CN104466957B - 一种基于实测小扰动数据的负荷模型参数辨识方法 - Google Patents

Abstract

本发明属于综合负荷模型参数辨识技术领域，涉及一种基于实测小扰动数据的负荷模型参数辨识方法，先根据实测电压、电流变化曲线的特征来选取适合参数辨识的数据时段；而后根据实测电流的分辨率和在小扰动下通过模型计算出的电流的波动范围主要受异步电机初始滑差和电压波动范围影响的事实，确定需辨识参数的初始值；最后以计算出的有功和无功功率曲线的中心线与实测的有功和无功功率曲线的中心线的误差最小构造目标函数，辨识出考虑风力发电的综合负荷模型的参数；其数据易得，原理可靠，辨识方法正确，辨识效率高，准确度好。

Description

一种基于实测小扰动数据的负荷模型参数辨识方法

技术领域：

本发明属于综合负荷模型参数辨识技术领域，涉及一种基于实测PMU(同步相量测量单元)小扰动数据的负荷模型参数辨识方法，特别是一种对不同扰动条件下均适用的综合负荷模型动态参数辨识方法。

背景技术：

负荷模型的精度对电力系统运行和规划有着重要的影响，在进行电力系统分析时，若采用的负荷模型误差太大，会导致分析的结果与实际情况严重偏离，从而构成系统的潜在危险或造成资源的浪费。目前，求取负荷模型参数的方法主要有利用实测数据的总体测辨法、故障仿真法和统计综合法。近年来由于PMU在电力系统中的广泛安装，获得高精度的电网运行数据变得容易，因而利用实测PMU数据的总体测辨法在负荷建模中受到越来越多的重视。

在现有总体测辨法使用过程中，若想有效辨识负荷模型中的动态参数，则需要负荷节点的电压幅值波动范围至少达到波动前稳态电压的10％左右。在电力系统的实际运行中，大的扰动可遇而不可求，出现次数非常稀少，PMU测得的数据几乎都是小扰动数据，而现有方法很难利用小扰动数据辨识出负荷模型的动态参数。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求一种基于实测PMU小扰动数据的综合负荷模型参数辨识方法，利用广域测量系统中的实测PMU数据，以优化分析理论为基础，在线给出综合负荷模型动态参数辨识结果，及时反映线路负荷成分改变、负荷增减和无功补偿变化等因素对参数的影响，为电力系统运行与分析提供准确的负荷模型及动态参数，提高运行可靠性与经济性。

为了实现上述目的，本发明先根据实测电压、电流变化曲线的特征来选取适合参数辨识的数据时段；而后根据实测电流的分辨率和在小扰动下通过模型计算出的电流的波动范围主要受异步电机初始滑差和电压波动范围影响的事实，确定需辨识参数的初始值；最后以计算出的有功和无功功率曲线的中心线与实测的有功和无功功率曲线的中心线的误差最小构造目标函数，辨识出考虑风力发电的综合负荷模型的参数，具体包括以下步骤：

(1)分析待辨参数的负荷特性，选择综合负荷模型和用于参数辨识的输入变量电压的d、q轴分量和输出变量电流的d、q轴分量；

(2)根据现有广域测量系统中实测PMU电压、电流数据变化曲线的特征来选取适合参数辨识的采样时段；

(3)选用四阶龙格—库塔法确定综合负荷模型的状态，先得到异步电动机滑差、暂态电动势的d、q轴分量三个状态变量，进而得出综合负荷模型中电流的d、q轴分量；

(4)根据实测PMU电压相量与电流相量确定出负荷的实测有功功率和无功功率，再通过实测PMU电压d、q轴分量与应用综合负荷模型得出的电流d、q轴分量，确定出负荷的有功功率和无功功率；

(5)根据实测PMU电流的分辨率和小扰动数据条件下通过综合负荷模型计算出的电流波动范围受异步电机初始滑差和电压波动范围影响的数值，确定需辨识参数的初始值；

(6)通过综合负荷模型得出的有功和无功功率曲线中心线与通过实测数据得出的有功和无功功率曲线中心线的误差构造目标函数，调整电流测量精度低引起的辨识参数偏离值使其恢复正常；

(7)以进化策略算法为优化方法，辨识出综合负荷模型的动态参数异步电动机定子电抗、初始滑差与电动机负荷比例，实现综合负荷模型的参数辨识。

本发明涉及的参数辨识过程不仅适用于小扰动数据，同样适用于大扰动数据，步骤相同。

本发明与现有技术相比，其可用于综合负荷模型参数辨识的数据更容易获得，运算原理可靠，辨识方法正确，辨识效率高，准确度好。

附图说明：

图1为本发明实施例涉及的综合负荷等值模型原理示意图。

图2为本发明实施例涉及的PMU数据的电压变化曲线。

图3为本发明实施例涉及的实测PMU数据的电流变化曲线。

图4为本发明实施例涉及的有功功率的拟合曲线。

图5为本发明实施例涉及的无功功率的拟合曲线。

具体实施方式：

下面通过实施例并结合附图对本发明作进一步说明。

本实施例涉及基于实测PMU小扰动数据辨识综合负荷模型暂态参数的算法，先利用广域测量系统中的实测PMU电压、电流变化曲线的特征来选取适合参数辨识的小扰动数据时段；再对实测PMU数据中电流的相对分辨率远低于电压的相对分辨率的情况，依据模型计算电流的允许波动范围先确定参数的初始值；然后建立以模型计算功率的中心线与实测电压和电流计算出的功率曲线的中心线最小二乘为目标的辨识函数；最后对基于实测PMU小扰动数据辨识综合负荷模型动态参数的算法进行验证，通过广域测量系统中的实测PMU数据，分别对华北/御道口的御桥线不同时刻的综合负荷模型动态参数进行辨识，将该辨识结果与设典型值分别用于电网运行分析，结果表明该辨识值的有效性和较高的准确性。

本实施例选取御桥线，御桥线220KV母线下不仅包括通常意义的静态负荷和动态负荷，还包括以双馈异步风力发电机为主的风力发电厂，双馈异步风力发电机相当于滑差为负数的异步电动机，将其归于动态负荷之中，建立的综合负荷等值模型如图1所示，在实际计算中，动态负荷电动机采用三阶模型，方程如下：

$\frac{\mathrm{ds}}{\mathrm{dt}}=\frac{T_M-T_E}{T_j}$

$\frac{{\mathrm{dE}}_d^{\′}}{\mathrm{dt}}=\frac{[K_z(X-X^{\′})I_q+T_{\mathrm{do}}^{\′}{E}_q^{\′}s-E_d^{\′}]}{T_{\mathrm{do}}^{\′}}$

$\frac{{\mathrm{dE}}_q^{\′}}{\mathrm{dt}}=\frac{[{-K}_z(X-X^{\′})I_d+T_{\mathrm{do}}^{\′}{E}_d^{\′}s-E_q^{\′}]}{T_{\mathrm{do}}^{\′}}$

其中，机械负载力矩T_M＝K_L[α+(1-α)(1-s)^p]

电磁力矩T_E＝-(E'_dI_d+E'_qI_q)K_p

电抗参数X＝X_s+X_m，X_m＝T_d'_oR_r-X_r

电机定子电流与电压的关系为：

$I_d=\frac{1}{R_s^2+X^{\′2}}[R_s(U_d-E_d^{\′})+X^{\′}(E_q^{\′}-U_q)]$

$I_q=\frac{1}{R_s^2+X^{\′2}}[R_s(U_q-E_q^{\′})+X^{\′}(E_d^{\′}-U_d)]$

在等值静态负荷中，功率方程为：

$\left\{\begin{array}{c}{P}_s=P_{s0}{(U/U_0)}^{P_v}\\ Q_s=Q_{s0}{(U/U_0)}^{Q_v}\end{array}\right.$

在以上各式中，s为异步电动机滑差；P_s、P_s0分别为有功功率的实际值与初始值；Q_s、Q_s0分别为无功功率的实际值与初始值；U、U₀分别为电压实际值与初始值，U_d、U_q分别为电压U的d、q轴分量；I为电流实际值，I_d、I_q分别为电流I的d、q轴分量；E'为暂态电动势实际值，E_d'、E_q'分别为暂态电动势E'的d、q轴分量；T_d0'为异步电动机定子开路时d轴转子回路时间常数；K_L为异步电动机负荷率系数；K_P将系统基值标么值转换为电动机本身标么值的系数。

本实施例综合负荷等值模型中的参数都是异步电动机自身容量基值下的标么值，考虑风力发电的综合负荷包括等值异步电机和静态负荷两部分，根据对电机数学模型的描述，待确定的等值异步电动机参数有：定子电抗X_s、异步电机初始滑差s₀、电机负荷比例(异步电动机所占母线传输总有功功率的比例)P_MP、定子电阻R_s、转子电抗X_r、转子电阻R_r、定转子互感抗X_m、转子惯性时间常数T_j、与转速有关的阻力矩的方次p和与转速无关的阻力矩系数a；对于静态负荷采用恒阻抗模型，在不考虑频率特性的情况下，用指数形式来描述，包括有功电压特性参数P_v和无功电压特性参数Q_v，这样综合负荷等值模型中共有12个独立参数待确定。

本实施例对于灵敏度较小的参数取典型数值，在辨识时只辨识灵敏度较大的3个参数X_s、s₀和P_MP，其中X_s辨识初值取0.18；s₀辨识初值取-0.0116，这是因为母线下包含大量的风力发电机，向系统倒送有功功率，所以初始滑差应为负；P_MP辨识初值取1.5，这也因为母线向系统倒送有功功率。在标幺化时，取电压的基准值为220kV，功率的基值为15MVA。

本实施例根据华北电网御桥线母线某日下午7点半到9点半采集到的PMU数据，挑选出10个不同时段满足要求的PMU电压相量与电流相量，图2给出了其中一个时段标么化电压和电流幅值的波形图，从图2可以看出，在标幺值下，实测PMU电压的分辨率为3.3×10^-3％，远远高于电流的分辨率1％。在2至5秒的时段内，电压的变动速度与其它时段相当，而电流则相对有较大波动，这表明该时段内母线电压和电流的波动主要由母线内负荷的变动引起，而不是由外部网络的扰动引起，这一时段的数据不适合用做参数辨识；但对于5至9秒的时段和9至20秒的时段，电流分别是一条直线段，这表明当节点电压小幅波动时，母线电流分别只在分辨率内做小幅震荡，此时，各时段内负荷基本可以看作是恒定的，这些数据能用来进行参数辨识，运行记录表明在9秒时，系统在该节点补偿约0.5MVA的无功功率，所以导致电流发生跳变，这说明包含电流跃变的时段不适合进行参数辨识。

本实施例采用本发明提出的基于小扰动的辨识方法，以图2中第12.5秒至第14.5秒时段内的实测PMU数据为例，有功功率、无功功率的拟合曲线分别如图4和图5所示，从图中可以看出，有功与无功计算曲线与实测曲线的中心线几乎都是重合的，但有功与无功计算曲线的波动范围与测量曲线的波动范围则稍有差别，这是实测电流的分辨率相对比较低，无法描述电流的微小波动所引起；另外，从图2中可知，电压的波动范围大约为0.05％，根据电力系统中无功主要受电压影响的事实，可推知图3中计算出来的无功波动曲线更为合理。

本实施例满足要求的10组实测PMU数据的参数辨识结果如表1所示，从表1中可以看出，在相邻时段内，同一条母线上，辨识出的结果都比较平稳，其中电动机的比例系数的结果最为稳定，都是1，这是因为该母线上安装有很多异步风力发电机，致使该母线不仅不需要系统向它输送有功，相反它还可以向系统倒送功率大约10MW，也就是说，该母线所接的静态负荷与风力发电机所发出的有功功率相比非常小，几乎可以忽略不计；定子阻抗X_s的范围为0.1244～0.1565，平均值为0.145，比电科院推荐的值0.18略小，与目前配电网络结构有较大改善致使等效定子电抗有所下降的情况相符；转子的初始滑差s₀范围为-0.0248～-0.0184，平均值为-0.0210，这说明该母线下风力发电机容量所占比例很高，与异步风力发电机的额定初始转差率一般为-0.02的实际很吻合。

表1：参数的辨识结果

Claims (1)

1.一种基于实测小扰动数据的负荷模型参数辨识方法，其特征在于具体包括以下步骤：

(1)分析待辨参数的负荷特性，选择综合负荷模型和用于参数辨识的输入变量电压的d、q轴分量和输出变量电流的d、q轴分量；

(2)根据现有广域测量系统中实测PMU电压、电流数据变化曲线的特征来选取适合参数辨识的采样时段；

(3)选用四阶龙格—库塔法确定综合负荷模型的状态，先得到异步电动机滑差、暂态电动势的d、q轴分量三个状态变量，进而得出综合负荷模型中电流的d、q轴分量；

(4)根据实测PMU电压相量与电流相量确定出负荷的实测有功功率和无功功率，再通过实测PMU电压d、q轴分量与应用综合负荷模型得出的电流d、q轴分量，确定出负荷的有功功率和无功功率；

(5)根据实测PMU电流的分辨率和小扰动数据条件下通过综合负荷模型计算出的电流波动范围受异步电机初始滑差和电压波动范围影响的数值，确定需辨识参数的初始值；

(6)通过综合负荷模型得出的有功和无功功率曲线中心线与通过实测数据得出的有功和无功功率曲线中心线的误差构造目标函数，调整电流测量精度低引起的辨识参数偏离值使其恢复正常；

(7)以进化策略算法为优化方法，辨识出综合负荷模型的动态参数异步电动机定子电抗、初始滑差以及异步电动机所占母线传输总有功功率的比例，实现综合负荷模型的参数辨识。