CN111415059B - 一种实用模型机构建及在线应用方法 - Google Patents

Abstract

本发明公开了一种实用模型机构建及在线应用方法，包括：(1)离线调研节点负荷组成，以及获取节点历史量测数据；(2)利用调研与量测数据，逐层进行负荷模型聚合，以及在不同触发场景下仿真训练，建立负荷模型；(3)提取量测量的特征，构建其与对应场景以及聚合模型的映射关系，将此关系作为模型的一种属性，同模型一并放入模型库中；(4)负荷模型机在线应用，若待辨识节点的下属节点量测信息完备，则通过聚合得到该节点的聚合模型；若下属量测信息不足，则提取该点量测量的特征，在模型库中快速匹配，输出匹配模型及准确性指标；本发明通过负荷模型机构建及在线应用，为实现电力系统负荷模型的在线生成提供了一种可行性方案。

Description

一种实用模型机构建及在线应用方法

技术领域

本发明涉及电力系统负荷在线建模领域，具体涉及一种实用模型机构建及在线应用方法。

背景技术

随着现代电力系统的快速发展，电力系统实时安全稳定性分析与在线仿真计算对负荷模型的准确性提出了更高的要求，同时由于系统复杂性的提升、分布式电源在负荷区的大量接入，也给负荷建模工作带来了全新的挑战。电力负荷作为电力系统的用电终端，由于其类型多样性、投入不确定性等因素，严重影响着电力系统仿真计算的精度，建立跟踪负荷变化的、能够实时反映动态特性的负荷模型具有十分重要的实际意义。

目前，数据采集与监控系统(SCADA)、广域测量系统(WAMS)、故障录波监测系统(FRMS)等电力系统监测系统日益完善，为不同电压等级节点的负荷模型的建立提供了详实的运行数据支撑。同时，非侵入式监测技术的应用为最底层负荷的组成与实时用电信息的获取提供了技术保障。随着人工智能算法在电力系统领域的快速发展，深度学习方法充分利用海量多源量测数据，通过反复训练与学习，建立更为精确的实时负荷模型。

发明内容

本发明要解决的技术问题为：通过综合运用离线统计数据与量测数据，提出了一种用于在线建立准确负荷模型的方法，克服了传统负荷建模方法缺乏时效性、无法在线应用的缺点，为电力系统的在线仿真分析与控制提供更为有效的电力负荷模型。

为了实现上述发明目的，本发明采取的技术方案具体为：一种实用模型机构建及在线应用方法，包括以下步骤：

步骤1：通过离线调研，统计得到负荷节点下的用电负荷组成成分以及典型行业负荷构成比例，同时获取典型时间段内负荷节点的历史量测数据，包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f；

步骤2：综合节点调研、量测等多源数据，基于聚合理论，逐层进行负荷模型聚合，以及基于辨识理论，在不同触发场景下运用人工智能算法进行离线仿真训练与学习，建立节点的负荷模型。

步骤2-1：按电压等级自下向上分层聚合生成不同电压等级的负荷聚合模型。对于低电压等级的负荷节点，根据实地调研统计数据以及量测数据，采用容量加权聚合方法进行负荷模型聚合，得到上一层级节点负荷的初始聚合模型。利用上一层级的量测数据对此聚合模型进行校核，对聚合模型进行参数修正，得到该电压等级下的准确负荷聚合模型。以此层建立的负荷模型为基础，并结合此层节点的统计与量测数据，采用相同的聚合方法，构建更高电压等级的负荷模型，最后逐层建立各电压等级负荷聚合模型。

步骤2-2：在不同离线场景下进行仿真训练，建立节点负荷模型。分别在事故触发(故障)和周期触发(扰动)两种场景下，对不同负荷节点进行负荷模型测辨。在PSASP仿真系统中，设置不同类型的故障和扰动，对负荷模型中的各类参数在取值范围内进行随机取值，得到一系列参数不同的负荷模型进行仿真计算，得到不同故障情况下大量暂态离线样本和不同扰动情况下大量小扰动离线样本。将离线样本中负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f作为输入，以样本对应的负荷模型参数作为输出，采用深度学习网络，得到节点的负荷模型。

步骤3：对上述不同方式建立的负荷模型进行属性标记和完善，构建并扩充模型库。利用智能算法提取各个电压等级下的量测量的特征，用于表征此量测量在一段时间内的变化情况，并构建其与对应的场景以及聚合得到的准确负荷模型的映射关系，然后将这一映射关系作为一种属性添加到负荷模型中，最后将该完善过的模型放入模型库；

步骤4：负荷模型机在线应用。当模型机应用到待辨识负荷节点时，首先获取当前时段内该节点及其下属的低电压等级节点的量测数据，进行自下而上的在线聚合，得到该节点的负荷模型及其准确性指标；当下属各个节点的量测信息缺失时，则直接提取该点量测信息的特征，根据映射关系得到模型属性，在模型库中进行属性的在线快速匹配，根据匹配结果输出相应的负荷模型和准确性指标。

其中，模型准确性指标MAI用于评价匹配模型的可靠性，利用模型库属性匹配得到的模型参数进行场景仿真，得到仿真数据P’、Q’、U’、f’；然后计算其与对应的实际在线量测数据P、Q、U、f的误差，则模型准确性指标为：

式中，在各个量测量的均方根误差项中，为避免由于量纲和幅值的不同，导致出现某个大的绝对误差淹没其他量的误差的情况，本发明中采用相对误差代替绝对误差。

有益效果

1、本发明解决了当前智能电网背景下，复杂电力系统的负荷在线建模问题，充分融合了统计与量测等多源数据，进一步提高负荷模型在线建模的准确性。同时，相比传统负荷模型在线应用，本发明利用模型机进行量测数据的特征的快速匹配，大大缩短了模型建立的时间，从而为电力系统实时仿真提供了更具时效性的负荷模型。

2、本发明提出的方法，也为电力系统负荷模型的在线生成提供了技术支撑。通过模型机离线构建、在线应用与完善的思想，将深度学习网络引入量测数据特征提取与负荷模型在线匹配中，可在大数据平台上实现负荷模型的在线快速生成。

附图说明：

图1为本发明的流程图。

具体实施方式

一种实用模型机构建及在线应用方法，包括以下步骤：

步骤1：通过离线调研，统计得到负荷节点下的用电负荷组成成分以及典型行业负荷构成比例，同时获取典型时间段内负荷节点的历史量测数据，包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f。

步骤2：综合节点调研、量测等多源数据，基于聚合理论，逐层进行负荷模型聚合，以及基于辨识理论，在不同触发场景下运用人工智能算法进行离线仿真训练与学习，建立节点的负荷模型。

步骤2-1：按电压等级自下向上分层聚合生成不同电压等级的负荷聚合模型。对于低电压等级的负荷节点，根据实地调研统计数据以及量测数据，采用容量加权聚合方法进行负荷模型聚合，得到上一层级节点负荷的初始聚合模型，其聚合后参数的数学表达式为：

利用上一层级的量测数据对此聚合模型进行校核，对聚合模型进行参数修正，得到该电压等级下的准确负荷聚合模型。以此层建立的负荷模型为基础，并结合此层的统计与量测数据，采用相同的聚合方法，构建更高电压等级的负荷模型，最后逐层建立各电压等级负荷聚合模型。

步骤2-2：在不同离线场景下进行仿真训练，建立节点负荷模型。分别在事故触发(故障)和周期触发(扰动)两种场景下，对不同负荷节点进行负荷模型测辨。在PSASP仿真系统中，设置不同类型的故障和扰动，对负荷模型中的各类参数在取值范围内进行随机取值，得到一系列参数不同的负荷模型进行仿真计算，得到不同故障情况下大量暂态离线样本和不同扰动情况下大量小扰动离线样本。将离线样本中负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f作为输入，以样本对应的负荷模型参数作为输出，采用深度学习网络，建立输入与输出的对应关系，从而得到节点的负荷模型。

步骤3：对上述不同方式建立的负荷模型进行属性标记和完善，构建并扩充模型库。利用智能算法提取各个电压等级下的量测量的特征，用于表征此量测量在一段时间内的变化情况，并构建其与对应的场景以及聚合得到的准确负荷模型的映射关系，然后将这一映射关系作为一种属性添加到负荷模型中，使得每一个负荷模型都具有一种或多种属性，每一种属性均可对应多个数据特征，最后将该完善过的负荷模型放入模型库。

步骤4：负荷模型机在线应用。当模型机应用到待辨识负荷节点时，首先获取当前时段内该节点及其下属的低电压等级节点的在线量测数据，进行自下而上的在线聚合，得到该节点的负荷模型及其准确性指标；当下属各个节点的量测信息缺失时，则直接提取该点量测信息的特征，根据映射关系得到模型属性，在模型库中进行属性的在线快速匹配，根据匹配结果输出相应的负荷模型和准确性指标。

其中，模型准确性指标MAI用于评价匹配模型的可靠性，利用模型库属性匹配得到的模型参数进行场景仿真，得到仿真数据P’、Q’、U’、f’；然后计算其与对应的实际在线量测数据P、Q、U、f的误差，则模型准确性指标为：

式中，在各个量测量的均方根误差项中，为避免由于量纲和幅值的不同，导致出现某个大的绝对误差淹没其他量的误差的情况，本发明中采用相对误差代替绝对误差。

Claims (1)

1.一种实用模型机构建及在线应用方法，其特征在于，包括以下步骤：

步骤1：通过离线调研，统计得到负荷节点下的用电负荷成分类型，同时获取典型时间负荷节点的历史量测数据，包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f；

步骤2：根据对不同负荷节点多源数据的融合以及在不同触发场景下负荷模型的需求，从不同路径建立节点的负荷模型；

步骤3：进行负荷模型的属性标记和完善，构建并扩充模型库：利用智能算法提取各个电压等级下的量测量的特征，并构建其与对应的场景以及聚合得到的准确负荷模型的映射关系，然后将这一映射关系作为一种属性添加到负荷模型中，最后将该完善过的模型放入模型库；

步骤4：负荷模型机在线应用，当模型机应用到待辨识负荷节点时，首先获取当前时段内该节点及其下属的低电压等级节点的在线量测数据，进行自下而上的在线负荷聚合，得到该节点的负荷模型及其准确性指标；当下属各个节点的量测信息缺失时，则直接利用该点的量测信息的特征，在模型库中进行在线快速匹配，根据匹配结果输出相应的模型和准确性指标；

所述步骤2中，依据节点离线统计数据、量测数据等多源数据，基于聚合理论，逐层进行负荷模型的聚合，以及基于辨识理论，在不同触发场景下离线仿真训练，建立节点的负荷模型，包括以下步骤：

步骤2-1：按电压等级自下向上分层聚合生成不同电压等级的负荷聚合模型：

对于低电压等级的负荷节点，根据实地调研统计数据以及量测数据，采用合理的聚合方法进行负荷模型聚合，得到上一层级节点的负荷初始聚合模型；利用上一层级的量测数据对此聚合模型进行校核，对聚合模型进行修正，得到该电压等级下的准确负荷聚合模型；采用相同的方法，构建更高电压等级的负荷模型，最后建立各电压等级负荷聚合模型；

步骤2-2：在离线场景下进行仿真训练，建立节点负荷模型：

在事故触发(故障)和周期触发(扰动)两种场景下，对不同负荷节点进行负荷模型测辨；在PSASP仿真系统中，设置不同类型的故障和扰动，对负荷模型中的各类参数在取值范围内进行随机取值，得到一系列参数不同的负荷模型，进行仿真计算，得到不同故障下大量暂态离线样本和不同扰动下大量小扰动离线样本；将离线样本中负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f作为输入，以对应的负荷模型参数作为输出，利用深度学习网络，得到节点的负荷模型；

所述步骤4中，模型准确性指标的计算方法为：

模型准确性指标MAI用于评价匹配模型的可信度，利用模型库属性匹配得到的模型参数进行场景仿真，得到仿真数据P’、Q’、U’、f’；然后计算其与对应的实际在线量测数据P、Q、U、f的误差，则模型准确性指标为：

式中，在各个量测量的均方根误差项中，为避免由于量纲和幅值的不同，导致出现某个大的绝对误差淹没其他量的误差的情况，本发明中采用相对误差代替绝对误差。

Images