CN102868160A - 智能电网广域负荷建模方法 - Google Patents

Abstract

本发明公开了一种智能电网广域负荷建模方法，将安装到户的智能电表按电压等级建立分层、分级的广域负荷建模体系构架，通过自动抄表系统将智能电表测量的功率信息和辨识出的负荷相关信息分层收集并集中起来，利用负荷建模算法对收集得到的负荷进行处理，建立起准确的负荷模型：利用各电压等级以及安装到户的智能电表建立广域负荷建模体系，通过自动抄表系统将电表的功率或负荷辨识结果等相关信息收集起来，综合利用已有的负荷建模算法对这些信息进行处理，实现电力系统负荷的广域建模，基于智能电表可实现负荷建模的长效机制以及覆盖最广大的范围。

Description

智能电网广域负荷建模方法

技术领域

本发明属于电力系统及其自动化技术领域，涉及电力系统负荷建模方法。

背景技术

电力负荷建模是一项十分重要同时也非常困难的工作，是经长期研究而始终没有解决的难题，负荷模型的准确性对电力系统设计、分析和计算有非常重要的影响，特别是对电力系统安全稳定分析的结果有直接的影响。我国将负荷建模工作纳入国家自然科学基金重大项目的研究范围，各科研院所、高校和电网公司也积极开展相关研究工作。美国在2003年8.14大停电之后，联合调查组在其最终报告中指出以往采用的负荷模型不合适，为此美国电科院进行国际招标，开展负荷建模总体测辨方法的研究。

负荷模型研究的难点在于负荷存在着随机性、时变性、分散性、多样性和不连续性等特点，长期以来，国内外专家学者进行了广泛深入的研究，总体形成了4种方法，统计综合法、总体测辨法、故障仿真法与混合法，这些方法都在不同方面取得了良好的效果。但是，电力系统是个不断发展的系统，随着系统规模的变化、新技术装备的使用、分布式能源的引入都给负荷建模工作带来了诸多挑战。因此，负荷建模仍然是一项长期和艰巨的工作，需要投入更多的努力。

实际上，任何一种建模方法都需要足够的样本来保证建模的效果，由于缺乏足够的样本以及与之相适应的建模方法，所以难以随时掌握负荷组成以及各类负荷所占的比重。限于人力和物力，从工程实用角度出发，在负荷建模的研究中采取了一些假设和近似，在一定程度上给建模工作带来便利，但也在很大程度上影响了建模的准确性和实用性。

一般来说，越接近负荷的末端，负荷成分越简单，辨识越容易，同时选取的样本越多，统计的准确性也会越高。过去，由于技术手段的限制，无法全面地、经常性地开展负荷统计工作，也不可能在所有的负荷点安装在线辨识装置。但随着智能电网建设特别是智能电表技术的发展，完全有可能利用遍布电力系统各电压等级的智能电表开展负荷的统计和建模工作，并使之常态化，随时为电力部门提供准确的、全面的、动态的负荷信息，利用这些统计信息可以开展包括负荷建模、负荷预测等一系列相关的、更加广泛的研究工作，本发明人即是基于前述分析，对智能电表的广域负荷建模方法进行研究。

目前，负荷建模的方法有以下4种方法，简要介绍如下：

1）统计综合法

统计综合法的基本思想把综合负荷看作成千上万用户的集合，在实验室确定各种典型负荷的平均特性，然后统计出各类负荷的比例，估算其平均特性最终得到负荷模型。用统计综合法得到的负荷模型具有物理概念清晰，易于理解的优点，但其核心是建立在“统计资料齐全，负荷特性明确”的基础之上，这一点往往难以做到，而且不能经常进行统计，从而无法考虑负荷随时间变化的特性。

2）总体测辨法

总体测辨法的基本思想是把负荷看成一个整体（黑盒子或灰盒子），利用数据采集装置采集和记录负荷所在母线的U、f、P、Q等内容，然后进行离线或在线分析计算，再根据系统辨识理论确定负荷模型以及参数。这种方法避免了大量的统计工作，有可能得到实时负荷特性，其最大困难是难以在系统所有的变电站都安装有关装置。

3）故障仿真法

故障仿真法是以一定有代表性的故障作为激励，输入负荷模型，并观察响应输出，然后与实际系统的响应做对比，分析误差并对模型参数进行修正，以期获得能满足较多实际故障情况的参数，即认可这套参数能够较准确地反映系统的动态特性，但这种方法难以保证适合于所有的故障情况。

4）混合法

混合法汲取了前3种方法之所长并加以互补，提出了一整套负荷建模新策略和新方法。在技术路线上采取了负荷分类确定、在线刷新的建模策略，综合利用EMS、故障录波、负控装置和建模装置等数据进行系统辨识，从而形成了一套复杂的建模体系，充分的数据来源是混合法建模的关键所在。

综上所述，现有的负荷建模方法存在以下缺点：

1.考虑到成本，无法在所有变电站安装负荷辨识装置。

2.数据来源不充分。

3.没有长效机制。

电能表是电力系统电能计量设备，是一种分布最广泛、最基本的电力数据采集、测量和处理单元，而且系统的各个层次都有用各种用途电能表计，从最末端的用户电表、配电表到厂站的馈线表、关口表等。

智能电表是全球智能电网建设的一个重点，随着智能电网建设的开展，智能电表的发展和应用也达到了较高水平，现代的电能表是集有功、无功电能表、最大需量表、有功、无功功率表、功率因数表、频率表、电压表、电压合格率表、电能质量监测仪、扰动数据记录仪、负荷控制器等多种功能于一体的电力参数综合监测设备。不但可以监视和记录电气参数，还能形成日典型负荷曲线，甚至可以进行某些就地控制。目前很多电表都采用了高性能MCU和DSP芯片，信号处理能力空前提高，随着技术的发展其计算能力将进一步提高，且价格不断下降，这就使得普通电表具有非常高的运算和处理能力。电力线通信、无线通信等技术的应用又极大促进了自动抄表系统的发展，电力部门可以通过电力线载波通信技术（PLC）或通用分组无线业务（GPRS）等技术手段实现远程自动抄取电表读数以及相关信息。由于芯片处理能力的提高，电能表有较大冗余的处理能力，完全可以在未来的电能表中增加负荷参数辨识和统计的软件模块，利用各级电能表特别是分布广泛的用户电能表对所辖负荷进行统计和测辨，然后通过远程集抄系统收集这些统计结果，就能实现大范围、不间断的负荷统计和测辨，从而为负荷建模工作提供有力的数据保障。充分利用好这些基础资源，进行长期有效的负荷统计，将会极大促进负荷建模的研究工作。

发明内容

本发明的目的，在于提供一种智能电网广域负荷建模方法，该方法利用各电压等级以及安装到户的智能电表建立广域负荷建模体系，通过自动抄表系统将电表的功率或负荷辨识结果等相关信息收集起来，综合利用已有的负荷建模算法对这些信息进行处理，实现电力系统负荷的广域建模

本发明采用的技术方案是：智能电网广域负荷建模方法，将安装到户的智能电表按电压等级建立分层、分级的广域负荷建模体系构架，通过自动抄表系统将智能电表测量的功率信息和辨识出的负荷相关信息分层收集并集中起来，利用负荷建模算法对收集得到的负荷进行处理，建立起准确的负荷模型：

1）.广域负荷建模的系统构架

电力系统分为工业负荷、城市民用负荷、商业负荷、农业负荷及其它负荷，利用智能电表进行建模的工作需要按照负荷分区、分类的原则，有针对性的按电压等级逐步开展；

2）广域负荷建模的方法

将统计综合法和总体测辨法二者相结合，形成基于智能电表输出数据的广域建模方法：首先，采用在线统计综合法，充分利用智能电表提供的功率数据，按电压等级以及电表的归属关系逐级向上统计，获得负荷模型和参数；同时，利用智能电表的电压、电流采样数据采用在线测辨法获得各电压等级负荷的模型和参数，最后，二种方法获得的辨识结果相互验证；具体建模策略如下：

2-1）在线测辨，智能电表作为在线测辨装置，对输入的电压、电流进行数据采集，然后确定负荷模型结构，最后根据实时采集的数据辨识出模型参数；对于负荷成分比较复杂的情况，可采用总体测辨方法，无需知道用户的负荷组成及参数，获得较好的参数估计值，由于长期在线测量，根据各个时刻测量数据得到相应的负荷特性参数，从而较好地解决了负荷特性的时变特性，无需专门安装大量的在线测辨装置；

2-2）横向对比，对于同一电压等级的同类负荷得到的辨识结果要进行横向对比，对于明显超出误差范围的坏数据辨识应剔除，验证本层级模型结构、参数的合理性，若不合理，还将修正模型结构，再进行辨识；处于末端的智能电表要重点关注负荷的成分、比重以及时变特性而输出数据；

2-3）统计综合，充分利用智能电表进行功率统计，逐级向上实现负荷建模的在线统计综合；由于智能电表定时刷新的用电情况更准确、更广泛，因此能更好地实现负荷模型参数的动态、长效管理。

本发明的有益效果：

1)本发明利用智能电表现有的硬件、通信、网络等资源，覆盖面最广，没有盲点，不增加额外硬件设备投资。

2)本发明可以构建广域负荷建模体系，可为用户提供源源不断的基础负荷数据，从而推动各项研究工作的开展。

3)本发明解决了以往对负荷建模非常重要但同时又难以完成的负荷统计工作，且实现24小时不间断的广域的负荷统计和测辨工作，建立了长效机制。

4）以往的负荷建模形成的各种研究成果都可以继承和使用。

附图说明

图1典型220kV供电系统示意图，

图2广域负荷建模层次结构示意图。

具体实施方式

智能电网广域负荷建模方法，将安装到户的智能电表按电压等级建立分层、分级的广域负荷建模体系构架，通过自动抄表系统将智能电表测量的功率信息和辨识出的负荷相关信息分层收集并集中起来，利用成熟的负荷建模算法对收集得到的负荷进行处理，建立起准确的负荷模型。

1.广域负荷建模的系统构架

电力系统有各种各样的负荷，可以分为工业负荷、城市民用负荷、商业负荷、农业负荷及其它负荷，利用智能电表进行建模的工作需要按照负荷分区、分类的原则，有针对性的按电压等级逐步开展。

2.广域负荷建模的策略

在如前所述的建模方法中，统计综合法比较适合于宏观定性，总体测辨法比较适合于微观定量，因此可以将二者相结合，采纳各自的优点形成一种基于智能电表的广域建模方法。

首先，采用在线统计综合法，充分利用智能电表提供的功率数据，按电压等级以及电表的归属关系逐级向上统计，获得负荷模型和参数；同时，利用智能电表的电压、电流采样数据采用在线测辨法获得各电压等级负荷的模型和参数，最后，二种方法获得的辨识结果可相互验证。其层次结构如图2所示。具体建模策略如下：

第一，在线测辨。智能电表作为在线测辨装置，对输入的电压、电流进行数据采集，然后确定负荷模型结构，最后根据实时采集的数据辨识出模型参数。对于负荷成分比较复杂的情况，可采用总体测辨方法，无需知道用户的负荷组成及参数，可以获得较好的参数估计值，由于长期在线测量，可以根据各个时刻测量数据得到相应的负荷特性参数，从而较好地解决了负荷特性的时变特性，无需专门安装大量的在线测辨装置。

第二，横向对比。对于同一电压等级的同类负荷得到的辨识结果要进行横向对比，对于明显超出误差范围的坏数据辨识应剔除，验证本层级模型结构、参数的合理性，若不合理，还将修正模型结构，再进行辨识。处于末端的智能电表要重点关注负荷的成分、比重以及时变特性，掌握这些信息对高一级的负荷建模有十分重要的作用。

最后，统计综合。充分利用智能电表进行功率统计，逐级向上实现负荷建模的在线统计综合，由于智能电表定时刷新的用电情况更准确、更广泛，因此可更好地实现负荷模型参数的动态、长效管理。

负荷辨识算法的移植

由于智能电表分布广泛，从概率上讲，不同地区以及不同电压等级的智能电表总会经历各种扰动，因此，可以针对不同的情形制定不同的辨识方案。例如在某些电压波动较大的地区或电压等级（电压缓慢波动超过10％）可进行静态模型的测辨，对于扰动多发的地区（电压快速波动超过5％）可进行动态模型的测辨。通过设置一定的扰动判别门槛，可以识别出系统扰动方式，进行不同方式的模型测辨，而对于更多情况，电压波动实际难以达到上述范围，但电压在小范围（一般在2％左右）的快速变化是有可能经常遇到的，因此针对这种更一般的情形，可采用“先动后静”的辨识方法，同时获得动态和静态参数。首先，采用动态模型去描述负荷；其次在电压及频率与初值偏离很小时，可将静态模型线性化，

动态模型的公式如下：

$\mathrm{\ΔP}=(\mathrm{dP}/\mathrm{dU}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\ΔU}+(\mathrm{dP}/\mathrm{df}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\Δf}$

$\mathrm{\ΔQ}=(\mathrm{dQ}/\mathrm{dU}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\ΔU}+(\mathrm{dQ}/\mathrm{df}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\Δf}---\left(1\right)$

即：

$\left[\begin{array}{c}\mathrm{\ΔP}\\ \mathrm{\ΔQ}\end{array}\right]=\left[\begin{array}{c}\mathrm{dP}/\mathrm{dU}\mathrm{dP}/\mathrm{df}\\ \mathrm{dQ}/\mathrm{dUdQ}/\mathrm{df}\end{array}\right]\left[\begin{array}{c}\mathrm{\ΔU}\\ \mathrm{\Δf}\end{array}\right]---\left(2\right)$

其中ΔU,Δf为电压和频率是输入变量，ΔP,ΔQ为有功和无功是输出变量。其次，在稳态条件下（电压与频率在小范围变化）动态模型退化为静态模型，其状态方程为：

$\frac{\mathrm{dX}}{\mathrm{dt}}=\mathrm{AX}+\mathrm{BV}$

Y＝CX+DV            （3）

其中：

X：状态矢量

Y：输出状态矢量

V：控制矢量

A：状态系数矩阵

B：控制系数矩阵

C：输出状态系数矩阵

D：输出控制系数矩阵

根据负荷的物理本质可知，动态模型中各变量导数为零即得静态模型，令：

$\frac{\mathrm{dX}}{\mathrm{dt}}=0,$ 可得：

Y＝[-CA^-1B+D]V      （4）

其中：Y＝[ΔP，ΔQ]^T,V＝[ΔU,Δf]^T

比较式（2）与（4）可得：

$\left[\begin{array}{c}\mathrm{dP}/\mathrm{dUdP}/\mathrm{df}\\ \mathrm{dQ}/\mathrm{dUdQ}/\mathrm{df}\end{array}\right]=-{\mathrm{CA}}^{-1}B+D---\left(5\right)$

而静态特征系数为：

$p_u=(\mathrm{dP}/\mathrm{dU})\frac{U_0}{P_0},p_f=(\mathrm{dP}/\mathrm{df})\frac{f_0}{P_0}$

$q_u=(\mathrm{dQ}/\mathrm{dU})\frac{U_0}{Q_0},q_f=(\mathrm{dQ}/\mathrm{df})\frac{f_0}{Q_0}---\left(6\right)$

其中p_u，p_f,q_u,q_f为负荷静态特征系数，而dP/dU,dP/df,dQ/dU,dQ/df可由动态模型求得，这样就从动态模型中得到了负荷的静态特征系数。

采用这种“先动后静，动静结合”的方法，可由辨识所得的动态模型很方便的获得静态特征系数，几乎不增加计算量即可同时获得动态模型与静态模型，这种算法非常适合于电压在小范围（2％左右）快速变化情况下智能电表的在线辨识。

还应当注意的是，不同电压等级可采用不同的建模方法。一般来说电压等级越低，越接近末端负荷成分越明确，因此可以考虑采用机理模型，着重掌握负荷成分、比重和时变特性。电压等级越高，负荷成分越复杂，可以考虑采用输入、输出的非机理模型，以简化辨识的过程，负荷建模的算法很多，此处不再赘述。此外，在线综合统计法获的结果具有总体结构与参数合理的特点，可与总体测辨法获得负荷模型进行相互验证校核，从而获得更为准确和适用的负荷模型。

建模步骤如下，图1为典型220kV供电接线示意图，按照前述公式1-6，在相关个电压等级的智能电表中移植负荷辨识算法。

b．安装具具有负荷测辨功能的智能电表（是另一个发明的内容：具有负荷辨识功能的智能电表）；

c．通过自动抄表系统，定时逐级统计所有智能电表功率读数或负荷辨识结果。

d．对收集到的样本可采用最小二乘法或其他曲线拟合的方法，对同一层级同类负荷所有电表的辨识结果进行处理，获得本层级的一个在最小方差意义上与实测数据拟合最好的模型。

e.利用现有的成熟的负荷建模算法，处理收集到的信息，建立负荷模型。

1.从智能电表收集到功率信息，可采用成熟的综合统计法，建立负荷模型。

2.利用移植负荷辨识算法的智能电表，采用成熟的总统测辨法，建立负荷模型。

3.其它成熟的方法。

Claims (4)

1.智能电网广域负荷建模方法，其特征是：

将安装到户的智能电表按电压等级建立分层、分级的广域负荷建模体系构架，通过自动抄表系统将智能电表测量的功率信息和辨识出的负荷相关信息分层收集并集中起来，利用负荷建模算法对收集得到的负荷进行处理，建立起准确的负荷模型：

1）广域负荷建模的系统构架

电力系统分为工业负荷、城市民用负荷、商业负荷、农业负荷及其它负荷，利用智能电表进行建模的工作需要按照负荷分区、分类的原则，有针对性的按电压等级逐步开展；

2）广域负荷建模的方法

将统计综合法和总体测辨法二者相结合，形成基于智能电表输出数据的广域建模方法：首先，采用在线统计综合法，充分利用智能电表提供的功率数据，按电压等级以及电表的归属关系逐级向上统计，获得负荷模型和参数；同时，利用智能电表的电压、电流采样数据采用在线测辨法获得各电压等级负荷的模型和参数，最后，二种方法获得的辨识结果相互验证；具体建模策略如下：

2-1）在线测辨，智能电表作为在线测辨装置，对输入的电压、电流进行数据采集，然后确定负荷模型结构，最后根据实时采集的数据辨识出模型参数；对于负荷成分比较复杂的情况，可采用总体测辨方法，无需知道用户的负荷组成及参数，获得较好的参数估计值，由于长期在线测量，根据各个时刻测量数据得到相应的负荷特性参数，从而较好地解决了负荷特性的时变特性，无需专门安装大量的在线测辨装置；

2-2）横向对比，对于同一电压等级的同类负荷得到的辨识结果要进行横向对比，对于明显超出误差范围的坏数据辨识应剔除，验证本层级模型结构、参数的合理性，若不合理，还将修正模型结构，再进行辨识；处于末端的智能电表要重点关注负荷的成分、比重以及时变特性而输出数据；

2-3）统计综合，充分利用智能电表进行功率统计，逐级向上实现负荷建模的在线统计综合；由于智能电表定时刷新的用电情况更准确、更广泛，因此能更好地实现负荷模型参数的动态、长效管理。

2.根据权利要求1所述的智能电网广域负荷建模方法，其特征是：负荷辨识算法的移植：

采用“先动后静”的辨识方法，同时获得动态和静态参数；首先，采用动态模型去描述负荷；其次在电压及频率与初值偏离很小时，将静态模型线性化，动态模型的公式如下：

$\mathrm{\ΔP}=(\mathrm{dP}/\mathrm{dU}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\ΔU}+(\mathrm{dP}/\mathrm{df}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\Δf}$

$\mathrm{\ΔQ}=(\mathrm{dQ}/\mathrm{dU}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\ΔU}+(\mathrm{dQ}/\mathrm{df}){|}_{\underset{f=f_0}{U=U_0}}\mathrm{\Δf}---\left(1\right)$

即：

$\left[\begin{array}{c}\mathrm{\ΔP}\\ \mathrm{\ΔQ}\end{array}\right]=\left[\begin{array}{c}\mathrm{dP}/\mathrm{dU}\mathrm{dP}/\mathrm{df}\\ \mathrm{dQ}/\mathrm{dUdQ}/\mathrm{df}\end{array}\right]\left[\begin{array}{c}\mathrm{\ΔU}\\ \mathrm{\Δf}\end{array}\right]---\left(2\right)$

其中ΔU,Δf为电压和频率是输入变量，ΔP,ΔQ为有功和无功是输出变量；

其次，在稳态条件下（电压与频率在小范围变化）动态模型退化为静态模型，其状态方程为：

$\frac{\mathrm{dX}}{\mathrm{dt}}=\mathrm{AX}+\mathrm{BV}$

Y＝CX+DV                   （3）

其中：

X：状态矢量

Y：输出状态矢量

V：控制矢量

A：状态系数矩阵

B：控制系数矩阵

C：输出状态系数矩阵

D：输出控制系数矩阵

根据负荷的物理本质可知，动态模型中各变量导数为零即得静态模型，令：

$\frac{\mathrm{dX}}{\mathrm{dt}}=0,$ 可得：

Y＝[-CA^-1B+D]V                             （4）

其中：Y＝[ΔP，ΔQ]^T,V＝[ΔU,Δf]^T

比较式（2）与（4）可得：

$\left[\begin{array}{c}\mathrm{dP}/\mathrm{dUdP}/\mathrm{df}\\ \mathrm{dQ}/\mathrm{dUdQ}/\mathrm{df}\end{array}\right]=-{\mathrm{CA}}^{-1}B+D---\left(5\right)$

而静态特征系数为：

$p_u=(\mathrm{dP}/\mathrm{dU})\frac{U_0}{P_0},$ $p_f=(\mathrm{dP}/\mathrm{df})\frac{f_0}{P_0}$ $q_u=(\mathrm{dQ}/\mathrm{dU})\frac{U_0}{Q_0},$ $q_f=(\mathrm{dQ}/\mathrm{df})\frac{f_0}{Q_0}---\left(6\right)$

其中p_u，p_f,q_u,q_f为负荷静态特征系数，而dP/dU,dP/df,dQ/dU,dQ/df可由动态模型求得，这样就从动态模型中得到了负荷的静态特征系数。

3.根据权利要求1所述的智能电网广域负荷建模方法，其特征是：电压等级越低，越接近末端负荷成分越明确；着重掌握负荷成分、比重和时变特性；电压等级越高，负荷成分越复杂，采用输入、输出的非机理模型，以简化辨识的过程。

4.根据权利要求1所述的智能电网广域负荷建模方法，其特征是：在线综合统计法获的结果具有总体结构与参数合理的特点，可与总体测辨法获得负荷模型进行相互验证校核，从而获得更为准确和适用的负荷模型。

Images