CN112836320A - 一种电力负荷在线建模修正方法 - Google Patents
一种电力负荷在线建模修正方法 Download PDFInfo
- Publication number
- CN112836320A CN112836320A CN202011473707.6A CN202011473707A CN112836320A CN 112836320 A CN112836320 A CN 112836320A CN 202011473707 A CN202011473707 A CN 202011473707A CN 112836320 A CN112836320 A CN 112836320A
- Authority
- CN
- China
- Prior art keywords
- load
- substation
- real
- power
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷在线建模修正方法,包括:通过宽频测量装置分别获取电网下各子站的实时基波数据和实时谐波数据对各子站的实时谐波数据进行负荷特性分析,确定每个子站的实时在线负荷分类结果;将实时基波数据输入到预先构建的电力负荷模型,利用蚁群算法对电力负荷模型的参数进行辨识,得到实时模型参数;根据某个子站的实时在线负荷分类结果从预先确定的参数修正经验表中映射得到该子站的电力负荷模型的修正参数,利用该子站的电力负荷模型的修正参数对实时模型参数进行修正。优点:在宽频测量装置上构建了负荷建模的参数辨识与修正功能,具有成本低廉维护性好的优点结合。
Description
技术领域
本发明涉及一种电力负荷在线建模修正方法,属于负荷分析技术领域。
背景技术
随着智能电网的推进,电力电子化负荷设备的应用越来越广泛,配电网的电力电子化趋势已成为必然。由于电力电子类负荷并入到配电网的容量越来越大,其特性在配电网中越来越突出,影响也越来越大。比如负荷的机电特性发生了较大变化,相应负荷模型的准确性收到影响。
为了保证负荷机电模型的准确性,必需计及高比例电力电子负荷的影响。
随着科学技术的不断发展以及相关政策上的支持,智能电网的建设越来越健全、高压及特高压输电得到发展、可再生资源的利用率越来越高。这些现象的存在导致了电力系统中的用电端出现了巨大的变化,用电负荷越来越趋向于复杂化。
电力系统整体建立数学模型,对于电力系统设计规划、运行分析和调度决策具有重要的意义。而负荷端作为电力系统不可或缺的部分,对其建立正确适当的模型将影响整体的仿真结果。
大量的电力电子设备和非线性负荷的结构多样性、状态时变性、地域分散性、输出波动性,使得系统的动态特性出现了巨大的变化,传统的负荷模型已经不能满足日益电力电子化系统的仿真精度要求。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种电力负荷在线建模修正方法。
为解决上述技术问题,本发明提供一种电力负荷在线建模修正方法,包括:
通过宽频测量装置分别获取电网下各子站的实时基波数据和实时谐波数据
对各子站的实时谐波数据进行负荷特性分析,确定每个子站的实时在线负荷分类结果;
将实时基波数据输入到预先构建的电力负荷模型,利用蚁群算法对电力负荷模型的参数进行辨识,得到实时模型参数;
根据某个子站的实时在线负荷分类结果从预先确定的参数修正经验表中映射得到该子站的电力负荷模型的修正参数,利用该子站的电力负荷模型的修正参数对实时模型参数进行修正;
所述参数修正经验表的确定过程包括:
通过宽频测量装置分别获取电网下各子站的历史基波数据和历史谐波数据;
对各子站的历史谐波数据进行负荷特性分析,确定每个子站的历史在线负荷分类结果;
将历史基波数据输入到预先构建的电力负荷模型,利用蚁群算法对电力负荷模型的参数进行辨识,得到模型参数;
根据长期记载的历史数据中的每个子站的在线负荷分类结果及其模型参数,得到参数修正经验表。
进一步的,所述对各子站的谐波数据进行负荷特性分析,确定每个子站的实时或历史在线负荷分类结果的过程包括:
对各个子站的电力负荷依据所述谐波数据的谐波特性进行分类,再通过均值算法对混合负载进行分析,将电力负荷进行分类;根据分类结果对电网的不同节点的负荷成分的隶属度的计算,确定各个节点的负荷成分,形成每个子站的在线负荷分类结果。
进一步的,所述分类结果为将电力负荷分成三类,
第一类负荷为包括电动机、变压器负荷;
第二类负荷为三相交流电弧炉、多脉冲整流器负荷;
第三类负荷为含控制环节的整流器、光伏系统负荷。
进一步的,将实时或者历史基波数据输入到预先构建的电力负荷模型的过程包括:
对实时或者历史基波数据进行转换与分析,得到符合对应于该子站电力负荷的电力负荷模型输入格式要求的输入数据,将所述输入数据输入到电力负荷模型。
进一步的,还包括:将获得的实时的或者历史的不同子站的电力负荷的基波数据、谐波数据、输入数据、在线负荷分类结果以及模型参数,作为不同的子站数据存储在数据文件夹中,供主站或者人机查询界面进行调取查看。
进一步的,通过对存储的各个子站数据进行收集与统计,得到全区域的负荷模型参数,根据全区域的负荷模型参数构建全区域负荷模型;
通过查询与控制模块对子站的参数辨识结果以及全区域的负荷模型参数进行查询以及参数设置,所述参数设置包括对子站负荷辨识程序启停时间、次数的参数设置,对辨识程序中数据处理的判据与精度控制,对主站综合分析中由子站数据得到全区域负荷模型数据的条件参数控制。
本发明所达到的有益效果:
本发明对宽频测量装置的录波数据进行过滤和分析,基波数据用于负荷模型在线参数辨识,谐波数据用于在线的负荷特性分类,采用传统的总体测辨法进行负荷机电模型在线参数辨识,按照其电力电子负荷的分类进行参数修正。可以提高负荷模型的精确性,对电网的调度运行规划提供有力的信息依据,对整个电网的安全稳定运行有着重要的意义。本专利提供的一种基于宽频测量装置的电力负荷在线建模修正方法,在宽频测量装置上构建了负荷建模的参数辨识与修正功能,具有成本低廉维护性好的优点结合。
附图说明
图1是本发明中公开的针对高比例电力电子设备的电力负荷在线建模修正方法的步骤图;
图2是针对高比例电力电子设备的电力负荷在线建模修正系统中查询与系统维护软件模块功能图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本实施例中提供一种针对高比例电力电子设备的电力负荷在线建模修正方法,包括:
(1)首先对单一负荷进行分析,依据负荷的谐波特性分类,然后通过均值算法对混合负载进行分析,对应的将负荷分成三类。通过对隶属度的计算,确定不同节点的主要负荷成分,形成负荷分类汇总参照表。第一类负荷:非工频分量以直流分量为主,含有少量的以五次谐波为主要谐波分量,间谐波分量极少,主要以电动机、变压器等负荷为主,第二类负荷:特征谐波随着谐波次数的增加呈现减少的趋势,间谐波含量相对较少,主要以三相交流电弧炉、多脉冲整流器等负荷为主,第三类负荷:在高频部分出现明显的谐波分量,间谐波含量明显相较于前面两种相对较大,主要以含控制环节的整流器、光伏系统等负荷为主。
(2)搭建电力负荷模型,对模型参数进行辨识,寻求一组最优参数,使之能最好的拟合负荷的实际过程的动态特性。电力系统辨识大多采用线性化一类的方法,比如最小二乘估计,卡尔曼滤波估计等,但大多适用与线性系统,针对目前电网中存在大量的非线性电力负荷,准确性和收敛性会存在问题。本发明使用蚁群优化算法来求解此问题,将蚁群优化算法引入连续空间内的电力负荷模型参数辨识,具有全局性好,鲁棒性好等特点;其中,电力负荷模型采用clm模型(传统的机理动态负荷模型)。
(3)针对以上步骤所确定的负荷模型以及参数辨识结果,以及依据负荷电力电子化的不同程度对谐波特性进行归类的结果,制定相应的参数调整策略,对负荷模型参数进行进一步的优化调整参数修正。
本发明提供的一种针对高比例电力电子设备的电力负荷在线建模修正方法中,还可以具有这样得特征:
(1)同时采集基波与谐波数据,并进行同步处理,基波数据用于对负荷模型进行参数辨识,谐波数据用于对不同电力负荷进行分类,数据处理效率高。
(2)在之前对负荷进行谐波特性分类的研究成果基础上,采用特定频次的谐波和间谐波特征值进行分类,减少数据的运算量,降低了存储要求。
(3)不同于之前采用的主站服务器辨识方案,本方案在运行方式上进行创新,采用基于部署在子站上的宽频装置的高效辨识算法,辨识结果向调度主站实时传输,主站可随时向子站召回数据以及进行参数修正。
(4)结合智能化的调度方案,使得在线分类和在线辨识易于实现,既保证了在装置上的可实现性,又避免向主站大批量传输数据。
如图2所示,本发明提供的一种针对高比例电力电子设备的电力负荷在线建模修正方法中,还可以具有这样的特征:
(1)在主站服务器内,通过对各个相关子站在模型参数辨识之后得到的参数数据进行收集与统计,综合考虑得到全区域的负荷模型参数以建立全区域负荷模型;(主站综合分析)。
(2)在查询与维护系统中开发了远程查询与控制软件工具,可以实现对远端子站的参数辨识结果的查询以及上述(1)中主站服务器中全区域负荷模型参数的查询,同时可以在该软件中实现运行参数设置的功能,包括对子站负荷辨识程序启停时间、次数的参数设置,对辨识程序中数据处理的判据与精度控制,对主站综合分析中由子站数据得到全区域负荷模型数据的条件参数控制。
(3)由子站(装置)、远程查询工作站、主站服务器,共同构成了针对高比例电力电子设备的电力负荷在线建模修正系统。.
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种电力负荷在线建模修正方法,其特征在于,包括:
通过宽频测量装置分别获取电网下各子站的实时基波数据和实时谐波数据
对各子站的实时谐波数据进行负荷特性分析,确定每个子站的实时在线负荷分类结果;
将实时基波数据输入到预先构建的电力负荷模型,利用蚁群算法对电力负荷模型的参数进行辨识,得到实时模型参数;
根据某个子站的实时在线负荷分类结果从预先确定的参数修正经验表中映射得到该子站的电力负荷模型的修正参数,利用该子站的电力负荷模型的修正参数对实时模型参数进行修正;
所述参数修正经验表的确定过程包括:
通过宽频测量装置分别获取电网下各子站的历史基波数据和历史谐波数据;
对各子站的历史谐波数据进行负荷特性分析,确定每个子站的历史在线负荷分类结果;
将历史基波数据输入到预先构建的电力负荷模型,利用蚁群算法对电力负荷模型的参数进行辨识,得到模型参数;
根据长期记载的历史数据中的每个子站的在线负荷分类结果及其模型参数,得到参数修正经验表。
2.根据权利要求1所述的电力负荷在线建模修正方法,其特征在于,所述对各子站的谐波数据进行负荷特性分析,确定每个子站的实时或历史在线负荷分类结果的过程包括:
对各个子站的电力负荷依据所述谐波数据的谐波特性进行分类,再通过均值算法对混合负载进行分析,将电力负荷进行分类;根据分类结果对电网的不同节点的负荷成分的隶属度的计算,确定各个节点的负荷成分,形成每个子站的在线负荷分类结果。
3.根据权利要求2所述的电力负荷在线建模修正方法,其特征在于,所述分类结果为将电力负荷分成三类,
第一类负荷为包括电动机、变压器负荷;
第二类负荷为三相交流电弧炉、多脉冲整流器负荷;
第三类负荷为含控制环节的整流器、光伏系统负荷。
4.根据权利要求1所述的电力负荷在线建模修正方法,其特征在于,将实时或者历史基波数据输入到预先构建的电力负荷模型的过程包括:
对实时或者历史基波数据进行转换与分析,得到符合对应于该子站电力负荷的电力负荷模型输入格式要求的输入数据,将所述输入数据输入到电力负荷模型。
5.根据权利要求2所述的电力负荷在线建模修正方法,其特征在于,还包括:
将获得的实时的或者历史的不同子站的电力负荷的基波数据、谐波数据、输入数据、在线负荷分类结果以及模型参数,作为不同的子站数据存储在数据文件夹中,供主站或者人机查询界面进行调取查看。
6.根据权利要求5所述的电力负荷在线建模修正方法,其特征在于,通过对存储的各个子站数据进行收集与统计,得到全区域的负荷模型参数,根据全区域的负荷模型参数构建全区域负荷模型;
通过查询与控制模块对子站的参数辨识结果以及全区域的负荷模型参数进行查询以及参数设置,所述参数设置包括对子站负荷辨识程序启停时间、次数的参数设置,对辨识程序中数据处理的判据与精度控制,对主站综合分析中由子站数据得到全区域负荷模型数据的条件参数控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473707.6A CN112836320B (zh) | 2020-12-15 | 2020-12-15 | 一种电力负荷在线建模修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473707.6A CN112836320B (zh) | 2020-12-15 | 2020-12-15 | 一种电力负荷在线建模修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836320A true CN112836320A (zh) | 2021-05-25 |
CN112836320B CN112836320B (zh) | 2022-10-25 |
Family
ID=75923531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473707.6A Active CN112836320B (zh) | 2020-12-15 | 2020-12-15 | 一种电力负荷在线建模修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836320B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
CN110932274A (zh) * | 2019-12-18 | 2020-03-27 | 辽宁工业大学 | 一种电力系统测量与负荷参数分析辨识方法 |
-
2020
- 2020-12-15 CN CN202011473707.6A patent/CN112836320B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786534A (zh) * | 2016-12-28 | 2017-05-31 | 天津求实智源科技有限公司 | 一种非侵入式电力负荷暂态过程辨识方法及系统 |
CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
CN110932274A (zh) * | 2019-12-18 | 2020-03-27 | 辽宁工业大学 | 一种电力系统测量与负荷参数分析辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112836320B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110707692A (zh) | 一种电力系统在线负荷分析与建模系统及方法 | |
CN105117532A (zh) | 一种智能变电站二次设备间隔信息模型的建模方法 | |
Huiling et al. | An optimization framework for collaborative control of power loss and voltage in distribution systems with DGs and EVs using stochastic fuzzy chance constrained programming | |
CN115622053B (zh) | 一种用于考虑分布式电源的自动负荷建模方法及装置 | |
CN116526667B (zh) | 基于电流物联网反馈机制的二次融合配网馈线终端系统 | |
Emmanuel et al. | Net electricity clustering at different temporal resolutions using a SAX-based method for integrated distribution system planning | |
CN103887792A (zh) | 一种含分布式电源的低压配电网建模方法 | |
Li et al. | Evaluation of DC power quality based on empirical mode decomposition and one-dimensional convolutional neural network | |
CN116505656A (zh) | 基于5g物联网技术的风-光-储多能互补智慧用电系统 | |
CN117614141B (zh) | 一种用于配电网的多电压层级协调管理方法 | |
CN110705885A (zh) | 一种电网设备光伏渗透率智能统计分析方法 | |
Jereminov et al. | Impact of load models on power flow optimization | |
CN112836320B (zh) | 一种电力负荷在线建模修正方法 | |
Gholami et al. | Combined economic and emission dispatch incorporating renewable energy sources and plug-in hybrid electric vehicles | |
CN108510164B (zh) | 一种电力系统内指定地区的外网等值模型在线生成方法 | |
Han et al. | Typical application and economic evaluation under the background of deep integration of 5G+ smart grid | |
CN112926187B (zh) | 一种配电网经济运行分析优化的方法 | |
CN115796711A (zh) | 配电线路降损的辅助决策方法及装置 | |
Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
CN112421785A (zh) | 一种智能配电室全景数据中心 | |
CN111985794A (zh) | 一种基于营配信息集成平台的线损管理方法 | |
Shao et al. | Key Technologies of Multi-Source Data Integration System for Large Power Grid Operation | |
Feng et al. | A Data-driven Modeling Method for Power Quality Disturbance sources in Distribution Networks | |
CN117277446B (zh) | 多目标配电网规划方法及系统 | |
Ou et al. | A Review of Highly Reliable Operation Technologies and Evaluation Techniques for Microgrids in Remote Rural Areas |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |