本發(fā)明屬于電力系統(tǒng)負(fù)荷模型參數(shù)辨識領(lǐng)域，主要涉及一種基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法。

背景技術(shù)：

電力系統(tǒng)的負(fù)荷模型結(jié)構(gòu)和參數(shù)對電力系統(tǒng)仿真結(jié)果具有重要影響。不合理的負(fù)荷模型結(jié)構(gòu)和參數(shù)會產(chǎn)生或保守或樂觀的結(jié)果，對電力系統(tǒng)穩(wěn)定分析而言，甚至?xí)a(chǎn)生完全相反的結(jié)論，因此負(fù)荷建模是電力系統(tǒng)分析的一個重要方面。

負(fù)荷模型結(jié)構(gòu)的選擇和模型參數(shù)的辨識是負(fù)荷建模的兩個重要方面。近年來，常用的一種綜合負(fù)荷模型由恒阻抗、恒電流和恒功率模型表征靜態(tài)負(fù)荷特性，由感應(yīng)電動機(jī)模型表征動態(tài)負(fù)荷特性。如果靜負(fù)荷中恒功率和恒電流成分較少，也可以進(jìn)一步忽略，只用恒阻抗模型來表征靜態(tài)負(fù)荷特性。

選定模型結(jié)構(gòu)后，為得到負(fù)荷模型參數(shù)，依賴于實(shí)際量測數(shù)據(jù)的總體測辨法成為當(dāng)前研究的熱點(diǎn)。此前的研究中，總體測辨法主要是基于擾動數(shù)據(jù)實(shí)現(xiàn)的。但是基于擾動數(shù)據(jù)的辨識方法缺點(diǎn)在于系統(tǒng)中并不是經(jīng)常出現(xiàn)短路、斷線、負(fù)荷的持續(xù)增長等明顯擾動，極端情況下可能很長時間內(nèi)沒有明顯擾動發(fā)生。因此，基于擾動數(shù)據(jù)的辨識方法是一種依賴于系統(tǒng)中擾動是否存在的方法，如果沒有擾動的存在，基于擾動數(shù)據(jù)的辨識方法就無法執(zhí)行。然而，負(fù)荷模型本身具有隨機(jī)性與時變性。同一地點(diǎn)不同時刻的負(fù)荷模型參數(shù)是具有很大的差異的。如果完全基于擾動數(shù)據(jù)來進(jìn)行辨識，那么無法完全跟蹤負(fù)荷模型參數(shù)隨時間的變化與隨機(jī)的波動，辨識所得參數(shù)也就只能對應(yīng)擾動發(fā)生時刻系統(tǒng)的負(fù)荷特性，并不能夠用來表示其他時刻的負(fù)荷特性，甚至可能會與其他時刻的負(fù)荷特性存在很大的差異。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為克服已有技術(shù)的不足之處，提出一種基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法。本方法利用仿真或?qū)崪y得到的類噪聲信號，通過改進(jìn)差分進(jìn)化算法，完成負(fù)荷模型參數(shù)的辨識；采用本方法可以實(shí)現(xiàn)對負(fù)荷模型參數(shù)時變性的跟蹤，最終所得負(fù)荷模型參數(shù)辨識結(jié)果可用于電力系統(tǒng)穩(wěn)定與控制的仿真分析，對電力系統(tǒng)規(guī)劃、運(yùn)行具有指導(dǎo)意義。

本發(fā)明提出的一種基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法，其特征在于，該方法首先從仿真或?qū)崪y中取得電壓幅值、電壓相角、有功功率、無功功率的量測曲線并校驗(yàn)有功功率曲線的波動幅值是否滿足辨識要求；若滿足辨識要求，則選定負(fù)荷模型結(jié)構(gòu)后，利用改進(jìn)差分進(jìn)化算法對有功功率和無功功率的預(yù)測值與實(shí)際測量值之間的偏差平方和進(jìn)行最小化優(yōu)化，得到負(fù)荷模型參數(shù)；最后采用辨識曲線以外的另一段量測曲線對辨識結(jié)果的有效性進(jìn)行校驗(yàn)，通過校驗(yàn)，則辨識完成。

該方法具體可包括以下步驟：

1)通過仿真或?qū)崪y得到設(shè)定時間長度的負(fù)荷節(jié)點(diǎn)電壓幅值、電壓相角、有功功率、無功功率的量測曲線，并將該曲線分為兩段，其中一段用作負(fù)荷模型參數(shù)辨識，另一段用于對辨識結(jié)果進(jìn)行驗(yàn)證；

2)對步驟1)得到的用作負(fù)荷模型參數(shù)辨識的有功功率曲線，檢驗(yàn)該有功功率曲線的波動幅值是否滿足辨識要求，如果有功功率曲線的波動幅值大于1％，則進(jìn)入步驟3)開始辨識；否則返回步驟1)，重新選擇量測數(shù)據(jù)；

3)選定負(fù)荷模型結(jié)構(gòu)，通過改進(jìn)差分進(jìn)化算法辨識得到相應(yīng)的負(fù)荷模型參數(shù)；辨識過程中，以電壓幅值曲線和電壓相角曲線作為輸入，有功功率曲線和無功功率曲線作為輸出，將有功功率與無功功率的實(shí)際測量值與利用機(jī)理化負(fù)荷模型及參數(shù)進(jìn)行預(yù)測所得到的預(yù)測值之間的偏差平方和作為待優(yōu)化的目標(biāo)函數(shù)，利用改進(jìn)差分進(jìn)化算法最小化目標(biāo)函數(shù)得到負(fù)荷模型參數(shù)辨識結(jié)果；

4)驗(yàn)證辨識結(jié)果的有效性；取步驟1)得到的用于對辨識結(jié)果進(jìn)行驗(yàn)證的電壓幅值、電壓相角、有功功率、無功功率的量測曲線，利用步驟3)所得到的參數(shù)辨識結(jié)果進(jìn)行有功功率、無功功率預(yù)測，如果預(yù)測值與量測數(shù)據(jù)之間的擬合度大于預(yù)先設(shè)置的擬合度，則辨識結(jié)果通過校驗(yàn)，辨識過程完成；否則，返回步驟1)，重新進(jìn)行辨識。

本發(fā)明的特點(diǎn)及有益效果在于：

本發(fā)明提出的基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法，相對于傳統(tǒng)基于擾動后響應(yīng)的負(fù)荷模型參數(shù)辨識方法，其優(yōu)點(diǎn)主要體現(xiàn)在：本發(fā)明可以實(shí)現(xiàn)對負(fù)荷模型參數(shù)的周期性多次辨識，而不需要考慮系統(tǒng)中是否有擾動存在，可以實(shí)現(xiàn)對負(fù)荷模型參數(shù)時變性的跟蹤；本發(fā)明最終所得負(fù)荷模型參數(shù)辨識結(jié)果可用于電力系統(tǒng)穩(wěn)定與控制的仿真分析，對電力系統(tǒng)規(guī)劃、運(yùn)行具有一定的指導(dǎo)意義。

附圖說明

圖1為本發(fā)明方法的流程框圖。

圖2為本發(fā)明實(shí)施例中電力系統(tǒng)單線結(jié)構(gòu)示意圖。

圖3為本發(fā)明實(shí)施例中參數(shù)辨識所得有功功率預(yù)測與實(shí)際量測曲線示意圖。

具體實(shí)施方式

本發(fā)明提出的基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法，下面結(jié)合附圖及實(shí)施例進(jìn)一步詳細(xì)說明如下。

本發(fā)明提出的基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型參數(shù)辨識方法，流程框圖如圖1所示，包括以下步驟：

1)通過仿真或?qū)崪y得到設(shè)定時間長度(一般取5-20s)的負(fù)荷節(jié)點(diǎn)電壓幅值、電壓相角、有功功率、無功功率的量測曲線，并將該曲線分為兩段，其中一段用作負(fù)荷模型參數(shù)辨識，另一段用于對辨識結(jié)果進(jìn)行驗(yàn)證；

2)對步驟1)得到的用作負(fù)荷模型參數(shù)辨識的有功功率曲線，檢驗(yàn)該有功功率曲線的波動幅值是否滿足辨識要求，如果有功功率曲線的波動幅值大于1％，則進(jìn)入步驟3)開始辨識；否則返回步驟1)，重新選擇量測數(shù)據(jù)；

3)選定負(fù)荷模型結(jié)構(gòu)，通過改進(jìn)差分進(jìn)化算法辨識得到相應(yīng)的負(fù)荷模型參數(shù)；辨識過程中，以電壓幅值曲線和電壓相角曲線作為輸入，有功功率曲線和無功功率曲線作為輸出，將有功功率與無功功率的實(shí)際測量值與利用機(jī)理化負(fù)荷模型及參數(shù)進(jìn)行預(yù)測所得到的預(yù)測值之間的偏差平方和作為待優(yōu)化的目標(biāo)函數(shù)，利用改進(jìn)差分進(jìn)化算法最小化目標(biāo)函數(shù)得到負(fù)荷模型參數(shù)辨識結(jié)果；

4)驗(yàn)證辨識結(jié)果的有效性；取步驟1)得到的用于對辨識結(jié)果進(jìn)行驗(yàn)證的電壓幅值、電壓相角、有功功率、無功功率的量測曲線，利用步驟3)得到的參數(shù)辨識結(jié)果進(jìn)行有功功率、無功功率預(yù)測，如果預(yù)測值與量測數(shù)據(jù)之間的擬合度大于預(yù)先設(shè)置的擬合度(一般取80％-90％)，則辨識結(jié)果通過校驗(yàn)，辨識過程完成；否則，返回步驟1)，重新進(jìn)行辨識。

本發(fā)明的一個實(shí)施例的負(fù)荷模型參數(shù)辨識方法進(jìn)一步說明如下：

本實(shí)施例的中電力系統(tǒng)單線結(jié)構(gòu)如圖2所示，其包括3臺發(fā)電機(jī)，6條輸電線路和3個負(fù)荷節(jié)點(diǎn)，其中BUS-5和BUS-7的負(fù)荷采用恒功率模型，BUS-9的負(fù)荷采用恒阻抗并聯(lián)感應(yīng)電動機(jī)模型。

本實(shí)施例的基于類噪聲信號及改進(jìn)差分進(jìn)化的負(fù)荷模型的辨識方法包括以下步驟：

1)對圖2所示電力系統(tǒng)進(jìn)行仿真，得到設(shè)定時間長度的負(fù)荷節(jié)點(diǎn)電壓幅值、電壓相角、有功功率、無功功率的量測曲線，并將該曲線分為兩段，其中一段用作負(fù)荷模型參數(shù)辨識，另一段用于對辨識結(jié)果進(jìn)行驗(yàn)證；本實(shí)施例中辨識所用曲線為圖2所示電力系統(tǒng)中負(fù)荷節(jié)點(diǎn)Bus-9的量測曲線，設(shè)定(仿真)時間為10s，步長為0.01s，0-5s的曲線進(jìn)行參數(shù)辨識，5-10s的曲線驗(yàn)證辨識結(jié)果的有效性；

2)對步驟1)得到的0-5s的有功功率曲線，檢驗(yàn)有功功率曲線的波動幅值是否滿足辨識要求，如果有功功率曲線的波動幅值大于1％，則進(jìn)入步驟3)開始辨識；否則返回步驟1)，重新選擇量測數(shù)據(jù)；本實(shí)例中的有功功率曲線的波動幅值為2％，大于1％，則進(jìn)入步驟3)；

3)選定負(fù)荷模型結(jié)構(gòu)；本實(shí)例選擇恒阻抗并聯(lián)感應(yīng)電動機(jī)的綜合負(fù)荷模型，同時恒阻抗部分采用電阻并聯(lián)電抗的形式且電抗部分折算到感應(yīng)電動機(jī)里，因此在此模型中待辨識的參數(shù)有四個，分別是轉(zhuǎn)子開路電抗X，轉(zhuǎn)子暫態(tài)電抗X'，轉(zhuǎn)子開路時間常數(shù)T_d0，以及靜負(fù)荷電阻R，通過改進(jìn)差分進(jìn)化算法，辨識得到相應(yīng)的負(fù)荷模型參數(shù)；辨識過程中，以電壓幅值曲線和電壓相角曲線作為輸入，有功功率曲線和無功功率曲線作為輸出，將有功功率與無功功率的實(shí)際測量值與利用機(jī)理化負(fù)荷模型及參數(shù)進(jìn)行預(yù)測所得到的預(yù)測值之間的偏差平方和作為待優(yōu)化的目標(biāo)函數(shù)，利用改進(jìn)差分進(jìn)化算法最小化目標(biāo)函數(shù)以得到負(fù)荷模型參數(shù)辨識結(jié)果；具體步驟如下：

差分進(jìn)化算法參考了達(dá)爾文的自然選擇理論，利用種群初始化、變異、交叉和選擇來實(shí)現(xiàn)全局最優(yōu)值的獲取。其中，種群中每個“個體”都是一個一維向量，向量中的每個元素稱為“基因”，本發(fā)明中“個體”即為所有待辨識的負(fù)荷模型參數(shù)，“基因”則為每個待辨識的負(fù)荷模型參數(shù)。

3-1)根據(jù)負(fù)荷模型參數(shù)的取值范圍，隨機(jī)生成初始化種群，用于后續(xù)的進(jìn)化過程；記第i個個體中第j個參數(shù)的表達(dá)式如式(1)所示：

式中，D為待辨識的負(fù)荷模型參數(shù)的總數(shù)，本實(shí)施例中取值為4；N為差分進(jìn)化算法的種群規(guī)模，本實(shí)施例中取值為40；分別為第j個參數(shù)的上界值和下界值，rand(0,1)為0～1之間的一個隨機(jī)數(shù)；

3-2)變異個體由上一代的個體出發(fā)，隨機(jī)取出三個個體，用其中兩個個體的差向量按照變異因子加權(quán)后與第三個個體相加，產(chǎn)生下一代的變異個體，則第G+1代中第i個個體表達(dá)式如式(2)所示：

式中，r₁,r₂,r₃為從種群中N個個體中隨機(jī)選取的三個個體且i≠r₁≠r₂≠r₃，x_r1(G)為第G代中第r₁個個體所有負(fù)荷模型參數(shù)的數(shù)值，x_r2(G)為第G代中第r₂個個體所有負(fù)荷模型參數(shù)的數(shù)值，x_r3(G)為第G代中第r₃個個體所有負(fù)荷模型參數(shù)的數(shù)值，F(xiàn)為變異因子，本實(shí)施例中取值為0.9；在變異的過程中，可能會出現(xiàn)變異個體的取值范圍超過邊界約束(即參數(shù)的上界值和下界值)的情況，在這種情況下，則選擇邊界值作為變異個體的數(shù)值；

3-3)對每個個體中的每個基因，即每個個體中的每個待辨識參數(shù)，生成一個隨機(jī)數(shù)，如果隨機(jī)數(shù)的數(shù)值小于等于交叉率則進(jìn)行交叉，否則不進(jìn)行交叉；則第G+1代中第i個個體中第j個參數(shù)表達(dá)式如式(3)所示：

式中，CR為交叉率，本實(shí)施例中取值為0.9；

3-4)在交叉后得到的新一代個體u_i(G+1)與上一代個體x_i(G)之間，分別計算兩個個體各自的目標(biāo)函數(shù)數(shù)值，在兩個個體中選擇目標(biāo)函數(shù)數(shù)值較小的一個用于下一代的進(jìn)化，所述目標(biāo)函數(shù)即為有功功率與無功功率的預(yù)測值與實(shí)際測量值之間的偏差平方和；

3-5)在進(jìn)行選擇、得到新一代種群x_i(G+1)之后，選擇其中的最優(yōu)個體與上一代種群的最優(yōu)個體進(jìn)行對比，如果兩代最優(yōu)個體的歐氏距離小于設(shè)定閾值，則開始進(jìn)行終止計數(shù)；如果終止計數(shù)已經(jīng)開始且此次歐氏距離仍然小于閾值，則終止計數(shù)加一，否則終止計數(shù)清零；如果終止計數(shù)達(dá)到設(shè)定數(shù)量(一般取50-300)，本實(shí)施例取值為200，則停止差分進(jìn)化過程，把當(dāng)前的最優(yōu)個體作為負(fù)荷模型參數(shù)辨識的結(jié)果。本實(shí)施例參數(shù)辨識所得結(jié)果如表1所示；

表1本實(shí)施例負(fù)荷模型參數(shù)辨識結(jié)果表

4)驗(yàn)證辨識結(jié)果的有效性；為了驗(yàn)證負(fù)荷模型參數(shù)辨識結(jié)果的有效性，取步驟1)得到的用于對辨識結(jié)果進(jìn)行驗(yàn)證的電壓幅值、電壓相角、有功功率、無功功率的量測曲線，本實(shí)施例取5-10s的電壓幅值、電壓相角、有功功率、無功功率的量測曲線對步驟3)得到的參數(shù)辨識結(jié)果進(jìn)行驗(yàn)證，利用所得到的參數(shù)辨識結(jié)果進(jìn)行有功功率、無功功率預(yù)測，如果預(yù)測值與實(shí)際測量值之間的擬合度大于預(yù)先設(shè)置的擬合度(一般取80％-90％)，本實(shí)施例取90％，則認(rèn)為辨識結(jié)果通過校驗(yàn)，辨識過程完成；否則，返回步驟1)，重新進(jìn)行辨識。本實(shí)施例中參數(shù)辨識所得有功功率預(yù)測與實(shí)際有功量測的對比如圖3所示，同時兩條曲線的擬合度為99.52％，大于90％，由此證明了本實(shí)施例辨識結(jié)果的有效性。