一种负荷建模的模糊逻辑强跟踪方法

本发明属于电力负荷建模领域，尤其涉及一种负荷建模的模糊逻辑强跟踪方法。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电力负荷模型是电力系统规划设计、调度运行和分析研究的基础，模型是否恰当直接关系到结果的准确程度。在以往的研究中常采用经典的模型和参数，不准确的负荷模型往往会导致计算的结果与实际的情况不一致，造成系统潜在的危险或不必要的浪费。随着分布式电源(如光伏、风电等)、电动汽车大量增加，负荷的成分更加复杂、负荷建模的难度进一步加大。

负荷模型包括静态模型和动态模型。仿真中所使用的负荷模型结构大多是单一的和固定的，往往不能准确地描述负荷特性。为了更好地反映负荷的静态特性和动态特性，采用综合负荷模型描述电力负荷。确定模型结构之后，采用辨识算法识别出负荷模型的参数。然而，当采用的负荷模型与描述的实际负荷之间的误差较大时，负荷模型不能准确地反映出实际的负荷特性。

交互多模型(interactingmultiplemodel,imm)算法为解决上述负荷建模中的问题提供了重要的理论基础。imm算法的思想是将被观测系统所有可能的运动状态映射到模型集，模型集中的子模型代表不同的运动模式。采用归一化新息平方和来选择模型集中的最优子模型参与交互，利用马尔可夫过程描述子模型之间的变换关系。每个模型各自匹配一个滤波器进行状态估计，根据估计的误差更新模型权重，并根据更新后的权重融合状态估计结果，从而跟踪机动目标。

imm滤波稳定、一致收敛的前提是假定的模型是无偏的；当对目标的先验知识了解较少或者目标本身出现机动时，建立的模型就会存在固定偏差，影响负荷建模的准确性。由于电力负荷的随机性、强非线性等特点，提高交互多模型的鲁棒性就显得尤为重要。

技术实现要素：

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种负荷建模的模糊逻辑强跟踪方法，其将强跟踪算法与模糊逻辑相结合，构造交互式模糊逻辑强跟踪滤波器，以对负荷模型进行状态估计，同时根据测量噪声自适应调整渐消因子，使滤波器的过程参数与模型参数保持一致，提高了负荷建模的精度和计算速度，解决了现有电力负荷模型鲁棒性差的问题。

为了实现上述目的，本发明采用如下技术方案：

本发明提供一种负荷建模的模糊逻辑强跟踪方法。

一种负荷建模的模糊逻辑强跟踪方法，包括：

监测电压幅值和新息的变化，确定噪声协方差矩阵；所述新息为当前负荷模型输出预测负荷特性数值与实测负荷特性数值之差；

利用模糊逻辑自适应调整噪声协方差矩阵，确定强跟踪滤波器的渐消因子，使强跟踪滤波器的过程参数与当前负荷模型参数保持一致；

利用强跟踪滤波器对当前负荷模型进行状态估计，判断新息是否达到预设精度，若是，则输出修正后的模型，并利用该模型进行预测负荷特性；否则，修正负荷模型，直至新息达到预设精度。

其中，所述负荷特性数值为负荷的有功功率和无功功率。

作为一种实施方式，模糊化定义如下：

如果电压变化属于预先设定变化小的范畴，新息的数值也属于预先设定变化小的范畴，那么噪声协方差矩阵设计为一个设定的小值，从而降低测量噪声对负荷建模的影响；

如果电压变化属于预先设定变化大的范畴，新息数值也属于预先设定变化大的范畴，那么噪声协方差矩阵设计为一个设定的大值，以自适应测量噪声的影响，同时渐消因子被设计为一个设定大值，对过去的测量数据进行渐消。

作为一种实施方式，在确定强跟踪滤波器的渐消因子的过程中，通过使用知识库收集不同的知识行为的形式“if-then”模糊规则并计算成员值。

其中，模糊规则库由人工专家生成，利用经验和实验数据，对表示电压幅值和新息之间的关系的三角形隶属度函数进行划分。

作为一种实施方式，在确定强跟踪滤波器的渐消因子的过程中，采用加权平均法进行去模糊化，输出得到一个确定的噪声协方差矩阵。

作为一种实施方式，利用强跟踪滤波器对当前负荷模型进行状态估计的过程为：

当前负荷模型匹配一个强跟踪滤波器进行状态估计，同时利用量测数据进行模糊逻辑自适应调整渐消因子，组成交互式模糊逻辑强跟踪滤波器，对负荷特性数据进行滤波。

作为一种实施方式，所述强跟踪滤波器利用上一时刻混合后的状态量和本时刻量测的负荷数据求解滤波增益，并利用其进行下一时刻的预测、更新状态量和协方差矩阵。

与现有技术相比，本发明的有益效果是：

(1)本发明将强跟踪滤波与模糊逻辑结合应用于交互式多模型负荷建模，提高了交互多模型的鲁棒性，使得建立的负荷模型和实际负荷更加吻合；

(2)本发明在滤波器中引入时变渐消因子，调整滤波增益，提高测量模型的权重，充分利用量测的电力负荷数据，提高了负荷建模的计算速度和负荷模型的精度；

(3)本发明构造交互式模糊逻辑强跟踪滤波器，根据系统测量噪声的变化自适应调整噪声协方差矩阵，确定适当数值的时变渐消因子，提高建模的准确性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的负荷建模的模糊逻辑强跟踪方法流程图；

图2是本发明实施例的输入变量δu隶属度函数；

图3是本发明实施例的输入变量γ隶属度函数；

图4是本发明实施例的输出变量qk隶属度函数。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释：

新息：是模型输出预测值和实测值之差。

如图1所示，本实施例提供了一种负荷建模的模糊逻辑强跟踪方法，其包括：

s101：监测电压幅值和新息的变化，确定噪声协方差矩阵；所述新息为当前负荷模型输出预测负荷特性数值与实测负荷特性数值之差。

在具体实施中，根据电压幅值变化和新息序列自适应调整噪声协方差矩阵qk，确定时变渐消因子λ(k+1)，具体包括：模糊化、模糊推理和去模糊化。

具体地，通过监测电压幅值δu和新息γ的变化而确定噪声协方差矩阵qk，确定适当数值的渐消因子λ(k+1)。

s102：利用模糊逻辑自适应调整噪声协方差矩阵，确定强跟踪滤波器的渐消因子，使强跟踪滤波器的过程参数与当前负荷模型参数保持一致。

模糊化具体定义如下：

如果电压变化属于预先设定变化小的范畴(i.e.,ifδuiss)，新息的数值也属于预先设定变化小的范畴(i.e.,ifγiss)，那么噪声协方差矩阵设计为一个设定的小值(i.e.,thenqkisss)，从而降低测量噪声对负荷建模的影响；

如果电压变化属于预先设定变化大的范畴(i.e.,ifδuisl)，新息数值也属于预先设定变化大的范畴(i.e.,ifγisl)，那么噪声协方差矩阵设计为一个设定的大值，以自适应测量噪声的影响，同时渐消因子被设计为一个设定大值(i.e.,thenqkisll)，对过去的测量数据进行渐消。

模糊推理规则如表1所示。

表1模糊推理规则

模糊推理，通过使用知识库收集不同的知识行为的形式模糊“if-then”规则并计算成员值。其中模糊规则库由人工专家生成，利用经验和实验数据，对表示电压幅值和新息之间的关系的三角形隶属度函数进行划分，如图2、图3所示。横坐标为输入变量，纵坐标为各变量相应的隶属度函数。

为了确定测量噪声协方差qk，进行了大量实验表征负荷特性跟踪和强跟踪滤波器。根据人工专家的实验数据和经验，输出变量的隶属函数的模糊划分如图4。

去模糊化，将模糊集转化为清晰的数值进行输出，采用加权平均法进行去模糊化输出得到一个确定的噪声协方差矩阵。

强跟踪滤波，利用上一时刻混合后的状态量和本时刻量测的负荷数据求解滤波增益，并利用其进行下一时刻的预测、更新的过程，包括状态量和协方差矩阵，计算过程如下：

协方差预测：

p(k+1|k)＝λ(k+1)fp(k|k)f^t+qk

其中噪声协方差矩阵为由模糊逻辑确定噪声协方差矩阵的大小。

滤波增益：

w(k+1)＝p(k+1|k)h^t[hp(k+1|k)h^t+r]^-1

状态更新：

协方差更新：

p(k+1|k+1)＝[i-w(k+1)h]p(k+1|k)。

确定时变渐消因子的过程为：

当负荷特性剧烈变化时λ(k+1)大于1，由于新息序列量，而设计一个适当数值的渐消因子来改进系统模型和测量模型，从而估计得到准确的负荷功率。当负荷特性缓慢变化时λ(k+1)为1，强跟踪滤波就成为了标准卡尔曼滤波器，综合以上，从而得到负荷功率的准确估计。

时变渐消因子计算如下

其中：

λ0＝tr[n(k+1)]/tr[m(k+1)]

n(k+1)＝s(k+1)-hqkh^t-βr

m(k+1)＝hfp(k|k)f^th^t

式中，tr(·)为求迹算子；过程噪声ω(k)和测量噪声ν(k)，方差为q和r。γ(k+1)为新息序列，h、f分别为量测模型和过程模型的局部线性化矩阵；s(k+1)为新息协方差；β为弱化因子，ρ为遗忘因子，一般取0.95。

s103：利用强跟踪滤波器对当前负荷模型进行状态估计，判断新息是否达到预设精度，若是，则输出修正后的模型，并利用该模型进行预测负荷特性；否则，继续修正负荷模型，直至新息达到预设精度。

在具体实施中，利用强跟踪滤波器对当前负荷模型进行状态估计的具体过程为：

当前负荷模型匹配一个强跟踪滤波器进行状态估计，同时利用量测数据进行模糊逻辑自适应调整渐消因子，组成交互式模糊逻辑强跟踪滤波器，对负荷特性数据进行滤波。

本实施例将强跟踪滤波与模糊逻辑结合应用于交互式多模型负荷建模，提高了交互多模型的鲁棒性，使得建立的负荷模型和实际负荷更加吻合；

本实施例在滤波器中引入时变渐消因子，调整滤波增益，提高测量模型的权重，充分利用量测的电力负荷数据，提高了负荷建模的计算速度和负荷模型的精度；

本实施例构造的模糊逻辑强跟踪滤波器，根据系统测量噪声的变化自适应调整噪声协方差矩阵，确定适当数值的时变渐消因子，提高建模的准确性。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。