CN110991786A - 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 - Google Patents

Abstract

本发明涉及基于相似日负荷曲线的10kV静态负荷模型参数辨识方法。本发明基于大量日负荷响应特性曲线，根据静态负荷模型结构及约束条件，依据两个关于负荷理论上的基本假设，提出静态负荷模型参数全时段优化辨识模型，通过优化求解，给出10kV负荷全时段(96个时刻点)的静态电压模型参数，获得各时间点负荷有功、无功功率随着电压变化而变化的规律，同时得到负荷构成成分的变化规律。该方法具有较好的适用性，适用于大规模10kV负荷的静态模型分析，较好地满足了实际需求。

Description

基于相似日负荷曲线的10kV静态负荷模型参数辨识方法

技术领域

本发明属于电力系统技术领域，具体涉及基于相似日负荷曲线的10kV静态负荷模型参数辨识方法。

背景技术

静态负荷模型基本结构有幂函数模型、多项式模型和幂函数与多项式混合的模型。由于一般情况下频率变化的幅度很小，可以忽略频率变化对负荷特性的影响，并且鉴于多项式负荷模型物理意义更为明确，即负荷由恒阻抗负荷、恒电流负荷、恒功率负荷等叠加而成，故电力系统仿真分析中对静态负荷通常采用多项式模型，即

采用上述模型描述日负荷特性时，模型中各个时刻的功率初值及ZIP系数处于动态变化之中，根据有功、无功、电压曲线，对ZIP模型参数进行辨识时，模型中的待求参数多于方程个数，无法直接求解出准确的ZIP系数值。

发明内容

鉴于此，本发明的目的在于，依据静态负荷模型结构，根据相似的10kV日负荷曲线，建立静态负荷模型参数得优化辨识模型，根据内点法进行优化求解，得到一日全时段(96个采样时刻)的静态负荷模型参数，获得负荷成分的变化规律，实现解析负荷成分的目的。该方法具有较好的适用性，适用于大规模10kV负荷的静态建模分析，较好地满足了实际需求。

本发明采用以下方案实现：基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，所述参数辨识方法包括：

步骤一，采集大量10kV用户的96点电压、负荷数据，并进行相应的数据预处理，削弱异常采样点的影响；

步骤二，基于步骤一所得的负荷数据，通过K均值算法对负荷进行类别划分，根据欧氏距离大小将形态相似的负荷归为一类；

步骤三，从步骤二中依次取出一类负荷，根据静态负荷模型结构，

结合静态负荷模型参数的约束条件，以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标，建立静态负荷模型全时段参数的优化辨识模型；

步骤四，对步骤三优化模型的目标函数，考虑静态负荷各成分比例在一日之内不会发生大的突变，叠加一个目标函数，即模型表达式中的相邻两时刻系数差的平方和，修正步骤三中的目标函数；

步骤五，求解步骤四中所得优化模型，优化方法如内点法，得到同类负荷全时段的静态模型参数值。以该参数值为依据，可解析各类静态负荷的构成成分变化规律。

可选的，所述步骤一具体包括：

对每一个10kV用户的电压V、负荷P和Q，进行如下的平滑处理：

对于第1、96个时刻，不处理；

对于第2、95个时刻，处理为：

对于第3～94个时刻，处理为：

可选的，所述步骤二具体包括：

1)随机选择K个数据点作为初始聚类中心；

2)逐一计算N个数据点到K个聚类中心的欧氏距离，并将该数据点划入与其距离最小的聚类中心所在的类别；

3)划分完N个数据点后，分别计算K个类中数据点的平均值，作为这K个类新的聚类中心；

4)重复步骤2)、3)，直到K类的聚类中心都不再发生变化；

采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。

4、根据权利要求3所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果，包括：

首先采用分类适确性指标I_DB确定最佳聚类数目；

I_DB的计算方式为

上式中k为聚类数目；c_i、c_j分别为第i类、第j类的聚类中心；

分别为第i类、第j类中的数据点到相应类的聚类中心c_i、c_j的平均距离。

再采用误差平方和指标I_SSE评价不同初始聚类中心对应的聚类结果，首先设置聚类次数，再根据每次聚类结果计算相应的I_SSE值，最终选择I_SSE最小时的聚类结果，I_SSE计算方式为

上式中：n_i为第i类中的数据点数量；c_ij为第i类中的第j个数据点。

根据分类适确性指标I_DB以及误差平方和指标I_SSE，通过多次聚类取得负荷的最佳聚类结果。

可选的，所述步骤三具体包括：

对步骤二所得聚类结果，取出一类日负荷曲线，选出取其中形态最为接近的N条曲线，对这N条负荷曲线对应的静态负荷模型进行优化辨识；

第k条曲线第t时刻的静态负荷模型表达式为

上式中：k＝1,2,…,N-1,N；t＝1,2,…,95，96；

上述模型存在大量待辨识参数p_zkt,p_ikt,p_pkt,q_zkt,q_ikt,q_pkt,P_0kt,Q_0kt，考虑理论上同类负荷的构成成分具有相似性，据此提出以下假设；

基本假设1：根据负荷曲线形态差异确定的同一类负荷，在同一时刻的负荷成分比例差异较小，即同一类中不同负荷的p_zkt、p_ikt、p_pkt和q_zkt、q_ikt、q_pkt等参数差异较小，而P_0kt、Q_0kt则有明显不同。

根据假设1，可对同类负荷统一辨识，具体地，忽略同类负荷同一时刻负荷成分比例的差异，则该类负荷中的待辨识参数将大为减少，即：p_zt、p_it、p_pt、q_zt、q_it、q_pt、P_0kt、Q_0kt；

待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小，故以此为参数辨识优化模型的基本；。

其中，静态有功模型参数辨识的优化模型如下：

目标函数为

约束条件为

静态无功模型参数辨识的优化模型如下：

目标函数为

约束条件为

可选的，所述步骤四具体包括：

在步骤三中优化模型目标函数的基础上，考虑静态负荷各成分比例在一日之内不会发生大的突变，修正目标函数；

理论上负荷存在以下情况

基本假设2：静态负荷各成分比例在一日之内不会发生大的突变。

根据假设2，在原目标函数的基础上，叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和，修正目标函数；

静态有功、无功参数优化模型的目标函数分别修正为

6、根据权利要求1基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤五具体包括：

对步骤四中的目标函数结合步骤三中的约束条件，采用优化方法如内点法进行模型求解，得到静态有功、无功模型全时段的成分比例值。

有益效果：

通过先聚类后优化求解，给出10kV负荷全时段(96个时刻点)的静态电压模型参数，分析各时间点负荷有功、无功功率随着电压变化而变化的规律。

附图说明

图1为本发明实施例提出的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法的流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

实际中，电网实现了公、专变客户用电信息的全采集，覆盖了配电网负荷控制管理系统，配置了智能量测终端设备，连接了营销配送系统、SCADA系统、海讯信息系统等电网管理信息平台，这为本发明的实施提供了大量负荷数据支撑。

本实施例提供一种基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，如图1所示，包括以下步骤：

步骤一，采集大量10kV用户的96点电压、负荷数据，并进行相应的数据预处理，削弱异常采样点的影响；

步骤二，基于步骤一所得的负荷数据，通过K均值算法对负荷进行类别划分，根据欧氏距离大小将形态相似的负荷归为一类；

步骤三，从步骤二中依次取出一类负荷，根据静态负荷模型结构，结合静态负荷模型参数的约束条件，以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标，建立静态负荷模型全时段参数的优化辨识模型；

步骤四，对步骤三优化模型的目标函数，考虑静态负荷各成分比例在一日之内不会发生大的突变，叠加一个目标函数，即模型表达式中的相邻两时刻系数差的平方和，修正步骤三中的目标函数；

步骤五，求解步骤四中所得优化模型，优化方法如内点法，得到同类负荷全时段的静态模型参数值。以该参数值为依据，可解析各类静态负荷的构成成分变化规律。

进一步地，所述步骤一具体为，对每一个10kV用户的电压V、负荷P和Q，进行如下的平滑处理：

对于第1、96个时刻，不处理。

对于第2、95个时刻，处理为：

对于第3～94个时刻，处理为：

式中，V_n为第n个时刻的电压值，V`<sub>n</sub>为第n个时刻处理后的电压值，P<sub>n</sub>为第n个时刻的一类负荷值，P`_n为第n个时刻处理后的一类负荷值，Q_n为第n个时刻的二类负荷值，Q`_n为第n个时刻处理后的二类负荷值，n的取值为正整数，t的取值范围为大于3的正整数。

进一步地，所述步骤二具体为，通过K均值算法对负荷进行类别划分。Kmeans算法作为聚类分析领域的经典算法，其基本思想是把N个数据点划分为K个类别，使得每类的聚类中心到该类中的所有数据点的距离总和最小。

Kmeans算法聚类一次的实现步骤如下

1)随机选择K个数据点作为初始聚类中心；

2)逐一计算N个数据点到K个聚类中心的欧氏距离，并将该数据点划入与其距离最小的聚类中心所在的类别；

3)划分完N个数据点后，分别计算K个类中数据点的平均值，作为这K个类新的聚类中心；

4)重复步骤2)、3)，直到K类的聚类中心都不再发生变化。

采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。首先采用分类适确性指标(I_DB)确定最佳聚类数目。I_DB值越小意味着类内距离越小，类间距离越大，分类效果越显著。I_DB的计算方式为

上式中：k为聚类数目；c_i、c_j分别为第i类、第j类的聚类中心；

分别为第i类、第j类中的数据点到相应类的聚类中心c_i、c_j的平均距离。

再采用误差平方和指标(I_SSE)评价不同初始聚类中心对应的聚类结果。首先设置聚类次数，再根据每次聚类结果计算相应的I_SSE值，最终选择I_SSE最小时的聚类结果。I_SSE计算方式为

上式中：n_i为第i类中的数据点数量；c_ij为第i类中的第j个数据点。

根据上述两个指标，通过多次聚类取得负荷的最佳聚类结果。

进一步地，所述步骤三具体为，对步骤二所得聚类结果，取出一类日负荷曲线，选出取其中形态最为接近的N条曲线，对这N条负荷曲线对应的静态负荷模型进行优化辨识。

第k条曲线第t时刻的静态负荷模型表达式为

上式中：k＝1,2,…,N-1,N；t＝1,2,…,95，96。

上述模型存在大量待辨识参数p_zkt,p_ikt,p_pkt,q_zkt,q_ikt,q_pkt,P_0kt,Q_0kt，考虑理论上同类负荷的构成成分具有相似性，据此提出以下假设。

基本假设1：根据负荷曲线形态差异确定的同一类负荷，在同一时刻的负荷成分比例差异较小，即同一类中不同负荷的p_zkt、p_ikt、p_pkt和q_zkt、q_ikt、q_pkt等参数差异较小，而P_0kt、Q_0kt则有明显不同。

根据假设1，可对同类负荷统一辨识，具体地，忽略同类负荷同一时刻负荷成分比例的差异，则该类负荷中的待辨识参数将大为减少，即：p_zt、p_it、p_pt、q_zt、q_it、q_pt、P_0kt、Q_0kt。

待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小，故以此为参数辨识优化模型的基本目标函数。对有功、无功模型参数可分别进行辨识，二者方法相似。

其中，静态有功模型参数辨识的优化模型如下：

目标函数为

约束条件为

静态无功模型参数辨识的优化模型如下：

目标函数为

约束条件为

进一步地，所述步骤四具体为，在步骤三中优化模型目标函数的基础上，考虑静态负荷各成分比例在一日之内不会发生大的突变，修正目标函数。

理论上负荷存在以下情况

基本假设2：静态负荷各成分比例在一日之内不会发生大的突变。

根据假设2，在原目标函数的基础上，叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和，修正目标函数。

静态有功、无功参数优化模型的目标函数分别修正为

进一步地，所述步骤五具体为，对步骤四中的目标函数结合步骤三中的约束条件，采用优化方法如内点法进行模型求解，得到静态有功、无功模型全时段的成分比例值。

本发明基于大量日负荷响应特性曲线，根据两个理论上的基本假设，通过先聚类后优化求解，给出10kV负荷全时段(96个时刻点)的静态电压模型参数，分析各时间点负荷有功、无功功率随着电压变化而变化的规律。通过实施上述步骤，实现了10kV静态负荷模型参数的全时段优化辨识。作为结果，上述步骤给出了解析静态负荷模型构成成分全时段变化规律的方法。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述参数辨识方法包括：

步骤一，采集大量10kV用户的96点电压、负荷数据，并进行相应的数据预处理，削弱异常采样点的影响；

步骤二，基于步骤一所得的负荷数据，通过K均值算法对负荷进行类别划分，根据欧氏距离大小将形态相似的负荷归为一类；

步骤三，从步骤二中依次取出一类负荷，根据静态负荷模型结构，结合静态负荷模型参数的约束条件，以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标，建立静态负荷模型全时段参数的优化辨识模型；

步骤四，对步骤三优化模型的目标函数，考虑静态负荷各成分比例在一日之内不会发生大的突变，叠加一个目标函数，即模型表达式中的相邻两时刻系数差的平方和，修正步骤三中的目标函数；

步骤五，求解步骤四中所得优化模型，优化方法如内点法，得到同类负荷全时段的静态模型参数值，以该参数值为依据，得到各类静态负荷的构成成分变化规律。

2.根据权利要求1所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤一具体包括：

对每一个10kV用户的电压V、负荷P和Q，进行如下的平滑处理：

对于第1、96个时刻，不处理；

对于第2、95个时刻，处理为：

对于第3～94个时刻，处理为：

式中，V_n为第n个时刻的电压值，V`<sub>n</sub>为第n个时刻处理后的电压值，P<sub>n</sub>为第n个时刻的一类负荷值，P`_n为第n个时刻处理后的一类负荷值，Q_n为第n个时刻的二类负荷值，Q`_n为第n个时刻处理后的二类负荷值，n的取值为正整数，t的取值范围为大于3的正整数。

3.根据权利要求1所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤二具体包括：

1)随机选择K个数据点作为初始聚类中心；

2)逐一计算N个数据点到K个聚类中心的欧氏距离，并将该数据点划入与其距离最小的聚类中心所在的类别；

3)划分完N个数据点后，分别计算K个类中数据点的平均值，作为这K个类新的聚类中心；

4)重复步骤2)、3)，直到K类的聚类中心都不再发生变化；

采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。

4.根据权利要求3所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果，包括：

首先采用分类适确性指标I_DB确定最佳聚类数目；

I_DB的计算方式为

上式中k为聚类数目；c_i、c_j分别为第i类、第j类的聚类中心；

分别为第i类、第j类中的数据点到相应类的聚类中c_i、c_j的平均距离，

再采用误差平方和指标I_SSE评价不同初始聚类中心对应的聚类结果，首先设置聚类次数，再根据每次聚类结果计算相应的I_SSE值，最终选择I_SSE最小时的聚类结果，I_SSE计算方式为

上式中：n_i为第i类中的数据点数量；c_ij为第i类中的第j个数据点，

根据分类适确性指标I_DB以及误差平方和指标I_SSE，通过多次聚类取得负荷的最佳聚类结果。

5.根据权利要求1基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤三具体包括：

对步骤二所得聚类结果，取出一类日负荷曲线，选出取其中形态最为接近的N条曲线，对这N条负荷曲线对应的静态负荷模型进行优化辨识；

第k条曲线第t时刻的静态负荷模型表达式为

上式中：k＝1,2,…,N-1,N；t＝1,2,…,95，96；

上述模型存在大量待辨识参数p_zkt,p_ikt,p_pkt,q_zkt,q_ikt,q_pkt,P_0kt,Q_0kt，考虑理论上同类负荷的构成成分具有相似性，据此提出以下假设；

基本假设1：根据负荷曲线形态差异确定的同一类负荷，在同一时刻的负荷成分比例差异较小，即同一类中不同负荷的p_zkt、p_ikt、p_pkt和q_zkt、q_ikt、q_pkt等参数差异较小，而P_0kt、Q_0kt则有明显不同；

根据假设1，可对同类负荷统一辨识，具体地，忽略同类负荷同一时刻负荷成分比例的差异，则该类负荷中的待辨识参数将大为减少，即p_zt、p_it、p_pt、q_zt、q_it、q_pt、P_0kt、Q_0kt；

待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小，故以此为参数辨识优化模型的基本；

其中，静态有功模型参数辨识的优化模型如下：

目标函数为

约束条件为

静态无功模型参数辨识的优化模型如下：

目标函数为

约束条件为

6.根据权利要求1基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤四具体包括：

在步骤三中优化模型目标函数的基础上，考虑静态负荷各成分比例在一日之内不会发生大的突变，修正目标函数；

理论上负荷存在以下情况

基本假设2：静态负荷各成分比例在一日之内不会发生大的突变，

根据假设2，在原目标函数的基础上，叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和，修正目标函数；

静态有功、无功参数优化模型的目标函数分别修正为

7.根据权利要求1基于相似日负荷曲线的10kV静态负荷模型参数辨识方法，其特征在于，所述步骤五具体包括：

对步骤四中的目标函数结合步骤三中的约束条件，采用优化方法如内点法进行模型求解，得到静态有功、无功模型全时段的成分比例值。

Images