CN110048409A - 一种基于负荷启动暂态特性的电力负荷结构识别方法 - Google Patents

Abstract

本发明公开了一种基于负荷启动暂态特性的电力负荷结构识别方法，属于电力负荷识别技术领域。该电力负荷结构识别方法对处于低电压等级的小型负荷群，通过智能电表捕捉该小型负荷群内的负荷在一个时间周期内发生过的所有启动动作的电压、电流数据，从数据中提取出负荷的启动暂态量化特征，提取出的负荷启动暂态量化特征可用于与负荷元模型样本库进行匹配，通过全局搜索算法匹配出最为相似的样本，进而辨识出发生启动动作的负荷模型及参数。该电力负荷结构识别方法获得了最低电压等级的用户侧的负荷模型及结构以后，将考虑配网的影响继续向上聚合至220kV及以上电压等级，使得聚合模型可以满足暂态稳定计算、运行方式计算和调度部门的需求。

Description

一种基于负荷启动暂态特性的电力负荷结构识别方法

技术领域

本发明涉及电力负荷识别技术领域，尤其是涉及一种基于负荷启 动暂态特性的电力负荷结构识别方法。

背景技术

电力系统负荷的组成成分非常复杂，既有如电阻等静态的负荷成 分，又有如感应电动机驱动的动态的负荷成分，而且种类繁多，数量 庞大，其详细的运动方程难以列写。长期以来，以感应电动机等效动 态负荷和以恒定阻抗或其他静态模型等效静态负荷，并将两者按照一 定比例并联起来组成的综合负荷模型，在电力系统分析、计算和控制 等研究中得到了广泛的应用。针对不同的负荷类型，一些文献给出了 动态负荷和静态负荷的典型统计参数，而反映二者比例关系的动静 负荷比例却是一个待确定的量，而且不同地区、不同时间的动静负荷 比例是不同的。动静负荷比例作为综合负荷模型中的一个关键参数， 不同的取值会导致计算结果出现差异，严重时甚至会影响暂稳分析的 结果。因此从电力系统工程应用的角度出发，能够准确辨识出动静负 荷比例有非常重要的现实意义。

四川大学高云等人采用基于暂态特征贴近度匹配的方法识别一 个家庭用户中电器的具体种类，但事先必须做大量统计工作以建立所 有用电设备暂态特征数据库，且该方法只能识别出单独启动的电器， 若两种或两种以上电器同时开启，则无法识别。天津大学牛卢璐提出 了基于互相关函数的非侵入式负荷辨识算法，该算法通过同步dq变 换的方法提取负荷投切过程中的暂态特征信息，进而与负荷模型库中 的典型负荷特征做比对，基于互相关函数来判别负荷种类。但该方法 同样需要分别量测待辨识负荷群中所有负荷投入时的暂态特征来建 立负荷模板库，因此该方法的外推特性及适应性较差。

天津大学黎鹏等人利用用电设备正常工作时的稳态电流(包含基 波和谐波)具有一定统计规律性的特点，将n类主要用电设备的总电 流近似用这n类用电设备电流的线性叠加来估计。通过负荷电流分解 求取一组合理的权重系数，使负荷估计电流与负荷真实电流最为接近， 从而确定电力负荷中不同类型用电设备的功率消耗比例；天津大学王 成山等人在基于PMU量测的电力系统主导动态参数在线辨识方法的 基础上，针对恒阻抗和感应电动机并联组成的综合负荷模型，采用 Volterra级数模型和模式识别方法研究了动静负荷比例的在线快速辨 识方法，并通过离线仿真给出感应电动机模型几个重要参数在典型值周围的合理变化范围。但是仅利用稳态特征信息的辨识方法有一定 的局限性，无法有效分辨出稳态特征接近而暂态特征相差较大的负荷。

发明内容

有鉴于此，本发明的目的是针对现有技术的不足，提供一种基于 启动暂态特性及稳态特性的电力负荷结构识别方法，适用于用户侧某 一小型负荷群的负荷结构辨识，解决了上述存在的技术问题。

为达到上述目的，本发明采用以下技术方案：

一种基于非侵入电力负荷结构识别方法，包括以下步骤：

步骤1：对处于220V或380V电压等级的小型负荷群，通过智 能电表捕捉该小型负荷群内的负荷在一个时间周期内发生过的所 有启动动作的数据，从数据中提取出负荷的启动量化特征；

步骤2：采用暂态和稳态电流相结合的手段，将上述的负荷启 动量化特征与负荷元模型样本库进行匹配，通过全局搜索算法匹配 出最为相似的样本，辨识出发生启动动作的负荷模型及参数；

步骤3：上述的一个时间周期结束后，该一个时间周期内的所 有有过启动动作的负荷结构将被辨识出来，进而辨识出该负荷群的 动静负荷比。

进一步的，所述步骤1中的负荷的启动量化特征包括瞬时电流暂 态与稳态过程的幅值、相位和瞬时电压的相位。

进一步的，所述步骤1中智能电表捕捉数据的过程包括以下步骤：

S1：智能电表通过装置内部的计量芯片将负荷启动全过程的瞬时 电压、瞬时电流信号传输至装置内部的中央微处理单元；

S2：所述中央微处理单元通过普罗尼算法从捕获得到的数据中提 取出量化特征。

进一步的，所述步骤2中的负荷元样本库的建立包括以下步骤：

A：选取电动机的主导参数；

B：对上述的主导参数进行分析，提取动负荷的暂态及稳态特征， 建立动负荷的样本库；

C：对于负荷样本库中的所有样本，将录波所得的启动电流根据其 稳态部分的幅值进行标幺化处理，令稳态电流的幅值为1，进而对标 幺化处理后的电流提取量化特征。

进一步的，所述步骤A中的主导参数包括励磁电抗X_m、转子漏 抗X_r、定子漏抗X_s、转子电阻Rr和惯性时间常数H₂，其中：X_m、X_r、 X_s的共同影响通过暂态电抗X’＝X_s+X_m/X_r表示，R_r和H₂作为独立参数 其影响要分别考虑。

进一步的，所述步骤2中的全局搜索算法的计算公式为：

式中：i_m1、i_m2、i_Z均为负荷样本库中的样本，i₁、i₂为量测得 到的数据，k₁、k₂分别为动负荷和静负荷电流的比例系数。

进一步的，动负荷：M_x＝α₁k_1aM₁+α₂k_1bM₂+α₃k_1cM₃+...

静负荷：Z_x＝α₁k_2aZ₁+α₂k_2bZ₂+α₃k_2cZ₃+...

式中：a、b、c为每个启动事件的标幺基值，M1、M2和M3为 启动事件与动负荷模型样本的匹配值，Z1、Z2和Z3为启动事件与静 负荷模型样本的匹配值，k₁、k₂分别为动负荷和静负荷电流的比例系 数。

本发明的有益效果是：

1、本发明提供了一种基于负荷启动暂态特性的电力负荷结构识别 方法，针对低电压等级用户侧的小型负荷群，通过安装在该用 户电力入口处的智能电表，可以捕捉到此负荷群内的负荷在一 个时间周期内发生过的所有启动动作，将未知负荷与负荷样本 库中的样本进行比对。在一个统计周期内，即可得出该周期中 有过启动动作的负荷结构，进而辨识出该负荷群的动静负荷比， 避免因对所有用户都进行详细的调查而消耗大量的人力物力， 同时又能准确建立用户侧的综合负荷模型。

2、本发明的负荷元样本库的建立选取了影响电动机启动特性的主 导参数，并根据主导参数在其值域内分档的方式划分负荷样本， 形成完整的负荷样本库，将未知负荷与负荷样本库中的样本进 行比对，可统计出该周期内启动过的所有动负荷及静负荷的构 成情况，在获得了最低电压等级的用户侧的负荷模型及结构以 后，将考虑配网的影响继续向上聚合至220kV及以上电压等级， 使得聚合模型可以满足暂态稳定计算、运行方式计算和调度部 门的要求，能够为调度运行、暂态电压稳定计算和运行方式计 算提供可靠的保障。

附图说明

图1为本发明的电力负荷结构识别方法的应用示意图；

图2为本发明的异步电动机的T型等效电路；

图3为本发明的异步电动机的T型等效电路的简化电路；

图4为本发明的电动机启动后滑差的倒数变化曲线；

图5为本发明的电动机启动后电流变化曲线。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整 地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全 部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所 获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于非侵入电力负荷结构识别方法，包括以下 步骤：

步骤1：对处于220V或380V电压等级的小型负荷群，通过智能 电表捕捉该小型负荷群内的负荷在一个时间周期内发生过的所有启 动动作的数据，从数据中提取出负荷的启动量化特征；

其中：所述的负荷的启动量化特征包括瞬时电流暂态与稳态过程 的幅值、相位和瞬时电压的相位。

由于智能电表装置本身内部包括计量芯片和中央微处理单元，智 能电表捕捉数据的过程包括以下步骤：

S1：智能电表通过计量芯片将负荷启动全过程的瞬时电压、瞬时 电流信号传输至装置内部的中央微处理单元；

S2：所述中央微处理单元通过普罗尼算法从捕获得到的数据中提 取出负荷启动量化特征。

步骤2：采用暂态和稳态电流相结合的手段，将上述的负荷启 动量化特征与负荷元模型样本库进行匹配，通过全局搜索算法匹配 出最为相似的样本，辨识出发生启动动作的负荷模型及参数；

其中：所述步骤2中的负荷元样本库的建立包括以下步骤：

A：选取电动机的主导参数；电动机的主导参数包括励磁电抗X_m、 转子漏抗X_r、定子漏抗X_s、转子电阻Rr和惯性时间常数H₂，其中：X_m、X_r、X_s的共同影响通过暂态电抗X’＝X_s+X_m/X_r表示，R_r和H₂作为独 立参数其影响要分别考虑。由暂态电抗的表达式容易得知X’是关于另 外三个参数的单调递增函数，所以取(X_smin，X_mmin，X_rmin)可得到X’_min， 取(X_smax，X_mmax，X_rmax)可得到X’_max，由此得到X′的取值区间[X’_min， X’_max]就包含了其所有典型值。(X_smin，X_mmin，X_rmin)和(X_smax，X_mmax， X_rmax)的取值均由IEEE推荐的典型感应电动机参数确定，具体的参数 见表1

表1 IEEE推荐的典型感应电动机参数

其中：Type1：小感应电动机；Type2：大感应电动机；Type3：水泵；Type4：电厂辅助设备；Type5：居民负荷感应电动机的加权聚合；Type6：居民负荷和工业负荷的加权聚合；Type7:空调负荷。

根据X′的取值区间将其样本分为九等，并由每一个X’的取值反向 计算出一组(X_s，X_m，X_r)的取值，且确保这三个参数的取值始终不超出 各自的取值范围。X’及对应的X_m、X_r、X_s取值如表2所示

表2 X’取值及对应的X_m、X_r、X_s取值

对于R_r，在仿真测试中当其取值为0.009时(对应Type2：大感 应电动机；Type3：水泵；Type4：电厂辅助设备)，电动机出现反转， 并且Type2、3、4的对应分类属用户侧不常见的电动机类型，因此 R_r的取值范围选为[0.18，0.71]，样本分为六等分。

对于H₂，由测试结果可知其仅仅影响到暂态过程持续时间的长 短，即H₂取值的改变不会影响暂态电流的幅值和相位，即不影响负 荷消耗的功率大小，因此也不影响动静负荷比。

B：对上述的主导参数进行分析，提取动负荷的暂态及稳态特征， 建立动负荷的样本库；依照上述分析，提取动负荷的暂态及稳态特征， 并将动负荷样本库设置如表3所示，

表3 动负荷样本分档

典型的用户侧感应电动机启动暂态时间基本都在8s内，因此仿 真测试中认为暂态时间超过8s的样本可排除，表格中“null”即代表 被排除的样本。样本库中样本数共计40个。

C：对于负荷样本库中的所有样本，将录波所得的启动电流根据其 稳态部分的幅值进行标幺化处理，令稳态电流的幅值为1，进而对标 幺化处理后的电流提取量化特征。其中：量化特征包括暂态电流的幅 值和暂态部分的功率因数角，稳态电流的幅值和稳态部分的功率因数 角。

所述负荷结构识别基本原理如下：在异步电动机启动的全过程中， 暂态部分和稳态部分的功率因数角明显不同，而静负荷的功率因数角 自始至终保持一致。

如图2所示，异步电动机的T型等效电路，由电路图可见模拟等 效电阻的值与滑差s关系密切。

如图3所示，在转子回路，总电阻为：而励磁回 路中的R_m远小于X_m，因此往往将R_m忽略。当电动机从启动暂态逐 渐过渡到稳态的过程中，滑差从1(pu)逐渐下降到接近0(pu)，这也是 模拟电阻逐渐增大的过程。模拟电阻的增大导致等效电路中总的电阻 成分增加，因此可以减小电压电流之间的相位差，这也是暂态和稳态 部分功率因数角必定存在差异的原因。

如图4、图5所示，其中：图4和图5的横坐标均为时间，图4 的纵坐标是电动机滑差的倒数，图5的纵坐标为电动机电流，滑差的 倒数1/s在电动机启动暂态过程的前段大部分时间内为一个较为稳定 的值，在暂态向稳态过渡的过程中迅速增大。因此，在暂态过程的前 面大部分时间内，电压电流的相位差基本上也是一个较为固定的值。 通过普罗尼算法，选取暂态过程的平稳段(0.12s～0.24s)即可得到暂 态过程的功率因数角和幅值。

平稳段选在0.12s～0.24s之间，是因为电动机在0.1s启动，刚启动 的过程有较大的直流分量，普罗尼算法在拟合曲线正弦表达式时受直 流分量的影响也较大。一个周波(0.02s)之后直流分量基本将为0， 此时拟合出的正弦量幅值和相位都更加精确。有些样本中启动电流暂 态时间较短，因此用于拟合的周波数也不宜太多。经多次测试，选取 第2～7个周波(0.12s～0.24s)进行拟合效果最好。

对于电动机启动电流的暂态部分，选平稳段(0.12s-0.24s)的 幅值和功率因数角作为量化特征值，并设其表达式为 稳态部分电流表达式为由于 电流值根据稳态电流幅值经过了标幺化处理，所以i_m2幅值为1。

静负荷样本的正弦稳态电流设为同样进行标幺 化处理，幅值为1。

对于某一Z+M型参数未知的综合负荷，由量测所得瞬时电流提取 出其暂态电流平稳段的幅值、功率因数角，得到i₁＝I₁ cos(ωt+θ₁)，稳态 部分i₂＝cos(ωt+θ₂)。通过全局搜索算法得出计算公式为：

即：

其中，i_m1、i_m2、i_Z均为负荷样本库中的样本，i₁、i₂为量测得到 的数据，目标就是求解一组最优的k₁、k₂，k₁、k₂其值分别为动负荷 和静负荷电流的比例系数。

步骤3：上述的一个时间周期结束后，该一个时间周期内的所有 有过启动动作的负荷结构将被辨识出来，进而辨识出该负荷群的动静 负荷比。对该负荷群中各个启动时间做具体分析。

启动事件A：提取出该启动事件中电压及电流的量化特征，通过 对负荷元模型样本库进行全域搜索，将暂态和稳态特征以及所有负荷 元样本信息代入式2.9中求解，匹配得到其模型和参数，以及动静负 荷比。假设其动负荷部分与动负荷模型样本1匹配，记为M1，稳态 电流标幺基值为a。

启动事件B：假设其与样本2匹配，记为M2，标幺基值为b。

启动事件C：假设其与样本3匹配，记为M3，标幺基值为c。

更多启动事件以此类推。则这一个周期内的动负荷和静负荷可以 分别表示为：

动负荷：M_x＝α₁k_1aM₁+α₂k_1bM₂+α₃k_1cM₃+...

静负荷：Z_x＝α₁k_2aZ₁+α₂k_2bZ₂+α₃k_2cZ₃+...

其中：

在该周期内，每当识别到一次新的启动事件时，首先需要先判断 它是否与已提取过特征的事件相同或相似，例如启动事件D，若检测 到其特征与事件B相同，则归入B。一个周期结束后，即可统计出该 周期内启动过的所有动负荷及静负荷的构成情况。在获得了最低电压 等级的用户侧的负荷模型及结构以后，将考虑配网的影响继续向上聚 合至220kV及以上等级，使得聚合模型可以满足暂态稳定计算、运行 方式计算和调度部门的需求。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限 制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等 同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发 明的权利要求范围当中。

Claims (7)

1.一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：包括以下步骤:

步骤1：对处于220V或380V电压等级的小型负荷群，通过智能电表捕捉该小型负荷群内的负荷在一个时间周期内发生过的所有启动动作的数据，从数据中提取出负荷的启动暂态量化特征；

步骤2:采用暂态和稳态电流相结合的手段，将上述的负荷启动量化特征与负荷元模型样本库进行匹配，通过全局搜索算法匹配出最为相似的样本，辨识出发生启动动作的负荷模型及参数；

步骤3：上述的一个时间周期结束后，该一个时间周期内的所有有过启动动作的负荷结构将被辨识出来，进而辨识出该负荷群的动静负荷比。

2.根据权利要求1所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤1中的负荷的启动量化特征包括瞬时电流暂态与稳态过程的幅值、相位和瞬时电压的相位。

3.根据权利要求1所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤1中智能电表捕捉数据的过程包括以下步骤：

S1：智能电表通过内部的计量芯片将负荷启动全过程的瞬时电压、瞬时电流信号传输至内部的中央微处理单元；

S2：所述中央微处理单元通过普罗尼算法从捕获得到的数据中提取出负荷的启动量化特征。

4.根据权利要求1所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤2中的负荷元样本库的建立包括以下步骤：

A：选取电动机的主导参数；

B：对上述的主导参数进行分析，提取动负荷的暂态及稳态特征，建立动负荷的样本库；

C：对于负荷样本库中的所有样本，将录波所得的启动电流根据其稳态部分的幅值进行标幺化处理，令稳态电流的幅值为1，进而对标幺化处理后的电流提取量化特征。

5.根据权利要求4所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤A中的主导参数包括励磁电抗X_m、转子漏抗X_r、定子漏抗X_s、转子电阻Rr和惯性时间常数H₂，其中：X_m、X_r、X_s的共同影响通过暂态电抗X’＝X_s+X_m/X_r表示，R_r和H₂作为独立参数其影响要分别考虑。

6.根据权利要求1所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤2中的全局搜索算法的计算公式为：

式中：i_m1、i_m2、i_Z均为负荷样本库中的样本，i₁、i₂为量测得到的数据，k₁、k₂分别为动负荷和静负荷电流的比例系数。

7.根据权利要求1所述的一种基于负荷启动暂态特性的电力负荷结构识别方法，其特征在于：所述步骤3中的一个时间周期内动负荷和静负荷分别表示为：

动负荷：M_x＝α₁k_1aM₁+α₂k_1bM₂+α₃k_1cM₃+...

静负荷：Z_x＝α₁k_2aZ₁+α₂k_2bZ₂+α₃k_2cZ₃+...

式中：a、b、c为每个启动事件的标幺基值，M1、M2和M3为启动事件与动负荷模型样本的匹配值，Z1、Z2和Z3为启动事件与静负荷模型样本的匹配值，k₁、k₂分别为动负荷和静负荷电流的比例系数。