一种用于电力系统负荷特性仿真的建模方法
【专利摘要】本发明属于电力系统仿真建模领域，尤其是涉及一种用于电力系统负荷特性仿真的建模方法，该方法以实测负荷建模为基础，采用多维综合遗传算法对实测负荷特性数据进行辨识，所得模型在梯形波电压激励下的功率响应数据作为特征向量用于聚类分析，为了降低特征向量维数，提高聚类分析效率，对特征向量进行了基于时间序列的分段线性化处理。该方法能够有效解决负荷时变性问题，提高仿真精度，为工程实践提供更为准确的负荷模型。
【专利说明】一种用于电力系统负荷特性仿真的建模方法
【技术领域】
[0001]本发明属于电力系统仿真建模领域，尤其是涉及一种用于电力系统负荷特性仿真的建模方法。
【背景技术】
[0002]电力系统的安全稳定运行对于国民经济发展和人民正常生活非常重要。电力系统数字仿真是电力系统规划、运行、研究不可或缺的工具。负荷模型对电力系统动态稳定性分析结果具有重要影响，建立符合实际的负荷模型非常必要。然而，电力负荷具有复杂性、时变性、分布性等特征，使得负荷模型的建立非常困难。基于实测的负荷建模方法，由于可以测量不同时刻、月份、季节的负荷特性数据，在解决负荷模型时变性方面具有一定的优势。
[0003]通常可以采用聚类分析法对不同时刻、月份、季节的实测负荷模型进行分组，然后对属于同一组的实测数据采用多曲线拟合参数辨识方法得到一个负荷模型。聚类分析法首先需要选取合适的特征向量，研究表明，基于响应空间的特征向量是比较理想的，它指的是以实测负荷模型在同一电压激励下的有功功率和无功功率响应数据作为特征向量。
[0004]这样得到的基于响应空间的特征向量存在两方面的问题:一是以往研究中电压激励采用矩形波，与实际电压激励波形特征相差较大；二是基于响应空间的特征向量维数比较高，直接进行聚类分析增加了样品相似度度量的计算复杂度，从而降低聚类分析的效率。
【发明内容】
[0005]本发明的目的在于，针对目前电力系统负荷仿真建模存在的仿真模型精度低、分析效率低的问题，提出一种用于电力系统负荷特性仿真的建模方法，主要包括:
[0006]步骤1、基于实测负荷特性数据，采用多维综合遗传算法进行参数辨识，建立对应不同扰动时刻的负荷模型；
[0007]步骤2、选择合理的电压激励依次施加于上述实测负荷模型，得到基于响应空间的特征向量；
[0008]步骤3、将上述特征向量看作时间序列，并对该时间序列进行分段线性化表示，降低特征向量的维数，用于聚类分析；
[0009]步骤4、对每一类对应的实测数据进行多曲线拟合参数辨识，得到一个能够表征这些实测数据对应时刻负荷特性的模型。
[0010]所述步骤I包括:采用三阶感应电动机并联ZIP模型结构的时变自适应负荷模型，得到待辨识的参数包括Rs、Xs> xm、Rr> \、Kpm、Mlf、H、A、B、Pp、Pz、Qp、Qz分别为等值电动机的定子电阻、定子漏抗、电动机激磁电抗、转子电阻、转子漏抗、初始时刻感应电动机有功功率占总有功功率的比例、初始额定负荷率系数、电动机惯性时间常数、第一个转矩系数、第二个转矩系数、恒功率有功比例、恒阻抗有功比例、恒功率无功比例、恒阻抗无功比例。
[0011]所述步骤I中参数辨识采用多维综合遗传算法，包括:a、使用最小区间法选择初始种群，使初始种群取值分布均匀；b、选择运算引入精英保留策略和自适应比例选择策略；C、交叉运算与变异运算采用点交叉和位变异。
[0012]所述步骤I的遗传算法的精英保留策略具体为子代中适应度最好的个体与父代最好的个体进行比较，如果子代不如父代，将父代个体直接保留到子代，并随机移除子代某个体以保持种群数量平衡；自适应比例选择策略为对于适应度高于平均值的个体，提高其选择概率Px，使其易于传递到下一代；交叉概率Pj和变异概率Pb，统称为P，P采用自适应策略，分不同维度展开，按个体在解空间中的分布状况动态调整，在迭代之初，用较小的P，当适应度函数方差大时，说明多样性强，整体减小P，对适应度高于平均适应度的个体，减小个体的P ;交叉和变异产生的新个体根据其适应度函数值与父代个体的适应度函数值关系，按照某一概率Pa接受为种群成员。
[0013]所述步骤2包括:通过对实测电压激励波形统计分析得出施加的电压激励波形为梯形波，这更加符合实际电压下降或上升一般都需要一段时间、且这段时间在整个扰动时间中所占的比重较大不能忽略的特性；
[0014]当梯形波电压激励施加于某个实测负荷模型后，计算出该模型的有功功率P和无功功率Q响应数据，设定所施加的电压激励采样点数为4Nd，则基于响应空间的特征向量表
示为:
【权利要求】
1.一种用于电力系统负荷特性仿真的建模方法，其特征在于，主要包括: 步骤1、基于实测负荷特性数据，采用多维综合遗传算法进行参数辨识，建立对应不同扰动时刻的负荷模型； 步骤2、选择合理的电压激励依次施加于上述实测负荷模型，得到基于响应空间的特征向量; 步骤3、将上述特征向量看作时间序列，并对该时间序列进行分段线性化表示，降低特征向量的维数，用于聚类分析； 步骤4、对每一类对应的实测数据进行多曲线拟合参数辨识，得到一个能够表征这些实测数据对应时刻负荷特性的模型。
2.根据权利要求1所述方法，其特征在于，所述步骤I包括:采用三阶感应电动机并联ZIP模型结构的时变自适应负荷模型，得到待辨识的参数包括Rs、Xs、Xm、Rr>Xr> Kpm、Mlf、H、A、B 、Pp、Pz、Qp、Qz分别为等值电动机的定子电阻、定子漏抗、电动机激磁电抗、转子电阻、转子漏抗、初始时刻感应电动机有功功率占总有功功率的比例、初始额定负荷率系数、电动机惯性时间常数、第一个转矩系数、第二个转矩系数、恒功率有功比例、恒阻抗有功比例、恒功率无功比例、恒阻抗无功比例。
3.根据权利要求1所述方法，其特征在于，所述步骤I中参数辨识采用多维综合遗传算法，包括:a、使用最小区间法选择初始种群，使初始种群取值分布均匀；b、选择运算引入精英保留策略和自适应比例选择策略；c、交叉运算与变异运算采用点交叉和位变异。
4.根据权利要求1所述方法，其特征在于，所述步骤I中遗传算法的精英保留策略具体为子代中适应度最好的个体与父代最好的个体进行比较，如果子代不如父代，将父代个体直接保留到子代，并随机移除子代某个体以保持种群数量平衡；自适应比例选择策略为对于适应度高于平均值的个体，提高其选择概率Px，使其易于传递到下一代；交叉概率Pj和变异概率Pb，统称为P，P采用自适应策略，分不同维度展开，按个体在解空间中的分布状况动态调整，在迭代之初，用较小的P，当适应度函数方差大时，说明多样性强，整体减小P，对适应度高于平均适应度的个体，减小个体的P ;交叉和变异产生的新个体根据其适应度函数值与父代个体的适应度函数值关系，按照某一概率Pa接受为种群成员。
5.根据权利要求1所述方法，其特征在于，所述步骤2包括:通过对实测电压激励波形统计分析得出施加的电压激励波形为梯形波，这更加符合实际电压下降或上升一般都需要一段时间，且这段时间在整个扰动时间中所占的比重较大不能忽略的特性； 当梯形波电压激励施加于某个实测负荷模型后，计算出该模型的有功功率P和无功功率Q响应数据，设定所施加的电压激励采样点数为4Nd，则基于响应空间的特征向量表示为:.......# /IV = (vI N V..-vBNd }=忾為》.-P4Nd ,Q1 及2,..-Q4Nd ) °
6.根据权利要求1所述方法，其特征在于，所述步骤3包括:采用分段聚类逼近对f进行聚类分析，将时间序列等宽度划分，每一段用该子序列上的平均值表示，对于
8N时间序列f，PAA方法将其平均划分为w个子序列，每个子序列包括^i个采样点，
W求取这?个采样点的平均值，则时间序列￥用V = V V...￥$来代替，其中:
7.根据权利要求1所述方法，其特征在于，所述步骤4包括:多曲线拟合参数辨识的目标函数是Ni条曲线的标准化拟合误差JNi取最小值:
【文档编号】G06N3/12GK103915841SQ201410153770
【公开日】2014年7月9日 申请日期:2014年4月16日 优先权日:2014年4月16日
【发明者】徐衍会, 宋歌, 张蓝宇 申请人:华北电力大学