參數(shù)為： /,=]
[0化1 ]
[0052]設(shè)定負(fù)荷的初始值為；'g，第k步迭代時W目標(biāo)函數(shù)的梯度方向作為迭代的捜索方 向，迭代公式為：
[0化3]
(2)
[0化4]式中，巧Jf好aJ為目標(biāo)函數(shù)在參數(shù)空間的梯度，在仿真系統(tǒng)中利用數(shù)值攝動法計算 該梯度，化為步長因子，在進(jìn)行第k步迭代時，若J《誤差闊值ej，則迭代收斂，若J>誤差闊值 ej，則繼續(xù)迭代，直到求得滿足迭代條件使J取min(J)的模型參數(shù)為止，再將此時的模型參 數(shù).(J作為負(fù)荷模型的識別結(jié)果，步長因子化由黃金分割法來獲?。?br>[0055]步驟5.2,判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2,若已經(jīng)結(jié)束，貝U 進(jìn)入下一樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值。
【主權(quán)項】
1. 一種廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，其特征在于，包括W下步驟： 步驟1，負(fù)荷時變分類闊值的計算，具體步驟為： 步驟1.1，設(shè)定負(fù)荷特征采集的樣本周期Ts和樣本周期內(nèi)的采樣次數(shù)化，設(shè)系統(tǒng)有η個負(fù) 荷節(jié)點，前一個樣本周期內(nèi)第s(s = l，2,…，Ns)次采樣中，得到第?α = 1，2，···，η)個負(fù)荷節(jié) 點的負(fù)荷用電性質(zhì)構(gòu)成比例為Xl,s; 步驟1.2,設(shè)定樣本周期內(nèi)系統(tǒng)負(fù)荷模型重置次數(shù)的上限為NmSC、第k次分類闊值為Ek化 = 0,1,2,……及分類闊值優(yōu)化步長為Δε,導(dǎo)入前一樣本周期內(nèi)各負(fù)荷節(jié)點的歷史數(shù) 據(jù)，再W歷史數(shù)據(jù)中負(fù)荷用電性質(zhì)構(gòu)成比例為分類特征對第i個負(fù)荷節(jié)點的化個采樣點進(jìn) 行分類，得到第i個負(fù)荷節(jié)點在樣本周期內(nèi)的分類個數(shù)CkiW及負(fù)荷分類變化時點集合tkl; 步驟1.3,遍歷系統(tǒng)中的所有η個負(fù)荷節(jié)點，獲得各負(fù)荷分類變化時點集合的并集，即為 整個系統(tǒng)的負(fù)荷分類變化時點集合tks，集合tks中元素的個數(shù)Nk即為上一樣本周期內(nèi)系統(tǒng)負(fù) 荷模型所需重置的次數(shù)，如果Nk〉NMSc，貝化值增加1，增大分類闊值ek=ek-i+Ae，重新依據(jù)負(fù) 荷用電性質(zhì)構(gòu)成比例對每個負(fù)荷的化個采樣點進(jìn)行分類，同時重新計算系統(tǒng)負(fù)荷模型的重 置次數(shù)Nk，如果此時Nk《NMSc，則負(fù)荷時變分類闊值e = Ek; 步驟2，負(fù)荷模型的重置啟動判別，具體步驟為： 步驟2.1，在當(dāng)前樣本周期內(nèi)，持續(xù)監(jiān)測系統(tǒng)各負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例； 步驟2.2,判斷所有負(fù)荷節(jié)點的用電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距是否小于負(fù) 荷時變分類闊值ε，若小于，則系統(tǒng)負(fù)荷模型保持不變，返回步驟2.1，若某個負(fù)荷節(jié)點的用 電性質(zhì)構(gòu)成比例連續(xù)兩次采樣值的差距大于負(fù)荷時變分類闊值ε，則進(jìn)入步驟3; 步驟3,基于系統(tǒng)主導(dǎo)振蕩模式識別觀測對象來判斷負(fù)荷模型的有效性，具體步驟為： 步驟3.1，根據(jù)預(yù)設(shè)的對象選擇方法來選擇觀測對象，設(shè)定誤差闊值ej，確立實際系統(tǒng)與 仿真系統(tǒng)觀測對象的電壓均方誤差函數(shù)J作為廣域系統(tǒng)負(fù)荷模型有效性判別依據(jù)：(1) 式（1)中，N表示動態(tài)響應(yīng)采樣點數(shù)，Vm(j)表示觀測對象的第j個電壓實測值，Vs(j)表示 仿真系統(tǒng)中觀測對象的第j個電壓響應(yīng)； 步驟3.2，判斷J與誤差闊值ej的大小關(guān)系，若J>誤差闊值ej，則表明當(dāng)前負(fù)荷模型無效 并進(jìn)入步驟4進(jìn)行廣域電力系統(tǒng)負(fù)荷的空間分類，若J《誤差闊值ej，則表明當(dāng)前模型有效 并進(jìn)一步判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2，若已經(jīng)結(jié)束，則進(jìn)入下一 樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值； 步驟4,廣域電力系統(tǒng)負(fù)荷的空間分類，在當(dāng)前樣本周期的第S次采樣中，第i(i = l， 2, ···，!!)個負(fù)荷節(jié)點的負(fù)荷用電性質(zhì)構(gòu)成比例為Xi,s，W負(fù)荷用電性質(zhì)構(gòu)成比例為分類特 征，利用模糊C均值聚類算法對η個負(fù)荷節(jié)點進(jìn)行分類，得到系統(tǒng)總的負(fù)荷分類數(shù)目為C，第 fi(fi = l，2，一，C)類負(fù)荷其中fin為屬 于第f 1類的負(fù)荷個數(shù)，L K為第f 1類負(fù)荷中的第f 1。個負(fù)荷； 步驟5，系統(tǒng)各類負(fù)荷的統(tǒng)一識別，具體步驟為： 步驟5.1，設(shè)第fi類負(fù)荷需識別個參數(shù)，則系統(tǒng)所需識別的總參數(shù)夫，再 將系統(tǒng)內(nèi)同一類負(fù)荷均設(shè)為相同的模型參數(shù)，將式（1)作為負(fù)荷模型參數(shù)識別的目標(biāo)函數(shù)， 設(shè)定負(fù)荷的初始值，利用梯度下降法計算min(J)時對應(yīng)的模型參數(shù)，并將該模型參數(shù)作為 負(fù)荷模型的識別結(jié)果賦值到仿真系統(tǒng)負(fù)荷模型中； 步驟5.2，判斷當(dāng)前樣本周期是否結(jié)束，若沒有結(jié)束，則進(jìn)入步驟2，若已經(jīng)結(jié)束，則進(jìn)入 下一樣本周期并返回步驟1重新計算負(fù)荷時變分類闊值。2. 根據(jù)權(quán)利要求1所述的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，其特征在于，步驟 1中的負(fù)荷用電性質(zhì)構(gòu)成比例Xi,s = (Xisl，Xis2，Xis3，Xis4)，其中Xisl，Xis2，Xis3，Xis4分別表示第 i個負(fù)荷第S次采樣時工業(yè)、商業(yè)、農(nóng)業(yè)和其它負(fù)荷所占的用電比重。3. 根據(jù)權(quán)利要求1或2所述的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，其特征在于， 步驟3中的對象選擇方法為:利用Prony算法對所有PMU量測進(jìn)行頻率、阻尼比W及模態(tài)的識 另IJ，判別系統(tǒng)的主導(dǎo)振蕩模式及模態(tài)，從而確定每個PMU測點參與主導(dǎo)振蕩的程度，選擇在 系統(tǒng)主導(dǎo)振蕩模式中參與因子高、位于聯(lián)絡(luò)線上且具有高電壓等級的關(guān)鍵母線作為負(fù)荷模 型有效性判別和負(fù)荷模型識別的觀測對象。4. 根據(jù)權(quán)利要求1或2所述的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，其特征在于， 步驟5.1中，利用梯度下降法計算min(J)時對應(yīng)的模型參數(shù)的具體步驟為:設(shè)定統(tǒng)一校準(zhǔn)C 類負(fù)荷的個模型參數(shù)為：設(shè)定負(fù)荷的初始值為，第k步迭代時W目標(biāo)函數(shù)的梯度方向作為迭代的捜索方向， 迭代公式為：式中，淚為目標(biāo)函數(shù)在參數(shù)空間的梯度，在仿真系統(tǒng)中利用數(shù)值攝動法計算該梯 度，Wk為步長因子，在進(jìn)行第k步迭代時，若J《誤差闊值ej，則迭代收斂，若J>誤差闊值ej， 則繼續(xù)迭代，直到求得滿足迭代條件使J取min(J)的模型參數(shù)為止，再將此時的模型參數(shù);占 作為負(fù)荷模型的識別結(jié)果。5. 根據(jù)權(quán)利要求4所述的廣域電力系統(tǒng)負(fù)荷模型的自適應(yīng)識別方法，其特征在于，步驟 5.1中的步長因子μL?由黃金分割法來獲取。
【文檔編號】H02J3/00GK105977977SQ201610511820
【公開日】2016年9月28日
【申請日】2016年6月30日
【發(fā)明人】郝麗麗, 戴嘉祺, 郝培華
【申請人】南京工業(yè)大學(xué)