本發(fā)明涉及電力系統(tǒng)運行、仿真及分析技術，尤其涉及一種電力系統(tǒng)的負荷特性確定方法及系統(tǒng)。
背景技術：
：近年來，我國高速鐵路事業(yè)得到了迅猛的發(fā)展，高速鐵路牽引供電負荷具有沖擊性強、高次諧波豐富等特點。為了準確描述其電力綜合負荷特性，可以通過尋求合理的負荷模型結構并獲得準確的模型參數(shù)，建立用于電力系統(tǒng)的運行、仿真及穩(wěn)定分析的負荷模型。其中，參數(shù)辨識是負荷建模的關鍵步驟，其結果會直接影響模型的準確性，因此探索出一種有效的參數(shù)辨識方法具有重要意義。目前所用的負荷模型參數(shù)辨識方法主要有常規(guī)的數(shù)學方法和智能優(yōu)化算法這兩大類。常規(guī)的數(shù)學方法具有較快的計算速度，但它對函數(shù)的連續(xù)性、非凸性、可微性的計算具有較高要求，而且它還存在易于陷入局部最優(yōu)解等缺點。智能優(yōu)化算法在處理非線性、多變量、不連續(xù)、非凸等優(yōu)化問題上體現(xiàn)出了很強的尋優(yōu)能力。其中，粒子群優(yōu)化算法(ParticleSwarmOptimization，簡稱PSO)是近年來發(fā)展起來的一種新的優(yōu)化算法，其采用并行搜索機制，通過最優(yōu)信息的傳遞，使種群快速收斂，最終找到最優(yōu)解，是一種基于群體智能的全局搜索方法。和其他啟發(fā)式算法(如遺傳算法、蟻群算法)相似，也是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，并通過適應度來評價解的品質，但PSO的規(guī)則更為簡單，需要調整的參數(shù)較少，便于實現(xiàn)。然而，PSO也存在遍歷性不足、易陷入局部最優(yōu)等缺點，使得搜索精度不高。技術實現(xiàn)要素：本發(fā)明實施例提供一種電力系統(tǒng)的負荷特性確定方法及系統(tǒng)，通過一種 改進型的PSO提高負荷模型參數(shù)辨識的精度，辨識出最適合的負荷模型參數(shù)，從而可以建立準確描述電力系統(tǒng)負荷特性的負荷模型進行電力系統(tǒng)的負荷特性確定。本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定方法，包括：根據負荷模型參數(shù)的約束條件，隨機初始化一個粒子數(shù)目為N的粒子群G，其中每個粒子為一個包括d個負荷模型參數(shù)的數(shù)組；根據進行粒子群搜索，其中，i＝1，2，……，N，和為進行第k次粒子群搜索時粒子i的位置和速度，和為進行第k次粒子群搜索后粒子i的位置和速度，為進行第k次粒子群搜索時所述粒子群G的全局最優(yōu)值，為進行第k次粒子群搜索時粒子i的個體最優(yōu)值，c1為第一學習因子，c2為第二學習因子，r1、r2為[0,1]之間的隨機數(shù)，為進行第k次粒子群搜索時的慣性權重值，且進行粒子群搜索過程中，粒子群算法的慣性權重值w隨粒子群搜索次數(shù)k呈S型遞減；當達到預設條件時，停止所述粒子群搜索，并根據搜索結果確定所述負荷模型參數(shù)；根據所述負荷模型參數(shù)建立電力系統(tǒng)的負荷模型；根據所述負荷模型確定所述電力系統(tǒng)的負荷特性。本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定系統(tǒng)，可以用于實現(xiàn)上述電力系統(tǒng)的負荷特性確定方法，該系統(tǒng)包括：負荷模型參數(shù)確定單元、負荷模型建立單元和負荷特性確定單元。其中，負荷模型參數(shù)確定單元可以用于：根據負荷模型參數(shù)的約束條件，隨機初始化一個粒子數(shù)目為N的粒子群G，其中每個粒子為一個包括d個負荷模型參數(shù)的數(shù)組；根據進行粒子群搜索，其中，i＝1，2，……，N，和為進行第k次粒子群搜索時粒子i的位置和速度，和為進行第k次粒子群搜索后粒子i的位置和速度，為進行第k次粒子群搜索時所述粒子群G的全局最優(yōu)值，為進行第k次粒子群搜索時粒子i的個體最優(yōu)值，c1為第一學習因子，c2為 第二學習因子，r1、r2為[0,1]之間的隨機數(shù)，為進行第k次粒子群搜索時的慣性權重值，且進行粒子群搜索過程中，粒子群算法的慣性權重值w隨粒子群搜索次數(shù)k呈S型變化；當達到預設條件時，停止粒子群搜索，并根據搜索結果確定負荷模型參數(shù)。所述負荷模型建立單元可以用于：根據所述負荷模型參數(shù)建立電力系統(tǒng)的負荷模型。所述負荷特性確定單元可以用于：根據所述負荷模型確定所述電力系統(tǒng)的負荷特性。基于上述，本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定方法和系統(tǒng)，通過一種改進型的PSO提高負荷模型參數(shù)辨識的精度，辨識出最適合的負荷模型參數(shù)，從而可以建立準確描述電力系統(tǒng)負荷特性的負荷模型進行電力系統(tǒng)的負荷特性確定，提高了電力系統(tǒng)負荷特性研究的準確性和有效性。同時，精確的負荷特性預測能有助于電網的調度進行電力調配，由于電能難以做到大量的儲存，因此具有良好的負荷模型，即精準的模型參數(shù)的匹配能節(jié)約大量的資源，能有效的進行發(fā)電和配電的統(tǒng)籌，具有一定的經濟效益。附圖說明為了更清楚地說明本發(fā)明或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為電力系統(tǒng)負荷模型的原理示意圖；圖2為感應電機的等值電路示意圖；圖3為本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定方法的流程圖；圖4為負荷模型的參數(shù)辨識原理示意圖；圖5為線性遞減和S型遞減的慣性權重函數(shù)的圖像對比示意圖；圖6為本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定系統(tǒng)示意圖；圖7為電力系統(tǒng)負荷運行時吸收的有功功率的特性仿真示意圖；圖8為電力系統(tǒng)負荷運行時吸收的無功功率的特性仿真示意圖。具體實施方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有付出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。電力系統(tǒng)的所有用電設備總稱為負荷，按用途可分為工業(yè)負荷、農業(yè)負荷、商業(yè)負荷等，按用電設備的類型可分為感應電動機、同步電機、照明設備、空調設備等。當負荷運行時，其吸收的有功及無功功率會隨著負荷母線上的電壓和頻率的波動而改變，這稱之為負荷的電壓、頻率特性，用以描述負荷這一特性的數(shù)學方程稱之為負荷模型。通常會把負荷群看作一個整體，圖1為電力綜合系統(tǒng)負荷模型的原理示意圖，如圖1所示，將母線電壓U和系統(tǒng)頻率f作為系統(tǒng)輸入量，負荷吸收的有功功率P和無功功率Q作為其輸出量。由于感應電機(又稱異步電機)是電力綜合負荷中最常見也是占比例最大的負載，因此通常會選擇感應電機的模型作為電力系統(tǒng)的負荷模型。圖2為感應電機的等值電路示意圖，如圖2所示，Rs和Xs分別為定子繞組的電阻和電抗，Xm為定子繞組和轉子繞組的互感抗(又稱勵磁繞組的電抗)，Rr和Xr分別為轉子繞組的電阻和電抗。異步電機的數(shù)學模型可以表示為：方程中，為異步電機的母線電壓，為異步電機的暫態(tài)電勢，為異步電機的母線電流，為定子開路暫態(tài)時間常數(shù)，X為異步電機的同步電抗，X′為異步電機的暫態(tài)電抗，H為異步電機的慣性時間常數(shù)，s為異步電機的滑差。Tm為電機的負載轉矩，Tm＝TL(A(1-s)2+B(1-s)+C)，TL異步電機的負荷系數(shù)，Te為電機產生的電磁轉矩，其中X＝Xs+Xm，A+B+C＝1。。在異步電機的研究過程中，基于不同坐標系下產生的磁動勢完全一致的原則，即電機的定、轉子磁場同步旋轉，可以建立一個具有同步旋轉速度的旋轉坐標系，這個旋轉坐標系稱為dq旋轉坐標系。在dq旋轉坐標系上，所有電信號可以描述為常數(shù)，方便電機問題的研究。在dq旋轉坐標系上，Ud、Uq為d軸、q軸的母線電壓，E′d、E′q為d軸、q軸的暫態(tài)電勢，id、iq為d軸、q軸的定子電流。結合異步電機的等值電路和異步電機的數(shù)學模型，可以整理得出：在dq旋轉坐標系上，異步電機的電壓方程可以表示為：異步電機的功率為：因此，根據負荷模型的輸入(母線電壓)的變化引起的有功及無功功率P、Q的變化，需要辨識的異步電機的模型參數(shù)共有8個，即[Rs,Xs,Xm,Rr,Xr,H,A,B]。本發(fā)明的下述實施例將通過異步電機的負荷特性的確定為例對本發(fā)明的技術方案做示例性說明。圖3為本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定方法的流程圖。如圖3所示，該方法可以包括：S31，根據負荷模型參數(shù)的約束條件，隨機初始化一個粒子數(shù)目為N的粒子群G，其中每個粒子為一個包括d個負荷模型參數(shù)的數(shù)組。S32，進行粒子群搜索。具體的，可以根據進行粒子群搜索。其中，i＝1，2，……，N，和為進行第k次粒子群搜索時粒子i的位置和速度，和為進行第k次粒子群搜索后粒子i的位置和速度，為進行第k次粒子群搜索時所述粒子群G的全局最優(yōu)值，為進行第k次粒子群搜索時粒子i的個體最優(yōu)值，c1為第一學習因子，c2為第二學習因子，r1、r2為[0,1]之間的隨機數(shù)，為進行第k次粒子群搜索時的慣性權重值，且進行粒子群搜索過程中，粒子群算法的慣性權重值w隨粒子群搜索次數(shù)k呈S型變化。S33，當達到預設條件時，停止粒子群搜索，并根據搜索結果確定負荷模型參數(shù)；S34，根據負荷模型參數(shù)建立電力系統(tǒng)的負荷模型；S35，根據負荷模型確定電力系統(tǒng)的負荷特性。為了更清楚地說明本發(fā)明的實施方案，可以結合負荷模型的參數(shù)辨識原理進行進一步詳細說明。圖4為負荷模型的參數(shù)辨識原理示意圖，請參照圖4。首先獲取負荷系統(tǒng)的實測數(shù)據，如實際負荷系統(tǒng)的輸入量和輸出量。其中，實際負荷系統(tǒng)的輸入量包括母線電壓U和輸入頻率f，輸出量包括有功功率P和無功功率Q。如上所述，粒子群算法是一種從隨機解出發(fā)，通過迭代尋找最優(yōu)解，并通過適應度來評價解的品質的優(yōu)化算法。因此，通過粒子群算法進行負荷模型參數(shù)辨識時，首先要根據待辨識參數(shù)的約束條件，隨機初始化一個粒子數(shù)目為N的粒子群G，每個粒子為一個包括d個待辨識參數(shù)的數(shù)組。以待辨識參數(shù)的的個數(shù)d作為粒子群算法中粒子在搜索空間中的維度，并對粒子群算法中的種群數(shù)目N、第一學習因子c1、第二學習因子c2、最大迭代搜索次數(shù)kiter或粒子搜索精度δ進行設置。一般的，c1＝c2＝2。以異步電機為例，在異步電機模型參數(shù)辨識時，每個粒子都對應于8個待辨識參數(shù)[Rs,Xs,Xm,Rr,Xr,H,A,B]的取值。待辨識參數(shù)[Rs,Xs,Xm,Rr,Xr,H,A,B]的約束條件，例如可以是待辨識參數(shù)的取值范圍等。在實際應用中，異步電 機的模型參數(shù)的取值范圍可以參見表1所示。表1感應電機的模型參數(shù)的取值范圍參數(shù)RsXsXmRrXrHAB最大值0.81.05.00.81.03.01.01.0最小值0.10.11.00.050.010.5-0.5-0.5進一步的，可以根據待辨識參數(shù)的取值范圍對粒子的粒子控制向量和粒子狀態(tài)向量進行編碼，即對粒子的粒子位置和粒子速度進行控制編碼。在粒子控制變量和粒子狀態(tài)變量的約束范圍之內，隨機初始化一個種群數(shù)目為N的粒子群，即初始化粒子群中第i個粒子的粒子位置xid和粒子速度vid，以形成當前種群，且作為第一代粒子的狀態(tài)用于第1次迭代計算，并設置最大速度限制vidmax，以確保粒子的速度不越限。可以理解的是，在本實施例中均有：i＝1，2，……，N。示例性的，在本實施例中，種群中的每個粒子的粒子位置xid和粒子速度vid分別可以按如下方式進行初始化：其中，為一個在(0，1)之間均勻產生一組隨機數(shù)的函數(shù)，xidmax和xidmin分別表示粒子i的最大值和最小值，vidmax表示粒子i的最大速度限制。對于粒子群G中的每個粒子i，根據隨機初始化獲取的模型參數(shù)的取值xid，以及輸入的母線電壓值U和輸入頻率f，可以結合異步電機的數(shù)學模型對應的微分方程求解粒子i對應的異步電機模型的暫態(tài)電動勢E′d、E′q，進而根據異步電機的電壓方程計算相應的定子電流id、iq，并最終計算粒子i對應的異步電機模型吸收的有功功率Pi和無功功率Qi。然后，可以通過適應度函數(shù)來評價初始化的每個粒子的適應度。作為一種優(yōu)選的實施方式，對于每個粒子i，可以根據有功功率Pi和無功功率Qi與實測的有功功率P和無功功率Q之間的差值，確定該粒子i的適應度fi。示例性的，可以選擇函數(shù)來評價每個粒子的適應度。當k＝1時，得到N個粒子的適應度后，確定N個粒子中具有最小適應度fmin的粒子為隨機初始化的粒子群G的全局最優(yōu)值gbest，即進行第1次粒 子群搜索時的gbest。并設定每個粒子的當前位置xid為第1次粒子群搜索時粒子i的個體最優(yōu)值pibest。根據公式進行第1次粒子群搜索，即此時k＝1，通過迭代更新獲取每個粒子的位置和速度需要說明的是，r1、r2為[0,1]之間的隨機數(shù)。另外需要說明的是，w為進行粒子群搜索時的慣性權重值。由于粒子群搜索過程中，較大的慣性權重傾向于向于全局搜索，而較小的慣性權重傾向于局部搜索。根據相關技術，采用線性遞減的慣性權重在PSO算法迭代中，一方面，只有在開始迭代的較短時間內，才具有較大慣性權重，這使得粒子群可能在最初的搜索中還沒有遍歷所有的區(qū)域就已經開始往局部收縮了；另一方面，在迭代過程中，慣性權重始終以相同的速率變化，不利于粒子群進行局部搜索。為此，本實施例構造了一個如圖5所示的S型遞減的慣性權重函數(shù)，在粒子群搜索中慣性權重值w隨粒子群搜索次數(shù)k呈S型遞減。圖5為線性遞減和S型遞減的慣性權重函數(shù)的圖像對比示意圖，如圖5所示，S型遞減的慣性權重函數(shù)使得有較大慣性權重的區(qū)域范圍有所擴大，并在搜索末期，能保持較小的慣性權重進行精細搜索。作為本實施例一種可選的實施方式，可以根據確定進行第k次粒子群搜索時的慣性權重值其中，tanh為雙曲正切函數(shù)，kiter為最大搜索次數(shù)，a用來調整慣性權重函數(shù)在最大、最小值過渡區(qū)域的陡度，b用于調整函數(shù)曲線的位置，通過調整a、b的值可以獲得不同的函數(shù)曲線，以適應不同的應用場合。根據本實施例的應用場景，慣性權重參數(shù)a，b可以分別設置為0.15和15。也就是，在本實施例中，具體可以根據確定進行第k次粒子群搜索時的慣性權重值wk。作為本實施例另一種可選的實施方式，可以根據計算進行第k次粒子群搜索時種群的平均適應度將粒子i的適應度與種群平均適應度值進行比較。如果則說明該粒子未找到最優(yōu) 解，或已陷入局部最優(yōu)，應增大其慣性權重，使其在更大范圍內搜索或跳出局部最優(yōu)值；而如果則說明該粒子比較靠近優(yōu)解區(qū)域，應減小其慣性權重，使其在局部區(qū)域進行精細搜索。為此，本實施例還提出一種自適應調整慣性權重的搜索策略。示例性的，可以通過確定慣性權重的調整量。其中，c、d兩個參數(shù)為常值，其取值范圍為[0.1，0.6]。M為判斷向量，當時，M＝1；當時，M＝-1。因此自適應慣性權重，可以根據確定。自適應慣性權重策略能夠根據粒子自身的位置自動調整飛行速度，從而可以提高種群的收斂速度。需要說明的是，完成第1次粒子群搜索后，進一步的，應該檢查更新后的粒子的位置和速度是否在設定的范圍以內，即是否滿足粒子的約束條件。如果不滿足粒子的約束條件，則應該對其進行修正。作為一種可選的實施方式，當更新后的粒子的位置和速度不滿足粒子的約束條件時，可以修正更新后的粒子的位置和速度等于約束條件的邊界值，例如或以及可以理解的是，由于粒子的位置的邊界值有兩個，進行修正時，可以隨機選取其中任一邊界值作為粒子位置的修正值。進一步的，根據粒子i的位置和速度以及輸入的母線電壓值U和輸入頻率f，計算粒子i對應的異步電機模型吸收的有功功率和無功功率并根據有功功率和無功功率與實測的有功功率P和無功功率Q之間的差值，確定該粒子i的適應度確定進行第一次更新后的N個粒子中具有最小適應度的粒子為第一次更新后的粒子群G的全局最優(yōu)值即進行第2次粒子群搜索時的進一步的，對于第2次粒子群搜索時粒子i的個體最優(yōu)值可以根據以下方法確定：當時，確定對應的粒子的位置為第2次粒子群搜索時該粒子i的個體最優(yōu)值當時，確定fi對應的粒子的位置xid為該粒子i的個體最優(yōu)值同樣的道理，對粒子群進行第3次、第4次、……粒子群搜索，直到達到預設的終止條件時停止粒子群搜索，并根據最后一次粒子群搜索結果來確定負荷模型參數(shù)。可以理解，最終的負荷模型參數(shù)對應于進行最后一次粒子群搜索后，根據更新后的粒子的適應度確定出的最小適應度對應的粒子的位置，即根據最后更新后的粒子群確定出的全局最優(yōu)值。需要說明的是，預設的終止條件例如可以是預先設置的最大搜索次數(shù)kiter，或者預設的搜索精度?？梢岳斫猓阉骶瓤梢酝ㄟ^粒子群的最小適應度值進行描述。辨識出最適合的負荷模型參數(shù)后，進一步的，可以根據辨識出的負荷模型參數(shù)建立電力系統(tǒng)的負荷模型，并通過該負荷模型對電力系統(tǒng)的負荷特性進行準確描述。最后值得一提的是，由于粒子群算法陷入局部最優(yōu)和早熟現(xiàn)象在種群的全局最優(yōu)值中體現(xiàn)的最為明顯。因此，在本發(fā)明的另一實施例中，進一步的，在上述實施例的基礎上，在粒子搜索過程中，還可以對種群的全局最優(yōu)值進行更新，引導種群中的粒子改變飛行方向，進入搜索空間中的其他區(qū)域進行搜索，使種群進一步地發(fā)掘潛在的最優(yōu)解。示例性的，可以在粒子搜索過程中，在種群的全局最優(yōu)值中增加一個隨機擾動量μ，根據確定進行第k次粒子群搜索時所述粒子群G的全局最優(yōu)值其中，μ為與具有相同維數(shù)、且服從標準正態(tài)分布的隨機變量，為進行第k次粒子群搜索時與對應的粒子群G的初始全局最優(yōu)值。本發(fā)明上述實施例提供的電力系統(tǒng)的負荷特性確定方法，通過一種改進型的PSO提高負荷模型參數(shù)辨識的精度，辨識出最適合的負荷模型參數(shù)，從而可以建立準確描述電力系統(tǒng)負荷特性的負荷模型進行電力系統(tǒng)的負荷特性確定，提高了電力系統(tǒng)負荷特性研究的準確性和有效性。同時，精確的負荷特性預測能有助于電網的調度進行電力調配。由于電能難以做到大量的儲存，因此具有良好的負荷模型，即精準的模型參數(shù)的匹配能節(jié)約大量的資源，能有效的進行發(fā)電和配電的統(tǒng)籌，具有一定的經濟效益。圖6為本發(fā)明實施例提供的電力系統(tǒng)的負荷特性確定系統(tǒng)示意圖，該系統(tǒng)可以用來實現(xiàn)本發(fā)明圖3所示實施例提供的電力系統(tǒng)的負荷特性確定方法，此處不再贅述。如圖6所示，本實施例提供的電力系統(tǒng)的負荷特性確定系統(tǒng)可以包括：負荷模型參數(shù)確定單元61、負荷模型建立單元62和負荷特性確定單元63。其中，負荷模型參數(shù)確定單元61可以用于：根據負荷模型參數(shù)的約束條件，隨機初始化一個粒子數(shù)目為N的粒子群G，其中每個粒子為一個包括d個負荷模型參數(shù)的數(shù)組；根據進行粒子群搜索；當達到預設條件時，停止所述粒子群搜索，并根據搜索結果確定所述負荷模型參數(shù)。其中，i＝1，2，……，N，和為進行第k次粒子群搜索時粒子i的位置和速度，和為進行第k次粒子群搜索后粒子i的位置和速度，為進行第k次粒子群搜索時所述粒子群G的全局最優(yōu)值，為進行第k次粒子群搜索時粒子i的個體最優(yōu)值，c1為第一學習因子，c2為第二學習因子，r1、r2為[0,1]之間的隨機數(shù)，為進行第k次粒子群搜索時的慣性權重值，且進行粒子群搜索過程中，粒子群算法的慣性權重值w隨粒子群搜索次數(shù)k呈S型變化。負荷模型建立單元62可以用于根據負荷模型參數(shù)確定單元61辨識出的負荷模型參數(shù)建立電力系統(tǒng)的負荷模型。負荷特性確定單元63可以用于根據上述建立的負荷模型確定電力系統(tǒng)的負荷特性。作為一種具體的實施方式，在實際應用中，負荷模型參數(shù)確定單元61具體可以用于：根據進行第k次粒子群搜索時粒子i的位置確定粒子i的適應度根據N個粒子的適應度確定粒子群G的最小適應度并根據確定進行第k次粒子群搜索時粒子群G的全局最優(yōu)值根據粒子i的適應度當時，確定對應的粒子的位置為進行第k次粒子群搜索時該粒子i的個體最優(yōu)值當時，確定對應的粒子的位置為進行第k次粒子群搜索時該粒子i的個體最優(yōu)值根據確定進行第k次粒子群搜索時的慣性權重值其中，kiter為最大搜索次數(shù)。作為另一種具體的實施方式，在實際應用中，負荷模型參數(shù)確定單元61具體還可以用于：根據進行第k次粒子群搜索時粒子i的位置確定粒子i的適應度根據N個粒子的適應度確定粒子群G的最小適應度并根據確定進行第k次粒子群搜索時粒子群G的全局最優(yōu)值根據粒子i的適應度當時，確定對應的粒子的位置為進行第k次粒子群搜索時該粒子i的個體最優(yōu)值當時，確定對應的粒子的位置為進行第k次粒子群搜索時該粒子i的個體最優(yōu)值根據N個粒子的適應度確定N個粒子的平均適應度當時，根據確定進行第k次粒子群搜索的慣性權重值當時，根據確定進行第k次粒子群搜索的慣性權重值其中，kiter為最大搜索次數(shù)，c、d為取值在[0.1,0.6]之間的常數(shù)。進一步的，作為一種優(yōu)選的實施方式，在實際應用中，負荷模型參數(shù)確定單元61具體還可以用于：確定對應的粒子為進行第k次粒子群搜索時粒子群G的初始全局最優(yōu)值根據公式確定進行第k次粒子群搜索時粒子群G的全局最優(yōu)值其中，μ為與具有相同維數(shù)、且服從標準正態(tài)分布的隨機變量。另外，作為一種可選的實施方式，在實際應用中，負荷模型參數(shù)確定單元61具體還可以用于：獲取負荷系統(tǒng)的實測數(shù)據，例如母線電壓U、輸入頻率f、有功功率P和無功功率Q；根據粒子i的位置所述母線電壓U和輸入頻率f，確定粒子i對應的有功功率和無功功率根據有功功率無功功率與有功功率P、無功功率Q之間的差值，確定粒子i的適應度本實施例提供的電力系統(tǒng)的負荷特性確定系統(tǒng)，可以用來實現(xiàn)本發(fā)明圖3所示實施例提供的電力系統(tǒng)的負荷特性確定方法，其實現(xiàn)原理和技術效果類似，此處不再贅述。進一步的，在本發(fā)明的又一實施例中采用圖6所示的電力系統(tǒng)的負荷特性確定系統(tǒng)進行電力系統(tǒng)負荷特性仿真。將種群大小設置為30，即隨機初始化30組負荷模型參數(shù)；粒子的最大速度限制為參數(shù)取值范圍的0.1倍，最大 搜索次數(shù)設置為1500次。仿真時分別采用以下三種算法進行負荷模型參數(shù)辨識：1)線性遞減慣性權重粒子群算法(LinearlyDecreasingInertiaWeightPSO，簡稱LDW-PSO)，即在PSO算法迭代中采用線性遞減的慣性權重；2)S型慣性權重粒子群算法(PSOWithS-CurveInertiaWeight，S-PSO)，即在PSO算法迭代中采用確定慣性權重；3)改進的S型慣性權重粒子群算法(ImprovedPSOWithS-CurveInertiaWeight，簡稱S-IPSO)，即在PSO算法迭代中采用確定慣性權重，并采用更新全局最優(yōu)值。電力系統(tǒng)的負荷特性的仿真結果如表2所示：表2電力系統(tǒng)的負荷特性仿真結果圖7為電力系統(tǒng)負荷運行時吸收的有功功率的特性仿真示意圖，圖8為電力系統(tǒng)負荷運行時吸收的無功功率的特性仿真示意圖。請參照圖7和圖8所示，雖然通過上述三種負荷模型的參數(shù)辨識算法辨識出的負荷模型參數(shù)，都能對實際電力系統(tǒng)負荷特性進行大致的擬合，但顯而易見的，通過S-PSO和S-IPSO在系統(tǒng)的有功功率和無功功率上的特性確定精度上，相對于LDW-PSO有較大的改進，尤其是在負荷突變時，通過本發(fā)明實施例提供的負荷特性確定方法能更準確的描述其突變過程，擬合出的波形更接近實際的負荷運行曲線，從而驗證了本發(fā)明實施例提供的負荷特性確定方法在動態(tài)負荷特性研究中的有效性。本領域普通技術人員可以理解：實現(xiàn)上述各方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而 前述的存儲介質包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質。最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的范圍。當前第1頁1 2 3