主导负荷参数类噪声辨识的数据处理方法

准确负荷模型的建立是电力系统仿真可靠性的重要保证。近年来,基于电力系统类噪声的负荷建模方法以其不依赖故障扰动的优势为克服负荷模型时变性提供了有效的解决思路。然而,由于类噪声信号的信噪比很低,量测数据质量愈发成为制约类噪声负荷辨识的关键问题。为提升参数辨识结果的可靠性,基于小波阈值去噪和多维核密度估计方法,提出了类噪声主导负荷参数辨识的数据处理架构。仿真分析和实测结果表明,所提数据处理方法能够提升主导参数辨识的可用率与辨识精度,最终获得反映系统实际动态特性的可靠负荷模型参数。     

基于特征提取的负荷模型参数相关性规则挖掘

负荷建模对电力系统仿真和分析非常重要,其中负荷模型参数辨识是负荷建模的关键环节,因而大量的研究工作集中在负荷模型参数辨识方面,但针对辨识所得负荷模型参数的分析研究却很少。为了进一步挖掘辨识所得大量负荷模型参数潜在的规律性,提出采用支持向量聚类(support vector clustering,SVC)和决策树分类(decision tree classification,DTC)的方法。首先,通过Matlab电力系统仿真分析工具箱PSAT(power system analysis toolbox,PSAT)得到仿真数据,然后利用仿真所得动态数据辨识得到相应的负荷模型参数。在得到不同场景下的负荷模型参数后,采用支持向量聚类算法为每一个样本添加类别标签。随后,通过决策树来展现负荷特性类别标签与不同条件属性之间的相关性规则。最后,WSCC 3-机、9-节点系统的仿真结果表明了所提算法对负荷模型参数校验和预测的有效性。     

基于类噪声信号的等值负荷惯量两阶段辨识方法

负荷惯量的准确、在线估计是电力系统电压和频率稳定分析的重要基础。为此,提出了一种基于类噪声的负荷惯量辨识方法,基于系统中时刻存在的类噪声信号跟踪等值负荷惯量的时变特性。考虑到类噪声条件下惯量参数可辨识性较差,采用两阶段辨识的思路,首先对负荷的电磁参数进行辨识,然后基于第一阶段辨识得到的状态变量估计出惯量、转矩系数等机电参数。仿真算例和实测数据分析表明,所提负荷惯量辨识方法能够适应不同变转矩情形下负荷惯量的类噪声辨识需求;相较于恒转矩辨识方法,该方法能够更加准确地反映实际负荷的机电暂态特性,得到稳定、可靠的惯量辨识结果。     

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.     

基于进化计算的类噪声负荷辨识改进方法

文章提出一种有别于传统负荷模型的非仿真模型辨识模型,并成功将其应用于电力系统日常负荷数据辨识,在此基础上从系统辨识角度定义为Hammerstein-Wiener模型,并从模型结构、算法初值策略、差分进化算法算子和基本性质等方面进行综合改进和证明。该方法显著提高了Hammerstein-Wiener模型的精度和算法的收敛速度,并证明其在优化过程中不会出现如以往模型优化中常出现的数值问题,经多角度分析验证,该完整有效的分析流程适用于类噪声负荷辨识,对负荷建模具有重要意义。     

基于日负荷曲线的用电模式提取与聚类分析

更新仿真系统负荷模型参数是电力系统负荷建模的一个重要应用，为建立更为准确的负荷模型，分时分区的负荷建模思路是实现仿真系统负荷模型更新的有效途径和方案，本文聚焦负荷的分区建模，以不同类型用电设备日负荷曲线为基础，实现用电模式提取，并以提取所得用电模式为基向量，针对不同负荷节点或区域日负荷曲线进行分解，以分解所得负荷构成系数为聚类属性，实现负荷节点或区域的聚类分析，进而为系统仿真提供指导。基于实际用电数据的仿真结果验证了本文所提思路和方案的有效性。     

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。     

Matlab在水轮机模型辨识中的应用

介绍Matlab系统辨识工具箱的功能,对Matlab在水轮机模型辨识中的应用进行研究。结合抽水蓄能电站现场试验,基于并网发电运行、负荷随机波动激励下的200MW机组实测数据,运用Matlab系统辨识工具箱实现了数据预处理和模型辨识计算,得出了复杂输水系统下水轮机输出力矩与导叶开度间的传递函数模型,并采用先验知识检验、阶跃响应检验和残差白噪声检验3种方法对其进行检验。结果表明,辨识模型具有非最小相位系统特征,连续阶跃响应的现场实测结果与采用辨识模型的仿真结果在响应的各个阶段均相当一致,模型残差为具有99%置信度的白噪声,所得模型可靠。     

改进的遗传算法辨识综合负荷模型

以基于实测数据的电力系统综合负荷建模为目标,研究了遗传操作和控制参数选择对遗传算法性能的影响。针对基本遗传算法的不足,设计了比例选择策略和线性自适应变异策略,对遗传算法的选择算子和变异算子进行改进,使得遗传算法能够根据个体自身的适应度值进行选择和自适应地调整变异概率,实现方式简单有效。选用TVA综合负荷模型,使用改进的遗传算法进行负荷模型参数辨识,同时在不改变负荷模型结构的前提下,通过调整待辨识参数及其取值范围,考虑无功补偿的影响。利用现场实测数据进行建模,结果表明,改进后的遗传算法改善了优化过程,对加速收敛、缩短辨识时间均有显著作用,适用于负荷建模。     

一种适用于小干扰分析的在线负荷建模方法

负荷模型对小干扰稳定分析影响很大,然而目前的负荷建模方法利用大扰动的响应数据建立负荷模型,由于负荷具有时变性,大扰动时刻建立的负荷模型不能等效于替他时刻的负荷模型,故不适用于其他时刻的小干扰稳定分析。为解决上述问题,基于子空间法提出一种适用于小干扰分析的在线负荷建模方法。首先选择时时存在的类噪声信号作为辨识信号,并采用子空间法在线辨识负荷的状态空间模型,旨在通过在线建模解决由负荷时变性导致负荷模型不准确的问题。但是子空间法建立的负荷状态空间模型并不是实际负荷的状态空间模型,二者存在未知的线性变换,采用解析的方法证明了上述未知线性变换不影响小干扰分析的结果,从而说明所提出的负荷建模方法适用于小干扰分析。最后,在10机39节点系统验证了方法的有效性。     

基于先验方差的发电机惯量辨识数据质量评估

发电机惯量是电力系统频率特性分析与在线应用的重要参数。基于发电机正常运行时机端有功功率和频率的类噪声信号可对发电机惯量进行实时辨识。然而实测数据质量存在的缺陷,导致现有算法对实测数据辨识效果较差。为解决该问题,本文以谱分析与系统辨识理论为基础,通过参考系统估计、模型参数方差估计、惯量方差估计三个步骤,建立惯量辨识结果的先验方差统计量,在进行辨识前对类噪声数据段进行评价和筛选,提升了惯量辨识的准确度。基于仿真数据和实测数据的数据评估筛选结果验证了本文提出方法的有效性。结果表明,先验方差较小的数据段,惯量辨识的准确度较高。     

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。     

基于现场实测的电力系统静态负荷模型参数辨识

从模型参数的辨识准则和辨识算法等方面,将现场实测负荷特性数据用于电力系统传统静态负荷模型和综合静态负荷模型的参数辨识,并对这两类模型在电力系统仿真计算的实际应用加以分析,从而得出了一些有意义的结论.     

电网实测负荷建模在德阳五里堆的应用

由于电力负荷具有的时变性、随机性、多样性等特点,使得负荷模型建模成为电力系统几个最困难的研究领域之一,四川电网在2009年开展了负荷建模的理论与实践工作。介绍了德阳五里堆站动态负荷建模平台,应用该平台的测量数据对德阳站进行综合负荷模型辨识,所辨识的实测参数与常规参数进行对比,说明实测负荷模型的精度比典型负荷模型的精度高。     

基于广域量测系统的电力系统综合负荷辨识模型的研究

随着电力系统近些年的发展,电力系统广泛采用了广域量测系统,数据的获取因而已经非常方便和及时。基于现有技术条件提出了利用广域量测系统采集所需的数据进行负荷建模。考虑到电力系统存在持续的"类噪声"信号,介绍了小扰动条件下,基于该类信号,通过线性化处理,推导出的一种综合负荷辨识模型,并在此基础上简要介绍了针对该模型的负荷参数辨识方法,在CEPRI-36节点系统中仿真结果证实了所提出模型的可行性。     

基于参数辨识的波浪发电场等效建模研究

提出了基于参数辨识的波浪发电场等效建模策略,将波浪发电场等效为单机模型。以阿基米德波浪摆(AWS)发电场内某一测点的实测波浪力作为输入,整个发电场稳态有功功率作为输出,采用粒子群算法(PSO)辨识单机等效模型中驱动系统的等效参数。在Matlab/Simulink中搭建了计及尾流和时滞的AWS波浪发电场详细模型,并利用多组实测波浪数据对等效建模策略进行了仿真验证。仿真结果表明,在不同实测数据下辨识得到的等效模型驱动参数相差不大,参数辨识结果平稳合理;对于某一组实测数据下辨识得到的等效驱动参数,在不同实测数据下获得的等效模型和详细模型功率曲线均基本一致。     

基于神经网络的电力系统负荷特性辨识

负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP（LBP）网络的参数辨识方法,分别对静态负荷模型（幂函数模型、多项式模型）和动态负荷模型（差分方程模型）的参数进行辨识。通过现场的实测数据辨识了模型的参数,并验证了模型的有效性。     

小波去噪在动态负荷建模实测信号中的应用

动态负荷模型及其参数辨识是影响电力系统稳定性分析的重要因素。针对具体电网节点,采用实测数据进行模型参数辨识可以得到适用的负荷模型,本文重点对实测信号的去噪处理环节进行研究。采用均值滤波、中值滤波和小波去噪三种方法对用于动态负荷建模的实际测量电力信号进行去噪处理,通过对去噪信号波形的定性分析和对去噪信号与仿真结果信号的定量比较,表明小波去噪方法即能对测量信号具有平滑作用,又能跟随信号的突变,而且对于动态负荷模型曲线有很好的逼近特性,在动态负荷建模的实际测量信号去噪中具有潜在的应用价值。     

电力系统负荷模型的建立

本文提出了电力系统负荷特性是一个具有零均值白噪声的随机系统。并用三组现场实测数据辨识出模型的良好重现性,表明了总体测辨法是可行的。 本文还提出了参数辨识不稳定问题及其解决方法。比较了在东北网分析计算中采用实测负荷模型和常规负荷模型的结果。     

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.