基于类噪声信号及改进差分进化的负荷模型参数辨识方法与流程

本发明属于电力系统负荷模型参数辨识领域，主要涉及一种基于类噪声信号及改进差分进化的负荷模型参数辨识方法。

背景技术：

电力系统的负荷模型结构和参数对电力系统仿真结果具有重要影响。不合理的负荷模型结构和参数会产生或保守或乐观的结果，对电力系统稳定分析而言，甚至会产生完全相反的结论，因此负荷建模是电力系统分析的一个重要方面。

负荷模型结构的选择和模型参数的辨识是负荷建模的两个重要方面。近年来，常用的一种综合负荷模型由恒阻抗、恒电流和恒功率模型表征静态负荷特性，由感应电动机模型表征动态负荷特性。如果静负荷中恒功率和恒电流成分较少，也可以进一步忽略，只用恒阻抗模型来表征静态负荷特性。

选定模型结构后，为得到负荷模型参数，依赖于实际量测数据的总体测辨法成为当前研究的热点。此前的研究中，总体测辨法主要是基于扰动数据实现的。但是基于扰动数据的辨识方法缺点在于系统中并不是经常出现短路、断线、负荷的持续增长等明显扰动，极端情况下可能很长时间内没有明显扰动发生。因此，基于扰动数据的辨识方法是一种依赖于系统中扰动是否存在的方法，如果没有扰动的存在，基于扰动数据的辨识方法就无法执行。然而，负荷模型本身具有随机性与时变性。同一地点不同时刻的负荷模型参数是具有很大的差异的。如果完全基于扰动数据来进行辨识，那么无法完全跟踪负荷模型参数随时间的变化与随机的波动，辨识所得参数也就只能对应扰动发生时刻系统的负荷特性，并不能够用来表示其他时刻的负荷特性，甚至可能会与其他时刻的负荷特性存在很大的差异。

技术实现要素：

本发明的目的是为克服已有技术的不足之处，提出一种基于类噪声信号及改进差分进化的负荷模型参数辨识方法。本方法利用仿真或实测得到的类噪声信号，通过改进差分进化算法，完成负荷模型参数的辨识；采用本方法可以实现对负荷模型参数时变性的跟踪，最终所得负荷模型参数辨识结果可用于电力系统稳定与控制的仿真分析，对电力系统规划、运行具有指导意义。

本发明提出的一种基于类噪声信号及改进差分进化的负荷模型参数辨识方法，其特征在于，该方法首先从仿真或实测中取得电压幅值、电压相角、有功功率、无功功率的量测曲线并校验有功功率曲线的波动幅值是否满足辨识要求；若满足辨识要求，则选定负荷模型结构后，利用改进差分进化算法对有功功率和无功功率的预测值与实际测量值之间的偏差平方和进行最小化优化，得到负荷模型参数；最后采用辨识曲线以外的另一段量测曲线对辨识结果的有效性进行校验，通过校验，则辨识完成。

该方法具体可包括以下步骤：

1)通过仿真或实测得到设定时间长度的负荷节点电压幅值、电压相角、有功功率、无功功率的量测曲线，并将该曲线分为两段，其中一段用作负荷模型参数辨识，另一段用于对辨识结果进行验证；

2)对步骤1)得到的用作负荷模型参数辨识的有功功率曲线，检验该有功功率曲线的波动幅值是否满足辨识要求，如果有功功率曲线的波动幅值大于1％，则进入步骤3)开始辨识；否则返回步骤1)，重新选择量测数据；

3)选定负荷模型结构，通过改进差分进化算法辨识得到相应的负荷模型参数；辨识过程中，以电压幅值曲线和电压相角曲线作为输入，有功功率曲线和无功功率曲线作为输出，将有功功率与无功功率的实际测量值与利用机理化负荷模型及参数进行预测所得到的预测值之间的偏差平方和作为待优化的目标函数，利用改进差分进化算法最小化目标函数得到负荷模型参数辨识结果；

4)验证辨识结果的有效性；取步骤1)得到的用于对辨识结果进行验证的电压幅值、电压相角、有功功率、无功功率的量测曲线，利用步骤3)所得到的参数辨识结果进行有功功率、无功功率预测，如果预测值与量测数据之间的拟合度大于预先设置的拟合度，则辨识结果通过校验，辨识过程完成；否则，返回步骤1)，重新进行辨识。

本发明的特点及有益效果在于：

本发明提出的基于类噪声信号及改进差分进化的负荷模型参数辨识方法，相对于传统基于扰动后响应的负荷模型参数辨识方法，其优点主要体现在：本发明可以实现对负荷模型参数的周期性多次辨识，而不需要考虑系统中是否有扰动存在，可以实现对负荷模型参数时变性的跟踪；本发明最终所得负荷模型参数辨识结果可用于电力系统稳定与控制的仿真分析，对电力系统规划、运行具有一定的指导意义。

附图说明

图1为本发明方法的流程框图。

图2为本发明实施例中电力系统单线结构示意图。

图3为本发明实施例中参数辨识所得有功功率预测与实际量测曲线示意图。

具体实施方式

本发明提出的基于类噪声信号及改进差分进化的负荷模型参数辨识方法，下面结合附图及实施例进一步详细说明如下。

本发明提出的基于类噪声信号及改进差分进化的负荷模型参数辨识方法，流程框图如图1所示，包括以下步骤：

1)通过仿真或实测得到设定时间长度(一般取5-20s)的负荷节点电压幅值、电压相角、有功功率、无功功率的量测曲线，并将该曲线分为两段，其中一段用作负荷模型参数辨识，另一段用于对辨识结果进行验证；

2)对步骤1)得到的用作负荷模型参数辨识的有功功率曲线，检验该有功功率曲线的波动幅值是否满足辨识要求，如果有功功率曲线的波动幅值大于1％，则进入步骤3)开始辨识；否则返回步骤1)，重新选择量测数据；

3)选定负荷模型结构，通过改进差分进化算法辨识得到相应的负荷模型参数；辨识过程中，以电压幅值曲线和电压相角曲线作为输入，有功功率曲线和无功功率曲线作为输出，将有功功率与无功功率的实际测量值与利用机理化负荷模型及参数进行预测所得到的预测值之间的偏差平方和作为待优化的目标函数，利用改进差分进化算法最小化目标函数得到负荷模型参数辨识结果；

4)验证辨识结果的有效性；取步骤1)得到的用于对辨识结果进行验证的电压幅值、电压相角、有功功率、无功功率的量测曲线，利用步骤3)得到的参数辨识结果进行有功功率、无功功率预测，如果预测值与量测数据之间的拟合度大于预先设置的拟合度(一般取80％-90％)，则辨识结果通过校验，辨识过程完成；否则，返回步骤1)，重新进行辨识。

本发明的一个实施例的负荷模型参数辨识方法进一步说明如下：

本实施例的中电力系统单线结构如图2所示，其包括3台发电机，6条输电线路和3个负荷节点，其中BUS-5和BUS-7的负荷采用恒功率模型，BUS-9的负荷采用恒阻抗并联感应电动机模型。

本实施例的基于类噪声信号及改进差分进化的负荷模型的辨识方法包括以下步骤：

1)对图2所示电力系统进行仿真，得到设定时间长度的负荷节点电压幅值、电压相角、有功功率、无功功率的量测曲线，并将该曲线分为两段，其中一段用作负荷模型参数辨识，另一段用于对辨识结果进行验证；本实施例中辨识所用曲线为图2所示电力系统中负荷节点Bus-9的量测曲线，设定(仿真)时间为10s，步长为0.01s，0-5s的曲线进行参数辨识，5-10s的曲线验证辨识结果的有效性；

2)对步骤1)得到的0-5s的有功功率曲线，检验有功功率曲线的波动幅值是否满足辨识要求，如果有功功率曲线的波动幅值大于1％，则进入步骤3)开始辨识；否则返回步骤1)，重新选择量测数据；本实例中的有功功率曲线的波动幅值为2％，大于1％，则进入步骤3)；

3)选定负荷模型结构；本实例选择恒阻抗并联感应电动机的综合负荷模型，同时恒阻抗部分采用电阻并联电抗的形式且电抗部分折算到感应电动机里，因此在此模型中待辨识的参数有四个，分别是转子开路电抗X，转子暂态电抗X'，转子开路时间常数T_d0，以及静负荷电阻R，通过改进差分进化算法，辨识得到相应的负荷模型参数；辨识过程中，以电压幅值曲线和电压相角曲线作为输入，有功功率曲线和无功功率曲线作为输出，将有功功率与无功功率的实际测量值与利用机理化负荷模型及参数进行预测所得到的预测值之间的偏差平方和作为待优化的目标函数，利用改进差分进化算法最小化目标函数以得到负荷模型参数辨识结果；具体步骤如下：

差分进化算法参考了达尔文的自然选择理论，利用种群初始化、变异、交叉和选择来实现全局最优值的获取。其中，种群中每个“个体”都是一个一维向量，向量中的每个元素称为“基因”，本发明中“个体”即为所有待辨识的负荷模型参数，“基因”则为每个待辨识的负荷模型参数。

3-1)根据负荷模型参数的取值范围，随机生成初始化种群，用于后续的进化过程；记第i个个体中第j个参数的表达式如式(1)所示：

式中，D为待辨识的负荷模型参数的总数，本实施例中取值为4；N为差分进化算法的种群规模，本实施例中取值为40；分别为第j个参数的上界值和下界值，rand(0,1)为0～1之间的一个随机数；

3-2)变异个体由上一代的个体出发，随机取出三个个体，用其中两个个体的差向量按照变异因子加权后与第三个个体相加，产生下一代的变异个体，则第G+1代中第i个个体表达式如式(2)所示：

式中，r₁,r₂,r₃为从种群中N个个体中随机选取的三个个体且i≠r₁≠r₂≠r₃，x_r1(G)为第G代中第r₁个个体所有负荷模型参数的数值，x_r2(G)为第G代中第r₂个个体所有负荷模型参数的数值，x_r3(G)为第G代中第r₃个个体所有负荷模型参数的数值，F为变异因子，本实施例中取值为0.9；在变异的过程中，可能会出现变异个体的取值范围超过边界约束(即参数的上界值和下界值)的情况，在这种情况下，则选择边界值作为变异个体的数值；

3-3)对每个个体中的每个基因，即每个个体中的每个待辨识参数，生成一个随机数，如果随机数的数值小于等于交叉率则进行交叉，否则不进行交叉；则第G+1代中第i个个体中第j个参数表达式如式(3)所示：

式中，CR为交叉率，本实施例中取值为0.9；

3-4)在交叉后得到的新一代个体u_i(G+1)与上一代个体x_i(G)之间，分别计算两个个体各自的目标函数数值，在两个个体中选择目标函数数值较小的一个用于下一代的进化，所述目标函数即为有功功率与无功功率的预测值与实际测量值之间的偏差平方和；

3-5)在进行选择、得到新一代种群x_i(G+1)之后，选择其中的最优个体与上一代种群的最优个体进行对比，如果两代最优个体的欧氏距离小于设定阈值，则开始进行终止计数；如果终止计数已经开始且此次欧氏距离仍然小于阈值，则终止计数加一，否则终止计数清零；如果终止计数达到设定数量(一般取50-300)，本实施例取值为200，则停止差分进化过程，把当前的最优个体作为负荷模型参数辨识的结果。本实施例参数辨识所得结果如表1所示；

表1本实施例负荷模型参数辨识结果表

4)验证辨识结果的有效性；为了验证负荷模型参数辨识结果的有效性，取步骤1)得到的用于对辨识结果进行验证的电压幅值、电压相角、有功功率、无功功率的量测曲线，本实施例取5-10s的电压幅值、电压相角、有功功率、无功功率的量测曲线对步骤3)得到的参数辨识结果进行验证，利用所得到的参数辨识结果进行有功功率、无功功率预测，如果预测值与实际测量值之间的拟合度大于预先设置的拟合度(一般取80％-90％)，本实施例取90％，则认为辨识结果通过校验，辨识过程完成；否则，返回步骤1)，重新进行辨识。本实施例中参数辨识所得有功功率预测与实际有功量测的对比如图3所示，同时两条曲线的拟合度为99.52％，大于90％，由此证明了本实施例辨识结果的有效性。