CN112907075A - 一种电力系统综合负荷模型参数辨识方法 - Google Patents
一种电力系统综合负荷模型参数辨识方法 Download PDFInfo
- Publication number
- CN112907075A CN112907075A CN202110192982.9A CN202110192982A CN112907075A CN 112907075 A CN112907075 A CN 112907075A CN 202110192982 A CN202110192982 A CN 202110192982A CN 112907075 A CN112907075 A CN 112907075A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- parameters
- power
- voltage
- 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 61
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000035945 sensitivity Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000006698 induction Effects 0.000 claims description 22
- 230000003068 static effect Effects 0.000 claims description 22
- 238000010206 sensitivity analysis Methods 0.000 claims description 16
- 230000001052 transient effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供的一种电力系统综合负荷模型参数辨识方法,基于电力系统中的故障录波数据,根据综合负荷模型结构及约束条件,提出基于曲线特殊点的负荷模型参数辨识方法,通过优化求解,给出负荷模型的重要参数值,本申请中提供的方法可以克服个别曲线特殊点对整体拟合效果的影响,具有计算量小,适用性强的优点,更适用于对实测数据的负荷模型辨识计算。
Description
技术领域
本申请涉及电力系统技术领域,尤其涉及一种电力系统综合负荷模型参数辨识方法。
背景技术
作为电网的基本元件,电力系统负荷在电力系统运行、调度、规划、调控方面有着重要的作用。准确的负荷模型是电力系统稳定计算、运行分析的基础。选择不恰当的负荷模型,可能会导致电网出现电压稳态、频率稳定性问题,降低对用户供电的可靠性。由于电网中负荷种类繁多,难以使用统一的数学方程进行描述;且负荷具有随时间、季节变化的特点,同一节点的负荷模型也要分时段、分季节进行描述;同时,负荷在电力系统中分布分散性较强,加深了负荷建模的难度。随着电力系统的不断发展,电网覆盖面积扩大,相互之间联系愈发紧密,选择合适的负荷模型描述电网负荷特性成为研究的重点。
目前常见的负荷模型为感应电动机模型并联静态负荷模型的综合负荷模型。常见感应电动机模型按照模型阶数分为5阶模型、3阶模型以及1阶模型。由于5阶模型表达式冗长且复杂,而1阶模型精确度又有所欠缺,实际工程应用和研究中通常使用3阶感应电动机模型。而静态负荷模型通常用多项式形式描述。
采用上述模型描述负荷特性时,方程式中模型参数较多,为了更好地描述负荷特性,需要根据负荷节点的有功、无功、电压曲线,对负荷模型参数进行辨识。由于故障录波数据采样点数较多,若每一次优化计算都对所有时刻功率进行拟合,则计算量较大,花费时间较长,因此提供一种计算量小,运算速度快,结果准确的参数辨识方法是一个亟待解决的技术问题。
发明内容
本申请提供了一种电力系统综合负荷模型参数辨识方法,该方法具有较好的适用性,可以通过简便的计算对综合负荷模型的负荷模型参数进行辨识,满足电网建模需求。
本申请解决上述技术问题所采取的技术方案如下:
一种电力系统综合负荷模型参数辨识方法,包括以下步骤:
通过电能质量记录装置,记录电力系统中的故障录波数据,得到故障时刻负荷节点电压、电流实测数据,并对所述实测数据进行相应数据预处理;
建立动态负荷模型并联静态负荷模型的综合负荷模型;
根据综合负荷模型结构,以及所述综合负荷模型中涉及到的负荷参数,采用轨迹灵敏度分析的方法对所有负荷参数的灵敏度进行分析,按照灵敏度选取标准选取部分负荷参数进行负荷参数辨识;
根据综合负荷模型结构,结合综合负荷模型参数的约束条件,根据所述故障录波数据,选择曲线特殊点,并以所述曲线特殊点上综合模型的负荷功率计算值与实测负荷功率值的平方误差和最小为优化目标,建立综合负荷模型参数的优化辨识模型,所述曲线特殊点为故障录波数据中稳定及暂态变化的时刻点;
以灵敏度分析选取的负荷参数为基础,以拟合所述曲线特殊点扰动数据为目标,结合灵敏度分析得到的部分负荷参数,求解所述优化辨识模型,采用粒子群算法进行模型优化,得到综合负荷模型重点参数值。
可选的,所述故障录波数据包括电力系统中故障时刻的三相电压、电流数据。
可选的,所述对所述实测数据进行相应数据预处理,包括:
对每一次故障下,电能质量装置记录的三相电压、电流采样数据,采用计算傅里叶级数的方法,分解出各相基波分量的有效值与相位角:
所述傅里叶级数形式为:
其中,n代表谐波等级,n=1时表示为基波分量,通过下式计算相应谐波的幅值Hn和相位∠Hn:
在求得三相信号的基波有效值与相位之后,通过对称分量法得到各序分量有效值和相位,下标1代表正序分量,2为负序分量,0则为零序分量,计算表达式如下:
可选的,所述静态负荷模型通过以下多项式形式进行描述:
P=P0[ap(U/U0)2+bp(U/U0)+cp]
Q=Q0[aq(U/U0)2+bq(U/U0)+cq]
式中,U0是系统稳定运行时的电压;P0、Q0分别是电压为U0时静态负荷模型对应的有功功率和无功功率消耗值;P、Q则分别对负荷节点电压为U时静态负荷消耗有功与无功功率;ap、bp、cp表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比,且满足ap+bp+cp=1;同理,aq、bq、cq对应三种负荷在总无功负荷中的占比,其总和同样为1;
所述动态负荷模型采用三阶感应电动机模型,其定子、转子表达式如下:
定子电压方程为:
转子电压方程为:
其中:
X=Xs+Xm
转子运动方程为:
感应电动机功率分别为:
式中:Xs为电动机定子电抗,Xr为转子电抗,Xm为电枢反应电抗,Rs为定子电阻,Rr为转子电阻,X′和X分别为转子堵转电抗、转子开路电抗;Ud和Uq分别为电动机定子端电压的d轴、q轴分量;Id和Iq分别为定子电流的d轴、q轴分量;E′d和E′q分别为电动机暂态电势的d轴、q轴分量;T′d0为定子开路时转子回路时间常数;ωs为系统同步转速;s为电动机的转子滑差;Tj为电动机转子的惯性常数;Tm和Te则分别为机械转矩、电磁转矩;Tm0为电动机稳态运行时机械转矩;A,B,C为机械转矩系数;s0为稳态运行时初始滑差。
可选的,所述综合负荷模型中涉及到的负荷参数包括静态负荷系数ap、bp、aq、bq,动态负荷参数Xs、Xr、Xm、Rs、Rr、Tj、A、B、s0,以及动态负荷初始功率占总功率比例Pper。
可选的,所述根据综合负荷模型结构,以及所述综合负荷模型中涉及到的负荷参数,采用轨迹灵敏度分析的方法对所有负荷参数的灵敏度进行分析,按照灵敏度选取标准选取部分负荷参数进行负荷参数辨识,包括:
通过在一系列时间点上向所述综合负荷模型中涉及到的负荷参数施加小扰动,计算每个参数扰动前后输出结果,即计算有功和无功功率值对扰动的响应,定义在某个时刻t,输出量yi(t)相对于参数θj的轨迹灵敏度为Sij(t):
式中:θ为负荷模型中的参数,θj0为第j个参数θj的初始值,Δθj为θj上施加的扰动大小,t为时间;
式中:t为灵敏度计算起始时刻,Δt为灵敏度计算时长。
可选的,所述曲线特殊点包括电压突变时刻、故障结束前一时刻、故障结束后电压突变时刻及故障后稳定时刻四点。
可选的,所述以所述曲线特殊点上综合模型的负荷功率计算值与实测负荷功率值的平方误差和最小为优化目标,建立综合负荷模型参数的优化辨识模型,包括:
分别计算曲线特殊点中每一点的感应电动机功率及静态负荷功率,所述三阶感应电动机模型的模型方程如下:
E′d、E′q、s为每个曲线特殊点时刻的微分方程状态变量,每一点的状态变量求解即求解上述微分方程组的数值解;
其中,电压突变时刻和故障后稳定时刻两点的状态变量求解方法为:
故障结束前一时刻和故障结束后电压突变时刻,采用隐式梯形法将微分方程变为代数方程后求解,其中,E′d(k+1)、E′q(k+1)、s(k+1)为待求的状态变量,E′dk、E′qk、sk为前一特殊点,即第一点上的状态变量值,Idk、Iqk、Id(k+1)、Iq(k+1)、Tm(k)、Te(k)、Tm(k+1)、Te(k+1)等分别对应不同状态变量时的电流、转矩值;
求出每个曲线特殊点时刻的感应电动机状态变量后,得到各点的功率表达式如下:
Pload=Pmotor+Pstatic=UdId+UqIq+P0[ap(U/U0)2+bp(U/U0)+cp]
Qload=Qmotor+Qstatic=UqId-UdIq+Q0[aq(U/U0)2+bq(U/U0)+cq]
则曲线特殊点四点的综合模型的负荷计算值(Pload、Qload)与实测负荷数据(Ps、Qs)的平方误差和最小为优化目标:
本申请提供的技术方案包括以下有益技术效果:
本申请提供的电力系统综合负荷模型参数辨识方法,基于电力系统中的故障录波数据,根据综合负荷模型结构及约束条件,提出基于曲线特殊点的负荷模型参数辨识方法,可以克服个别曲线特殊点对整体拟合效果的影响,具有计算量小,适用性强的优点,更适用于对实测数据的负荷模型辨识计算。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种电力系统综合负荷模型参数辨识方法流程图;
图2为本申请实施例提供的各参数的有功和无功轨迹灵敏度对比图;
图3为本申请实施例提供的参数有功和无功轨迹灵敏度平均值对比图;
图4为本申请实施例提供的曲线特殊点有功和无功功率辨识结果对比图;
图5为本申请实施例提供的传统方法有功和无功功率辨识结果对比图。
具体实施方式
为了使本领域技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对申请实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
采用传统综合负荷模型描述负荷特性时,若故障录波数据中存在个别曲线特殊点,极易造成拟合后的整体效果反而不好。在负荷模型总体辨识过程中,电压突变时刻、故障结束前一时刻、故障结束后电压突变时刻及故障后稳定时刻四点对拟合结果的影响最为显著,所以本申请提出了一种新的基于曲线特殊点的电力系统综合负荷模型参数辨识方法。
以下结合附图及实施例对本申请中的技术方案做进一步解释说明。
如图1所示为本申请实施例提供的一种电力系统综合负荷模型参数辨识方法流程图,如图所示,该方法包括以下步骤:
步骤一:通过电能质量记录装置,记录电力系统中的故障录波数据,得到故障时刻负荷节点电压、电流实测数据,并对所述实测数据进行相应数据预处理,得到各电气量有效值。
其中,所述故障录波数据包括电力系统中故障时刻的三相电压、电流数据。
对每一次故障下,电能质量装置记录的三相电压、电流采样数据,采用计算傅里叶级数的方法,分解出各相基波分量的有效值与相位角:
所述傅里叶级数形式为:
其中,n代表谐波等级,n=1时表示为基波分量,通过下式计算相应谐波的幅值Hn和相位∠Hn:
在求得三相信号的基波有效值与相位之后,通过对称分量法得到各序分量有效值和相位,下标1代表正序分量,2为负序分量,0则为零序分量,计算表达式如下:
对于正序基波信号,采用Park变换的方法,将三相数据转换为dq轴数据,用于后续参数辨识环节:
同理,求出基波正序电流有效值及相位,并由电压、电流有效值及相位计算基波正序负荷功率:
P+jQ=V×I*。
通过安装在220Kv变电站内电能质量记录装置,记录下扰动发生时的线路三相电压、电流采样数据。共计296条记录数据,涉及厂站14个。
采集的录波数据以不对称故障为主,而实际辨识中通常使用三相对称数据作为输入量,因此首先对记录数据进行预处理,从三相采样值中得到基波正序对称分量,用于后续负荷参数辨识工作。以下步骤中使用的实测数据均为经过上述方式处理后,得到的正序基波有效值。
步骤二:建立动态负荷模型并联静态负荷模型的综合负荷模型。
综合负荷模型由静态负荷模型以及动态负荷模型组成,其中静态负荷模型通过多项式形式进行描述:
P=P0[ap(U/U0)2+bp(U/U0)+cp]
Q=Q0[aq(U/U0)2+bq(U/U0)+cq]
式中,U0是系统稳定运行时的电压;P0、Q0分别是电压为U0时静态负荷模型对应的有功功率和无功功率消耗值;P、Q则分别对负荷节点电压为U时静态负荷消耗有功与无功功率;ap、bp、cp表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比,且满足ap+bp+cp=1;同理,aq、bq、cq对应三种负荷在总无功负荷中的占比,其总和同样为1;
所述动态负荷模型采用三阶感应电动机模型,其定子、转子表达式如下:
定子电压方程为:
转子电压方程为:
其中:
X=Xs+Xm
转子运动方程为:
感应电动机功率分别为:
式中:Xs为电动机定子电抗,Xr为转子电抗,Xm为电枢反应电抗,Rs为定子电阻,Rr为转子电阻,X′和X分别为转子堵转电抗、转子开路电抗;Ud和Uq分别为电动机定子端电压的d轴、q轴分量;Id和Iq分别为定子电流的d轴、q轴分量;E′d和E′q分别为电动机暂态电势的d轴、q轴分量;T′d0为定子开路时转子回路时间常数;ωs为系统同步转速;s为电动机的转子滑差;Tj为电动机转子的惯性常数;Tm和Te则分别为机械转矩、电磁转矩;Tm0为电动机稳态运行时机械转矩;A,B,C为机械转矩系数;s0为稳态运行时初始滑差。
同时,为了确定稳定运行时刻动态负荷与静态负荷消耗的功率,给出动态负荷功率占比Pper,表示动态负荷初始有功功率占总稳态时刻消耗有功的比例。
步骤三:根据综合负荷模型结构,以及所述综合负荷模型中涉及到的负荷参数,采用轨迹灵敏度分析的方法对所有负荷参数的灵敏度进行分析,按照灵敏度选取标准选取部分负荷参数进行负荷参数辨识。
基于步骤二中提出的综合负荷模型,涉及到的负荷参数共有14个独立参数,分别为静态负荷系数ap、bp、aq、bq,动态负荷参数Xs、Xr、Xm、Rs、Rr、Tj、A、B、s0,以及动态负荷初始功率占总功率比例Pper。若辨识上述全部参数,不仅增加计算量,还会降低辨识的准确性。而辨识计算所需要的时间也随着辨识参数个数的增加而增加,因此为了缩短计算时间,同时保证结果的准确性,采用灵敏度分析的方法,优先辨识灵敏度较高参数,而灵敏度较低参数则固定为电网负荷典型值,不进行辨识。通过在一系列时间点上给参数施加小扰动,计算扰动前后输出结果,即计算有功无功功率值对扰动的响应,定义在某个时刻t,输出量yi(t)相对于参数θj的轨迹灵敏度为Sij(t):
式中:θ为负荷模型中的参数,θj0为第j个参数θj的初始值,Δθj为θj上施加的扰动大小,t为时间;
式中:t为灵敏度计算起始时刻,Δt为灵敏度计算时长。
在实际轨迹灵敏度求解时,设置上述Δθj一个较小的变化量,这里设置为+5%,对于综合负荷模型的轨迹灵敏度求解,其具体方法如下:
1)设置综合负荷模型的参数初值;
2)给定电压扰动曲线V(t)(t=1,2,3…N),并计算在该组初值下,负荷有功功率与无功功率的响应曲线,分别为P0(t)、Q0(t);
3)依次对负荷模型的参数在初值的基础上施加扰动,这里为+5%,并再次计算负荷模型在电压扰动下的有功、无功响应值,对于第k个参数,分别命名为Pk(t)、Qk(t);
4)根据轨迹灵敏度计算公式,对于第k个参数在t时刻的灵敏度计算如下:
5)为了更好地衡量在一段扰动时间内的灵敏度大小,求解第k个参数的平均灵敏度:
6)重复步骤2)至5),依次计算负荷模型所有参数的轨迹灵敏度和平均轨迹灵敏度。
按照上述的步骤,计算出综合负荷模型的各参数轨迹灵敏度如图2所示,同理,依据轨迹灵敏度求出的平均灵敏度如图3所示。
根据图3的平均轨迹灵敏度分析各参数对有功和无功输出值的轨迹灵敏度。根据图3中参数有功轨迹灵敏度分析可知,Rr、Tj、Pper的平均灵敏度最大;Xs、Xr、s0、ap的平均灵敏度较大;Rs、Xm、bp的平均灵敏度较小,而A、B、aq、bq的平均灵敏度最小。根据图3中参数无功轨迹灵敏度分析可知,s0、Rr、Pper的平均灵敏度最大;Xs、Xr的平均灵敏度较大;Xm、Tj的平均灵敏度较小,而Rs、A、B、ap、bp、aq、bq的平均灵敏度接近于零。由于有功对各参数的平均轨迹灵敏度小于无功,因此综合二者,认为灵敏度较高参数为s0、Rr、Pper,灵敏度适中为Xs、Xr,其余参数灵敏度较小。
步骤四:根据综合负荷模型结构,结合综合负荷模型参数的约束条件,根据所述故障录波数据,选择曲线特殊点,并以所述曲线特殊点上综合模型的负荷功率计算值与实测负荷功率值的平方误差和最小为优化目标,建立综合负荷模型参数的优化辨识模型,所述曲线特殊点为故障录波数据中稳定及暂态变化的时刻点。
根据步骤一得到的实测电压/功率曲线选择特殊点,通常选择电压突变时刻、故障结束前一时刻、故障结束后电压突变时刻及故障后稳定时刻四点作为特殊点。这四点包括稳定及暂态变化时刻点,可以描述负荷对于电压扰动的响应。
负荷辨识本质上是曲线/优化过程,优化目标为特殊点上的计算功率值与步骤一处理后得到的实测有功、无功功率值的误差平方和最小。
特殊点上的计算功率值由静态负荷功率值与电动机负荷功率值组成,静态负荷功率随电压变化的方程如下:
P=P0[ap(U/U0)2+bp(U/U0)+cp]
Q=Q0[aq(U/U0)2+bq(U/U0)+cq]
在负荷节点电压已知的情况下,可以计算得到相应时刻的静态负荷模型。感应电动机功率大小由端电压及注入电流决定,端电压为步骤一得到的实测电压数据,要求解每一时刻的电流,由步骤二中的感应电动机模型的定子电压表达式可知,需要得到该时刻的暂态直轴电势E′d、暂态交轴电势E′q、转子滑差s。由于感应电动机模型为三阶模型,其模型方程如下:
E′d、E′q、s为每个曲线特殊点时刻的微分方程状态变量,每一点的状态变量求解即求解上述微分方程组的数值解;
其中,对于第一点,由于其为暂态突变点,电动机的状态变量未发生瞬时突变,认为其与稳态时相同,第四点也是稳态情况,因此,电压突变时刻和故障后稳定时刻两点的状态变量求解方法为:
故障结束前一时刻和故障结束后电压突变时刻为暂态过程,且分别为暂态恢复突变前后两时间点,其间隔时间极短,认为其状态变量相同。对于暂态过程,采用隐式梯形法将微分方程变为代数方程后求解,其中,E′d(k+1)、E′q(k+1)、s(k+1)为待求的状态变量,E′dk、E′qk、sk为前一特殊点,即第一点上的状态变量值,Idk、Iqk、Id(k+1)、Iq(k+1)、Tm(k)、Te(k)、Tm(k+1)、Te(k+1)等分别对应不同状态变量时的电流、转矩值;
求出每个曲线特殊点时刻的感应电动机状态变量后,得到各点的功率表达式如下:
Pload=Pmotor+Pstatic=UdId+UqIq+P0[ap(U/U0)2+bp(U/U0)+cp]
Qload=Qmotor+Qstatic=UqId-UdIq+Q0[aq(U/U0)2+bq(U/U0)+cq]
则曲线特殊点四点的综合模型的负荷计算值(Pload、Qload)与实测负荷数据(Ps、Qs)的平方误差和最小为优化目标:
步骤五:以灵敏度分析选取的负荷参数为基础,以拟合所述曲线特殊点扰动数据为目标,结合灵敏度分析得到的部分负荷参数,求解所述优化辨识模型,采用粒子群算法进行模型优化,得到综合负荷模型重点参数值。
对步骤四中的优化目标函数,结合步骤三中通过灵敏度分析得到的高灵敏度参数,采用优化方法如粒子群算法进行模型优化求解,得到综合负荷有功、无功模型的最优参数辨识结果。具体实施时按照下面步骤进行:
1)按照步骤三,选择灵敏度较高的五个参数,给定其初值;
2)根据步骤一中负荷母线实测电压扰动值,以及1)中给定的参数初值,按照步骤四所述,计算特殊点上的状态变量值及对应的计算功率值,并计算优化模型目标函数,即计算功率与实际功率误差平方和。
3)在参数合理范围内,使用粒子群算法不断优化参数值,返回2)中,直到找到最优解。
以某地区故障录波数据为例,选择四点特殊点,建立综合负荷模型。通过灵敏度分析,选择电动机功率占比Pper、初始滑差s0、定子电抗Xs、转子电抗Xr、转子电阻Rr,为待辨识参数,其余参数固定为典型负荷参数值,如下表1所示:
表1固定参数值
参数 | R<sub>s</sub> | X<sub>m</sub> | T<sub>j</sub> | A | B | a<sub>p</sub> | b<sub>p</sub> | a<sub>q</sub> | b<sub>q</sub> |
数值 | 0.0232 | 3.0682 | 6.0394 | 0.85 | 0 | 1 | 0 | 1 | 0 |
通过粒子群优化算法,得到辨识参数结果,以及计算功率与实际功率的拟合结果图像以及辨识得到的参数值如下表2和图4所示:
表2特殊点辨识参数结果
参数 | P<sub>per</sub> | s<sub>0</sub> | X<sub>s</sub> | X<sub>r</sub> | R<sub>r</sub> |
数值 | 0.2983 | 0.0050 | 0.05 | 0.065 | 0.005 |
通过特殊点拟合可以得到准确的负荷参数值,且对于整体负荷曲线的拟合程度都较高。通过传统辨识方法对上述数据进行参数辨识,得到的辨识结果和功率曲线如下表3和图5所示:
表3传统方法参数辨识结果
参数 | P<sub>per</sub> | s<sub>0</sub> | X<sub>s</sub> | X<sub>r</sub> | R<sub>r</sub> |
数值 | 0.2064 | 0.0050 | 0.0810 | 0.0500 | 0.007 |
传统辨识方法得到的辨识结果与特殊点辨识结果接近,且特殊点辨识计算得到的无功曲线与实测无功曲线的拟合效果更好,同时,采用本申请所述方法所需的计算时间远小于传统方法。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的内容,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种电力系统综合负荷模型参数辨识方法,其特征在于,包括以下步骤:
通过电能质量记录装置,记录电力系统中的故障录波数据,得到故障时刻负荷节点电压、电流实测数据,并对所述实测数据进行相应数据预处理;
建立动态负荷模型并联静态负荷模型的综合负荷模型;
根据综合负荷模型结构,以及所述综合负荷模型中涉及到的负荷参数,采用轨迹灵敏度分析的方法对所有负荷参数的灵敏度进行分析,按照灵敏度选取标准选取部分负荷参数进行负荷参数辨识;
根据综合负荷模型结构,结合综合负荷模型参数的约束条件,根据所述故障录波数据,选择曲线特殊点,并以所述曲线特殊点上综合模型的负荷功率计算值与实测负荷功率值的平方误差和最小为优化目标,建立综合负荷模型参数的优化辨识模型,所述曲线特殊点为故障录波数据中稳定及暂态变化的时刻点;
以灵敏度分析选取的负荷参数为基础,以拟合所述曲线特殊点扰动数据为目标,结合灵敏度分析得到的部分负荷参数,求解所述优化辨识模型,采用粒子群算法进行模型优化,得到综合负荷模型重点参数值。
2.根据权利要求1所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述故障录波数据包括电力系统中故障时刻的三相电压、电流数据。
4.根据权利要求1所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述静态负荷模型通过以下多项式形式进行描述:
P=P0[ap(U/U0)2+bp(U/U0)+cp]
Q=Q0[aq(U/U0)2+bq(U/U0)+cq]
式中,U0是系统稳定运行时的电压;P0、Q0分别是电压为U0时静态负荷模型对应的有功功率和无功功率消耗值;P、Q则分别对负荷节点电压为U时静态负荷消耗有功与无功功率;ap、bp、cp表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比,且满足ap+bp+cp=1;同理,aq、bq、cq对应三种负荷在总无功负荷中的占比,其总和同样为1;
所述动态负荷模型采用三阶感应电动机模型,其定子、转子表达式如下:
定子电压方程为:
转子电压方程为:
其中:
X=Xs+Xm
转子运动方程为:
感应电动机功率分别为:
式中:Xs为电动机定子电抗,Xr为转子电抗,Xm为电枢反应电抗,Rs为定子电阻,Rr为转子电阻,X′和X分别为转子堵转电抗、转子开路电抗;Ud和Uq分别为电动机定子端电压的d轴、q轴分量;Id和Iq分别为定子电流的d轴、q轴分量;E′d和E′q分别为电动机暂态电势的d轴、q轴分量;T′d0为定子开路时转子回路时间常数;ωs为系统同步转速;s为电动机的转子滑差;Tj为电动机转子的惯性常数;Tm和Te则分别为机械转矩、电磁转矩;Tm0为电动机稳态运行时机械转矩;A,B,C为机械转矩系数;s0为稳态运行时初始滑差。
5.根据权利要求1所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述综合负荷模型中涉及到的负荷参数包括静态负荷系数ap、bp、aq、bq,动态负荷参数Xs、Xr、Xm、Rs、Rr、Tj、A、B、s0,以及动态负荷初始功率占总功率比例Pper。
6.根据权利要求5所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述根据综合负荷模型结构,以及所述综合负荷模型中涉及到的负荷参数,采用轨迹灵敏度分析的方法对所有负荷参数的灵敏度进行分析,按照灵敏度选取标准选取部分负荷参数进行负荷参数辨识,包括:
通过在一系列时间点上向所述综合负荷模型中涉及到的负荷参数施加小扰动,计算每个参数扰动前后输出结果,即计算有功和无功功率值对扰动的响应,定义在某个时刻t,输出量yi(t)相对于参数θj的轨迹灵敏度为Sij(t):
式中:θ为负荷模型中的参数,θj0为第j个参数θj的初始值,Δθj为θj上施加的扰动大小,t为时间;
式中:t为灵敏度计算起始时刻,Δt为灵敏度计算时长。
7.根据权利要求4所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述曲线特殊点包括电压突变时刻、故障结束前一时刻、故障结束后电压突变时刻及故障后稳定时刻四点。
8.根据权利要求7所述的电力系统综合负荷模型参数辨识方法,其特征在于,所述以所述曲线特殊点上综合模型的负荷功率计算值与实测负荷功率值的平方误差和最小为优化目标,建立综合负荷模型参数的优化辨识模型,包括:
分别计算曲线特殊点中每一点的感应电动机功率及静态负荷功率,所述三阶感应电动机模型的模型方程如下:
E′d、E′q、s为每个曲线特殊点时刻的微分方程状态变量,每一点的状态变量求解即求解上述微分方程组的数值解;
其中,电压突变时刻和故障后稳定时刻两点的状态变量求解方法为:
故障结束前一时刻和故障结束后电压突变时刻,采用隐式梯形法将微分方程变为代数方程后求解,其中,E′d(k+1)、E′q(k+1)、s(k+1)为待求的状态变量,E′dk、E′qk、sk为前一特殊点,即第一点上的状态变量值,Idk、Iqk、Id(k+1)、Iq(k+1)、Tm(k)、Te(k)、Tm(k+1)、Te(k+1)等分别对应不同状态变量时的电流、转矩值;
求出每个曲线特殊点时刻的感应电动机状态变量后,得到各点的功率表达式如下:
Pload=Pmotor+Pstatic=UdId+UqIq+P0[ap(U/U0)2+bp(U/U0)+cp]
Qload=Qmotor+Qstatic=UqId-UdIq+Q0[aq(U/U0)2+bq(U/U0)+cq]
则曲线特殊点四点的综合模型的负荷计算值(Pload、Qload)与实测负荷数据(Ps、Qs)的平方误差和最小为优化目标:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192982.9A CN112907075B (zh) | 2021-02-20 | 2021-02-20 | 一种电力系统综合负荷模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192982.9A CN112907075B (zh) | 2021-02-20 | 2021-02-20 | 一种电力系统综合负荷模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907075A true CN112907075A (zh) | 2021-06-04 |
CN112907075B CN112907075B (zh) | 2023-01-20 |
Family
ID=76124062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192982.9A Active CN112907075B (zh) | 2021-02-20 | 2021-02-20 | 一种电力系统综合负荷模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907075B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452299A (zh) * | 2021-06-23 | 2021-09-28 | 云南电网有限责任公司电力科学研究院 | 一种基于定子电流的动态负荷建模参数辨识方法 |
CN114677532A (zh) * | 2022-04-20 | 2022-06-28 | 重庆邮电大学 | 一种利用出厂数据和特性曲线的感应电动机参数辨识方法 |
CN114726280A (zh) * | 2022-05-09 | 2022-07-08 | 清华大学 | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
CN115408949A (zh) * | 2022-11-02 | 2022-11-29 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466957A (zh) * | 2014-12-24 | 2015-03-25 | 国家电网公司华北分部 | 一种基于实测小扰动数据的负荷模型参数辨识方法 |
CN104732095A (zh) * | 2015-03-30 | 2015-06-24 | 清华大学 | 对电力系统综合负荷模型进行简化和模型参数辨识的方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
-
2021
- 2021-02-20 CN CN202110192982.9A patent/CN112907075B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104466957A (zh) * | 2014-12-24 | 2015-03-25 | 国家电网公司华北分部 | 一种基于实测小扰动数据的负荷模型参数辨识方法 |
CN104732095A (zh) * | 2015-03-30 | 2015-06-24 | 清华大学 | 对电力系统综合负荷模型进行简化和模型参数辨识的方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
李培强等: "基于灵敏度与相关性的综合负荷模型参数优化辨识策略", 《电工技术学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452299A (zh) * | 2021-06-23 | 2021-09-28 | 云南电网有限责任公司电力科学研究院 | 一种基于定子电流的动态负荷建模参数辨识方法 |
CN113452299B (zh) * | 2021-06-23 | 2024-02-06 | 云南电网有限责任公司电力科学研究院 | 一种基于定子电流的动态负荷建模参数辨识方法 |
CN114677532A (zh) * | 2022-04-20 | 2022-06-28 | 重庆邮电大学 | 一种利用出厂数据和特性曲线的感应电动机参数辨识方法 |
CN114677532B (zh) * | 2022-04-20 | 2024-05-28 | 重庆邮电大学 | 一种利用出厂数据和特性曲线的感应电动机参数辨识方法 |
CN114726280A (zh) * | 2022-05-09 | 2022-07-08 | 清华大学 | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
CN115408949A (zh) * | 2022-11-02 | 2022-11-29 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
CN115408949B (zh) * | 2022-11-02 | 2023-02-17 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112907075B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907075B (zh) | 一种电力系统综合负荷模型参数辨识方法 | |
CN108667048B (zh) | 新能源并网系统振荡稳定性的频域判稳方法及装置 | |
CN103401238B (zh) | 一种基于总体测辨法的电力负荷建模方法 | |
US11714934B2 (en) | Aggregated model of large-scale wind farms for power system simulation software tools | |
CN102510263A (zh) | 基于抛载试验和数值差分的同步发电机实用参数辨识方法 | |
CN112018784B (zh) | 一种基于同步相量测量数据的次同步谐振溯源方法 | |
CN110417050A (zh) | 一种并联结构大型风电场等值计算方法 | |
CN103793556A (zh) | 综合出线负荷的变电站负荷建模方法 | |
CN111130135B (zh) | 一种适用于高比例新能源接入下的电力系统惯量计算方法 | |
Torquato et al. | Practical chart for harmonic resonance assessment of DFIG-Based wind parks | |
CN114970154A (zh) | 一种暂态电压支撑能力量化评估指标构建方法 | |
CN113852120A (zh) | 一种新能源发电最大并网容量的确定方法及系统 | |
Stadler et al. | Application of dynamic REI reduction | |
CN111293693A (zh) | 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法 | |
CN109494733B (zh) | 一种电力负荷模型的辨识参数优化方法及系统 | |
CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 | |
CN114298478A (zh) | 一种风电并网系统小扰动稳定辨识方法及系统 | |
CN113987848A (zh) | 一种负荷构成智能识别及精准负荷建模方法及系统 | |
CN113991652A (zh) | 数据驱动的含iidg配电网短路电流多输出计算方法 | |
CN113452299B (zh) | 一种基于定子电流的动态负荷建模参数辨识方法 | |
CN113224788A (zh) | 含有风电接入的交直流混联电网静态电压稳定评估方法 | |
CN113113908A (zh) | 适用于现代大电网频率响应的时域解析方法与系统 | |
Yuan et al. | Harmonic characteristics of distributed generation and electric vehicle integrating to the grid | |
CN110007195A (zh) | 基于输电线路电流不平衡量的scada不良数据剔除方法及系统 | |
Zhu et al. | An engineering applicable dynamic equivalent method for large-scale AC system connected to VSC-HVDC |
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 |