CN111428355A - 一种电力负荷数字统计智能综合的建模方法 - Google Patents
一种电力负荷数字统计智能综合的建模方法 Download PDFInfo
- Publication number
- CN111428355A CN111428355A CN202010193524.2A CN202010193524A CN111428355A CN 111428355 A CN111428355 A CN 111428355A CN 202010193524 A CN202010193524 A CN 202010193524A CN 111428355 A CN111428355 A CN 111428355A
- Authority
- CN
- China
- Prior art keywords
- load
- power
- model
- distribution network
- modeling method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims description 77
- 230000002776 aggregation Effects 0.000 claims description 19
- 238000004220 aggregation Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000002229 photoelectron microspectroscopy Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims 2
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 21
- 230000006399 behavior Effects 0.000 description 16
- 230000006872 improvement Effects 0.000 description 9
- 238000001308 synthesis method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷数字统计智能综合的建模方法，其中包括非侵入式负荷监测技术，该技术利用电能计量装置采集用电负荷信息，使用深度学习与强化学习等技术，对用户用电负荷进行辨识、分类，形成基于数据的负荷元件模型及参数，并计算出单一负荷元件消耗能量占总体消耗能量的比例。将负荷元件模型和能耗占比组合成负荷模型汇总到母线节点上，采用数字统计智能综合等方法，获取负荷元件类型、参数和占比等数据。之后，生产对抗网络等深度学习算法框架，生成电力负荷模型及其准确性校验的负荷判别模型。本专利提出电力负荷的数字统计智能综合建模方法，具有在线运行实时建模的潜力。
Description
技术领域
本发明属于电力负荷建模方法领域，涉及一种融合了现代电力负荷大数据和智能算法的电力负荷数字建模方法。
背景技术
电力潮流的计算结果是调度决策的主要依据，同时潮流计算也为电力系统规划与运行控制的实施提供数据支持。电力系统仿真计算是一种基于电网各主要元件的物理耦合计算。在电力系统四种主要元件中，电网元件(线路和变压器)和同步电机及其励磁和调速系统，原动机等模型已经基本完善的情况下，只有电力系统的负荷模型由于其高度随机性、负荷元件多样性和地域分散性等特性，其物理模型精度没有达到广泛应用的要求。因此电力系统负荷模型已成为影响潮流仿真结果准确性和可靠性的关键因子。特别是在配电网中，由于电力用户用电行为随机性极大，且规模效应不强，负荷波动较大，使这个问题进一步凸显。
负荷模型已经在工业界和学术界引起了广泛地重视，上个世纪末叶有学者进行了研究并取得了一些成果。但是仍然存在一些问题，特别是负荷模型的精度不足。如果使用乐观的电力负荷建模系统状态会使得电网稳定传输极限增大，影响电网运行的稳定性、调度和规划等，严重时会影响电网安全生产。一般地，保守估计的负荷建模系统会降低暂态稳定的传输功率控制极限，在调度作业上未能充分发挥电网输电能力，同时必然导致电网规划和投资经济性受损、浪费资金和影响周边生态环境等。在电网处于临界情况下，不准确的负荷模型很可能使仿真计算得到偏离实际甚至相反的结果，特别电网处于临界状态，这严重影响到电网调控决策的正确性。因此，负荷模型的准确与否在电力系统仿真中起到非常关键的作用，已成为许多研究者和电网工程师的共识。另外，随着分布式发电设备，电动汽车，储能装置、可控负荷等新设备不断涌现；主动式配电网，微电网等新电网架构不断更新，以及基于电力电子平台的控制与优化算法在电力系统中深入地发展，现代负荷模型越来越丰富，呈现出强随机性、间歇性和不确定性等新特征，因此很有必要更新现有的负荷模型和建立现代负荷模型体系。另外，与传统电网不同，以电力电子为接口的新能源并网和可控型电力设备在电网中的大量应用，使得电网的复杂程度不断增加，电力系统的动态稳定性、短路电流等问题变得更加突出，对调度系统及工作人员提出更高的要求，因此负荷建模方法的改进是迫切需要的。
基于负荷元件模型的统计综合法建模理论现有研究已较为成熟，形成一系列成果比如美国电科院开发的LOADSYN(Load Synthesis)软件包、WECC提出的CLM(compositeload model)模型和中国电科院研究的综合负荷模型。该类方法基于负荷物理性质和描述负荷特性的数学表达式。获取负荷元件的此类信息获取方式上一般分为侵入式和非侵入式，侵入式监测方法能准确获得每个设备的运行状态信息，但它是通过在每个需要进行监测的设备上安装测量装置和传感器等数据传输装置来实现负荷运行数据获取的。这不仅会使得整套装置的设置成本大大提高，并且设备维护修理也会非常不便；另一方面对用户来说，这种方式也不易被接受。因此基于非侵入式负荷监测的技术成为发展方向，也为统计综合法工程实施，提供了一种高效率途径。目前，NILM领域的负荷分解方法主要有基于马尔可夫模型、深层神经网络、组合优化和降噪自动编码机等方法。同时，深度学习的不断发展，生成对抗网络及其派生或演化模型的出现，提供了更为精准地生成模型的理论根据和工程实践算法。
最后，“云管边端”等电网测控系统的不断迭代式更新换代，“一表多芯”的智能电表新结构和“硬件平台化，软件APP化”监控终端新架构的提出，5G等新一代通信网络部署和GPU芯片大量应用，为本发明的在线实施提供了硬件支撑。
研究经典统计综合法与NILM的具体电气分解技术和聚合技术、生成对抗网络等来实现电力负荷建模数字统计智能综合法，是技术升级的要求，也是形式发展的必然。当前的技术中，尚无采用非侵入式技术进行电器的统计分析的；尚无自动电力负荷统计功能；尚无根据负荷元件聚合技术实现负荷聚合功能；尚无完全基于量测数据和人工智能技术实现电力负荷数字建模的方法。
发明内容
本发明提供了一种基于综合负荷模型和负荷数据的电力负荷数字统计智能综合的建模方法，可解决电力负荷高精度建模，自动建模，智能建模等需求，实现免人工调查统计的电力负荷统计综合法，并且具有在线建模的可能。
一种电力负荷数字统计智能综合的建模方法，其特征在于，所述方法包括以下步骤：准备阶段、生成阶段和判别阶段。
作为本发明的一种改进，在准备阶段，可主要分为基于NILM技术的负荷分解，集群用户负荷聚合，在母线处基于电力负荷泛化综合负荷模型的聚合等三个步骤组成；还有配电网线路规划设计图纸；配电网线路量测系统历史数据；配电网与输电网连接母线处历史数据；电力负荷泛化综合负荷模型和智能电表获取的电能数据等。
作为本发明的一种改进，，所述NILM的负荷分解方法，本负荷分解方法，采用滑动时间窗获取一段时间的电能曲线，而后通过基于状态机或者神经网络的辨识方法，辨识出电器种类Pappl.i，数量Nappl.i和使用状态Sappl.i等参数，其中，i∈[1,N.appl]。作为本发明的一种改进，所述集群用户负荷聚合步骤，根据NILM分解的结果，基于社区，工业区，商业区等集群用户单位特征，利用K近邻、均值法聚合方法，最终形成代表区域特征的负荷元件Pzone.j，数量Nzone.j和使用状态Szone.j，其中，j∈[1,N.zone]。作为本发明的一种改进，，所述泛化综合负荷模型，由传统配电网和主动配电网中的基本电力负荷元件模型构成，恒阻抗模型，恒电流模型，恒功率模型，感应电动机模型，同步发电机模型，储能系统，电动汽车电池模型；所述在母线处基于电力负荷泛化综合负荷模型的聚合步骤，根据集群用户负荷聚合结果，借助聚合方法，生成恒阻抗模型PZ.k及其占比PEZ.k，恒电流模型PI.k及其占比PEI.k，恒功率模型PP.k及其占比PEP.k，感应电动机模型PIM.k及其占比PEIM.k，同步发电机模型PSM.k及其占比PESM.k，储能系统PStorage.k及其占比PEStorage.k，电动汽车电池模型PEV.k及其占比PEEV.k等。为了叙述的方便，将上述基于NILM的负荷分解与聚合方法，实现的负荷元件模型及其占比的获取手段，统称数字统计阶段。
作为本发明的一种改进，所述配电网设计图纸，主要指配电网网架结构或配电网场景；网架结构包括，交流配电网，直流配电网以及交直流混联配电网结构等及其主要元件有带有调压分接头的变压器，逆变器和输电线路。
作为本发明的一种改进，生成阶段，综合电力负荷生成器，该生成器采用条件生成网络模型，生成电力综合负荷模型。具有相似生成功能的其他类似方法有：基于神经网络的自编码器技术，压缩传感与稀疏恢复技术，基于自回归模型的组件生成技术和基于数据流的生成模型等。所述的条件生成模型的条件，条件为综合负荷模型，测量数据包括历史数据和实时数据，权利6中形成的母线处的负荷数据及其占比和电网架构等已知电网参数和采样数据等。
作为本发明的一种改进，判别阶段，综合电力负荷判别器，该判别器采用损失函数和神经网络的融合；其中，综合电力负荷判别器的损失函数,该损失函数根据实际工程需求采用距离损失函数，相似度损失函数和交叉熵损失函数等；储能系统，其充放电模型根据调度指令或本地优化结果，进行模式切换，可实现功率因数为多档位可调节运行。
作为本发明的一种改进，用户行为模型的电动汽车充放电模型，其用户行为具有较强的随机性，采用蒙特卡罗及其衍生模型表示；其具有用户行为模式的电动汽车充放电模型，具有V2G的功能；众多具有用户行为模式的电动汽车，抽象为行动者网络模型，作为配电网负荷模型重要的组成部分。
作为本发明的一种改进，电力电子负荷的统计模型，其模型综合考虑由电力电子设备接入电网导致的负荷物理特性屏蔽现象和负荷历史特性统计规律，采用正态分布，卡方分布，指数分布等表示其负荷特性。
相对于现有技术，本发明的优点如下:1)本发明有效地利用了电力大数据和负荷元件物理机理，使用基于机器学习、深度学习的分类方法，有效地实现了负荷模型基本数据的收集；并与统计综合法结合，采用聚类等方法，并最终生成综合负荷模型；采用对抗网络框架，进一步校准生成综合负荷模型，并根据校验结果进行综合负荷模型的精细化调整；2)本发明基于电力大数据测量平台实现，借助机器学习等技术实现负荷等分解和聚合，根据数据更新速度，实现负荷模型在线运行；3)本发明与已有的负荷建模方法相比，多借助新技术手段，方法新颖，工程实践容易，成本低；本发明实现负荷模型统计综合法，不再需要繁琐的入户统计，节约人力物力，安全可靠；4)本发明融合电力元件模型，配电网网架结构，电力数据挖掘，和智能生成与判别架构等生成电力负荷综合模型，统称为一种电力负荷数值统计综合法，其中电力元件模型，包括ZIP，感应电动机，同步发电机，储能设备和电动汽车电池等负荷元件。所述的配电网网架机构，根据实际场景，分为交流配电网、直流配电网和交直流混连配电网等。主动式电力负荷元件的加入，增加了电力负荷综合模型的丰富性；5)该方法与传统基于元件的统计综合法相比，采用数字统计和智能融合技术，不需要上门统计，而且所获取的负荷模型可实现较快更新。该方法，具有精度高，泛化能力强等。6)该方法与基于量测方法的总体辨识方法相比，数据来源于终端负荷数据和母线数据，所用数据更全面，并且融合了负荷组成配比与负荷元件的识别方法，在参数辨识的基础上，增加了负荷分解，聚合与融合等智能技术。所述电力系统负荷模型与传统负荷侧辨识方法相比精度更高，且可以将分析所得负荷分解数据用于电力系统用户行为分析等方面，有更好的综合效用；7)本发明充分地在对抗网络生成框架、智能分类与聚类方法、电力大数据、非侵入式负荷监测技术和电力负荷模型的基础上，提出了一种数字统计综合法。
附图说明
图1是电力负荷数字统计综合法的总体示意图；
图2是非侵入式技术的电能分解与负荷聚合；
图3是泛化综合负荷模型；
图4是电力负荷数字统计综合法的计算流程图；
图5是非侵入式负荷监测原理图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步说明。
实施例1：一种电力负荷数字统计智能综合的建模方法，所述方法包括以下步骤：准备阶段、生成器阶段和判别器阶段。
在准备阶段，在这一阶段需要准备配电网设计图纸；配电网测量系统历史数据；配电网与输电网连接母线处历史数据；泛化综合负荷模型。所述的配电网测量系统历史数据，其历史数据用作生成综合电力负荷模型的基础数据。
所述泛化综合负荷模型，由传统配电网和主动配电网中的基本电力负荷设备构成，分别为，恒阻抗模型，恒电流模型，恒功率模型，感应电动机模型，同步发电机模型，储能系统，电动汽车电池模型等。区别于传统的电力负荷综合模型，本泛化综合负荷模型包括负荷类型更为广泛，有储能系统，用户行为模型的电动汽车充放电模型和电力电子负荷的统计模型等。
所述配电网设计图纸，主要指配电网网架结构或配电网场景，网架结构包括，交流配电网，直流配电网以及交直流混联配电网结构等，包括的主要元件有带有调压分接头的变压器，逆变器和输电线路等。
生成阶段，综合电力负荷生成器，该生成器可以为自编码器,条件生成式对抗网络，压缩传感与稀疏恢复技术等构成。
判别阶段，综合电力负荷判别器，该判别器采用神经网络，输入为实时采样值和电力负荷生产其预测值，其损交叉熵等代价函数或者JS散度与KL散度等概率距离函数。
电力负荷数字统计综合法，数据近似是否近似程度可根据交叉熵等代价函数或者JS散度与KL散度等概率距离函数判断。
储能系统，其充放电模型根据调度指令或本地优化结果，进行模式切换，可实现功率因数多档位运行。
用户行为模型的电动汽车充放电模型，其用户行为具有较强的随机性，采用蒙特卡洛及其衍生模型表示；其具有用户行为模式的电动汽车充放电模型，具有V2G的功能；众多具有用户行为模式的电动汽车，抽象成行动者模型网络，作为配电网负荷模型重要的组成部分。
电力电子接口被动负荷的统计模型，其模型综合考虑由电力电子设备接入电网导致的负荷物理特性屏蔽现象和负荷过去的数理统计规律，采用正态分布，卡方分布等表示其负荷特性。
本发明中图1是电力负荷数字统计综合法的总体示意图，描述了本方面设计电力大数据，基本电力负荷元件，配电网网架，综合负荷生产器和综合负荷判别器等逻辑组合在一起。
本发明中图2非侵入式技术的电能分解与负荷聚合，是电力负荷元件及其耗能占比参数的来源，其结果就是图1中基本电力负荷元件。
本发明中图3为基本泛化综合负荷模型，该模型提供电力负荷泛化综合模型结构，为电力负荷综合模型提供一种泛化结构。
本发明中图3为电力负荷数字统计综合法的计算流程图。共分为三个阶段。
第一准备阶段：主要包括配电网设计网架结构；配电网泛化电力负荷综合模型中的电力负荷元件；配电网历史数据等。其中电力负荷元件的具体参数，通过非侵入式负荷监测系统获取。
第二生成阶段：首先根据深度学习神经网络模型，第一阶段的数据作为输入参数，训练出电网负荷模型。其数学表达式如下：
G(xdata,xbus_data,xgrid_data,xGSLM)
其次，根据配电网与输电网连接母线的实时电压与频率，根据上述电网负荷模型公式，预测有功功率与无功功率。
第三判别阶段：测量母线处的实时有功无功数据作为真实数据，并与第二阶段预测有功与无功数据作为生成数据。将真实数据与生成数据作为输入参数到判别器中。判别器输出参数为真实数据与生成数据的相似概率(相似度)。如果满足相似度，就迭代结束，输出生成电力负荷模型。如果否，则重新调整迭代，经过多次迭代后，达到稳定输出值后，仍然达不到相似度的要求，则转到第二阶段。
具体应用实施例：
本发明的电力负荷数字统计智能综合法，包括数字统计、智能综合和对抗判别等，所述的数字统计，包括基于AMI系统的数据收集，基于NILM的分解技术，电器能耗占比技术，聚合与校验技术等；智能综合，在NILM系统提供的基本电器设备使用情况和电器物理特性数学描述方法上，融合配电网网络结构和其他电网元件与负荷元件，总体上获取配电网母线级综合负荷模型。
AMI系统由智能电表采集用户用电数据，通过计量数据管理系统将数据传送给非侵入式负荷监测系统，NILM处理后形成负荷数据模型，用于构建电力负荷模型。目前国际上通用的非侵入式负荷监测数据集一般提供采样频率不高于1Hz的视在功率或电压电流值以表示稳态功率。针对某种特定的用电设备，对其电流电压进行测量，并将测量的数据进行存储，通过负荷的电流和电压数据采用以下的公式提取出每一种用电设备的稳态功率如下：
式中，Pi为t时刻负荷i的稳态功率；Ii(t)为t时刻负荷i的电流；
为负荷i的功率因数。正如某一时刻的负荷流具有一定的统计规律特征，同样，在某一特定的时刻，负荷的功率也具有一定的统计规律，即：在某一时刻，电力系统入口处的总功率等于系统中这一时刻投入负荷的功率之和，为此，建立如下的目标函数：·
P＝S×PFT+εp
min d2＝|εp|
其中，
S＝[s1,s2,…,sN]st.st∈{0,1}
PF＝[P1,P2,…,PN]
式中，P表示电力系统入口处测量到的总功率；S表示某一时刻用电设备的投切状态矩阵；PF表示系统中各负荷的功率大小；εp表示负荷功率的误差；st表示该时刻第i类负荷的投切状态，st＝1表示负荷投入，st＝0表示负荷切断。因此，非侵入式负荷分解的目标就是求解一组st的值，使得负荷功率的误差绝对值最小，根据投切状态矩阵S即可对系统中各类负荷的运行状态(运行或者关闭)进行判断，实现负荷分解。其分解原理图如图(5)所示：总负荷消耗的总有功功率数据按照一定的时间步长进行采集，采集数据的宽度称为采样窗口，其所含有有功功率时间序列作为神经网络的输入，窗口在每一时刻向右滑动一段与步长相等的距离后继续进行负荷分解，通过神经网络分离出单一电器的负荷曲线，即可求得某一时刻的负荷投切状态矩阵S，和功率向量PF,形成用户用电数据电器种类Pappl.i，数量Nappl.i和使用状态Sappl.i等参数。
所谓的智能综合，采用聚合技术，在集群用户处对电力负荷进行聚合，比如说居民区，商业区和工业区等。形成负荷元件Pzone.j，数量Nzone.j和使用状态Szone.j等参数。负荷从下向上，逐步统计，最终母线处，基于综合负荷模型，形成恒阻抗模型PZ.k及其占比PEZ.k，恒电流模型PI.k及其占比PEI.k，恒功率模型PP.k及其占比PEP.k，感应电动机模型PIM.k及其占比PEIM.k，同步发电机模型PSM.k及其占比PESM.k，储能系统PStorage.k及其占比PEStorage.k，电动汽车电池模型PEV.k及其占比PEEV.k等。
为了叙述方便，将上述过程简称为数字统计，上述数据统称为xloaddata。
电力负荷建模包括准备阶段、生成阶段和判别阶段。
在准备阶段，在这一阶段需要准备配电网设计图纸；配电网测量系统历史数据；配电网与输电网连接母线处历史数据；泛化综合负荷模型。所述的配电网测量系统历史数据和基于AMI架构与NILM技术形成的负荷元件类型与参数，这些数据和具体负荷元件类型与参数用作生成综合电力负荷模型的基础数据。
所述泛化综合负荷模型，由传统配电网和主动配电网中的基本电力负荷元件构成，分别为，恒阻抗模型，恒电流模型，恒功率模型，感应电动机模型，同步发电机模型，储能系统，电动汽车电池模型等。区别于传统的电力负荷综合模型，本泛化综合负荷模型包括负荷类型更为广泛，有储能系统，用户用电行为模型，电动汽车充放电模型和电力电子负荷的统计模型等。
所述配电网设计图纸，主要指配电网网架结构或配电网场景，网架结构包括，交流配电网，直流配电网以及交直流混联配电网结构等，包括的主要元件有带有调压分接头的变压器，电力电子变压器和输电线路的模型及相关参数等。
其优化的目标函数为
其中
为图1中所述母线处实时采样所输入的真实数据，Ex～pG为生产器所生成的数据，即通过训练电力负荷生成器与判别器，逐渐减少生成器误差，提高判别器判别能力，最终提高电力负荷建模准确度。
生成器阶段，综合电力负荷生成器，该生成器可以为自编码器,条件生成式对抗网络或压缩传感与稀疏恢复技术等构成。生成器的优化目标函数为
G*＝argminGDiv(PG,Pdata)
判别器阶段，综合电力负荷判别器，该判别器采用神经网络，输入为实时采样值和电力负荷生产其预测值，其损交叉熵等代价函数或者JS散度与KL散度等概率距离函数。判别器的优化目标函数为：
D*＝argmagD(D,G)
给定生成器的状态下，为找到最大化目标函数V(D,G)的D*，有
电力负荷数字统计综合法，数据近似程度可根据交叉熵等代价函数或者JS散度与KL散度等概率距离函数判断。使用KL散度的概率模型描述如下：
使用JS散度的概率模型描述如下：
储能系统，其充放电模型根据调度指令或本地优化结果，进行模式切换，可实现功率因数多档位运行。
用户行为模型的电动汽车充放电模型，其用户行为具有较强的随机性，采用蒙特卡洛及其衍生模型表示；其具有用户行为模式的电动汽车充放电模型，具有V2G的功能；众多具有用户行为模式的电动汽车，抽象成行动者模型网络，作为配电网负荷模型重要的组成部分。
电力电子负荷的统计模型，其模型综合考虑由电力电子设备接入电网导致的负荷物理特性屏蔽现象和负荷过去的数理统计规律，采用正态分布，卡方分布等表示其负荷特性。
电力负荷数字统计综合模型生成过程，共分为三阶段：
第一准备阶段：主要包括配电网设计网架结构xgrid_data；配电网泛化电力负荷综合模型中的电力负荷元件(包括ZIP模型，电动机，发电机，无功补偿设备，储能设备，以及电动汽车、交直流电网参数等)xGSLM；配电网历史数据xbus_data，基于AMI数据与利用NILM形成的电力负荷元件及其参数xloaddata等。形成数据集为xdata
Xdata＝{xloaddata,xbus_data,xgrid_data,xGSLM}T
第二生成阶段：首先根据深度学习神经网络模型，第一阶段的数据作为输入参数，训练出电网综合负荷模型及其各类负荷元件的占比。其数学表达式如下：
G(Xdata.j)＝Sj(vj,fj)
上式表示第j个母线处的负荷模型，其中j∈[1,Nbus]，Nbus为母线个数，Sj＝pj+jqj，vj为j母线电压，fj为母线处频率。根据上述电网负荷模型公式，预测有功功率与无功功率。
第三判别阶段：测量母线处的实时有功无功数据作为真实数据，并与第二阶段预测有功与无功数据作为生成数据。将真实数据与生成数据作为输入参数输入到判别器中。判别器输出参数为真实数据与生成数据的相似概率(相似度)。如果满足相似度，就迭代结束，输出生成电力负荷模型。如果否，则重新调整迭代，经过多次迭代后，达到稳定输出值后，仍然达不到相似度的要求，则转到第二阶段。其判别式为D(G(Xdata.j),Xdata_sample.j)
三个阶段逻辑执行过程，如图3所示。
本发明与已有的负荷建模方法相比，多借助新技术手段，方法新颖，工程实践容易，成本低；本发明实现负荷模型统计综合法，不再需要繁琐的入户统计，节约人力物力，安全可靠；本发明融合电力元件模型，配电网网架结构，电力数据挖掘，和智能生成与判别架构等生成电力负荷综合模型，统称为一种电力负荷数值统计综合法，其中电力元件模型，包括ZIP，感应电动机，同步发电机，储能设备和电动汽车电池等负荷元件。所述的配电网网架机构，根据实际场景，分为交流配电网、直流配电网和交直流混连配电网等。主动式电力负荷元件的加入，增加了电力负荷综合模型的丰富性。
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。
Claims (10)
1.一种电力负荷数字统计智能综合的建模方法，其特征在于，所述方法包括以下步骤：准备阶段、生成阶段和判别阶段。
2.根据权利要求1所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，在准备阶段，主要分为基于NILM技术的负荷分解，集群用户负荷聚合，在母线处基于电力负荷泛化综合负荷模型的聚合等三个步骤组成；还有配电网线路规划设计图纸；配电网线路量测系统历史数据；配电网与输电网连接母线处历史数据；电力负荷泛化综合负荷模型和智能电表获取的电能数据。
3.根据权利要求2所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，所述NILM的负荷分解方法，本负荷分解方法，采用滑动时间窗获取一段时间的电能曲线，而后通过基于状态机或者神经网络的辨识方法，辨识出电器种类Pappl.i，数量Nappl.i和使用状态Sappl.i等参数，其中，i∈[1,N.appl]。
4.根据权利要求2所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，所述集群用户负荷聚合步骤，根据NILM分解的结果，基于社区，工业区，商业区等集群用户单位特征，利用K近邻、均值法聚合方法，最终形成代表区域特征的负荷元件Pzone.j，数量Nzone.j和使用状态Szone.j，其中，j∈[1,N.zone]。
5.根据权利要求2所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，所述泛化综合负荷模型，由传统配电网和主动配电网中的基本电力负荷元件模型构成，恒阻抗模型，恒电流模型，恒功率模型，感应电动机模型，同步发电机模型，储能系统，电动汽车电池模型；
所述在母线处基于电力负荷泛化综合负荷模型的聚合步骤，根据集群用户负荷聚合结果，借助聚合方法，生成恒阻抗模型PZ.k及其占比PEZ.k，恒电流模型PI.k及其占比PEI.k，恒功率模型PP.k及其占比PEP.k，感应电动机模型PIM.k及其占比PEIM.k，同步发电机模型PSM.k及其占比PESM.k，储能系统PStorage.k及其占比PEStorage.k，电动汽车电池模型PEV.k及其占比PEEV.k。
6.根据权利要求2所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，所述配电网设计图纸，主要指配电网网架结构或配电网场景；网架结构包括，交流配电网，直流配电网以及交直流混联配电网结构及其主要元件为带有调压分接头的变压器，逆变器和输电线路等。
7.根据权利要求1所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，生成阶段，综合电力负荷生成器，该生成器采用条件生成网络模型，生成电力综合负荷模型，所述的条件生成模型的条件，条件为综合负荷模型，测量数据包括历史数据和实时数据。
8.根据权利要求1所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，判别阶段，综合电力负荷判别器，该判别器采用损失函数和神经网络的融合方法；其中，综合电力负荷判别器的损失函数,该损失函数根据实际工程需求采用距离损失函数，相似度损失函数和交叉熵损失函数等；储能系统，其充放电模型根据调度指令或本地优化结果，进行模式切换，可实现功率因数为-1，1或0等状态运行。
9.根据权利要求3所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，用户行为模型的电动汽车充放电模型，其用户行为具有较强的随机性，采用蒙特卡罗及其衍生模型表示；其具有用户行为模式的电动汽车充放电模型，具有V2G的功能；众多具有用户行为模式的电动汽车，抽象为行动者网络模型，作为配电网负荷模型重要的组成部分。
10.根据权利要求3所述的一种电力负荷数字统计智能综合的建模方法，其特征在于，电力电子负荷的统计模型，其模型综合考虑由电力电子设备接入电网导致的负荷物理特性屏蔽现象和负荷历史特性统计规律，采用正态分布，卡方分布，指数分布等表示其负荷特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010193524.2A CN111428355B (zh) | 2020-03-18 | 2020-03-18 | 一种电力负荷数字统计智能综合的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010193524.2A CN111428355B (zh) | 2020-03-18 | 2020-03-18 | 一种电力负荷数字统计智能综合的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111428355A true CN111428355A (zh) | 2020-07-17 |
| CN111428355B CN111428355B (zh) | 2024-04-02 |
Family
ID=71546485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010193524.2A Active CN111428355B (zh) | 2020-03-18 | 2020-03-18 | 一种电力负荷数字统计智能综合的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428355B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
| CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
| CN112560330A (zh) * | 2020-11-27 | 2021-03-26 | 国网山东省电力公司电力科学研究院 | 一种用于用电行为预测的仿真数据生成方法及系统 |
| CN113674235A (zh) * | 2021-08-15 | 2021-11-19 | 上海立芯软件科技有限公司 | 一种基于主动熵采样和模型校准的低代价光刻热点检测方法 |
| CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
| CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
| CN114638433A (zh) * | 2022-03-28 | 2022-06-17 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑风电不确定性的负荷恢复分布鲁棒优化方法 |
| WO2022143021A1 (zh) * | 2020-12-29 | 2022-07-07 | 沃太能源股份有限公司 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
| CN114880918A (zh) * | 2022-03-15 | 2022-08-09 | 苏州铂沅电力科技有限公司 | 基于深度学习双深度q网络二阶段wecc负荷建模方法 |
| CN115048854A (zh) * | 2022-04-27 | 2022-09-13 | 湘潭大学 | 一种家庭电器负荷分解方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
| CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
| CN110707692A (zh) * | 2019-10-16 | 2020-01-17 | 济南荣耀合创电力科技有限公司 | 一种电力系统在线负荷分析与建模系统及方法 |
-
2020
- 2020-03-18 CN CN202010193524.2A patent/CN111428355B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
| CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
| CN110707692A (zh) * | 2019-10-16 | 2020-01-17 | 济南荣耀合创电力科技有限公司 | 一种电力系统在线负荷分析与建模系统及方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
| CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
| CN112307343B (zh) * | 2020-11-05 | 2023-04-07 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
| CN112560330B (zh) * | 2020-11-27 | 2022-08-26 | 国网山东省电力公司营销服务中心(计量中心) | 一种用于用电行为预测的仿真数据生成方法及系统 |
| CN112560330A (zh) * | 2020-11-27 | 2021-03-26 | 国网山东省电力公司电力科学研究院 | 一种用于用电行为预测的仿真数据生成方法及系统 |
| WO2022143021A1 (zh) * | 2020-12-29 | 2022-07-07 | 沃太能源股份有限公司 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
| CN113674235A (zh) * | 2021-08-15 | 2021-11-19 | 上海立芯软件科技有限公司 | 一种基于主动熵采样和模型校准的低代价光刻热点检测方法 |
| CN113674235B (zh) * | 2021-08-15 | 2023-10-10 | 上海立芯软件科技有限公司 | 一种基于主动熵采样和模型校准的低代价光刻热点检测方法 |
| CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
| CN114511058B (zh) * | 2022-01-27 | 2023-06-02 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
| CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
| CN114880918A (zh) * | 2022-03-15 | 2022-08-09 | 苏州铂沅电力科技有限公司 | 基于深度学习双深度q网络二阶段wecc负荷建模方法 |
| CN114638433A (zh) * | 2022-03-28 | 2022-06-17 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑风电不确定性的负荷恢复分布鲁棒优化方法 |
| CN114638433B (zh) * | 2022-03-28 | 2024-05-31 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑风电不确定性的负荷恢复分布鲁棒优化方法 |
| CN115048854A (zh) * | 2022-04-27 | 2022-09-13 | 湘潭大学 | 一种家庭电器负荷分解方法 |
| CN115048854B (zh) * | 2022-04-27 | 2024-07-02 | 湘潭大学 | 一种家庭电器负荷分解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111428355B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428355B (zh) | 一种电力负荷数字统计智能综合的建模方法 | |
| Fang et al. | Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm | |
| Huo et al. | Data-driven coordinated voltage control method of distribution networks with high DG penetration | |
| Wang et al. | Underfrequency load shedding scheme for islanded microgrids considering objective and subjective weight of loads | |
| Zhao et al. | The review of demand side management and load forecasting in smart grid | |
| Ren et al. | A super-resolution perception-based incremental learning approach for power system voltage stability assessment with incomplete PMU measurements | |
| Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
| CN112564090B (zh) | 基于mblda的交直流系统暂态电压稳定监测方法 | |
| CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
| Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
| Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory | |
| Ma et al. | Photovoltaic time series aggregation method based on K-means and MCMC algorithm | |
| Sampaio et al. | Community detection for power systems network aggregation considering renewable variability | |
| Liu et al. | Hierarchical risk assessment of transmission network considering the influence of micro-grid | |
| Yi et al. | Research on synthesis load modeling with online statistical measurement-based method | |
| Zhang et al. | Research on the impact of voltage sag characteristics in China on electric vehicle charging: BMW Brilliance Electric Vehicle as an example | |
| Azzolini et al. | Visualization Methods for Quasi-Static Time-Series (QSTS) Simulations with High PV Penetration | |
| Zhang et al. | Robust integrated optimization of active distribution network based on system risk index | |
| Lin et al. | Multi-scenario voltage optimization using load profiling | |
| Xie et al. | Research on the Key Technology of Urban Distribution Network Scheduling Support System | |
| Wang et al. | Distributed dynamic economic optimal scheduling method for microgrid based on deep learning | |
| Qianhao et al. | Data Mining-based Multi-objective Economic Dispatching of Distribution Network with Distributed Generation and Electric Vehicle | |
| Li et al. | Optimal Configuration of Microgrids Based on Fuzzy Scenario Clustering | |
| Wang et al. | Data-Driven Reliability Assessment of Wind Power System Operation State | |
| CN116777153A (zh) | 考虑分布式能源接入的配电网灵活性归因分析方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201204 Address after: 213300 room 428, building a, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province (in Zhongguancun Science and Technology Industrial Park, Jiangsu Province) Applicant after: Liyang Research Institute of Southeast University Applicant after: SOUTHEAST University Address before: Four pailou Nanjing Xuanwu District of Jiangsu Province, No. 2 210096 Applicant before: SOUTHEAST University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |