一种基于交互式多模型算法的电力负荷建模方法
【技术领域】
[0001] 本发明涉及一种电力负荷建模方法，具体涉及一种基于交互式多模型算法的电力 负荷建模方法。
【背景技术】
[0002] 电力负荷是电力系统的重要组成部分。在电力系统的设计、运行、分析中，建立准 确的负荷模型是十分必要的，模型精度影响着电力系统数字仿真和分析的精度。电力系统 主要由发电机、输电网络以及电力负荷三大部分构成。现阶段，发电机模型和电网络模型已 相当成熟，然而负荷模型则相对简单。这已经严重制约了电力系统数字仿真结果精度和可 信度的提高。而且负荷模型对电力系统动态行为的定量计算，如潮流计算、短路计算、安全 分析、电压稳定等也有一定影响。在临界情况下，还有可能从根本上改变定性的结论。实际 中的电力负荷具有复杂性、分散性、随机性、时变性等特点。因此，对实际负荷构建一个精确 的固定的模型是很困难的，电力系统负荷建模是电力系统公认的难题之一。
[0003] 电力负荷模型的本质是对实际电力系统中的成千上万的用电设备的总体特性的 数学表述。在电力负荷建模的历史中，许多杰出的学者构建了一系列的经典的负荷模型结 构，如传统的机理动态负荷模型（Classic Load Models，CLM)，直接考虑配电网的综合负荷 模型（Synthesis Load Models, SLM)以及考虑发电机模型的增广负荷模型（Generalized Load Models, GLM)等。由于电力负荷本身的特点，电力负荷成分不是固定的，有可能随时 发生变化，它的时变性和随机性是耦合在一起的。这也是负荷建模的困难之处。随着电力 电子技术，计算机技术，现代控制理论等一系列新型的技术和理论在电力系统中的应用，一 些风机，光伏电源等新型的分布式电源并入配电网，微电网技术得到大力发展，同时电气化 铁路的换流器、变频器、可控整流装置等电力电子装置在电力系统负荷中大量应用，这些都 对电力负荷的特性造成一定的影响，使得电力负荷的特性更为复杂。传统的负荷建模方法 都是使用一个单一的模型来尽量拟合实际系统的动态过程。当实际的负荷成分发生变化之 后，传统的负荷模型势必会存在一定的误差。
【发明内容】
[0004] 为解决现有技术存在的不足，本发明公开了一种电力负荷建模方法，具体为一种 实现简单、计算量较小、精确度高的电力负荷建模方法。本发明提出的方法构建的电力负荷 模型克服了上述传统负荷模型在负荷成分发生变化存在误差的问题。本发明可以精确的建 立反映实际电力负荷成分的时变性和随机性的负荷模型。
[0005] 为实现上述目的，本发明的具体方案如下：
[0006] -种基于交互式多模型算法的电力负荷建模方法，包括以下步骤：
[0007] 步骤一：确定电力负荷模型集中的模型的基本结构为SLM模型；
[0008] 步骤二：设定两级模型集，第一级模型集的模型所包含的模型数比较少用来表征 负荷成分，每个模型分配一个权重，第一级模型集的每个模型对应于第二级模型集中的一 个子模型集，第二级的模型集用来调整第一级的模型，设定一个阈值，如果第一级模型的误 差小于阈值，则保持模型不变，如果模型的误差在一定时间内大于阈值，则利用第二级模型 集中的子模型集对对应的第一级模型进行调整；
[0009] 步骤三：将第一级模型集中各个模型在k-Ι时刻的状态变量、状态协方差矩阵进 行交互运算，获得交互后的每个模型的状态变量以及模型的协方差矩阵；
[0010] 步骤四：分别将第一级模型集中的各个模型对应的状态变量和协方差矩阵输入各 自的扩展卡尔曼滤波器进行模型的状态估计，得到模型估计的k时刻的状态变量以及模型 的协方差矩阵；
[0011] 步骤五：利用步骤四中模型状态估计过程的似然函数值及信息协方差矩阵计算第 一级模型集中的各个模型的权重；
[0012] 步骤六：用模型估计的状态变量计算模型的功率，并通过各个模型的权重值计算 各个模型的功率加权的和作为模型集的综合输出，模型的权重用于下一时刻的状态交互以 及当前时刻的模型功率输出融合。
[0013] 进一步的，根据模型状态估计过程的似然函数值判断第一级模型是否需要调整， 如果模型需要调整则利用对应的第二级模型集中的子模型集进行调整，调整后的模型参数 用于下一时刻模型的计算；如果模型不需要调整，则保持不变。
[0014] 进一步的，利用子模型集对相应的第一级模型进行调整时，设定一个阈值，当第一 级模型的上一时刻的似然函数值小于阈值，则认为模型合适，不需要调整。如果在一定时间 内大于阈值，则需要用对应的第二级的子模型集调整对应的第一级模型，在k时刻进行模 型的遴选，设rg] (k)是第j个模型在k时刻的新息向量，则此模型的似然函数值为：
[0016] 式中，
[0017] Sgj (k) =rgj(k) *rgj(k)T〇
[0018] 进一步的，设子模型集中的模型概率转移矩阵为Π ，各个模型权重的计算：
[0022] 其中，Ug1是第i个模型的权重值，eg 是第j个模型的归一化常数，Ag ,是第j个 模型的似然函数值。
[0023] 进一步的，对各个子模型的权重加权求和得到对应的模型的参数：
[0025] 其中，thetajk)为k时刻子模型集中的第i个模型的参数，Theta(k)为k时刻对 应上一级模型的参数。
[0026] 进一步的，模型交互时，具体为：
[0027] 设第一级模型集中模型的马尔科夫状态转移矩阵为Mark，计算模型间的混合概 率：
[0029] 式中，i，j = 1，2, 3 ;Mark(i，j)为模型i到模型j的转移概率，归一化常数4可 由下式求得：
[0031] 计算输入混合状态估计值：
[0033]
[0034] 其中，X1 (k-Ι)为模型i在k-Ι时刻的状态变量；?；泽d I ^为混合后模型j的 状态变量；P1 (k-Ι)为模型i在k-Ι时刻的状态协方差矩阵；-/1々-〇为混合后模型j 的状态协方差矩阵。
[0035] 进一步的，采用扩展卡尔曼滤波器对电机的状态变量进行估计，为了简化扩展卡 尔曼滤波器的结构，同时电机的定子电阻对系统的动态特性影响较小，将电机的定子电阻 Rs确定为0。
[0036] 进一步的，电机的状态预测方程为：
[0040] 式中，电机的次暂态电势在d轴的分量，Eq是电机的次暂态电势在q轴的分 量，s是电机的转差率；Ts为采样周期，w 8为同步角速度；TdO为暂态开路时间常数，X为转 子开路电抗，X'为转子不动时短路电抗；I为电机的负荷率，a为电机恒定转矩系数，MP与 转速有关的转矩的方次；Uw、Uu分别为母线电压在d、q轴的分量。
[0041] 进一步的，状态协方差预测方程：
[0042] P (k I k-1) = F (k-1) P (k-1) F (k-1) T+Q (k-1)
[0043] 其中，Q为过程噪声协方差矩阵，
[0045] 进一步的，量测预测方程为：
[0048] 进一步的，新息协方差方程为：
[0049] S (k) =H (k) P (k | k-1) *H (k) T+R (k)
[0050] 式中，R为量测噪声协方差矩阵，
[0052] 进一步的，滤波增益矩阵方程：
[0053] ff(k) = P(k|k-l)H(k)TS(k) 1
[0054] 进一步的，状态更新方程与状态协方差更新方程
[0055] x0$^x(k\k-^+W(k)r(^
[0056] 进一步的，新息方程为：
[0060] 式中，PM、QM分别是通过对量测数据计算获得的电机的有功无功数值；PpQ l分别是 量测的总体的负荷有功无功数值；Pd、Qd分别是配电网的有功无功数值；PS、Q S分别是静负荷 的有功无功数值；ST为电机容量基准值与系统容量基准值的比值
，Kpni为电 机的比例，Ρω负荷初始功率，U ω是初始电压。
[0061] 进一步的，状态协方差更新方程
[0062] P (k) =P (k I k-1) -ff (k) S (k) ff (k)τ
[0063] 进一步的，模型权重计算公式如下：
[0064] 似然函数计算：
[0069] γ i是第i个模型的信息误差，S i是第i个模型的新息协方差矩阵，A i是第i个模 型的似然函数值，是第j个模型的权重。
[0070] 进一步的，模型综合输出公式如下：
[0071] 通过模型的状态变量计算各个模型的功率吸收的公式如下：
[