CN111193255A - 一种考虑风电不确定性的电力系统时变母线负荷模型 - Google Patents

Abstract

本发明公开一种考虑风电不确定性的电力系统时变母线负荷新型，属于新能源接入电力系统安全分析领域，包括以下步骤：首先识别负荷曲线即负荷大小的时变特性，基于投影运算、多曲线拟合方法生成电力负荷曲线原始投影图，对负荷数据进行预处理、初步分段并对各段进行线性回归拟合，根据负荷变化趋势判断图像拐点进而拟合得到电力负荷图像；然后在特定时刻母线节点负荷建模，在传统综合负荷模型上并联感应发电机得到考虑风电不确定性的电力系统时变母线负荷模型，最后利用算法进行参数辨识并验证其模型描述性和适用性。本发明适应于能源互联网的发展趋势，对新能源接入电力系统安全稳定、能源互联网的调度运行分析至关重要。

Description

一种考虑风电不确定性的电力系统时变母线负荷模型

技术领域

本发明涉及新能源接入电力系统安全分析领域，具体为一种考虑风电不确定性的电力系统时变母线负荷模型。

背景技术

在能源互联的背景下，大规模风电的接入，改变了母线节点处负荷的组成和功率流向。此情况下传统负荷建模方法难以使用，有必要对母线节点负荷模型进行更加深入的研究，为电网安全稳定分析提供辅助依据，为能源互联网的调度运行提供支撑。

考虑到母线节点负荷构成的复杂性、随机性和分散性，本发明将负荷时变性分解为负荷特性的时变性和由建模方法引起的负荷模型时变性，负荷特性时变性又可分为负荷幅值大小时变性和负荷组成成分时变性，其中在负荷模型参数全部采用标幺值的情况下，负荷幅值大小的变化不会导致模型参数的变化。因此本发明针对考虑风电不确定性的母线节点负荷建模提出了具体方案：一是识别负荷曲线即负荷大小的时变特性；二是在某特定时刻节点负荷与电压和频率的关系即负荷特性。

目前负荷建模方法一般具有数据源相对单一、负荷曲线特征挖掘不够、对负荷时变性下的负荷电压和频率模型研究不够、针对实际电网多源数据用于负荷建模不足等问题，本课题在传统负荷建模技术基础上，重点针对支持能源互联网调度运行的多能源荷互补的负荷实时曲线特征、同时进行含大规模并网风电负荷建模。

发明内容

本发明的目的是为克服上述技术不足，提供了一种考虑风电不确定性的电力系统时变母线负荷模型，通过识别负荷曲线即负荷大小的时变特性；特定时刻母线节点负荷建模即负荷与电压和频率关系，达到

为了实现所述目的，本发明采用的具体实施方案如下：

一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于，包括以下步骤：

S1.利用日负荷数据进行多曲线拟合生成电力负荷曲线原始投影图；

S2.对负荷原始曲线进行预处理和分段；

S3.对负荷曲线各分段进行线性拟合；

S4.根据回归方程求出交点，得到电力负荷拟合图像；

S5.在特定时刻建立母线节点负荷模型；

S6.对母线节点负荷模型参数进行辨识，并验证其描述性和适用性。

所述步骤S1中，包括以下步骤：

S101.随机采集多组日负荷数据；

S102.对日负荷数据进行投影得到多条电力日负荷曲线；

S103.利用多曲线拟合将多条负荷曲线拟合成一条曲线，即电力负荷曲线原始投影图。

所述步骤S2中，包括以下步骤：

S201.根据公式(1)和(2)对负荷曲线进行预处理

θ＝P_i+1-P_i (1)

其中P_i+1，P_i分别表示第i、i+1时刻的负荷值；θ表示两时刻对应负荷的差值；r表示负荷差值与总差值的比值；P_max、P_min分别表示电力负荷数据中的最大值、最小值；

S202.根据公式(3)对负荷曲线进行分段

其中r为第一阈值；

S203.根据公式(3)中θ出现+、0、-的次数分为：第一时段、第二时段、第三时段，第四时段，得到电力负荷数据的初步分段。

所述第一时段、第二时段、第三时段和第四时段线性回归的回归方程为：

回归方程拟合程度的相关系数R的计算公式为：

其中，

b为线性回归方程的斜率,a为线性回归方程的常数；n为时间负荷点的个数；分别表示第i时刻和对应的负荷值；分别表示时间和负荷的平均值；实现对负荷曲线各分段进行线性拟合。

所述步骤S4中，交点的求解方式为：根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断，求出相邻两端回归方程的交点，交点作为电力负荷图像变化的拐点，拟合得到电力负荷图像。

所述步骤S5中，所述母线节点负荷模型采用70％感应电动机和30％静态ZIP负荷并联的模型。

所述步骤S6中，对母线节点负荷模型参数进行辨识分为对感应电机负荷模型参数辨识和对静态ZIP负荷模型参数辨识，均采用最小二乘法作为辨识准则。

本发明的有益效果在于：发明研究本成果可直接应用于指导电网的多源大数据处理和分析，以及电网在线等值建模技术、电网参数在线辨识、电网负荷模型辨识等拓宽了电力系统实时建模方法，可直接应用于指导电网未来几年的优化以及协调运行，也可广泛应用于电力系统安全稳定分析与控制。

在大规模风电接入母线节点的情况下，传统负荷建模方法难以使用。本发明对母线节点负荷模型进行更加深入的研究，能为电网安全稳定分析提供辅助依据，为能源互联网的调度运行提供支撑。该发明成果推广后将保障某地区电网在分布式能源快速增加情况下的安全稳定运行能力，提高新能源的消纳能力，避免电网因大量分布式能源接入引起的严重电力事故。同时，将为研究电力系统在线等值建模、电网参数在线辨识提供技术手段，能有效地提升某地区电网基于多源大数据的负荷实时建模技术，增强电力公司在电力系统能源互联网领域的技术实力，可创造可观的经济和社会效益。

附图说明

图1为本发明方法流程图。

图2为考虑风电不确定性的电力系统时变母线负荷模型。

具体实施方式

以下结合附图对本发明的结构及其有益效果进一步说明。

本发明包括以下步骤:

步骤一：识别负荷曲线即负荷大小的时变特性

考虑到风电出力受自然风等因素影响，有较大的不确定性，具体表现为较大的日变化率和季节变化率，呈现出较强的季节性、间歇性，因此本发明拟识别春、夏、秋、冬等多条日负荷变化曲线，以下均以某条日负荷曲线为例，其他类似。

(1)基于投影运算的负荷图像生成

日负荷每15分钟采集一个点共96个点，在一个月内随机采集多组日负荷数据，对日负荷数据进行投影得到多条电力日负荷曲线，然后利用多曲线拟合将多条负荷曲线拟合成一条曲线即电力负荷曲线原始投影图。

(2)负荷数据预处理、分段并进行线性回归拟合

1)根据公式对负荷曲线进行预处理和分段

θ＝P_i+1-P_i (1)

其中P_i+1，P_i分别表示第i、i+1时刻的负荷值；θ表示两时刻对应负荷的差值；r表示负荷差值与总差值的比值；P_max、P_min分别表示电力负荷数据中的最大值、最小值。

设置r的第一阈值，并根据第一阈值对θ的取值进行分类：

这里连续出现3次以上“+”的时段定为第一时段；连续出现3次以上“-”的时段定为第二时段；连续出现3次以上“0”的时段定位第三时段；其余时段定为第四时段。其中阈值a％的确定与当地用电供需情况和供电公司风险承受能力而定。第一阈值的绝对值越大，获得的负荷曲线越简单，对调度指导意义越低，但更易操作和理解；第一阈值的绝对值越小，获得的负荷曲线越精准，对调度指导意义越大，但对操作能力要求更高。

根据电力负荷变化的四个阶段，从而得到电力负荷数据的初步分段。

2)对负荷曲线进行线性拟合

对上述步骤划分的四个阶段进行进行线性回归，其回归方程为：

回归方程拟合程度的相关系数R的计算公式为：

其中，

b为线性回归方程的斜率,a为线性回归方程的常数；n为时间负荷点的个数；x_i，y_i分别表示第i时刻和对应的负荷值；

分别表示时间和负荷的平均值。

(3)拟合负荷图像的直线拐点判断

根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断，并求出相邻两端回归方程的交点，将交点作为电力负荷图像变化的拐点，从而拟合得到电力负荷图像。

步骤二：特定时刻母线节点负荷建模

(1)建立母线节点负荷模型

考虑风电不确定性，本发明在传统综合负荷模型上并联感应发电机，得到考虑风电不确定性的电力系统时变母线负荷模型如图2所示

某一特定时刻母线功率关系如下：

P＝P_l-P_w (6)

这里P为母线处实测功率；P_l为母线节点负荷，即p_l＝p_M+p_ZIP，采用70％感应电动机和30％静态ZIP负荷并联的模型；P_w为母线节点风电机组发出功率，其与风速的关系表达式即风速-功率模型如下：

其中，v为风速；v_c为切入风速；v_r为额定风速；v_s为切出风速；p_w(v)为切入风速与额定风速间的可变功率，即

C_p.eq为一个恒定的功率系数；p_r为额定功率。

1)感应电机负荷模型结构

感应发电机与感应电动机是感应电机的两种不同的运行方式，但本质上感应发电机和感应电动机在数学模型上是相同的，电机处于电动机状态还是发电机状态取决于电机转速大于或小于同步转速，因此仍然可以用感应电动机三阶暂态微分方程来描述感应发电机的数学模型。

这里引入风电穿透率k_pw，即风电总发电容量占系统所在地区总装机容量的比例，与感应电动机k_pm相对应。本文采用感应发电机占比20％模型，即k_pw＝-0.2。

感应电动机模型应该同时考虑电动机的机械暂态和电磁暂态过程，因此感应电动机的模型采用三阶模型来描述，对于感应电动机的动态行为常利用微分方程来表示为：

由于本文针对非线性动态系统采用状态空间模型来辨识模型参数，而非线性方程组描述为如式(10)所示。

因此其输出方程为：

其稳态约束为：

这里感应发电机的k为负值，与感应电动机不同。

待辨识系统的连续动态模型可以由如下状态方程的一般形式描述：

需要将感应电动机模型写成状态方程形式。首先要设定模型中的各类变量的物理量，其中状态变量x＝[e_d,e_q,s]^T，模型参数θ＝[r₁,x',x,T_d0',T_J,α,β,M_emax,s_cr]^T，输出变量y＝[i_d,i_q]^T，输入变量u＝[u_d,u_q]^T。

则感应电动机模型写成状态方程的一般形式如下式所示：

将式(9)、式(11)化为状态方程形式为：

2)静态ZIP负荷模型

本文的静态ZIP负荷模型采用多项式模型，属于输入输出模型，模型结构如下式所示。

(2)负荷模型参数辨识

1)感应电机负荷模型参数辨识

三阶感应电动机状态方程如式(14)-(15)所示，需要辨识的参数为θ＝[r₁,x',T_d0',T_J,α,β,M_emax,s_cr]，为了解决数学辨识结果不便于解耦的问题，考虑到电磁暂态过程明显短于机电暂态，本文先利用参数T_d0'，x'，r₁的典型值和稳态条件计算出x，s₀和机电暂态方程中的负荷率k，然后再辨识电磁暂态部分及机电暂态部分的参数。

首先稳态约束部分具体计算过程如下：

1.首先根据稳态条件

等式可计算出e_d0'，e_q0'；

2.稳态时利用

等式可计算出x，s₀

3.

可计算得出k。

然后对T_d0'，x'，r₁等电磁暂态部分的参数进行辨识，待辨识状态方程如式(15)，(16)。

其中电磁暂态部分的待辨识参数为θ＝[r₁,x',T_d0']。

其次对式(9)的机电暂态部分进行辨识，由于已知机械转矩

电磁转矩

因此可将式(9)的机电暂态部分逐步化为如式(18)所示。

机电暂态部分的待辨识参数为θ＝{T_J,α,β,M_emax,s_cr}。

因此感应电机需辨识16个参数，即感应电动机参数[T_j,α,β,M_emax,s_cr,T′_d0,r₁,x′]，感应发电机参数[T_jg,αg,βg,M_emaxg,s_crg,T′_d0g,r₁g,x′g]。

2)静态ZIP负荷模型参数辨识

该部分模型参数辨识仍然采用最小二乘法作为辨识准则，其中待辨识参数为θ＝[p₁,p₂,p₃,q₁,q₂,q₃]。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于，包括以下步骤：

S1.利用日负荷数据进行多曲线拟合生成电力负荷曲线原始投影图；

S2.对负荷原始曲线进行预处理和分段；

S3.对负荷曲线各分段进行线性拟合；

S4.根据回归方程求出交点，得到电力负荷拟合图像；

S5.在特定时刻建立母线节点负荷模型；

S6.对母线节点负荷模型参数进行辨识，并验证其描述性和适用性。

所述步骤S1中，包括以下步骤：

S101.随机采集多组日负荷数据；

S102.对日负荷数据进行投影得到多条电力日负荷曲线；

S103.利用多曲线拟合将多条负荷曲线拟合成一条曲线，即电力负荷曲线原始投影图。

2.根据权利要求1所述的一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于：所述步骤S2中，包括以下步骤：

S201.根据公式(1)和(2)对负荷曲线进行预处理

θ＝P_i+1-P_i (1)

其中P_i+1，P_i分别表示第i、i+1时刻的负荷值；θ表示两时刻对应负荷的差值；r表示负荷差值与总差值的比值；P_max、P_min分别表示电力负荷数据中的最大值、最小值；

S202.根据公式(3)对负荷曲线进行分段

其中r为第一阈值；

S203.根据公式(3)中θ出现+、0、-的次数分为：第一时段、第二时段、第三时段，第四时段，得到电力负荷数据的初步分段。

3.根据权利要求2所述的一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于：所述第一时段、第二时段、第三时段和第四时段线性回归的回归方程为：

回归方程拟合程度的相关系数R的计算公式为：

其中，

b为线性回归方程的斜率,a为线性回归方程的常数；n为时间负荷点的个数；分别表示第i时刻和对应的负荷值；分别表示时间和负荷的平均值；实现对负荷曲线各分段进行线性拟合。

4.根据权利要求1所述的一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于：所述步骤S4中，交点的求解方式为：根据各段的回归方程和回归方程拟合程度的相关系数R,对各段电力负荷变化趋势进行判断，求出相邻两端回归方程的交点，交点作为电力负荷图像变化的拐点，拟合得到电力负荷图像。

5.根据权利要求1所述的一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于：所述步骤S5中，所述母线节点负荷模型采用70％感应电动机和30％静态ZIP负荷并联的模型。

6.根据权利要求1所述的一种考虑风电不确定性的电力系统时变母线负荷模型，其特征在于：所述步骤S6中，对母线节点负荷模型参数进行辨识分为对感应电机负荷模型参数辨识和对静态ZIP负荷模型参数辨识，均采用最小二乘法作为辨识准则。

Images