静态负荷模型参数分散性研究

大量现场实测负荷数据和动模数据的辨识结果表明,同一负荷成分不同扰动情况下的负荷特性数据辨识结果不稳定,有时甚至相差十几倍到百倍,即模型参数存在较大分散性.该文深入研究了负荷模型结构和负荷噪声对静态负荷模型参数分散性的影响.通过大量仿真建模实例说明了影响静态负荷模型参数分散性的原因,结果表明负荷模型结构不正确、不真实以及负荷噪声是导致静态负荷模型参数分散性的根源.     

基于非对称扰动的负荷建模新方法及工程应用

影响总体测辨法广泛应用的主要障碍在于电力系统中自然扰动所提供的有效数据严重不足。这是因为目前总体测辨法只能从三相对称扰动数据中辨识出负荷模型,而大多数电力系统故障是非对称的,人工大扰动试验又难以得到许可。文中提出基于非对称扰动的负荷动态模型建模方法。通过将感应电动机Park方程直接用于动态过程求解,解决了负荷动态模型辨识源数据严重不足的问题;通过将改进的免疫算法用于模型参数优化,解决了参数辨识过程中的不收敛现象。最后讨论了上海电网实测负荷模型对线路极限切除时间的影响。     

差分方程负荷模型参数分散性的研究

大量现场实测负荷数据和动模数据的辨识结果表明:同一负荷成分在不同扰动情况下的负荷特性数据辨识结果不稳定,有时甚至相差十几倍到百倍,也就是说,模型参数存在较大的分散性。文中对差分方程负荷模型参数的分散性进行了较为深入的研究,指出了导致模型参数分散的根本原因是:模型结构选择不正确,不真实以及负荷噪声的存在,提出了一种有效的解决负荷模型参数分散性问题的方法——负荷特性综合方法,并通过动模实验的建模实例验证了该方法的有效性和可行性。     

基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究

负荷建模是电力系统建模中亟待解决的难题。负荷特性数据、负荷模型结构以及参数辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型参数辨识方法。实测数据验证结果表明,该方法相对于常用的粒子群算法及量子粒子群算法在计算精度、收敛速度等方面都具有明显优势,应用于负荷模型参数辨识提高了负荷模型的准确性。     

基于PMU实测小扰动数据的负荷参数辨识方法

提出一种新的基于相量测量单元(PMU)实测小扰动数据辨识广义负荷模型动态参数的方法。该方法首先根据实测电压、电流变化曲线的特征来选取适合参数辨识的数据时段;而后依据在已知实测电压下负荷模型计算出的电流值的允许波动范围,确定转子初始滑差和其他需要辨识的几个参数的初始值;最后以实测的有功曲线、无功曲线的中心线与计算出的有功曲线、无功曲线中心线的误差最小为目标函数优化参数。所述方法在很大程度上解决了现有各种算法中小扰动数据无法用来辨识模型动态参数的难题。通过华北电网多个变电站母线节点实测算例表明,该算法在无法获得大扰动数据的情况下,只需系统的随机小扰动数据即可较为精确地辨识出负荷的动态参数。     

线性连续系统动态负荷模型的参数辨识与应用

目前在电力负荷建模中非机理负荷模型较多地采用离散系统模型或差分方程形式的模型,而电力系统数字仿真中更需要连续系统的模型。研究了作用函数不含导数项和含有导数项两种情况下的线性连续系统微分方程形式的负荷建模方法,介绍了模型参数辨识的直接优化算法,该模型对于描述线性动态负荷或小扰动下的非线性动态负荷的行为,具有一定程度的普适性。介绍了该动态负荷模型与电力系统分析综合程序PSASP的自定义连接方法。通过动模实验数据建模和仿真计算,验证了模型参数辨识算法以及模型与电力系统分析综合程序接口的有效性。     

线性连续系统动态负荷模型的参数辨识与应用

目前在电力负荷建模中非机理负荷模型较多地采用离散系统模型或差分方程形式的模型,而电力系统数字仿真中更需要连续系统的模型.研究了作用函数不含导数项和含有导数项两种情况下的线性连续系统微分方程形式的负荷建模方法,介绍了模型参数辨识的直接优化算法,该模型对于描述线性动态负荷或小扰动下的非线性动态负荷的行为,具有一定程度的普适性.介绍了该动态负荷模型与电力系统分析综合程序PSASP的自定义连接方法.通过动模实验数据建模和仿真计算,验证了模型参数辨识算法以及模型与电力系统分析综合程序接口的有效性.     

基于灰狼优化算法的电解铝类冲击负荷建模方法*

随着电网中工业类负荷比重逐渐提高,电解铝负荷的建模问题受到广泛的关注与研究.以云南电网为例,重点研究了电网中电解铝负荷特性,分析了与电解铝生产相关的电解槽模型、整流器模型和电解铝的阳极反应特性,搭建了电解铝负荷的简化物理模型;根据负荷的功率冲击特性,提出了一种新的考虑电解铝类冲击负荷特性的数学模型;为解决负荷参数的辨识问题,引入了一种新型的优化算法——灰狼算法,提出了以灰狼算法为基础,且运用负荷母线电压、功率变量为条件的电解铝类冲击负荷参数的辨识方法.最后,通过对云南文山地区电网的实测负荷数据进行分析,验证了所提模型的合理性及算法的有效性.     

一种综合改进型遗传算法及其在综合负荷建模中的应用

针对基本遗传算法本身存在收敛速度慢和易早熟的缺陷,提出一种综合改进型遗传算法并成功地应用于负荷建模。该改进遗传算法通过对初始种群的选择、最优个体的保留、自适应的交叉和变异率、早熟现象的防止策略等各方面进行综合的科学设计,能十分有效地克服早熟、避免近亲繁殖、明显提高收敛速度,并具有优良的自适应特性。基于现场实测负荷特性数据的负荷建模实践表明,所提出的综合改进型遗传算法对于加速收敛缩短辨识时间、提高模型拟合精度、克服模型参数的分散性均具有显著作用,是一种很适合于负荷建模的优秀优化算法。     

四川电网综合负荷模型改进与预测辨识软件研究

针对四川电网的特点对传统的时变自适应综合负荷模型进行动态有功和无功补偿改进,设计了适用于四川电网的负荷建模与预测辨识软件.软件仿真结果表明改进的负荷模型能获得具有更高精度的辨识参数,有效提高了电网分析的鲁棒性.本软件具有数据处理、模型选择、参数辨识、历史数据保存等多种功能,该软件的应用能够有效提高四川电网的分析水平.     

基于LMD和模型匹配的家电负荷识别算法

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。     

基于配网量测数据的静态负荷模型参数辨识

电力负荷作为电力系统的终端用户,其模型的准确程度直接影响着电力系统运行分析的准确性.近年来,配电网中的量测装置记录了大量稳态数据,能否利用稳态量测数据实现静态负荷模型参数的辨识已成为新的研究问题.提出了基于配网量测数据的静态负荷参数辨识方法.首先,对专变和公变的有功量测数据进行聚类,得到日负荷特性类似的同类负荷曲线;然后,在假设同类负荷的负荷模型参数相似的基础上,建立静态负荷模型参数辨识的数学优化模型,并通过优化算法求解静态负荷模型的日时变参数;最后,通过算例验证了所提方法的可行性和有效性.     

基于系统模型的家电负荷辨识算法*

家电负荷识别是需求侧管理的关键技术之一,有助于实现用户侧的智能用电。文中结合系统辨识的基本原理和方法,将各家电负荷看作一个独立的系统,以稳态电压、稳态电流为特征,提出一种基于系统模型的家电负荷辨识算法。通过预先获取用电网络中各负荷的稳态数据,构建ARMAX线性模型库和Hammerstein非线性模型库。根据稳态电流波峰系数这一特征值对待识别负荷进行预筛选确定所属模型库类型,通过模型匹配原则进行负荷识别。文章通过实测数据验证了算法的有效性,可以准确地识别线性负荷以及非线性负荷,运算效率高,并且可以有效应对家庭网络中有新负荷加入的情况。     

基于0-1二次规划的非干预式负荷识别算法研究

居民用电信息细化对于规划居民电器使用和降低电能消耗具有重要的意义。在分析居民负荷特性的基础上,创新性地提出一种基于0-1二次规划的居民负荷识别算法,并通过改造为连续化0-1二次规划以解决离散0-1二次规划求解过程中约束条件不易处理的缺陷。基于所提出的负荷识别算法,可将单个居民家庭用电数据细分至负荷级别。测试结果表明选取合适的负荷识别指标,可以获取较高的识别精度,该算法可以应用于居民家庭中的非干预式负荷监测系统。     

考虑厂用旋转负荷贡献的发电厂惯量修正估计

在传统的电网惯量和频率稳定评估中,忽略了发电厂内部异步电动机负荷的惯量贡献,可能导致评估结果产生偏差。基于此,研究了常态下、考虑旋转负荷贡献的发电厂惯量修正估计方法。将发电厂及内部电动机负荷等效为一个整体,利用出口母线的有功/频率常态化小扰动数据估计发电厂等效惯量。针对发电厂等效惯量为时变参数的特点,提出应用受控自回归模型和基于可变遗忘因子的递推最小二乘辨识算法估计惯量参数。算例验证结果表明：所提出的辨识模型精度较高,能适应小扰动输入/输出数据的参数辨识。考虑电动机旋转负荷的惯量贡献时,发电厂等效惯量和系统等效惯量均存在差异,并具有时变特性,获得的修正惯量能更客观地评估发电厂惯量和系统惯量。     

广东电网基于BPA的实用负荷模型的建立与校验

在实际工程应用中,根据经验得到的静态模型或者固定负荷比例的综合模型已经不能满足各区域大电网的要求,文中提出了一种能够很好与BPA结合的实用负荷模型,采用了基于非对称故障的方法进行建模,用小生境免疫算法对模型进行优化辨识,并用仿真实例进行了验证与校核。最后将该模型应用于广东电网的建模研究中。仿真表明该实用负荷模型的不仅能与BPA结合,也解决了数据来源的问题,同时精度高、实用性强。     

基于灵敏度与相关性的综合负荷模型参数优化辨识策略

综合负荷建模及其参数辨识是电力系统分析研究的重点和难点之一。为了研究综合负荷模型参数对模型响应的影响以及参数之间的动态关联,提出一种基于参数灵敏度与相关性分析的综合负荷模型优化辨识策略。首先,对配电网集结等效的综合负荷模型进行解析灵敏度分析以及Hessian矩阵特征值表征的灵敏度分析;其次,通过Pearson相关系数判断参数一阶灵敏度之间的相关性,得到对输出响应作用相似的参数;然后,在遗传算法与Levenberg-Marquardt算法相结合的混合算法基础上,提出固定灵敏度小的参数,按比例简化辨识线性相关参数的优化辨识策略;最后,通过实测曲线及完整负荷模型的仿真,验证了该辨识策略的有效性。     

基于实测PMU数据的风电综合负荷参数辨识

根据配网侧负荷特点,构建含风力发电机的综合负荷数学模型。以实测PMU数据为基础,利用总体测辨法进行模型参数辨识。将负荷节点输入电压和负荷模型参数代入数学模型,通过改进Euler法求解模型的状态方程,得出负荷节点电流,将其与实测电流误差加权最小作为目标函数,采用遗传算法辨识出负荷模型的参数。以华北电网某线路实测PMU数据为依据,辨识出考虑风电综合负荷的模型参数。辨识结果体现了负荷中以双馈异步发电机为主体的特征,与负荷特点相吻合,由此说明了辨识方法的有效性与辨识结果的合理性。     

基于一种改进的遗传模糊算法的短期负荷预测

使用输入-输出数据来确立模糊模型成为一种趋势。这种做法可视为一个系统辨识过程。模糊系统模型的辨识包括两个主要阶段:结构辨识和参数估计。旨在找到一个灵活的方法来学习和优化模糊推理系统的结构和参数。我们采取网络结构的Sugeno模糊系统作为初步预测模型,用改进的遗传算法来确定其结构和参数。通过对某电网负荷预测的实例表明,该模型具有较好的拟合精度。     

基于灰色关联与模糊聚类分析的负荷预处理方法

电力负荷曲线反映了在一定时间间隔内用户侧消耗的电能,包含了电力系统运行调度与可靠性等重要信息。然而信道错误、仪表故障、设备停运等随机因素导致负荷曲线包含异常数据与缺失值。文中提出一种基于灰色关联分析和模糊聚类(GRA-FCM)的负荷预处理模型。首先通过灰色关联分析确定与待检测日关联度较大的相似样本集,然后采用模糊聚类算法与聚类有效指标得到典型特征曲线,最后对辨识的异常数据进行修正。将所提模型应用于某城市电网SCADA系统负荷预处理中,表明所提模型有很高的准确性和实用性。