CN108038341A - 一种适用于交互式多模型负荷建模的模型遴选方法 - Google Patents
一种适用于交互式多模型负荷建模的模型遴选方法 Download PDFInfo
- Publication number
- CN108038341A CN108038341A CN201810015360.7A CN201810015360A CN108038341A CN 108038341 A CN108038341 A CN 108038341A CN 201810015360 A CN201810015360 A CN 201810015360A CN 108038341 A CN108038341 A CN 108038341A
- Authority
- CN
- China
- Prior art keywords
- model
- load
- mrow
- msub
- msup
- 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.)
- Pending
Links
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 43
- 238000010187 selection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 230000006698 induction Effects 0.000 claims description 73
- 230000001052 transient effect Effects 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 230000003993 interaction Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于交互式多模型负荷建模的模型遴选方法，采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集；对负荷模型集进行初始化计算；采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差；基于各负荷模型的新息向量和新息协方差计算所有负荷模型的归一化新息加权平方和，遴选出当前时刻的最优模型集。本发明克服了交互式多模型负荷建模过程中负荷模型数量与计算速度和计算量之间的矛盾，与交互式多模型负荷建模方法融合，解决了传统负荷建模方法存在的建模准确性问题，使得反映实际电力系统成分实时变化的精确负荷建模成为可能。
Description
技术领域
本发明涉及模型遴选领域，具体涉及一种适用于交互式多模型负荷建模的模型遴选方法。
背景技术
电力系统负荷建模是电力系统建模中的核心问题，对电力系统运行与规划起着至关重要的作用。精确的负荷建模能够保证对电力系统稳定性的正确估计，从而进行电力系统的理想控制和保护措施，因此对现代电力系统的可靠动态分析起着至关重要的作用。然而由于电力系统中的负荷存在着时变性、分布性、复杂性、随机性等问题，再加上近年来新型电力电子负荷的出现和分布式发电技术的提高，为电力系统精确负荷建模构成了严峻的挑战，因此深入研究能够反映电力系统实际动态负荷特性的有效负荷建模方法具有非常重要的意义。
传统的负荷建模方法如统计综合法、总体测辨法等，或离线建立结构和参数固定的负荷模型，不能反映电力负荷的时变特性；或用单一模型在线建模，在负荷特性出现较强的非线性离散变化时往往不能保证建模的准确性。交互式多模型算法作为机动目标跟踪领域的一种高精度、低运算的算法，能够很好的描述时变系统的动态情况，为具有复杂结构和时变参数的电力负荷模型的建立提供了一种有效的解决途径。在交互式多模型负荷建模中，采用一组包含多个模型的负荷模型集代表不同的负荷特性，模型之间通过马尔可夫切换系数相互联系，通过地推进行的输入交互和状态估计获得各模型与实际系统的误差，从而进行各模型权重的适时调整，使得负荷模型不断逼近实际系统，实现负荷特性的实时跟踪。
在交互式多模型负荷建模中构建负荷模型集时，需要较多的负荷模型来尽可能的覆盖变电站的负荷特性，一方面这大大增加了建模过程中的计算量，另一方面模型之间的相互竞争也影响了计算速度。因此需要在负荷建模过程中加入模型遴选机制，每次循环开始之前在负荷模型集中根据各模型的误差遴选出与实际系统最匹配的若干模型构成当前时刻的最优模型集，只有最优模型集中的负荷模型才能参与输入交互。
发明内容
为了克服上述现有技术的不足，本发明提供了一种适用于交互式多模型负荷建模的模型遴选方法，克服了交互式多模型负荷建模过程中负荷模型数量与计算速度和计算量之间的矛盾，与交互式多模型负荷建模方法融合，解决了传统负荷建模方法存在的建模准确性问题，使得反映实际电力系统成分实时变化的精确负荷建模成为可能。
本发明所采用的技术方案是：
一种适用于交互式多模型负荷建模的模型遴选方法，包括以下步骤：
步骤一：采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集；
步骤二：对负荷模型集进行初始化计算；
步骤三：采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差；
步骤四：基于各负荷模型的新息向量和新息协方差计算所有负荷模型的归一化新息加权平方和，遴选出当前时刻的最优模型集。
进一步的，所述采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集，包括：
采用机电暂态下的三阶感应电动机并联ZIP静负荷模型表征考虑风力发电机动负荷特性的广义负荷模型；
采用随机模糊聚类分析方法对每一类负荷特性进行聚类分析，并采用基于交互式多模型算法的电力负荷建模方法进行建模，得到与每一类负荷特性相匹配的模型参数；其中，模型参数包括感应电动机参数、风电参数和静负荷模型参数。
进一步的，所述对负荷模型集进行初始化计算，包括：
基于感应电动机参数、风电参数和静负荷模型参数，计算各负荷模型的感应电动机初始暂态电动势、初始电流、感应电动机负荷率系数、感应电动机容量转换系数、静负荷模型初始功率和无功补偿功率。
进一步的，所述采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差，包括：
给每一个负荷模型匹配一个相应的扩展卡尔曼滤波器；
基于将感应电动机模型状态方程离散化后的状态预测方程，计算各负荷模型任意时刻的感应电动机功率的量测预测值；
计算各负荷模型任意时刻的感应电动机功率的实际量测值与量测预测值的差，得到各负荷模型任意时刻的新息向量；
根据状态协方差预测方程计算各负荷模型任意时刻的新息协方差。
进一步的，所述将感应电动机模型状态方程离散化后的状态预测方程为：
其中，E’d(k)、E’q(k)、s(k)分别表示k时刻的负荷模型的横轴、纵轴暂态电势和转差率；E’d(k+1|k)、E’q(k+1|k)、s(k+1|k)分别表示k+1时刻的负荷模型的横轴、纵轴暂态电势和转差率预测值；Ts、TJ分别表示采样时间和转子惯性时间常数；X、X’、T’d0分别表示电动机模型的转子稳态电抗、转子暂态电抗和转子电路时间常数；Id(k)、Iq(k)、Ud(k)、Uqk)为分别表示k时刻的负荷模型的初始暂态电流、电压的横轴、纵轴分量。
进一步的，所述归一化新息加权平方和的计算公式为：
εi(k)＝γi T(k)Si(k)-1γi(k)
其中，γi(k)、Si(k)分别为k时刻负荷模型i的新息向量和新息协方差；εi(k)为k时刻负荷模型i的归一化新息加权平方和。
进一步的，所述归一化新息加权平方和在高斯假设下服从nz个自由度的χ2分布，即
εi(k)～χ2(nz)
其中，nz表示量测向量的维数。
进一步的，所述遴选出当前时刻的最优模型集，包括：
比较负荷模型集中所有负荷模型的归一化新息加权平方的大小；
遴选出若干个归一化新息加权平方最小的负荷模型构成当前时刻的最优模型集。
进一步的，还包括：
设定一时间阈值，判断上一时刻的最优模型集保持时间是否满足该设定的时间阈值；
若满足，则用当前时刻的最优模型集替换掉上一时刻的最优模型集，作为本时刻的最优模型集；
若不满足，则保持上一时刻的最优模型集作为本时刻的最优模型集。
与现有技术相比，本发明的有益效果是：
(1)本发明在负荷模型集中根据各负荷模型的误差遴选出与实际系统最匹配的若干负荷模型构成当前时刻的最优模型集，只有最优模型集中的负荷模型才能参与输入交互，克服了交互式多模型负荷建模过程中负荷模型数量与计算速度和计算量之间的矛盾，解决了传统负荷建模方法存在的建模准确性问题，使得反映实际电力系统成分实时变化的精确负荷建模成为可能；
(2)本发明在交互式多模型负荷建模，既能够使模型集涵盖变电站所有负荷特性，又能从中遴选出少数模型参与交互，大大减小了计算量和复杂度；
(3)本发明采用归一化新息加权平方和作为模型遴选依据，计算方便，且能够根据负荷特性变化实时遴选出与实际系统误差最小的模型作为最优模型集，保证了负荷建模的精度；
(4)本发明设定模型遴选的时间阈值，有利于克服模型遴选的随机性，避免了最优模型集在短时间内发生不规则跳变的可能；
(5)本发明将模型遴选融入交互式负荷建模，使得交互式负荷建模方法能够适用于针对变电站负荷时变性和随机性的负荷建模，极具工程实用价值。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明实施例公开的适用于交互式多模型负荷建模的模型遴选方法流程图一；
图2是本发明实施例公开的适用于交互式多模型负荷建模的模型遴选方法流程图二；
图3是本发明实施例公开的加入模型遴选方法的交互式多模型负荷建模流程图；
图4是本发明实施例公开的考虑风力发电机动负荷特性的广义负荷模型结构。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的，现有技术中存在传统负荷建模方法存在的建模准确性不足，为了解决如上的技术问题，本申请提出了一种适用于交互式多模型负荷建模的模型遴选方法。
本申请的一种典型的实施方式中，如图1所示，提供了一种适用于交互式多模型负荷建模的模型遴选方法，该方法包括以下步骤：
步骤101：采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集；
步骤102：对负荷模型集进行初始化计算；
步骤103：采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差；
步骤104：基于各负荷模型的新息向量和新息协方差计算所有负荷模型的归一化新息加权平方和，遴选出当前时刻的最优模型集。
本发明实施例提出的适用于交互式多模型负荷建模的模型遴选方法，与交互式多模型负荷建模方法相融合，每次循环开始之前在负荷模型集中根据各负荷模型的误差遴选出与实际系统最匹配的若干负荷模型构成当前时刻的最优模型集，只有最优模型集中的负荷模型才能参与输入交互，克服了交互式多模型负荷建模过程中负荷模型数量与计算速度和计算量之间的矛盾，解决了传统负荷建模方法存在的建模准确性问题，使得反映实际电力系统成分实时变化的精确负荷建模成为可能。
为了使本领域的技术人员更好的了解本发明，下面列举一个更为详细的实施例，如图2所示，本发明实施例提供了一种交互式多模型电力负荷建模的模型遴选方法，该方法包括以下步骤：
步骤201：确定负荷模型集中的模型，采用感应电动机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集。
在执行步骤201过程中，构建一个能够描述不同负荷特性的负荷模型集，采用机电暂态下的三阶感应电动机并联ZIP静负荷模型来表征考虑风力发电机动负荷特性的广义负荷模型，采用随机模糊聚类分析方法对每一类负荷特性进行聚类分析，然后采用基于交互式多模型算法的电力负荷建模方法进行建模，得到与每一类负荷特性相匹配的模型参数。
在本实施例中，所采用的随机模糊聚类分析方法和基于交互式多模型算法的电力负荷建模方法属于现有技术方法，在本申请中不再赘述。
其中，模型参数包括感应电动机参数、风电参数和静负荷参数。感应电动机参数包括感应电动机模型的定子电阻RS、感应电动机模型的定子电抗XS、感应电动机模型的转子互抗Xm、感应电动机模型的转子Rr、感应电动机模型的电抗Xr、感应电动机模型的转子惯性时间常数TJ、感应电动机模型的初始转差率s0、感应电动机负荷所占比例KPM等；风电参数包括风电负荷所占比例KWG等；静负荷参数包括静负荷模型有功功率的恒阻抗系数PZ、静负荷模型有功功率的恒电流系数PI、静负荷模型有功功率的恒功率系数PP、静负荷模型无功功率的恒阻抗系数QZ、静负荷模型无功功率的恒电流系数QI、静负荷模型无功功率的恒功率系数QP等。
在本实施例中负荷模型集包括m1-m9共计9个模型，模型参数如表1所示。
表1模型参数
| Sub-model | Rs | Xs | Xm | Rr | Xr | TJ | s0 | KPM | KWG | PZ | PI | PP | QZ | QI | QP |
| m1 | 0.016 | 0.117 | 3.67 | 0.009 | 0.117 | 2.85 | 0.009 | 0.83 | 0.35 | 0.25 | 0.65 | 0.1 | 0.25 | 0.65 | 0.1 |
| m2 | 0.030 | 0.116 | 3.29 | 0.011 | 0.116 | 2.20 | -0.008 | 0.60 | 0.70 | 0.35 | 0.45 | 0.2 | 0.35 | 0.45 | 0.2 |
| m3 | 0.02 | 0.120 | 3.45 | 0.009 | 0.120 | 2.50 | -0.007 | 0.65 | 0.72 | 0.2 | 0.7 | 0.1 | 0.2 | 0.7 | 0.1 |
| m4 | 0.022 | 0.118 | 3.40 | 1.010 | 0.118 | 2.30 | 0.007 | 0.60 | 0.38 | 0.25 | 0.55 | 0.2 | 0.25 | 0.55 | 0.2 |
| m5 | 0.082 | 0.100 | 2.11 | 0.070 | 0.100 | 2.86 | 0.044 | 0.55 | 0.43 | 0.35 | 0.4 | 0.25 | 0.35 | 0.4 | 0.25 |
| m6 | 0.03 | 0.124 | 3.00 | 0.017 | 0.124 | 1.5 | 0.014 | 0.70 | 0.57 | 0.2 | 0.4 | 0.4 | 0.2 | 0.4 | 0.4 |
| m7 | 0.013 | 0.117 | 3.70 | 0.009 | 0.117 | 3.0 | 0.009 | 0.80 | 0.39 | 0 | 1 | 0 | 0 | 1 | 0 |
| m8 | 0 | 0.295 | 3.49 | 0.020 | 0.120 | 2.0 | -0.012 | 0.60 | 0.67 | 0.5 | 0.25 | 0.25 | 0.5 | 0.25 | 0.25 |
| m9 | 0.013 | 0.11 | 3.00 | 0.012 | 0.120 | 2.0 | -0.011 | 0.60 | 0.69 | 0.5 | 0.25 | 0.25 | 0.5 | 0.25 | 0.25 |
其中，m1-m9为负荷模型；RS、XS分别表示感应电动机模型的定子电阻与定子电抗；Xm、Rr、Xr分别表示感应电动机模型的转子互抗、电阻与电抗；TJ表示感应电动机模型的转子惯性时间常数；s0表示感应电动机模型的初始转差率；KPM表示感应电动机负荷所占比例；KWG表示风电负荷所占比例；PZ、PI、PP分别表示静负荷模型有功功率的恒阻抗系数、恒电流系数及恒功率系数；QZ、QI、QP分别表示静负荷模型无功功率的恒阻抗系数、恒电流系数及恒功率系数。
步骤202：对负荷模型集进行初始化计算，为状态估计过程提供状态值和量测值的相关参数。
为了给状态估计过程提供状态值和量测值的相关参数，首先基于感应电动机参数、风电参数和静负荷模型参数，对负荷模型集进行初始化计算，该初始化计算包括各负荷模型的感应电动机初始暂态电动势的计算、初始暂态电流的计算、感应电动机负荷率系数的计算、感应电动机容量转换系数的计算、静负荷模型功率的计算以及无功补偿功率的计算。
初始暂态电动势的计算公式为：
其中，E’d0、E’q0分别表示感应电动机初始暂态电动势的横轴、纵轴分量；Rs、X、X’、T’d0、ωB、s0分别表示感应电动机模型的定子电阻、转子稳态电抗、转子暂态电抗、转子电路时间常数、电角频率基值、初始转差率；Ud0、Uq0分别表示感应电动机初始暂态电压的横轴、纵轴分量。
初始暂态电流的计算公式：
其中，E’d0、E’q0分别表示感应电动机初始暂态电动势的横轴、纵轴分量；Id0、Iq0、Ud0、Uq0分别表示感应电动机初始暂态电流、电压的横轴、纵轴分量；Rs、X’分别表示感应电动机模型的定子电阻、转子暂态电抗。
感应电动机负荷率系数的计算公式为：
其中，KL表示感应电动机负荷率系数；E’d0、E’q0分别表示感应电动机初始暂态电动势的横轴、纵轴分量；Id0、Iq0分别表示感应电动机初始暂态电流的横轴、纵轴分量；α、MP分别表示与转速无关的阻力局系数、与转速有关的阻力矩方次；s0表示感应电动机模型的初始转差率。
感应电动机容量转换系数的计算公式为：
其中，ST表示感应电动机容量转换系数；Id0、Iq0、Ud0、Uq0分别表示感应电动机初始暂态电流、电压的横轴、纵轴分量；KPM、KWG分别表示感应电动机负荷所占比例、风电负荷所占比例。
初始静负荷模型功率的计算公式为：
其中，PS0、QS0分别表示初始静负荷模型有功、无功功率；KPM、KWG、P0分别表示电动机负荷所占比例、风电负荷所占比例、负荷节点母线发出的功率；PFs表示初始静负荷模型功率系数。
无功补偿功率的计算公式为：
Qc＝Qm+QS0-QL0
其中，QC表示无功补偿功率；Qm、Qs0、QL0分别表示电动机负荷、初始静负荷以及初始负荷母线上的无功功率。
得到感应电动机初始暂态电动势、初始暂态电流、感应电动机负荷率系数、感应电动机容量转换系数、静负荷模型功率的计算以及无功补偿功率初始值后，就可以利用初始值计算任一时刻感应电动机暂态电动势和暂态电流等。
步骤203：采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差。
步骤203采用如下的方式实现：
步骤2031：采用扩展卡尔曼滤波器作为非线性负荷模型的状态估计器，即为每个负荷模型匹配一个相应的扩展卡尔曼滤波器，各扩展卡尔曼滤波器并行工作进行各负荷模型的状态更新和协方差更新。
步骤2032：基于将感应电动机模型状态方程离散化后的状态预测方程，计算各负荷模型任意时刻感应电动机功率的量测预测值。
状态估计只在动态模型之间进行，状态变量包括感应电动机暂态电势的横轴、纵轴分量以及转差率，将感应电动机模型状态方程离散化后的状态预测方程为
其中，
上式中，E’di(k)、E’qi(k)、si(k)分别表示k时刻负荷模型i的感应电动机横轴、纵轴暂态电势和转差率；E’di(k+1|k)、E’qi(k+1|k)、si(k+1|k)分别表示k+1时刻负荷模型i的感应电动机横轴、纵轴暂态电势和转差率预测值；ωB表示电动机模型的电角频率基值；Ts表示采样时间；Xi、Xi’分别表示负荷模型i的感应电动机模型的转子同步电抗和转子暂态电抗、TJi、T’d0i分别表示负荷模型i的转子惯性时间常数和转子电路时间常数；Idi(k)、Iqi(k)、Udi(k)、Uqi(k)为分别表示k时刻负荷模型i的感应电动机横轴、纵轴暂态电流和暂态电压。
进而根据状态预测方程计算各负荷模型任意时刻感应电动机功率的量测预测值，该k+1时刻负荷模型i的感应电动机功率的量测预测值的计算公式为：
式中，PMi(k+1|k)表示k+1时刻负荷模型i的感应电动机有功功率的量测预测值；QMi(k+1|k)表示k+1时刻负荷模型i的感应电动机无功功率的量测预测值；I’di(k+1|k)、I’qi(k+1|k)分别表示k+1时刻负荷模型i的感应电动机横轴、纵轴暂态电流预测值。I’di(k+1|k)、I’qi(k+1|k)的计算公式为：
式中，Rsi表示负荷模型i的感应电动机模型的定子电阻。
步骤2033：计算各负荷模型任意时刻感应电动机功率的实际量测值与量测预测值的差，得到各负荷模型任意时刻的新息向量。
k+1时刻负荷模型i的新息协方差计算公式为：
其中，
PSei(k+1)＝PMi(k+1|k)+PSi(k+1)
QSei(k+1)＝QMi(k+1|k)+QSi(k+1)-QCi(k+1)
式中，Z(K+1)表示实际量测值，表示状态预测值；PL(k+1)和QL(k+1)是k+1时刻实际系统的感应电动机功率的实际量测值，PSi(k+1)、QSi(k+1)、QCi(k+1)分别为k+1时刻静负荷模型和无功补偿的功率值，PMi(k+1|k)、QMi(k+1|k)为上一步骤计算出的k+1时刻感应电动机功率的量测预测值。
步骤2034：根据状态协方差预测方程计算各负荷模型任意时刻的新息协方差。
状态协方差预测方程为：
Pi(k+1|k)＝Fi(k)Pi(k)Fi(k)T+Q
其中，Pi(k)为k时刻负荷模型i的状态协方差，P(k+1|k)为k+1时刻负荷模型i的状态协方差预测值；Q为状态噪声向量协方差矩阵，Fi(k)为负荷模型i状态转移矩阵的雅克比矩阵
其中，
式中，KLi表示负荷模型i的感应电动机负荷率系数。
k+1时刻的负荷模型i的新息协方差计算公式为：
Si(k+1)＝Hi(k+1)Pi(k+1|k)Hi(k+1)T+R
其中，R为状态观测向量协方差矩阵，Hi(k)为负荷模型i的观测矩阵的雅克比矩阵
步骤204：基于各负荷模型的新息向量和新息协方差计算所有负荷模型的归一化新息加权平方和，遴选出当前时刻的最优模型集。
归一化新息加权平方和的计算公式为：
εi(k)＝γi T(k)Si(k)-1γi(k)
其中，γi(k)、Si(k)分别为k时刻负荷模型i的新息向量和新息协方差；εi(k)为k时刻负荷模型i的归一化新息加权平方和。
归一化新息平方和εi(k)在高斯假设下服从nz个自由度的χ2分布，即
εi(k)～χ2(nz)
其中，nz表示量测向量的维数。
当目标发生机动时，新息向量不再服从均值为0，协方差为S(k)的正态分布，归一化新息加权平方和也将增大，且εi(k)越大，表示负荷模型i与实际系统的偏离范围越大。
步骤204：在得到所有负荷模型的归一化新息加权平方和后，比较负荷模型集中所有负荷模型的归一化新息加权平方和的大小，遴选出负荷模型集中5个归一化新息加权平方最小的负荷模型，构建当前时刻的最优模型集。
步骤205：设定一时间阈值，判断原最优模型集保持时间是否已满足该给定时间阈值，若满足，则用当前时刻的最优模型集替换掉原最优模型集，作为本时刻的最优模型集；若不满足，则保持原最优模型集作为本时刻的最优模型集。
本发明实施例提出的适用于交互式多模型负荷建模的模型遴选方法，与交互式多模型负荷建模方法相融合，每次循环开始之前在负荷模型集中根据各负荷模型的误差遴选出与实际系统最匹配的若干负荷模型构成当前时刻的最优模型集，只有最优模型集中的负荷模型才能参与输入交互，克服了交互式多模型负荷建模过程中负荷模型数量与计算速度和计算量之间的矛盾，解决了传统负荷建模方法存在的建模准确性问题，使得反映实际电力系统成分实时变化的精确负荷建模成为可能。
图3所示为加入模型遴选机制后的交互式多模型负荷建模整体结构框图，其过程包括模型遴选、输入交互、状态估计、权重更新、输出融合五个环节。在输入交互之前加入模型遴选机制，有助于在涵盖变电站整体负荷特性的同时减小计算量和复杂度，保证建模精度。模型遴选过程中的状态估计与输入交互之后的状态估计计算过程相同，区别是模型遴选中的状态估计在整体负荷模型集中进行，而输入交互后的状态估计仅在遴选产生的最优模型集中进行。
图4所示为考虑风力发电机的广义负荷模型结构。由于国内系统接入的风力发电机主要都是恒速恒频的风力发电机，属于异步发电机，故可以把风力发电机看作一个功率消耗为负的动态负荷，从而用异步发电机等效描述。因此交互式多模型负荷建模的模型结构可以采用异步电机并联静负荷模型，即机电暂态下的感应电动机并联ZIP静负荷模型来等效描述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种适用于交互式多模型负荷建模的模型遴选方法，其特征是，包括以下步骤：
步骤一：采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集；
步骤二：对负荷模型集进行初始化计算；
步骤三：采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差；
步骤四：基于各负荷模型的新息向量和新息协方差计算所有负荷模型的归一化新息加权平方和，遴选出当前时刻的最优模型集。
2.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述采用异步电机并联静负荷的模型结构构建考虑风力发电机负荷特性的负荷模型集，包括：
采用机电暂态下的三阶感应电动机并联ZIP静负荷模型表征考虑风力发电机动负荷特性的广义负荷模型；
采用随机模糊聚类分析方法对每一类负荷特性进行聚类分析，并采用基于交互式多模型算法的电力负荷建模方法进行建模，得到与每一类负荷特性相匹配的模型参数；其中，模型参数包括感应电动机参数、风电参数和静负荷模型参数。
3.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述对负荷模型集进行初始化计算，包括：
基于感应电动机参数、风电参数和静负荷模型参数，计算各负荷模型的感应电动机初始暂态电动势、初始电流、感应电动机负荷率系数、感应电动机容量转换系数、静负荷模型初始功率和无功补偿功率。
4.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述采用扩展卡尔曼滤波器对各负荷模型进行状态估计，得到各负荷模型的新息向量和新息协方差，包括：
给每一个负荷模型匹配一个相应的扩展卡尔曼滤波器；
基于将感应电动机模型状态方程离散化后的状态预测方程，计算各负荷模型任意时刻的感应电动机功率的量测预测值；
计算各负荷模型任意时刻的感应电动机功率的实际量测值与量测预测值的差，得到各负荷模型任意时刻的新息向量；
根据状态协方差预测方程计算各负荷模型任意时刻的新息协方差。
5.根据权利要求4所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，
所述将感应电动机模型状态方程离散化后的状态预测方程为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>s</mi>
</mrow>
<mrow>
<msup>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>-</mo>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mi>w</mi>
<mi>B</mi>
</msub>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>q</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>s</mi>
</mrow>
<mrow>
<msup>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>q</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<mrow>
<mi>X</mi>
<mo>-</mo>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<msub>
<mi>I</mi>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<mi>s</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mi>w</mi>
<mi>B</mi>
</msub>
<msub>
<msup>
<mi>E</mi>
<mo>&prime;</mo>
</msup>
<mi>d</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<msub>
<mi>T</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>s</mi>
</mrow>
<msub>
<mi>T</mi>
<mi>J</mi>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>M</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>E</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，E’d(k)、E’q(k)、s(k)分别表示k时刻的负荷模型的横轴、纵轴暂态电势和转差率；E’d(k+1|k)、E’q(k+1|k)、s(k+1|k)分别表示k+1时刻的负荷模型的横轴、纵轴暂态电势和转差率预测值；Ts、TJ分别表示采样时间和转子惯性时间常数；X、X’、T’d0分别表示电动机模型的转子稳态电抗、转子暂态电抗和转子电路时间常数；Id(k)、Iq(k)、Ud(k)、Uqk)为分别表示k时刻的负荷模型的初始暂态电流、电压的横轴、纵轴分量。
6.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述归一化新息加权平方和的计算公式为：
εi(k)＝γi T(k)Si(k)-1γi(k)
其中，γi(k)、Si(k)分别为k时刻负荷模型i的新息向量和新息协方差；εi(k)为k时刻负荷模型i的归一化新息加权平方和。
7.根据权利要求6所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述归一化新息加权平方和在高斯假设下服从nz个自由度的χ2分布，即
εi(k)～χ2(nz)
其中，nz表示量测向量的维数。
8.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，所述遴选出当前时刻的最优模型集，包括：
比较负荷模型集中所有负荷模型的归一化新息加权平方的大小；
遴选出若干个归一化新息加权平方最小的负荷模型构成当前时刻的最优模型集。
9.根据权利要求1所述的适用于交互式多模型负荷建模的模型遴选方法，其特征是，还包括：
设定一时间阈值，判断上一时刻的最优模型集保持时间是否满足该设定的时间阈值；
若满足，则用当前时刻的最优模型集替换掉上一时刻的最优模型集，作为本时刻的最优模型集；
若不满足，则保持上一时刻的最优模型集作为本时刻的最优模型集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810015360.7A CN108038341A (zh) | 2018-01-08 | 2018-01-08 | 一种适用于交互式多模型负荷建模的模型遴选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810015360.7A CN108038341A (zh) | 2018-01-08 | 2018-01-08 | 一种适用于交互式多模型负荷建模的模型遴选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108038341A true CN108038341A (zh) | 2018-05-15 |
Family
ID=62099319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810015360.7A Pending CN108038341A (zh) | 2018-01-08 | 2018-01-08 | 一种适用于交互式多模型负荷建模的模型遴选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108038341A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733372A (zh) * | 2021-01-14 | 2021-04-30 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN116027672A (zh) * | 2023-03-28 | 2023-04-28 | 山东大学 | 基于神经网络的模型预测控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184027A (zh) * | 2015-10-29 | 2015-12-23 | 山东大学 | 一种基于交互式多模型算法的电力负荷建模方法 |
-
2018
- 2018-01-08 CN CN201810015360.7A patent/CN108038341A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184027A (zh) * | 2015-10-29 | 2015-12-23 | 山东大学 | 一种基于交互式多模型算法的电力负荷建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马阳阳: "交互式多模型电力负荷建模理论与方法研究", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733372A (zh) * | 2021-01-14 | 2021-04-30 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN112733372B (zh) * | 2021-01-14 | 2022-04-22 | 山东大学 | 一种负荷建模的模糊逻辑强跟踪方法 |
| CN116027672A (zh) * | 2023-03-28 | 2023-04-28 | 山东大学 | 基于神经网络的模型预测控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107086606B (zh) | 一种配电网综合等效异步电动机负荷模型参数辨识方法 | |
| CN107133406B (zh) | 一种电力系统静态电压稳定域边界的快速搜索方法 | |
| CN101635457B (zh) | 一种基于状态估计残差参数灵敏度的电网参数估计方法 | |
| CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
| CN106058937B (zh) | 一种含直驱永磁风电场的配电网广义负荷建模方法 | |
| CN106443246B (zh) | 基于pmu量测数据的小干扰稳定参数的在线辨识方法 | |
| CN107831448B (zh) | 一种并联型电池系统的荷电状态估计方法 | |
| CN105184027B (zh) | 一种基于交互式多模型算法的电力负荷建模方法 | |
| CN102520353A (zh) | 同步发电机模型参数分步辨识方法 | |
| CN112907075A (zh) | 一种电力系统综合负荷模型参数辨识方法 | |
| Azad et al. | Parameter estimation of doubly fed induction generator driven by wind turbine | |
| CN105762816B (zh) | 一种抑制次同步相互作用的方法 | |
| CN108038341A (zh) | 一种适用于交互式多模型负荷建模的模型遴选方法 | |
| CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
| CN105337290A (zh) | 一种适用于电力系统低频振荡辅助决策的无功调整方法 | |
| CN110571788A (zh) | 基于动态等值电路的静态电压稳定域边界系数的计算方法 | |
| Bila | Power system dynamic state estimation and load modeling | |
| CN110334087A (zh) | 一种基于改进鲁棒容积卡尔曼滤波的数据清洗方法 | |
| CN112186767B (zh) | 含高比例可再生能源的海岛微电网频率稳定的优化控制方法 | |
| CN109830987A (zh) | 计及分布式光伏随机性的主动配电网概率稳定性分析方法 | |
| CN105226644B (zh) | 基于可用容量一致性的带约束等值方法 | |
| CN111293693A (zh) | 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法 | |
| CN114498770B (zh) | 基于断面数据的区域等效惯量与一次调频参数估计方法 | |
| CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
| CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |