CN103177188A - 一种基于特征映射的电力系统负荷动特性分类方法 - Google Patents

Abstract

本发明公开了一种基于特征映射的电力系统负荷动特性分类方法，包括下述步骤：1）对扰动数据进行负荷建模；2）确定负荷动特性分类特征量的映射；3）计算建模组数据和训练组数据之间的关联度；4）估计训练组中每条数据的负荷模型参数；5）指标映射的自适应修正；6）负荷动特性分类；该分类方法利用负荷建模平台中已有的电压扰动数据，形成分类特征量映射数据表，以便对负荷动特性进行快速分类，有利于解决负荷建模过程中的时变性问题。

Description

一种基于特征映射的电力系统负荷动特性分类方法

技术领域

本发明属于电力系统负荷建模领域，涉及一种负荷特性分类方法，具体是涉及一种基于特征量映射的电力系统负荷动特性分类方法。

背景技术

负荷模型是决定电力系统仿真结果可信程度的关键因素之一，因此，负荷建模是电力系统重要的基础性课题。目前常用的负荷建模方法主要有总体测辨法和统计综合法两种。总体测辨法以现场大量的实测数据为基础，将负荷群看成一个整体，然后通过系统辨识理论确定负荷模型结构和参数。总体测辨法无需知道各个用户的负荷组成及参数，不依赖于用户统计资料，节约了大量的人力物力，在现阶段得到了广泛地使用。

就总体测辨法负荷建模而言，其最大的困难在于负荷的时变性。负荷时变性的本质在于负荷组成随着时间的不同在不断地变化。对现场实测的每组数据建立一个负荷模型虽然能够解决负荷时变性问题，但是每个变电站下面就会有许多种不同的模型，在系统仿真中是没有实际应用价值的。理想的做法是对实测建模数据首先进行分类，将不同时间采集的负荷扰动数据中负荷组成相近的划分为一类，然后在此基础上对每类数据建立一个通用的负荷模型。分类和综合方法能在一定程度上解决负荷的时变性问题，是负荷建模走向实用化的关键。

特征向量的选取是负荷动特性分类的关键因素之一，特征向量的选择必须能够反映样本的本质特征。现阶段特征向量的选取主要有实测响应（某一电压扰动下负荷实测的功率响应）、模型参数（根据模型的电压扰动输入和功率输出辨识得到的模型参数）、标准电压激励下的模型响应（对辨识得到的模型参数施加同一个电压扰动后得到的功率响应）、实测数据的采集时间（日类型、负荷水平等）。上述这些特征向量的选择都存在不足。由于电压扰动的不同，实测的功率响应很难具有可比性；模型参数和标准电压激励下的模型响应都是以参数的辨识为基础，辨识过程的加入不仅延长了分类时间，而且不可避免地引入了辨识误差；而以采集时间作为特征向量仅仅是一种粗略的分类方法，过多地依靠人为经验。

发明内容

技术问题：本发明提供一种能够有效地解决负荷建模过程中负荷的时变性问题的基于特征映射的电力系统负荷动特性分类方法。

技术方案：本发明采用的基于特征映射的电力系统负荷动特性分类方法，该分类方法包括下述步骤：

1）对扰动数据进行负荷建模，具体流程为：

11）生成用于负荷建模的电压和功率波形：首先利用电能质量监测装置采集各个典型变电站的扰动数据，扰动数据为扰动的电压瞬时值波形和电流瞬时值波形，然后对采集的扰动数据提取基波正序分量，计算三相有功功率、无功功率波形，接着对电压基波正序分量波形和计算得到的三相有功功率、无功功率波形进行降维处理，最后提取降维后的电压基波正序分量波形和三相有功功率、无功功率波形中的扰动波段，作为负荷建模数据；

12）将得到的负荷建模数据随机分为两组，一组为建模组，另一组为训练组，对建模组的负荷建模数据进行负荷建模，将负荷等值为电动机与静态负荷模型并联构成的一个综合负荷模型，采用遗传算法对综合负荷模型进行模型参数辨识，从而得到建模组中每条数据的负荷模型参数；

2）确定负荷动特性分类特征量的映射：负荷动特性分类的特征量包含扰动数据的采集时间、日类型、季节、负荷水平、温度指标，将上述特征量映射到[0，1]的区间内，对每一条扰动数据形成一个对应的特征向量，特征向量由各个特征量映射组成；

3）计算建模组数据和训练组数据之间的关联度：根据每一条扰动数据所对应的特征向量，求解建模组数据与训练组数据之间的关联度，将关联度按照

进行归一化，得到一个n1×n2的关联度矩阵，其中n1表示建模组数据个数，n2表示训练组数据个数；

4）估计训练组中每条数据的负荷模型参数：根据关联度矩阵和建模组中每条数据的负荷模型参数，计算训练组中每条数据的负荷模型参数；

5）指标映射的自适应修正：根据训练组中每条数据的负荷模型参数，计算训练组中每条数据在对应电压波形的扰动波段下的模型有功、无功输出，然后将模型有功、无功输出同三相功率波形中的扰动波段进行比较，具体方法为：计算它们之间的欧式距离，得到目标函数 $J={\left\{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\right[{(\hat{p}\left(k\right)-p\left(k\right))}^2+{(\hat{q}\left(k\right)-q\left(k\right))}^2\left]\right\}}^{1/2},$ 其中p(k)、q(k)为模型有功、无功输出，

为步骤11）中得到的三相功率波形中的有功、无功扰动波段，k＝1,2…，n为每条数据的采样点个数；

采用优化算法修正步骤2）中确定的所有负荷动特性分类特征量的映射，使得目标函数J最小，得到各个负荷动特性分类特征量修正后的映射；

6）负荷动特性分类：根据步骤5）得到的各个指标修正后的映射，形成新的特征向量，对新的特征向量采用模糊聚类方法进行负荷动特性分类。

本发明的步骤11）中，对采集的扰动数据提取基波正序分量的方法为：利用电能质量监测装置采集典型变电站扰动波形，对实测的电压电流瞬时值，采用傅里叶分解的方法提取各相基波分量，然后采用对称分量法，求取基波的正序分量，最后计算三相有功功率和无功功率；

提取降维后的电压基波正序分量波形和有功功率、无功功率波形中的扰动波段的方法为：对降维后的电压基波正序分量波形和三相有功功率、无功功率波形，首先依照式（1）进行异常数据波段的检测，如果式（1）成立，则以第n个采样点作为起始点，否则由用户自己选择起始点；然后再依照式（2）进行截止点的检测，如果式（2）成立，则以第m个采样点作为截止点，否则由用户自己选择截止点；

|y(n+i)-y(n)|＞ε i＝1,2        式（1）

|y(m)-y(m-i)|＞ε i＝1,2,…，5         式(2)

式中y为降维后的电压基波正序分量波形和三相有功功率、无功功率波形，n＝1,2…，N，m＝N,N-1…，1，其中N为采样点数；ε为根据扰动的大小设定的阀值。

本发明的步骤2）的具体方法为：将负荷动特性分类的特征量分为两类，一类为定量指标，包括温度指标和负荷水平指标，负荷水平指标包括扰动发生前稳态时刻的电压U₀、有功P₀、无功Q₀，另一类为定性指标，包括数据采集时间、日类型、季节，数据采集时间分为工作时间段和休息时间段，日类型包括周一到周日；

对于定量指标，采用分段映射的方法确定其映射，对于分段点之间的值，采用线性插值的方法确定其映射；对于定性指标，将其具体指标映射为[0，1]之间的数值。

本发明的步骤3）中，采用灰色关联度的方法求解建模组数据与训练组数据之间的关联度。

本发明的步骤4）的具体方法为：以步骤3）求得的建模组数据与训练组数据之间的关联度作为权重，利用步骤12）得到的建模组中每条数据的负荷模型参数，通过加权平均的方法得到训练组中每条数据的负荷模型参数

其中θ为建模组数据负荷模型参数，θ'为训练组数据负荷模型参数，i＝1,2…，n₁为建模组的数据个数，j＝1,2…，n₂为训练组的数据个数，t为模型参数个数。

本发明的步骤5）中使用遗传优化算法，修正步骤2）中确定的所有负荷动特性分类特征量的映射。

本发明的步骤6）采用类平均距离法进行负荷动特性分类。

有益效果：与现有技术相比，本发明具有以下优点：

（1）确定了负荷动特性分类特征量的映射。负荷动特性分类特征量映射的确定有利于负荷动特性分类问题的更简便解决，随着变电站扰动数据的不断积累，各个分类特征量的映射将不断完善，可以为将来新增数据的分类提供依据。同时，由于不同变电站所带负荷类型不同，影响负荷特性的因素也不尽相同，不同变电站可以根据实际情况灵活选择分类特征量。

（2）有利于提高负荷动特性分类的效率。在本分类方法中，特征向量是根据分类特征量映射得到的，不需要进行参数辨识，不但避免了模型结构选择和模型参数辨识所带来的误差，而且大大减少了特征向量的计算时间，提高了分类的效率。这样，用户可以对负荷特性进行实时分类，将极大地推动在线负荷建模，特别是负荷综合建模的发展。

本发明方法把不同量纲的值映射到一个特定的区间，通过自适应训练算法修正这些映射，从而使得各个量之间具有数值上的可比性，然后以特征量之间的相似度作为分类的标准，将负荷组成相近的划分为一类，能够有效地解决负荷建模过程中负荷的时变性问题。

附图说明

图1是本发明的流程框图。

图2是本发明中步骤12）中所用的负荷模型结构。

图3是本发明中步骤12）和步骤5）中所用的遗传算法流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体介绍。

如图1所示，本发明提供了一种基于特征映射的电力系统负荷动特性分类方法。负荷动特性分类指的是将同一综合负荷不同时间采集的动态负荷扰动数据中负荷组成相近的划分为一类，以便为每一类数据建立一个综合负荷模型。该分类方法包括下述步骤：

1）对扰动数据进行负荷建模，具体流程为：

11）生成用于负荷建模的电压和功率波形。

该步骤11）通过以下步骤111）、112）和113）实现。

111）对实测的录波波形提取基波正序分量：利用电能质量监测装置采集典型变电站扰动波形，对实测的电压电流瞬时值，采用傅里叶分解的方法提取各相基波分量。然后采用对称分量法，求取基波的正序分量。最后计算三相有功无功功率。

112）数据降维、平滑：对步骤111）得到的基波的正序分量进行降维，以减少计算量。例如，原先的采样频率为1kHz，1秒钟数据1000个，将采样频率降低为100Hz，1秒钟数据100个。然后采用五点二次平滑方法滤去信号中的高频噪声，具体方法如式（1）所示：

y(n)＝[-3x(n-2)+12x(n-1)+17x(n)+12x(n+1)-3x(n+2)]/35]  式（1）

式中y（n）为平滑后的信号，x（n）为平滑前信号，n＝2,…，N-3为时间采样点，N为采样点数。

113）提取扰动波段：对步骤112）得到的降维、平滑后的电压基波正序分量波形和三相有功功率、无功功率波形，首先依照式（1）进行异常数据波段的检测，如果式（1）成立，则以第n个采样点作为起始点，否则由用户自己选择起始点；然后再依照式（2）进行截止点的检测，如果式（2）成立，则以第m个采样点作为截止点，否则由用户自己选择截止点；

|y(n+i)-y(n)|＞ε i＝1,2      式（2）

|y(m)-y(m-i)|＞ε i＝1,2,…，5     式(3)

式中y为降维后的电压基波正序分量波形和三相有功功率、无功功率波形，n＝1，2…，N，m＝N,N-1…，1，其中N为采样点数；ε为根据扰动的大小设定的阀值；

12）将步骤11）中得到的负荷建模数据随机分为两组，一组为建模组，另一组为训练组，对建模组的负荷建模数据进行负荷建模，将负荷等值为电动机与静态负荷模型并联构成的一个综合负荷模型，采用遗传算法对综合负荷模型进行模型参数辨识，从而得到建模组中每条数据的负荷模型参数；

该步骤12）中采用三阶感应电动机并联ZIP（恒阻抗、恒电流、恒功率）静态模型的综合负荷模型，其结构如图2所示，状态方程为：

$\frac{{\mathrm{de}}_d}{\mathrm{dt}}=\frac{1}{T_d}[-e_d+(x-x^{\′})I_q+314e_q*s*T_d]$

$\frac{{\mathrm{de}}_q}{\mathrm{dt}}=\frac{1}{T_d}[-e_q+(x-x^{\′})I_d+314e_d*s*T_d]$    式(4)

$\frac{\mathrm{ds}}{\mathrm{dt}}=\frac{1}{T_j}\left\{K_L\right[a+(1-a){(1-s)}^b]-(e_d{I}_d+e_q{I}_q)\}$

$I_d=\frac{1}{r_1^2+x^{\′2}}(r_1*(e_d-u_d)+x^{\′}*(e_q-u_q))$    式(5)

$I_q=\frac{1}{r_1^2+x^{\′2}}(r_1*(e_q-u_q)+x^{\′}*(e_d-u_d))$

输出方程为：

P_L＝-U_dI_d+P_S0[P_Z(u/u₀)²+P_I(u/u₀)+P_p]        式（6）

Q_L＝U_dI_q+Q_S0[Q_Z(u/u₀)²+Q_I(u/u₀)+Q_p]

其中x_m＝ω_s*r₂*T_d-x₂，为定转子互感抗；为转子暂态电抗；x＝x₁+x_m，为转子稳态电抗。

动态负荷模型的状态向量为[E_d E_q s]，输入向量为[U]，输出向量为[P Q]，待辨识的参数为[r₁ x₁ T_d x₂ s₀ r₂ T_j a b P_Z P_p Q_Z Q_p Pm]。试图寻找一组最优的负荷模型参数，使目标函数的值最小。目标函数定义为

$W\left(k\right)=0.4\frac{|U\left(k\right)-\stackrel{\‾}{U}|}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|U\left(k\right)-\stackrel{\‾}{U}|}+\frac{0.6}{n}$    式（6）

$J={\left\{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}W\left(k\right)\right[{(\hat{p}\left(k\right)-p\left(k\right))}^2+{(\hat{q}\left(k\right)-q\left(k\right))}^2\left]\right\}}^{1/2}$

式中：J为目标函数，

分别为负荷模型计算得到的第k个采样点有功功率、无功功率，p(k)、q(k)分别为步骤113）确定的三相有功、无功扰动波段中的第k个采样点的功率值，W(k)为误差权重。

该步骤12）采用遗传算法进行负荷模型参数的辨识，具体步骤是：

（1）设定待辨识参数的取值区间，选择参数编码策略，随机初始化生成群体P；

（2）定义适应度函数f(x)，计算个体的适应度；

（3）进行选择操作，选择适应度较高的个体复制到下一代。

（4）进行交叉操作，采用两点交叉的方法，使两个个体相互交换部分基因，以扩大解的空间。

（5）进行变异操作，在个体中引入新的基因，防止个体陷入局部最优解，最终形成下一代群体。

（6）判断新的群体是否满足某一指标，或者达到最大迭代次数，若不满足则返回步骤（3）。

2）确定负荷动特性分类特征量的映射。该步骤与步骤1）同步进行。

负荷动特性分类的特征量包含扰动数据的采集时间、日类型、季节、负荷水平、温度指标，将上述特征量映射到[0，1]的区间内，对每一条扰动数据形成一个对应的特征向量，特征向量由各个特征量映射组成；

对于定量指标，采用分段映射的方法，这里分段点可以灵活选取，可以分散程度较大，也可以比较密集。对于分段点之间的值，可以采用线性插值的方法。例如各个变电站扰动发生前稳态时刻的有功在1.2～0.8（标幺值）之间，其中在0.9～1.1的分布尤为密集，那么可以设定0.8、0.9、1.1、1.2四个阈值，在0.8～0.9、0.9～1.1、1.1～1.2分别采用一组线性映射；对于定性指标，将其具体指标映射为[0，1]之间的数值。例如将工作时间段映射为0.2，将休息时间段映射为0.6，以体现不同时间段的区别。

3）计算建模组数据和训练组数据之间的关联度：根据步骤2）得到的每一条扰动数据所对应的特征向量，求解建模组数据与训练组数据之间的关联度，将关联度按照

进行归一化，得到一个n1×n2的关联度矩阵，其中n1表示建模组数据个数，n2表示训练组数据个数；

该步骤3）中，采用灰色关联度法形成关联度矩阵，具体过程是：

（1）建立数据矩阵。选择任意一条训练组数据和全部的n1条建模组数据，将他们的p个特征向量形成数据矩阵X。

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1p}\\ x_{21}& x_{22}& \·\·\·& x_{2p}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ x_{n1}& x_{n2}& \·\·\·& x_{\mathrm{np}}\end{array}\right]$

矩阵中第1行为训练组数据的特征向量，第2至n行为建模组数据的特征向量。

（2）求特征向量差值矩阵。

Δ_ij＝|x_i+1,j-x_1j|

其中i＝1,2,...，n1，j＝1,2,...，p，求得的差值矩阵为：

$\mathrm{\Δ}=\left[\begin{array}{cccc}{\mathrm{\Δ}}_{11}& {\mathrm{\Δ}}_{12}& \·\·\·& {\mathrm{\Δ}}_{1p}\\ {\mathrm{\Δ}}_{21}& {\mathrm{\Δ}}_{22}& \·\·\·& {\mathrm{\Δ}}_{2p}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\Δ}}_{n_{1}1}& {\mathrm{\Δ}}_{n_{1}2}& \·\·\·& {\mathrm{\Δ}}_{n_{1}p}\end{array}\right]$

（3）求特征量之间的关联系数。

${\mathrm{\ξ}}_i\left(j\right)=\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max }}{{\mathrm{\Δ}}_{\mathrm{ij}}+{\mathrm{\ρ\Δ}}_{\max }}$

ρ为分辨率系数，一般取ρ为0.5。

（4）求训练数据与建模数据之间的关联度

$r_i=\frac{1}{n_1}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right),i=\mathrm{1,2},...,n1$

（5）依次选择全部的n2条训练组数据，计算它们与建模组数据的关联度，形成关联度矩阵Y。

$Y=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{{1n}_2}\\ r_{21}& r_{22}& \·\·\·& r_{{2n}_2}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ r_{n_{1}1}& r_{n_{1}2}& \·\·\·& r_{n_1{n}_2}\end{array}\right]$

（6）将关联度按照进行归一化，其中n₁为建模数据的个数，得到归一化后的关联度矩阵。

4）估计训练组中每条数据的负荷模型参数：根据步骤12）辨识得到的建模组中每条数据的负荷模型参数和步骤3）得到的关联度矩阵，计算训练组中每条数据的负荷模型参数；

该步骤4）中，训练组数据负荷模型参数的估计方法是：以步骤3）求得的建模组数据与训练组数据之间的关联度作为权重，利用步骤12）得到的建模组中每条数据的负荷模型参数，通过加权平均的方法得到训练组中每条数据的负荷模型参数其中θ为建模组数据负荷模型参数，θ'为训练组数据负荷模型参数，i＝1,2…，n₁为建模组的数据个数，j＝1,2…，n₂为训练组的数据个数，t为模型参数个数。

5）指标映射的自适应修正：根据步骤4）得到的训练组中每条数据的负荷模型参数，计算训练组中每条数据在对应电压波形的扰动波段下的模型有功、无功输出，然后将模型有功、无功输出同步骤11）中得到的三相功率波形中的扰动波段进行比较，具体方法为：计算它们之间的欧式距离，得到目标函数 $J={\left\{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\right[{(\hat{p}\left(k\right)-p\left(k\right))}^2+{(\hat{q}\left(k\right)-q\left(k\right))}^2\left]\right\}}^{1/2},$ 其中p(k)、q(k)为模型有功、无功输出，

为步骤11）中得到的三相功率波形中的有功、无功扰动波段，k＝1,2…，n为每条数据的采样点个数；

采用遗传优化算法修正步骤2）中确定的所有负荷动特性分类特征量的映射，使得目标函数J最小，遗传算法的流程与步骤12）相同。最后得到各个负荷动特性分类特征量修正后的映射；

6）负荷动特性分类：根据步骤5）得到的各个指标修正后的映射，形成新的特征向量，对新的特征向量采用模糊聚类方法进行负荷动特性分类。

该步骤中负荷动特性分类采用类平均距离法，它是系统聚类法的一种。系统聚类法的基本思路为：设有N个样本，初始这N个样本自成一类，然后计算样品之间的距离，将距离最小的类并为一新类，再计算并类后的新类与其它类的距离，又将距离最小的两类合并为一新类，这样每次减少一些类，直到将这N个样本合并成一类为止。类平均距离法中类与类之间的距离定义为其中n_p为第p类中的样本个数；n_q为第q类中的样本个数；d_ij表示p类中的样本与q类中的样本之间的距离，这里采用欧氏距离。

Claims (7)

1.一种基于特征映射的电力系统负荷动特性分类方法，其特征在于，该分类方法包括下述步骤：

1）对扰动数据进行负荷建模，具体流程为：

11）生成用于负荷建模的电压和功率波形：首先利用电能质量监测装置采集各个典型变电站的扰动数据，所述扰动数据为扰动的电压瞬时值波形和电流瞬时值波形，然后对采集的扰动数据提取基波正序分量，计算三相有功功率、无功功率波形，接着对电压基波正序分量波形和计算得到的三相有功功率、无功功率波形进行降维处理，最后提取降维后的电压基波正序分量波形和三相有功功率、无功功率波形中的扰动波段，作为负荷建模数据；

12）将所述步骤11）中得到的负荷建模数据随机分为两组，一组为建模组，另一组为训练组，对所述建模组的负荷建模数据进行负荷建模，将负荷等值为电动机与静态负荷模型并联构成的一个综合负荷模型，采用遗传算法对所述综合负荷模型进行模型参数辨识，从而得到建模组中每条数据的负荷模型参数；

2）确定负荷动特性分类特征量的映射：负荷动特性分类的特征量包含扰动数据的采集时间、日类型、季节、负荷水平、温度指标，将上述特征量映射到[0，1]的区间内，对每一条扰动数据形成一个对应的特征向量，所述特征向量由各个特征量映射组成；

3）计算建模组数据和训练组数据之间的关联度：根据所述步骤2）得到的每一条扰动数据所对应的特征向量，求解建模组数据与训练组数据之间的关联度，将所述关联度按照

进行归一化，得到一个n1×n2的关联度矩阵，其中n1表示建模组数据个数，n2表示训练组数据个数；

4）估计训练组中每条数据的负荷模型参数：根据步骤12）辨识得到的建模组中每条数据的负荷模型参数和步骤3）得到的关联度矩阵，计算训练组中每条数据的负荷模型参数；

5）指标映射的自适应修正：根据所述步骤4）得到的训练组中每条数据的负荷模型参数，计算训练组中每条数据在对应电压波形的扰动波段下的模型有功、无功输出，然后将所述模型有功、无功输出同所述步骤11）中得到的三相功率波形中的扰动波段进行比较，具体方法为：计算它们之间的欧式距离，得到目标函数 $J={\left\{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\right[{(\hat{p}\left(k\right)-p\left(k\right))}^2+{(\hat{q}\left(k\right)-q\left(k\right))}^2\left]\right\}}^{1/2},$ 其中p(k)、q(k)为模型有功、无功输出，

为步骤11）中得到的三相功率波形中的有功、无功扰动波段，k＝1,2…，n为每条数据的采样点个数；

采用优化算法修正步骤2）中确定的所有负荷动特性分类特征量的映射，使得目标函数J最小，得到各个负荷动特性分类特征量修正后的映射；

6）负荷动特性分类：根据步骤5）得到的各个指标修正后的映射，形成新的特征向量，对所述新的特征向量采用模糊聚类方法进行负荷动特性分类。

2.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述的步骤11）中，对采集的扰动数据提取基波正序分量的方法为：利用电能质量监测装置采集典型变电站扰动波形，对实测的电压电流瞬时值，采用傅里叶分解的方法提取各相基波分量，然后采用对称分量法，求取基波的正序分量，最后计算三相有功功率和无功功率；

提取降维后的电压基波正序分量波形和有功功率、无功功率波形中的扰动波段的方法为：对降维后的电压基波正序分量波形和三相有功功率、无功功率波形，首先依照式（1）进行异常数据波段的检测，如果式（1）成立，则以第n个采样点作为起始点，否则由用户自己选择起始点；然后再依照式（2）进行截止点的检测，如果式（2）成立，则以第m个采样点作为截止点，否则由用户自己选择截止点；

|y(n+i)-y(n)|＞ε i＝1,2          式（1）

|y(m)-y(m-i)|＞ε i＝1,2,…，5           式(2)

式中y为降维后的电压基波正序分量波形和三相有功功率、无功功率波形，n＝1,2…，N，m＝N,N-1…，1其中N为采样点数；ε为根据扰动的大小设定的阀值。

3.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述步骤2）的具体方法为：将负荷动特性分类的特征量分为两类，一类为定量指标，包括温度指标和负荷水平指标，所述负荷水平指标包括扰动发生前稳态时刻的电压U₀、有功P₀、无功Q₀，另一类为定性指标，包括数据采集时间、日类型、季节，所述数据采集时间分为工作时间段和休息时间段，所述日类型包括周一到周日；

对于所述定量指标，采用分段映射的方法确定其映射，对于分段点之间的值，采用线性插值的方法确定其映射；对于定性指标，将其具体指标映射为[0，1]之间的数值。

4.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述的步骤3）中，采用灰色关联度的方法求解建模组数据与训练组数据之间的关联度。

5.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述的步骤4）的具体方法为：以步骤3）求得的建模组数据与训练组数据之间的关联度作为权重，利用步骤12）得到的建模组中每条数据的负荷模型参数，通过加权平均的方法得到训练组中每条数据的负荷模型参数

其中θ为建模组数据负荷模型参数，θ'为训练组数据负荷模型参数，i＝1,2…，n₁为建模组的数据个数，j＝1,2…，n₂为训练组的数据个数，t为模型参数个数。

6.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述的步骤5）中使用遗传优化算法，修正步骤2）中确定的所有负荷动特性分类特征量的映射。

7.根据权利要求1所述的基于特征映射的电力系统负荷动特性分类方法，其特征在于，所述的步骤6）采用类平均距离法进行负荷动特性分类。

Images