亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

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)辨識方法與流程

文檔序號:12485216閱讀:296來源:國知局
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)辨識方法與流程

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)Td0,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,xr1(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,xr2(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,xr3(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ui(G+1)與上一代個體xi(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xi(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。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1