CN105977977A - 一种广域电力系统负荷模型的自适应识别方法 - Google Patents
一种广域电力系统负荷模型的自适应识别方法 Download PDFInfo
- Publication number
- CN105977977A CN105977977A CN201610511820.6A CN201610511820A CN105977977A CN 105977977 A CN105977977 A CN 105977977A CN 201610511820 A CN201610511820 A CN 201610511820A CN 105977977 A CN105977977 A CN 105977977A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- alpha
- sample cycle
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提供了一种广域电力系统负荷模型的自适应识别方法,步骤包括:负荷时变分类阈值的计算、负荷模型的重置启动判别、基于系统主导振荡模式识别观测对象来判断负荷模型的有效性、广域电力系统负荷的空间分类以及系统各类负荷的统一识别。该自适应识别方法持续监测负荷特征变化,如有负荷出现大幅度的特征变化,则按用电性质构成比例特征对负荷分类进行统一识别,并用识别结果重置仿真系统负荷模型,提高负荷模型的准确性和工程实用价值,从而提高系统安全性和经济性。
Description
技术领域
本发明涉及一种负荷模型识别方法,尤其是一种用于广域电力系统负荷模型的自适应识别方法。
背景技术
电力系统仿真结果的准确与否直接影响系统规划、设计和运行的可靠性。系统模型的不准确是导致仿真结果异于系统实际运行状况的关键因素。通过RTU的信息采集和冗余分析,可获得较为准确的电力系统网络拓扑模型;在正常的频率运行范围内,线路、变压器、电容器等静态元件的模型参数较为可靠;通过大量的厂家测试、独立建模与定期跟踪检验,发电机及其控制器的模型已较为成熟。然而,作为电力系统重要元件之一的负荷,在仿真系统中一般是由负荷、变压器、电源、补偿装置等聚合等效得到,广域电力系统中等效负荷数目繁多、接入分散,且负荷自身具有时变性,所以负荷很难逐一、准确建模,负荷模型较系统的其它元件更加不可靠。若能跟踪负荷的实际变化,兼顾负荷的空间分散特性,根据现场测量信息及时识别并自动更新负荷模型,则可建立更为准确的自适应负荷模型,为电力系统的规划、设计和运行提供更为准确的参照,提高系统设计和运行安排的安全性和经济性,具有重大的工程使用价值。
电力系统涵盖的负荷节点较多,若对每个负荷节点都采用不同的模型参数,则不管是建模还是计算,都十分困难。但如果对所有节点都采用相同的模型参数,虽然简单,却不符合实际。以往按行政区域或电气距离对负荷分类,各类负荷采用相同模型参数,进行全系统负荷的统一参数识别,并固定为负荷的全时段模型。在此种方法中,将所属同一行政区域或彼此间电气距离较小的负荷归为一类,并设定它们具有相同的特征,忽略了各空间负荷的特征差异,识别结果将密切依赖于扰动场景,适用性较差。并且在此种方法中没有考虑负荷的时变性,没有随负荷自身的变化调整模型,识别得到的模型无法反映全时段的负荷特征。因此,以往的广域系统负荷模型识别方法并不具有足够高的工程实用价值。
发明内容
本发明要解决的技术问题是现有技术中没有考虑负荷的时变性,没有随负荷自身的变化调整模型,识别得到的模型无法反映全时段的负荷特征。
为了解决上述技术问题,本发明提供了一种广域电力系统负荷模型的自适应识别方法,包括以下步骤:
步骤1,负荷时变分类阈值的计算,具体步骤为:
步骤1.1,设定负荷特征采集的样本周期Ts和样本周期内的采样次数Ns,设系统有n个负荷节点,前一个样本周期内第s(s=1,2,…,Ns)次采样中,得到第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s;
步骤1.2,设定样本周期内系统负荷模型重置次数的上限为NMSC、第k次分类阈值为εk(k=0,1,2,......)以及分类阈值优化步长为Δε,导入前一样本周期内各负荷节点的历史数据,再以历史数据中负荷用电性质构成比例为分类特征对第i个负荷节点的Ns个采样点进行分类,得到第i个负荷节点在样本周期内的分类个数Cki以及负荷分类变化时点集合tki;
步骤1.3,遍历系统中的所有n个负荷节点,获得各负荷分类变化时点集合的并集,即为整个系统的负荷分类变化时点集合tks,集合tks中元素的个数Nk即为上一样本周期内系统负荷模型所需重置的次数,如果Nk>NMSC,则k值增加1,增大分类阈值εk=εk-1+Δε,重新依据负荷用电性质构成比例对每个负荷的Ns个采样点进行分类,同时重新计算系统负荷模型的重置次数Nk,如果此时Nk≤NMSC,则负荷时变分类阈值ε=εk;
步骤2,负荷模型的重置启动判别,具体步骤为:
步骤2.1,在当前样本周期内,持续监测系统各负荷节点的负荷用电性质构成比例;
步骤2.2,判断所有负荷节点的用电性质构成比例连续两次采样值的差距是否小于负荷时变分类阈值ε,若小于,则系统负荷模型保持不变,返回步骤2.1,若某个负荷节点的用电性质构成比例连续两次采样值的差距大于负荷时变分类阈值ε,则进入步骤3;
步骤3,基于系统主导振荡模式识别观测对象来判断负荷模型的有效性,具体步骤为:
步骤3.1,根据预设的对象选择方法来选择观测对象,设定误差阈值εJ,确立实际系统与仿真系统观测对象的电压均方误差函数J作为广域系统负荷模型有效性判别依据:
式(1)中,N表示动态响应采样点数,Vm(j)表示观测对象的第j个电压实测值,Vs(j)表示仿真系统中观测对象的第j个电压响应;
步骤3.2,判断J与误差阈值εJ的大小关系,若J>误差阈值εJ,则表明当前负荷模型无效并进入步骤4进行广域电力系统负荷的空间分类,若J≤误差阈值εJ,则表明当前模型有效并进一步判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值;
步骤4,广域电力系统负荷的空间分类,在当前样本周期的第s次采样中,第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s,以负荷用电性质构成比例为分类特征,利用模糊C均值聚类算法对n个负荷节点进行分类,得到系统总的负荷分类数目为C,第fi(fi=1,2,…,C)类负荷其中fin为属于第fi类的负荷个数,为第fi类负荷中的第fin个负荷;
步骤5,系统各类负荷的统一识别,具体步骤为:
步骤5.1,设第fi类负荷需识别个参数,则系统所需识别的总参数为再将系统内同一类负荷均设为相同的模型参数,将式(1)作为负荷模型参数识别的目标函数,设定负荷的初始值,利用梯度下降法计算min(J)时对应的模型参数,并将该模型参数作为负荷模型的识别结果赋值到仿真系统负荷模型中;
步骤5.2,判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值。
本发明的自适应识别方法持续监测负荷特征变化,如有负荷出现大幅度的特征变化,则按用电性质构成比例特征对负荷分类进行统一识别,并用识别结果重置仿真系统负荷模型,提高负荷模型的准确性和工程实用价值;根据前一样本周期内各负荷节点历史数据和负荷模型的重置次数上限计算下一样本周期的系统负荷时变分类阈值,使负荷模型自适应跟踪负荷变化,并保证模型的重置仅发生在负荷特征有较大变化的情况下,减少总计算量;选取充分参与系统主导振荡模式,且具有较高电压的关键母线作为观测对象,构建模型识别的目标函数,可以充分反映负荷对系统动态的影响;以负荷用电性质构成比例为特征进行负荷的空间分类,同一类负荷节点用相同的模型参数进行统一校准,可以减少待识别负荷模型参数,提高广域电力系统负荷模型识别的效率和精度。最终得到的负荷模型可以及时跟踪负荷的变化,自适应更新负荷模型,识别结果可以根据不同需求应用于电力系统的设计、规划、运行等领域,将显著提高相关的计算精度和预测准确度,提高系统安全性和经济性。
作为本发明的进一步限定方案,步骤1中的负荷用电性质构成比例Xi,s=(xis1,xis2,xis3,xis4),其中xis1,xis2,xis3,xis4分别表示第i个负荷第s次采样时工业、商业、农业和其它负荷所占的用电比重。采用按照对负荷用电性质进行分类,有效提高了负荷模型的工程实用价值。
作为本发明的进一步限定方案,步骤3中的对象选择方法为:利用Prony算法对所有PMU量测进行频率、阻尼比以及模态的识别,判别系统的主导振荡模式及模态,从而确定每个PMU测点参与主导振荡的程度,选择在系统主导振荡模式中参与因子高、位于联络线上且具有高电压等级的关键母线作为负荷模型有效性判别和负荷模型识别的观测对象。由于受扰轨迹完整地反映扰动后的物理系统或数学模型的动态特征,在负荷模型的有效性判别和负荷模型识别中,所以应选择能充分、有效反映负荷动态行为的信号作为观测对象。扰动可能激发系统的多种振荡模式,与主导振荡模式强相关的信号更能够明显地反映暂态模型对系统动态过程的影响,进而反映系统模型是否有效。此外,高电压等级或关键节点母线,尤其是位于联络线上的母线,对系统将有更广泛的影响,所以选择高电压等级的关键母线作为负荷模型有效性判别和负荷模型识别的观测对象具有更好的识别效果。
作为本发明的进一步限定方案,步骤5.1中,利用梯度下降法计算min(J)时对应的模型参数的具体步骤为:设定统一校准C类负荷的个模型参数为:
设定负荷的初始值为第k步迭代时以目标函数的梯度方向作为迭代的搜索方向,迭代公式为:
式中,为目标函数在参数空间的梯度,在仿真系统中利用数值摄动法计算该梯度,μk为步长因子,在进行第k步迭代时,若J≤误差阈值εJ,则迭代收敛,若J>误差阈值εJ,则继续迭代,直到求得满足迭代条件使J取min(J)的模型参数为止,再将此时的模型参数作为负荷模型的识别结果。
作为本发明的进一步限定方案,步骤5.1中的步长因子μk由黄金分割法来获取。
本发明的有益效果在于:(1)采用自适应识别方法持续监测负荷特征变化,如有负荷出现大幅度的特征变化,则按用电性质构成比例特征对负荷分类进行统一识别,并用识别结果重置仿真系统负荷模型,提高负荷模型的准确性和工程实用价值;(2)根据前一样本周期内各负荷节点历史数据和负荷模型的重置次数上限计算下一样本周期的系统负荷时变分类阈值,使负荷模型自适应跟踪负荷变化,并保证模型的重置仅发生在负荷特征有较大变化的情况下,减少总计算量;(3)选取充分参与系统主导振荡模式,且具有较高电压的关键母线作为观测对象,构建模型识别的目标函数,可以充分反映负荷对系统动态的影响;(4)以负荷用电性质构成比例为特征进行负荷的空间分类,同一类负荷节点用相同的模型参数进行统一校准,可以减少待识别负荷模型参数,提高广域电力系统负荷模型识别的效率和精度;(5)最终得到的负荷模型可以及时跟踪负荷的变化,自适应更新负荷模型,识别结果可以根据不同需求应用于电力系统的设计、规划、运行等领域,将显著提高相关的计算精度和预测准确度,提高系统安全性和经济性。
附图说明
图1为本发明的广域电力系统负荷模型的自适应识别流程;
图2为本发明的负荷时变分类阈值的计算模块流程;
图3为本发明的广域电力系统空间负荷的分类、识别与模型重置模块流程。
具体实施方式
如图1-3所示,本发明提供的广域电力系统负荷模型的自适应识别方法,包括以下步骤:
步骤1,负荷时变分类阈值的计算,具体步骤为:
步骤1.1,设定负荷特征采集的样本周期Ts(如一年)和样本周期内的采样次数Ns,设系统有n个负荷节点,前一个样本周期内第s(s=1,2,…,Ns)次采样中,得到第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s=(xis1,xis2,xis3,xis4),其中xis1,xis2,xis3,xis4分别表示第i个负荷第s次采样时工业、商业、农业和其它负荷所占的用电比重;
步骤1.2,设定样本周期内系统负荷模型重置次数的上限为NMSC、第k次分类阈值为εk(k=0,1,2,......)以及分类阈值优化步长为Δε,负荷模型重置时需要进行负荷模型的分类识别,同时还会因仿真模型变化需要重新计算电力系统的运行、控制参数,频繁的负荷模型重置将极大的增加计算量,另外,较小的负荷变化对系统响应的影响有限,因此,为了减少计算量,系统负荷模型重置次数上限NMSC不宜过大,可以使仿真模型重置跟踪较大的负荷变化即可,导入前一样本周期内各负荷节点的历史数据,再以历史数据中负荷用电性质构成比例为分类特征对第i个负荷节点的Ns个采样点进行分类,得到第i个负荷节点在样本周期内的分类个数Cki以及负荷分类变化时点集合tki;
步骤1.3,遍历系统中的所有n个负荷节点,获得各负荷分类变化时点集合的并集,即为整个系统的负荷分类变化时点集合tks,集合tks中元素的个数Nk即为上一样本周期内系统负荷模型所需重置的次数,如果Nk>NMSC,则k值增加1,增大分类阈值εk=εk-1+Δε,重新依据负荷用电性质构成比例对每个负荷的Ns个采样点进行分类,同时重新计算系统负荷模型的重置次数Nk,如果此时Nk≤NMSC,则负荷时变分类阈值ε=εk;
步骤2,负荷模型的重置启动判别,具体步骤为:
步骤2.1,在当前样本周期内,持续监测系统各负荷节点的负荷用电性质构成比例;
步骤2.2,判断所有负荷节点的用电性质构成比例连续两次采样值的差距是否小于负荷时变分类阈值ε,若小于,则系统负荷模型保持不变,返回步骤2.1,若某个负荷节点的用电性质构成比例连续两次采样值的差距大于负荷时变分类阈值ε,则进入步骤3;
步骤3,基于系统主导振荡模式识别观测对象来判断负荷模型的有效性,具体步骤为:
步骤3.1,根据预设的对象选择方法来选择观测对象,受扰轨迹完整地反映扰动后的物理系统或数学模型的动态特征,在负荷模型的有效性判别和负荷模型识别中,应选择能充分、有效反映负荷动态行为的信号作为观测对象,此处的扰动激励可以是实验安排也可以是随机产生,可以是负荷的正常投切也可以是系统故障,扰动可能激发系统的多种振荡模式,与主导振荡模式强相关的信号更能够明显地反映暂态模型对系统动态过程的影响,进而反映系统模型是否有效,此外,高电压等级或关键节点母线,尤其是位于联络线上的母线,对系统将有更广泛的影响,所以采用的对象选择方法为:利用Prony算法对所有PMU量测进行频率、阻尼比以及模态的识别,判别系统的主导振荡模式及模态,从而确定每个PMU测点参与主导振荡的程度,选择在系统主导振荡模式中参与因子高、位于联络线上且具有高电压等级的关键母线作为负荷模型有效性判别和负荷模型识别的观测对象,设定误差阈值εJ,确立实际系统与仿真系统观测对象的电压均方误差函数J作为广域系统负荷模型有效性判别依据:
式(1)中,N表示动态响应采样点数,Vm(j)表示观测对象的第j个电压实测值,Vs(j)表示仿真系统中观测对象的第j个电压响应;
步骤3.2,判断J与误差阈值εJ的大小关系,若J>误差阈值εJ,则表明当前负荷模型无效并进入步骤4进行广域电力系统负荷的空间分类,若J≤误差阈值εJ,则表明当前模型有效并进一步判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值;
步骤4,广域电力系统负荷的空间分类,在当前样本周期的第s次采样中,第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s,以负荷用电性质构成比例为分类特征,利用模糊C均值聚类算法对n个负荷节点进行分类,得到系统总的负荷分类数目为C,第fi(fi=1,2,…,C)类负荷其中fin为属于第fi类的负荷个数,为第fi类负荷中的第fin个负荷;
步骤5,系统各类负荷的统一识别,具体步骤为:
步骤5.1,设第fi类负荷需识别个参数,则系统所需识别的总参数为再将系统内同一类负荷均设为相同的模型参数,将式(1)作为负荷模型参数识别的目标函数,设定负荷的初始值,利用梯度下降法计算min(J)时对应的模型参数,并将该模型参数作为负荷模型的识别结果赋值到仿真系统负荷模型中,利用梯度下降法计算min(J)时对应的模型参数的具体步骤为:设定统一校准C类负荷的个模型参数为:
设定负荷的初始值为第k步迭代时以目标函数的梯度方向作为迭代的搜索方向,迭代公式为:
式中,为目标函数在参数空间的梯度,在仿真系统中利用数值摄动法计算该梯度,μk为步长因子,在进行第k步迭代时,若J≤误差阈值εJ,则迭代收敛,若J>误差阈值εJ,则继续迭代,直到求得满足迭代条件使J取min(J)的模型参数为止,再将此时的模型参数作为负荷模型的识别结果,步长因子μk由黄金分割法来获取;
步骤5.2,判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值。
Claims (5)
1.一种广域电力系统负荷模型的自适应识别方法,其特征在于,包括以下步骤:
步骤1,负荷时变分类阈值的计算,具体步骤为:
步骤1.1,设定负荷特征采集的样本周期Ts和样本周期内的采样次数Ns,设系统有n个负荷节点,前一个样本周期内第s(s=1,2,…,Ns)次采样中,得到第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s;
步骤1.2,设定样本周期内系统负荷模型重置次数的上限为NMSC、第k次分类阈值为εk(k=0,1,2,……)以及分类阈值优化步长为Δε,导入前一样本周期内各负荷节点的历史数据,再以历史数据中负荷用电性质构成比例为分类特征对第i个负荷节点的Ns个采样点进行分类,得到第i个负荷节点在样本周期内的分类个数Cki以及负荷分类变化时点集合tki;
步骤1.3,遍历系统中的所有n个负荷节点,获得各负荷分类变化时点集合的并集,即为整个系统的负荷分类变化时点集合tks,集合tks中元素的个数Nk即为上一样本周期内系统负荷模型所需重置的次数,如果Nk>NMSC,则k值增加1,增大分类阈值εk=εk-1+Δε,重新依据负荷用电性质构成比例对每个负荷的Ns个采样点进行分类,同时重新计算系统负荷模型的重置次数Nk,如果此时Nk≤NMSC,则负荷时变分类阈值ε=εk;
步骤2,负荷模型的重置启动判别,具体步骤为:
步骤2.1,在当前样本周期内,持续监测系统各负荷节点的负荷用电性质构成比例;
步骤2.2,判断所有负荷节点的用电性质构成比例连续两次采样值的差距是否小于负荷时变分类阈值ε,若小于,则系统负荷模型保持不变,返回步骤2.1,若某个负荷节点的用电性质构成比例连续两次采样值的差距大于负荷时变分类阈值ε,则进入步骤3;
步骤3,基于系统主导振荡模式识别观测对象来判断负荷模型的有效性,具体步骤为:
步骤3.1,根据预设的对象选择方法来选择观测对象,设定误差阈值εJ,确立实际系统与仿真系统观测对象的电压均方误差函数J作为广域系统负荷模型有效性判别依据:
式(1)中,N表示动态响应采样点数,Vm(j)表示观测对象的第j个电压实测值,Vs(j)表示仿真系统中观测对象的第j个电压响应;
步骤3.2,判断J与误差阈值εJ的大小关系,若J>误差阈值εJ,则表明当前负荷模型无效并进入步骤4进行广域电力系统负荷的空间分类,若J≤误差阈值εJ,则表明当前模型有效并进一步判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值;
步骤4,广域电力系统负荷的空间分类,在当前样本周期的第s次采样中,第i(i=1,2,…,n)个负荷节点的负荷用电性质构成比例为Xi,s,以负荷用电性质构成比例为分类特征,利用模糊C均值聚类算法对n个负荷节点进行分类,得到系统总的负荷分类数目为C,第fi(fi=1,2,…,C)类负荷其中fin为属于第fi类的负荷个数,为第fi类负荷中的第fin个负荷;
步骤5,系统各类负荷的统一识别,具体步骤为:
步骤5.1,设第fi类负荷需识别个参数,则系统所需识别的总参数为再将系统内同一类负荷均设为相同的模型参数,将式(1)作为负荷模型参数识别的目标函数,设定负荷的初始值,利用梯度下降法计算min(J)时对应的模型参数,并将该模型参数作为负荷模型的识别结果赋值到仿真系统负荷模型中;
步骤5.2,判断当前样本周期是否结束,若没有结束,则进入步骤2,若已经结束,则进入下一样本周期并返回步骤1重新计算负荷时变分类阈值。
2.根据权利要求1所述的广域电力系统负荷模型的自适应识别方法,其特征在于,步骤1中的负荷用电性质构成比例Xi,s=(xis1,xis2,xis3,xis4),其中xis1,xis2,xis3,xis4分别表示第i个负荷第s次采样时工业、商业、农业和其它负荷所占的用电比重。
3.根据权利要求1或2所述的广域电力系统负荷模型的自适应识别方法,其特征在于,步骤3中的对象选择方法为:利用Prony算法对所有PMU量测进行频率、阻尼比以及模态的识别,判别系统的主导振荡模式及模态,从而确定每个PMU测点参与主导振荡的程度,选择在系统主导振荡模式中参与因子高、位于联络线上且具有高电压等级的关键母线作为负荷模型有效性判别和负荷模型识别的观测对象。
4.根据权利要求1或2所述的广域电力系统负荷模型的自适应识别方法,其特征在于,步骤5.1中,利用梯度下降法计算min(J)时对应的模型参数的具体步骤为:设定统一校准C类负荷的个模型参数为:
设定负荷的初始值为第k步迭代时以目标函数的梯度方向作为迭代的搜索方向,迭代公式为:
式中,为目标函数在参数空间的梯度,在仿真系统中利用数值摄动法计算该梯度,μk为步长因子,在进行第k步迭代时,若J≤误差阈值εJ,则迭代收敛,若J>误差阈值εJ,则继续迭代,直到求得满足迭代条件使J取min(J)的模型参数为止,再将此时的模型参数作为负荷模型的识别结果。
5.根据权利要求4所述的广域电力系统负荷模型的自适应识别方法,其特征在于,步骤5.1中的步长因子μk由黄金分割法来获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511820.6A CN105977977B (zh) | 2016-06-30 | 2016-06-30 | 一种广域电力系统负荷模型的自适应识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511820.6A CN105977977B (zh) | 2016-06-30 | 2016-06-30 | 一种广域电力系统负荷模型的自适应识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105977977A true CN105977977A (zh) | 2016-09-28 |
CN105977977B CN105977977B (zh) | 2018-04-06 |
Family
ID=56954310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610511820.6A Active CN105977977B (zh) | 2016-06-30 | 2016-06-30 | 一种广域电力系统负荷模型的自适应识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105977977B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034305A (zh) * | 2021-02-10 | 2021-06-25 | 上海千居智科技有限公司 | 非侵入式负荷监测事件的分类方法及存储介质 |
CN113568307A (zh) * | 2021-07-02 | 2021-10-29 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
US20150311718A1 (en) * | 2014-04-24 | 2015-10-29 | Varentec, Inc. | Optimizing voltage and var on the electric grid using distributed var sources |
-
2016
- 2016-06-30 CN CN201610511820.6A patent/CN105977977B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
US20150311718A1 (en) * | 2014-04-24 | 2015-10-29 | Varentec, Inc. | Optimizing voltage and var on the electric grid using distributed var sources |
Non-Patent Citations (1)
Title |
---|
郝丽丽等: "分类策略对广域系统负荷识别结果适应性的影响分析", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034305A (zh) * | 2021-02-10 | 2021-06-25 | 上海千居智科技有限公司 | 非侵入式负荷监测事件的分类方法及存储介质 |
CN113568307A (zh) * | 2021-07-02 | 2021-10-29 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
WO2023272957A1 (zh) * | 2021-07-02 | 2023-01-05 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN105977977B (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN109614997A (zh) | 一种基于深度学习的窃电风险预测方法及装置 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN109753989A (zh) | 基于大数据与机器学习的电力用户窃电行为分析方法 | |
CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN103295081A (zh) | 基于bp神经网络的电力系统负荷预测方法 | |
CN106228176A (zh) | 一种基于工况数据检测设备状态的方法和系统 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
CN113762625A (zh) | 一种基于图卷积网络的配电网状态评估方法和系统 | |
CN104578053A (zh) | 基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法 | |
CN104407273A (zh) | 计及监测可信度的电能质量扰动源定位方法 | |
CN102364490B (zh) | 基于层次分析模型的自动同调识别方法 | |
Rezaeian Koochi et al. | New phasor‐based approach for online and fast prediction of generators grouping using decision tree | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN105977977A (zh) | 一种广域电力系统负荷模型的自适应识别方法 | |
CN103218664A (zh) | 一种基于小波神经网络的告警权值确定方法 | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
Shaghaghi et al. | State estimation for distribution power systems by applying an advanced optimization approach | |
CN105825317A (zh) | 一种基于贝叶斯网络的直流配网可靠性评估方法 | |
Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
Wu et al. | Power system bad load data detection based on an improved fuzzy C-means clustering algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |