负荷模型的参数辨识方法、系统、计算机设备及存储介质与流程

1.本发明涉及一种负荷模型的参数辨识方法、系统、计算机设备及存储介质，属于电力系统技术领域。


背景技术：

2.电力负荷模型影响着电力系统的稳定计算结果，具体地，在电力系统暂态稳定、小扰动稳定、电压稳定等的分析计算中都有不同程度的影响。在电力系统仿真计算中采用准确的负荷模型，有利于保障电网的安全稳定运行，提高对用户的供电可靠性。
3.随着分布式发电机、电动汽车和需求侧管理等新兴智能电网技术的出现，电力系统的负荷成分更加复杂、负荷波动的时变性和不确定性不断增强，为负荷建模的精确性带来了新的挑战。负荷建模的目标是开发简单的数学模型近似负荷行为，表示负载总线中功率和电压之间的关系。负荷建模包括两个主要步骤：1)选择负荷模型结构；2)辨识负荷模型参数。负荷模型分为静态负荷、动态负荷与复合负荷模型。复合负荷模型同时考虑了负荷中的动态和静态成分，对负荷行为的模拟效果较好。复合负荷的物理模型主要有静态负荷和感应电机组成的复合模型(zip+im)、西部电力协调理事会负荷模型(wecc clm)等。其中wecc clm模型需要对131个参数进行辨识，较为复杂，很难实现。而zip+im模型参数较少，不仅可以较好的模拟负荷动态行为，而且模型求解难度大大降低。
4.负荷的建模和辨识方法主要分为两类：物理模型与数据驱动结合的方法、机器学习等纯数据驱动方法。物理与数据驱动相结合的方法考虑了负荷的物理机理，易于仿真。而机器学习等纯数据驱动方法缺乏物理意义，数据不易获得，仿真软件集成不方便。目前针对zip+im模型的辨识，较多研究聚焦于提取典型参数采用遗传算法求解或者采用强化学习等方法辨识，这两种方法存在精度较差、训练周期较长且参数不具备普适性等缺点。


技术实现要素：

5.有鉴于此，本发明提供了一种负荷模型的参数辨识方法、系统、计算机设备及存储介质，其通过使用物理模型和数据驱动结合来辨识参数，具有明确的物理意义，且求解速度快，具有较好的应用价值。
6.本发明的第一个目的在于提供一种负荷模型的参数辨识方法。
7.本发明的第二个目的在于提供一种负荷模型的参数辨识系统。
8.本发明的第三个目的在于提供一种计算机设备。
9.本发明的第四个目的在于提供一种存储介质。
10.本发明的第一个目的可以通过采取如下技术方案达到：
11.一种负荷模型的参数辨识方法，所述方法包括：
12.获取预处理后的电力系统扰动数据；
13.将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
14.将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
15.进一步的，所述负荷模型为zip+im模型；
16.所述将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，具体包括：
17.根据zip+im模型的三阶感应电动机方程、负荷节点的有功功率和负荷节点的无功功率，将负荷模型转化成状态空间方程的形式，从而得到状态空间方程；
18.对状态空间方程进行简化处理，得到非线性灰箱模型。
19.进一步的，所述负荷节点的有功功率和负荷节点的无功功率，如下式：
[0020][0021]
其中，p表示负荷节点的有功功率，q表示负荷节点的无功功率，v表示负荷节点的电压，p
zip
表示静态负荷的有功功率，q
zip
表示静态负荷的无功功率，pm表示感应电动机吸收的有功功率，qm表示感应电动机吸收的无功功率，pz、pi、p
p
分别表示静态模型中恒阻抗、恒电压、恒功率部分的有功功率所占百分比，qz、qi、q
p
分别表示静态模型中恒阻抗、恒电压、恒功率部分的无功功率所占百分比，p
zip0
表示静态模型在稳态下的有功功率，q
zip0
表示静态模型在稳态下的无功功率，v0表示负荷节点的额定电压，xm′
表示暂态电抗，em′
表示暂态电势，δm表示暂态电势的功角。
[0022]
进一步的，所述状态空间方程，如下式：
[0023][0024][0025]
其中，xm表示励磁电抗，t
dm
′
表示暂态时间常数，ωm表示感应电机负荷的机械角速度，ωs表示负荷节点的角频率，tm表示负荷等效后的转矩，hm表示惯性时间常数。
[0026]
进一步的，所述非线性灰箱模型，如下式：
[0027][0028][0029]
其中，pi表示待辨识参数，i＝1,2,
…
,11。
[0030]
进一步的，所述获取预处理后的电力系统扰动数据，具体包括：
[0031]
在负荷节点处，分别设置第一预设时间的单相故障和第二预设时间的三相故障，并采集包括故障前、故障段和故障切除后的第三预设时间内的多组电压、频率、有功功率和无功功率，其中，输入数据为电压和频率，输出数据为有功功率和无功功率；
[0032]
滤除每组输入数据和输出数据的高次谐波和噪声，从而获取得到预处理后的电力系统扰动数据。
[0033]
进一步的，在所述将预处理后的扰动数据和每个待辨识参数的初始值输入非线性灰箱模型之后，采用levenberg-marquardt迭代算法更新迭代每个待辨识参数。
[0034]
本发明的第二个目的可以通过采取如下技术方案达到：
[0035]
一种负荷模型的参数辨识系统，所述系统包括：
[0036]
获取单元，用于获取预处理后的电力系统扰动数据；
[0037]
构建单元，用于将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0038]
辨识单元，用于将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0039]
本发明的第三个目的可以通过采取如下技术方案达到：
[0040]
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的参数辨识方法。
[0041]
本发明的第四个目的可以通过采取如下技术方案达到：
[0042]
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的参数辨识方法。
[0043]
本发明相对于现有技术具有如下的有益效果：
[0044]
1、本发明将物理模型与数据驱动相结合，考虑了负荷的物理机理，易于仿真。目前，随着新能源负荷的接入，负荷的种类更加多样，纯物理模型涉及到了各种负荷的精确数学建模，集成的方法太过复杂。而机器学习等纯数据驱动方法缺乏物理意义，数据不易获得，仿真软件集成不方便。将物理模型与数据驱动相结合，既可以考虑负荷的物理机理，也
可以利用观测到的大量数据，提高了模型的精确性。
[0045]
2、本发明训练周期短，求解速度快。目前针对负荷模型的辨识，较多研究聚焦于提取典型参数并采用遗传算法求解或者采用强化学习等方法识别，这两种方法可能会导致精度较差、训练周期较长且参数不具备普适性等缺点；而灰箱模型训练周期较短，求解参数速度快，具备普适性和较好的应用价值。
[0046]
3、本发明实施例中的负荷模型为复合负荷的物理模型，即同时考虑了负荷中的动态部分和静态部分，对负荷行为的模拟效果较好。复合负荷的物理模型主要有静态负荷和感应电机组成的复合模型(zip+im)、西部电力协调理事会负荷模型(wecc clm)等；其中，wecc clm模型需要对131个参数进行辨识，较为复杂，很难实现；而zip+im模型有14个参数，不仅可以较好地模拟负荷动态行为，而且模型求解难度大大降低。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0048]
图1为本发明实施例1的负荷模型的参数辨识方法的流程图。
[0049]
图2为本发明实施例1的zip+im模型的等效结构图。
[0050]
图3为本发明实施例1的zip+im模型的等效电路图。
[0051]
图4为本发明实施例1的非线性灰箱模型的辨识流程图。
[0052]
图5(a)为本发明实施例1的单相故障结果的有功功率和无功功率对比图。
[0053]
图5(b)为本发明实施例1的三相故障结果的有功功率和无功功率对比图。
[0054]
图6为本发明实施例2的负荷模型的参数辨识系统的结构框图。
[0055]
图7为本发明实施例3的计算机设备的结构框图。
具体实施方式
[0056]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
实施例1：
[0058]
如图1所示，本实施例提供了一种负荷模型的参数辨识方法，该方法包括以下步骤：
[0059]
s101、获取预处理后的电力系统扰动数据。
[0060]
s1011、选取负荷模型。
[0061]
在负荷模型的结构方面，主要分为静态负荷模型、动态负荷模型和包括静态负荷部分和动态负荷部分的复合负荷模型，其中复合负荷模型同时考虑负荷中的动态成分和静态成分，应用效果较好，为此选取zip+im模型作为本实施例中的负荷模型，zip+im模型的等效结构，如图2所示，zip+im模型的等效电路，如图3所示。
[0062]
s1012、采集在电力系统发生短路等大扰动时产生的扰动数据，即电力系统扰动数据，具体为：基于ieee-39节点标准算例，选取节点9作为负荷节点，在节点9处串联zip+im模型作为仿真模型进行仿真；分别在负荷相邻节点8处，设置第一预设时间的单相故障和第二预设时间的三相故障，并采集包括故障前、故障段和故障切除后的第三预设时间内负荷节点的6250组电压v、频率f、有功功率p和无功功率q，其中，电压v、频率f作为输入数据，有功功率p、无功功率q作为输出数据；v也称为负荷节点的电压，f、p、q同理。
[0063]
本实施例中，第一预设时间和第二预设时间分别为0.5s和0.2s，第三预设时间为5s；电力系统扰动数据由软件rscad驱动rtds产生。
[0064]
s1013、滤除每组输入数据和输出数据的高次谐波和噪声，从而获取得到预处理后的电力系统扰动数据。
[0065]
本实施例中，采用巴特沃斯低通滤波器滤除步骤s1011的每组输入数据和输出数据的高次谐波和噪声，从而获取得到预处理后的电力系统扰动数据。
[0066]
s102、将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建。
[0067]
具体地，zip+im模型的静态负荷部分(静态模型)的表达式，如(5.1)式所示：
[0068][0069]
其中，p
zip
表示静态负荷的有功功率，q
zip
表示静态负荷的无功功率，p
zip0
表示静态模型在稳态下的有功功率，q
zip0
表示静态模型在稳态下的无功功率，v表示负荷节点的电压，pz、pi、p
p
分别表示静态模型中恒阻抗、恒电压、恒功率部分的有功功率所占百分比，qz、qi、q
p
分别表示静态模型中恒阻抗、恒电压、恒功率部分的无功功率所占百分比，v0表示负荷节点的额定电压。
[0070]
具体地，zip+im模型的动态负荷部分(动态模型)由三阶感应电动机方程来表示，在三阶感应电动机方程中，忽略了定子绕组的电磁暂态过程，感应电机的电压、幅值、角速度随时间的变化，如(5.2)式所示：
[0071][0072]
其中，em′
表示暂态电势，δm表示暂态电势的功角，xm表示励磁电抗，xm′
表示暂态电抗，t
dm
′
表示暂态时间常数，ωm表示感应电机负荷的机械角速度，tm表示负荷等效后的转矩，hm表示惯性时间常数。
[0073]
具体地，根据v、em′
和δm，推导出感应电动机吸收的有功功率和无功功率的表达式，
如(5.3)式所示：
[0074][0075]
进一步地，负荷节点的有功功率和负荷节点的无功功率为静态负荷部分与动态负荷部分之和，如(5.4)式所示：
[0076][0077]
进一步地，基于(5.2)式与(5.4)式，将zip+im模型表示为状态空间方程的形式，即为zip+im模型的非线性三阶状态方程，如(5.5)式所示；在(5.5)式中，状态向量x＝[em′ꢀ
δ
m ωm]
t
，输入为负荷节点的电压和角频率u＝[v ωs]
t
，输出为负荷节点的有功功率和无功功率y＝[p q]
t
。
[0078][0079]
进一步地，为了减少计算的复杂度，采用常数pi(i＝1,2,
…
,11)表示状态空间方程的系数矩阵中的待辨识参数，即对状态空间方程进行简化处理，最终得到简化处理后的状态空间方程的形式，如(5.6)所示：
transactions on power systems,2013,28(3):3126-3133.。
[0088]
值得注意的是：经过六千多组数据迭代的非线性灰箱模型已经足以把大部分电力系统扰动数据辨识出来，因此本实施例构建的非线性灰箱模型具有一定的通用性，只有当负荷节点的负荷发生比较大的变化时，才需要对待辨识参数再次辨识。
[0089]
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
[0090]
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0091]
实施例2：
[0092]
如图6所示，本实施例提供了一种负荷模型的参数辨识系统，该系统包括获取单元601、构建单元602和辨识单元603，各个单元的具体功能如下：
[0093]
获取单元601，用于获取预处理后的电力系统扰动数据；
[0094]
构建单元602，用于将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0095]
辨识单元603，用于将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0096]
实施例3：
[0097]
如图7所示，本实施例提供了一种计算机设备，其包括通过系统总线701连接的处理器702、存储器、输入装置703、显示装置704和网络接口705。其中，处理器702用于提供计算和控制能力，存储器包括非易失性存储介质706和内存储器707，该非易失性存储介质706存储有操作系统、计算机程序和数据库，该内存储器707为非易失性存储介质706中的操作系统和计算机程序的运行提供环境，计算机程序被处理器702执行时，实现上述实施例1的参数辨识方法，如下：
[0098]
获取预处理后的电力系统扰动数据；
[0099]
将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0100]
将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0101]
实施例4：
[0102]
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的参数辨识方法，如下：
[0103]
获取预处理后的电力系统扰动数据；
[0104]
将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0105]
将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0106]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者
计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0107]
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0108]
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如java、python、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0109]
综上所述，本发明将物理模型与数据驱动相结合，既可以考虑负荷的物理机理，也可以利用观测到的大量数据，提高了参数辨识的精确性；同时，相较于传统的静态负荷模型和wecc clm模型而言，zip+im模型不仅可以较好地模拟负荷动态行为，而且参数较少，辨识难度较低。此外，灰箱模型具有明确的物理意义，训练周期短且求解速度快，具有较好的应用价值。
[0110]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。