获得模型集的功率。
[0166]式中，
P^Q1*别为第i个模型的有功无功；P Z、QZ为整个 模型集的功率。
[0168] 所述步骤一中的模型结构选择SLM结构。
[0169] 所述步骤一中，模型集记为：[Model_L Model_C Model_R]。
[0170] 所述步骤二、三、四、五、六中，电力负荷的递推建模均在MATLAB仿真平台中完成。
[0171] 为了更好的说明本发明，更为详细的说明为：
[0172] 如图1所示，设在k时刻对电力负荷进行递推建模：
[0173] Xjk-l)、Xc(k_l)、XR(k_l)分别是第一级模型集中3个模型在k-Ι时刻的状态变 量；Pjk-1)、Pe(k_l)、PR(k_l)分别是模型在k-Ι时刻的状态协方差矩阵；u(k-l)为模型在 k-Ι时刻的权重。通过步骤三中模型交互的公式进行模型的状态变量与协方差矩阵交互，获 得交互后的模型的状态变量L(k-l)、XeJk-l)、Xfc(k-l)以及模型的协方差矩阵P u(k-1)、 Pfc (k-1)、Plte (k-1)。然后分别将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，状态估计按步骤四中的公式进行。得到模型估计的k时 刻的状态变量\ (k)、Xc (k)、Xr (k)以及模型的协方差矩阵(k)、Pc (k)、Pr (k)。协方差矩阵 用于下一时刻的状态估计过程。模型状态估计过程的似然函数值是\(1〇、怂(1〇、4(1〇;信 息协方差矩阵是SJk)、Se(k)、Sr (k)。根据这些数据利用步骤五中的公式计算模型的权重。 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。根据各个模型状 态估计过程的似然函数值\(k)、Ae (k)、AR (k)判断模型是否需要调整，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通过步骤二的公式进行调整，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。根据步骤六中的公式利用各个 模型的状态变量的估计值计算当前时刻的模型的功率。根据各个模型的权重将各个模型的 功率加权求和，所得结果作为模型集的整体功率吸收情况。
[0174] 图2所示为通过利用第二级中的子模型集对相应的第一级模型进行参数调整的 算法的结构图。如果模型误差在一段时间内大于阈值，则按图2所示对模型进行参数调整。 x(k-l)是需要调整的模型在k-Ι时刻的状态变量，利用这一状态变量对子模型集中的每个 模型求取功率并计算其相应的误差。根据模型集上一次调整时的子模型的权重情况分配各 个模型的位置，权重值越大的位置，对应的模型似然函数值越大。再根据步骤二中相应的公 式计算各个模型的权重值，通过将各个子模型加权求和得到对应的上一级模型的参数。
[0175] 图3所示为两层模型集中负荷模型的基本结构：SLM结构。本模型结构计及了配 电网的作用，包含电动机模型和静负荷模型。静模型采用幂函数模型，电机模型采用3阶动 态模型。
[0176] 上述虽然结合附图对本发明的【具体实施方式】进行了描述，但并非对本发明保护范 围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
【主权项】
1. 一种基于交互式多模型算法的电力负荷建模方法，其特征是，包括以下步骤： 步骤一：确定电力负荷模型集中的模型的结构为SLM模型； 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，如果第一级模型集的模型 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； 步骤三：将第一级模型集中每个模型在k-Ι时刻的状态变量、状态协方差矩阵进行交 互运算，获得交互后的各个模型的状态变量以及模型的协方差矩阵； 步骤四：分别将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； 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； 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。2. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 根据模型状态估计过程的似然函数值判断模型是否需要调整，如果模型需要调整则利用相 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。3. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 对子模型集进行调整时，设定一个阈值，当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，如果似然函数值在一段时间内大于阈值，需要用第二级子模型集调 整对应的第一级模型集的模型，在k时刻进行模型的遴选，设r g] (k)是第j个模型在k时 亥IJ的新息向量，则此模型的似然函数值为：式中， Sgj (k) = Tgj (k) · rgj (k)τ； 设子模型集模型概率转移矩阵为Π ，各个模型权重的计算：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。4. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 对各个子模型的权重加权求和得到对应的模型的参数：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。5. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 模型交互时，具体为： 设第一级模型集的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：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Cj可由下 式求得：计算输入混合状态估计值：其中，X1 (k-Ι)为模型i在k-Ι时刻的状态变量；-則*为混合后模型j的状态 变量；Pi(k-1)为模型i在k-Ι时刻的状态协方差矩阵；为混合后模型j的状 态协方差矩阵。6. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 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R s确定为0。7. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 模型权重计算公式如下： 似然函数计算：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。8. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 模型综合输出公式如下： 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：其中，PM、Qm分别为计算出的电机的有功无功；P d、Qd分别为计算出的配电网的有功无 功；Ps、Qs*别为计算出的静负荷的有功无功；P、Q分别为计算出的整个模型的有功无功。9. 如权利要求1所述的一种基于交互式多模型算法的电力负荷建模方法，其特征是， 通过对各个模型的功率的加权求和获得模型集的功率；式中，;?1、01分别为第1个模型的有功无功# 2、02为整个模型 集的功率。
【专利摘要】本发明公开了一种基于交互式多模型算法的电力负荷建模方法，包括将第一级模型集中每个模型在k-1时刻的状态变量、状态协方差矩阵进行模型的状态变量与协方差矩阵交互，获得交互后的模型的状态变量以及模型的协方差矩阵；分别将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；利用模型状态估计过程的似然函数值及信息协方差矩阵计算模型的权重，对各个子模型的权重加权求和得到对应的模型的参数；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。负荷建模过程是递推实现的，协方差矩阵不需要存储，节省了存储空间。
【IPC分类】G06F17/50
【公开号】CN105184027
【申请号】CN201510717484
【发明人】王振树, 马阳阳
【申请人】山东大学
【公开日】2015年12月23日
【申请日】2015年10月29日