电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键,是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法,系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出:以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化;以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法;以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后,通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果,并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键，是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法，系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出：以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化；以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法；以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后，通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果，并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

基于实测响应空间的负荷动特性直接综合方法

明确指出了负荷动特性的分类与综合在面向实用化过程中所必须解决的3个层次问题。以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法:采用重心法原理确定各类负荷特性的聚类中心作为其等效实测响应样本;通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数。以某一变电站采集的负荷特性数据为例,验证了提出的方法简便、准确、有效。总结了考虑负荷时变性的总体测辨法建立某一综合负荷点的模型的大体步骤。     

基于判别分析的负荷动特性综合方法

负荷动特性的分类与综合是解决负荷建模中时变性问题的有效途径.以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法.首先求得每类负荷特性中所有样本的重心作为相应类的聚类中心;再通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;然后运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;最后对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数.通过对某一变电站采集的动态负荷特性数据的综合实践,验证了此方法的简便、准确、有效.     

密度梯度聚类算法在负荷动特性聚类中的应用

文中提出将基于数据挖掘原理的密度梯度聚类算法应用于电力系统负荷动特性的聚类.通过计算实测响应空间各样本间的密度分布,得到原始聚类中心,再利用类与类之间边界点的分布情况进行合并,从而达到负荷动特性分类.聚类中心在分类过程中产生,以此聚类中心作为该类的等效样本,对其进行参数辨识即可得到同类负荷特性的通用负荷模型.分类和综合在同一过程中完成,具有快速简便的优点.对某一变电站现场采集的负荷特性数据进行聚类应用,结果表明该方法具有良好的聚类效果.     

考虑地域差异的配电网空间负荷聚类及一体化预测方法

针对基于智能算法的负荷密度指标法对样本依赖性强且在各地实际应用困难的不足,提出一种考虑地域差异的配电网空间负荷聚类及一体化预测方法。该方法首先通过大量调研得到分布在不同地区、分属不同类型的负荷样本及所处地区信息;然后利用基于日负荷曲线的负荷分类校验及精选方法对所有调研样本进行分类精选;再根据区域分类、负荷分类对精选样本构成的全样本空间进行两级划分,得到分层级子样本空间;最后根据待测地块的属性信息对子样本空间进行匹配,选取与其最相似的子样本空间作为训练样本,构建支持向量机模型预测各地块的负荷密度,进而得到电力负荷的空间分布。工程实例分析表明了该方法的实用性和有效性。     

基于聚类趋势分析与逐步回归的电铁牵引负载负序源模型研究

建立适合于负序特性分析与潮流计算的电铁牵引负载负序源模型至关重要。负序源建模可视作负荷建模问题,提出一种基于负序特性分类与综合的建模方法。选取基波负序电流的实测响应空间与机车的实际运行状态为特征向量,对样本集进行聚类趋势分析。在确保样本集可聚的前提下,利用聚类有效性函数得到最优分类结果。通过对牵引负载的负序特性机理分析确定模型的结构,并采用逐步多元回归的方法得到最优模型表达式。对新增样本,将其归入与聚类中心欧氏距离最小的那个类,并对该类模型进行检验。实例分析表明,所建负序源模型是合理而有效的。     

基于小波包理论的负荷建模数据特征提取与分类

把负荷建模的实测电流数据看成随机扰动电压的响应，基于小波包的分解和重构理论，采用Wpdec小波包分解函数，用db1小波包对实测建模电流信号进行3层小波包分解，用Wprcoef函数对小波分解系数进行重构，提取和构造了负荷建模数据的能量特征向量。在特征向量归一化基础上，利用减法聚类算法对特征向量进行分类处理，获得了理想的负荷分类结果。通过对动模实验室和220 kV变电站实测数据的特征提取和分类实例，论证了该方法的有效性和准确性，为处理海量建模数据提供了先进的特征提取与分类处理方法。     

一种基于免疫网络理论的负荷分类方法

电力负荷动态特性聚类是负荷建模工作实用化的必经阶段。文中提出应用模糊免疫网络(fainet)作为负荷动态特性聚类方法:fainet可以将大量负荷数据压缩,形成简洁的免疫网络;然后用最小生成树(MST)方法对网络单元进行分类,得到每个分类的聚类中心;最后采用模糊规则对样本进行归类。对动模试验数据的分类计算表明,基于fainet的负荷动态特性聚类方法具有学习速度快,分类精度高,适用于电力负荷动态特性的聚类。     

动静态负荷模型在电网暂态稳定计算中的应用

提出一种简单、实用的负荷动特性综合方法。结合广东电网的实测数据，建立了相应的动态负荷模型，并将这些模型和BPA静特性负荷模型分别应用于茂湛系统送出截面功率极限计算和广州水贝变电站事故仿真两个实际算例，结果表明：采用基于实测的动特性负荷模型计算所得的短路电流值比采用静态负荷模型更接近实际录波电流值；在计算截面稳定极限时，动态和静态模型得到的机电暂态结果比较吻合，且基于实测的动特性负荷模型计算出的功率极限稍大，极限切除时间略长。     

电力负荷与系统广域动态特征的相关度

提出一种电力负荷与电力系统广域动态特征的相关度分析方法。以发电机相对功角作为系统广域动态特征，构造研究广域相关度问题的特征向量，特征向量包括系统当前运行状态及各发电机功角的相关度指标，并计入了负荷时变性的影响。以特征向量之间的相异度作为分类标准，采用Chameleon聚类算法对特征向量空间进行分类。对分类结果进行频繁模式挖掘，根据相应关联规则的支持度和置信度，最终确定负荷的广域相关度。10机39节点系统的仿真结果表明，是否计入负荷时变性并不影响研究结果的总体趋势，体现了该研究方法的有效性和鲁棒性，为进一步开展广域负荷建模提供了重要的参考依据。     

新旧荷载规范对输电塔风振的影响

为分析新荷载规范关于风荷载方面的修订对输电塔结构风振的影响,采用线性滤波法并考虑空间相关性对某一特高压输电塔的风速时程进行数值模拟.采用有限元法分析输电塔的动力特性,对比了由于新荷载规范湍流度的提高对输电塔结构位移响应和加速度响应的影响.根据模拟结果按定义式计算结构的风振系数,并同新旧荷载规范中的风振系数计算表达式计算的结果进行对比.结果表明,由于新荷载规范对10 m高度名义湍流度和峰值因子有较大提高,而钢结构的阻尼比不变,在新规范规定下结构的风振响应增大20％左右,而风振系数在各高度处均有不同程度的提高.     

综合负荷特性的分类综合方法及其应用

针对当前负荷建模研究和工程应用中存在的问题,研究了动态负荷特性分类和综合的问题。分析了感应电动机综合负荷模型参数灵敏度,提出了基于模糊c均值聚类的负荷特性分类方法,其中提出了多种特征量,采用直接综合和加权平均综合两种综合方法对分类结果进行综合建模。现场实测数据建模实例证明了方法的有效性。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

江苏电网低频低压减负荷优化配置研究(二)——研究方法与动态模型参数的获得

采用时域动态仿真法研究了江苏电网及各分区电网的频率电压动态特性,分别得到了江苏全网和各分区电网的综合负荷频率响应系数。对江苏电网现行低频低压减负荷方案进行了校核,表明可能出现负荷过切、频率悬浮等问题。给出了江苏电网新的低频低压减负荷优化配置方案。研究表明,采用轮级间协调的集中控制型减负荷装置并配以后加速机制可以有效地改善故障下频率电压恢复曲线,减少切负荷量。     

基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法

为了改善目前负荷建模中聚类方法相似度衡量不准确及聚类结果质量较差的问题,综合运用k-means及熵权法原理,提出一种基于欧氏距离与动态时间弯曲距离的日负荷曲线聚类方法。首先,采用欧氏距离与动态时间弯曲距离分别衡量日负荷曲线的整体分布特性、局部动态特性与整体动态特性。然后,引入熵权法自适应配置3种特性的权重系数。最后,采用k-means聚类算法,以所提相似度衡量方法为依据,对用电日负荷曲线进行聚类。算例对某省区电网典型用户的日负荷曲线展开聚类分析,结果表明所提方法相似度衡量指标合理,且在聚类质量、鲁棒性等方面具有一定的优越性,可以真实反映该地区的用户用电特性,满足在线负荷建模的应用需求。     

考虑相关性的广义负荷联合概率建模及应用

大规模风电并网带来广义负荷节点功率流向不确定性问题,对广义负荷建模提出新的要求。如何全面考虑随机变量所具有的波动性以及地域的相关性特点,准确进行广义负荷建模,成为亟待解决的问题。为此,提出一种带有概率标识的计及节点空间地域相关性的节点特性建模学习方法。首先,将与各风电场相连的根母线节点据其各自的功率流向,分为电源特性与负荷特性;其次,对各根母线节点分别依照有功功率进行区间细化,统计其概率信息。针对节点地域的相关性,采用空间相关性方法计算相邻节点功率区间内相关特征参数并纳入节点的特性学习中,采用径向基函数(RBF)神经网络学习训练并提取区间集的节点特性;以风险分析为例验证所提方法的有效性和实用性。仿真结果表明,通过将节点空间相关性纳入广义负荷建模范畴,建模因素更为全面并细化了整个系统空间形成风险场景集,风险分析结果指出系统高风险场景,为系统决策提供参考依据。     

基于k-NN结合核Fisher判别的非侵入式负荷监测方法

非侵入式负荷监测是目前智能用电领域一个重要的研究方向,而负荷识别是非侵入式负荷监测的核心内容。以负荷的奇次谐波电流幅值作为特征建立负荷特征库,通过分析负荷样本在特征空间的分布,设计了一种AdaBoost样本筛选算法以精简负荷特征库。利用k近邻(k-NN)算法的简捷性和核Fisher判别算法的非线性分类能力,通过误判风险控制将k-NN与核Fisher判别相结合用于家庭负荷识别,兼顾识别精度和计算复杂度,以提高对负荷特征相近电器的识别能力及整体识别速度。经实测数据检测,结果表明所提方法能够快速准确地实现居民负荷识别。