CN113919218A - 一种基于制衡灰狼算法的居民负荷在线建模方法及系统 - Google Patents

一种基于制衡灰狼算法的居民负荷在线建模方法及系统 Download PDF

Info

Publication number
CN113919218A
CN113919218A CN202111171024.XA CN202111171024A CN113919218A CN 113919218 A CN113919218 A CN 113919218A CN 202111171024 A CN202111171024 A CN 202111171024A CN 113919218 A CN113919218 A CN 113919218A
Authority
CN
China
Prior art keywords
load
model
parameters
comprehensive
power
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.)
Pending
Application number
CN202111171024.XA
Other languages
English (en)
Inventor
司大军
徐衍会
李玲芳
薛元亮
孙鹏
彭威铭
陈姝敏
游广增
陈义宣
高杉雪
何烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202111171024.XA priority Critical patent/CN113919218A/zh
Publication of CN113919218A publication Critical patent/CN113919218A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请属于电力系统仿真技术领域，提供一种基于制衡灰狼算法的居民负荷在线建模方法及系统，包括：采用动态负荷模型并联静态负荷模型的综合负荷模型结构，利用用电设备信息获得综合负荷模型结构中的静态负荷参数和电动机负荷占比，基于电网受扰的时刻点，利用受扰时刻点的负荷特性数据建立优化目标函数，应用基于制衡和嵌入变异因子的灰狼算法在线辨识综合负荷模型结构中的动态参数，获得居民负荷模型。上述基于制衡灰狼算法的居民负荷在线建模方法可以更为简便且准确地对居民负荷进行在线建模。

Description

一种基于制衡灰狼算法的居民负荷在线建模方法及系统
技术领域
本申请涉及电力系统仿真技术领域，具体涉及一种基于制衡灰狼算法的居民负荷在线建模方法及系统。
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、规划和调控方面有着重要的作用，在实际应用过程中，采用不恰当的负荷模型可能会导致电网出现电压稳态和频率稳定性问题，降低对用户供电的可靠性，因此，采用恰当的负荷模型是电力系统稳定计算和运行分析的基础，恰当的负荷模型能与其他仿真模型块形成良好的呼应，共同推动电力建设的快速发展和社会的进步。
由于电网中负荷种类繁多，且负荷具有随时间变化的特点，同一节点的负荷模型也要分时段和分季节进行描述，同时，负荷在电力系统中分散性较强，使电力系统负荷建模非常困难。由于缺乏准确的负荷模型，在系统规划设计时往往采用参数较为保守的静态负荷模型来获得留有较大裕度的计算结果，系统中相应设备的参数都是在此保守情况下确定的，这通常使得系统的预备容量相对过大，资源较为浪费；如果采用较为乐观的负荷模型，又可能会超过实际电网的承受能力，造成安全事故。
为了更准确的进行负荷建模，现有技术公开了静态模型与动态模型相结合的综合负荷模型结构，例如，感应电动机模型并联静态负荷模型的综合负荷模型结构和异步机模型并联静态负荷模型的综合负荷模型结构等。由于在静态模型结构中加入了动态模型，使得模型的参数更多，模型的结构更加复杂，为了更好地描述负荷特性，通常会根据负荷节点的有功、无功或电压曲线等对负荷模型中所有的参数进行辨识，并且在参数辨识时，往往采集所有时刻功率进行优化拟合，造成建立负荷模型的难度大大增加。
发明内容
本申请提供了一种基于制衡灰狼算法的居民负荷在线建模方法及系统，该方法可以更为简便且准确地对居民负荷进行在线建模。
本申请第一方面提供一种基于制衡灰狼算法的居民负荷在线建模方法，所述一种基于制衡灰狼算法的居民负荷在线建模方法包括：
实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站，所述用电设备信息包括开关状态和运行功率；
采用动态负荷模型并联静态负荷模型的综合负荷模型结构，所述综合负荷模型结构中的负荷参数包括静态负荷参数、动态负荷参数和电动机负荷占比；
选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数；
获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数；
根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型；
利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
可选的，所述实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站的过程，包括：
利用智能家居终端模块检测用电设备信息；
基于物联网的配电一二次设备状态信息传输通信技术，采用光纤或载波通信的方式将用电设备信息传输至变电站的负荷建模主站。
可选的，所述综合负荷模型结构的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分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比；aq、bq、cq分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷消耗无功功率占比；
所述动态负荷模型采用三阶感应电动机模型，定子和转子表达式如下：
定子电压方程为：
Figure BDA0003293183240000021
转子电压方程为：
Figure BDA0003293183240000022
其中：
X＝Xs+Xm
Figure BDA0003293183240000023
Figure BDA0003293183240000024
转子运动方程：
Figure BDA0003293183240000031
感应电动机功率分别为：
Figure BDA0003293183240000032
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，所述综合负荷模型结构中的负荷参数共有14个独立参数，即：
Figure BDA0003293183240000033
其中，θ为负荷参数向量，动态负荷参数包括Rs、Xs、Xm、Rr、Xr、H、A、B、Mlf，Rs为定子电阻，Xs为定子电抗，Xm为电枢反应电抗，Rr为转子电阻，Xr为转子电抗，H为惯性时间常数，A和B为机械转矩特性参数，Mlf为感应电动机初始负荷率，静态负荷参数包括ap、cp、aq、cq，ap为静态有功模型中恒阻抗占比，cp为静态有功模型中恒功率占比，aq为静态无功模型中恒阻抗占比，cq为静态无功模型中恒功率占比，Kpm为感应电动机初始有功功率占负荷总初始有功功率的比例。
可选的，所述优化辨识模型的目标函数为：
Figure BDA0003293183240000034
其中，n为多个电网受扰的特殊点，Psk为第k个点的实测有功功率，Ploadk为第k个点的综合负荷模型的有功功率理论值，Qsk为第k个点的实测无功功率，Qloadk为第k个点的综合负荷模型的无功功率理论值。
可选的，所述利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比的过程，包括：
基于所述用电设备信息，将多个用电设备的负荷汇集至变电站侧；
根据用电设备的负荷模型，得到综合负荷模型结构中的静态负荷参数和电动机负荷占比，所述用电设备的负荷模型为：
Figure BDA0003293183240000035
所述静态负荷参数为：
Figure BDA0003293183240000036
所述电动机负荷占比为：
Figure BDA0003293183240000041
式中，Pi表示第i个用电设备的有功功率，Qi表示第i个用电设备的无功功率。
可选的，所述基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数的过程，包括步骤601至步骤606，具体为：
步骤601，基于负荷参数的约束条件，随机生成多组动态负荷参数，以及，结合已确定的静态负荷参数和电动机负荷占比，得到多组随机负荷参数；
步骤602，计算每组随机负荷参数对应的优化辨识模型的目标函数值；
步骤603，选取目标函数值最小的三组随机负荷参数，得到最优参数组和普通参数组，计算最优参数组的标准化曼哈顿距离系数dm，所述最优参数组按照目标函数值由小到大依次包括第一组随机负荷参数、第二组随机负荷参数和第三组随机负荷参数，所述普通参数组为所述多组随机负荷参数去除最优参数组组成；
步骤604，如果dm大于预设阈值，则根据最优参数组更新普通参数组中的负荷参数；
步骤605，如果dm小于或等于预设阈值，则在普通参数组中选取三组目标函数值较小且标准化曼哈顿距离系数大于预设阈值的负荷参数作为备选参数组，根据最优参数组更新部分普通参数组中的负荷参数，根据备选参数组更新另一部分普通参数组中的负荷参数；
步骤606，预设最大迭代次数，重复步骤702至步骤705直至迭代次数等于最大迭代次数，输出目标函数值最小的一组负荷参数。
可选的，所述步骤605还包括：
如果备选参数组选取失败，则随机选取普通参数组中的一组普通负荷参数，对其中的第k个参数进行变异，变异完成后，根据最优参数组更新普通参数组中的负荷参数，所述变异的算子为：
Figure BDA0003293183240000042
式中，xkub、xklb分别为变量xk的上下界，λ为[0，1]均匀分布的随机数。
可选的，所述曼哈顿距离系数为：
Figure BDA0003293183240000043
式中，x1k、x2k分别为第一组随机负荷参数和第二组随机负荷参数的第k个参数取值，xkub、xklb分别为第k个参数取值的上下限。
本申请第二方面提供一种基于制衡灰狼算法的居民负荷在线建模系统，所述一种基于制衡灰狼算法的居民负荷在线建模系统用于执行本申请第一方面提供的一种基于制衡灰狼算法的居民负荷在线建模方法，包括：
采集模块，用于实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站，所述用电设备信息包括开关状态和运行功率；
结构模块，用于采用动态负荷模型并联静态负荷模型的综合负荷模型结构，所述综合负荷模型结构中的负荷参数包括静态负荷参数、动态负荷参数和电动机负荷占比；
有功模块，用于选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数；
无功模块，用于获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数；
辨识模块，用于根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型；
建立模块，用于利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
本申请提供一种基于制衡灰狼算法的居民负荷在线建模方法及系统，所述一种基于制衡灰狼算法的居民负荷在线建模系统用于执行一种基于制衡灰狼算法的居民负荷在线建模方法的步骤，采集用电设备信息，将用电设备信息传输至变电站的负荷建模主站，采用动态负荷模型并联静态负荷模型的综合负荷模型结构，选取多个电网受扰的时刻点，得到有功功率理论值和无功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型，利用用电设备信息，确定综合负荷模型结构中的静态负荷参数和电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
由上述方案可知，本申请提供的基于制衡灰狼算法的居民负荷在线建模方法，通过采用动态负荷模型并联静态负荷模型的综合负荷模型结构，利用用电设备信息获得综合负荷模型结构中的静态负荷参数和电动机负荷占比，应用基于制衡和嵌入变异因子的灰狼算法在线辨识综合负荷模型结构中的动态负荷参数，获得居民负荷模型。该方法可以更为简便且准确地对居民负荷进行在线建模。
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基于制衡灰狼算法的居民负荷在线建模方法的流程示意图。
图2为本申请实施例提供的物联网功率信息采集示意图。
图3为本申请实施例提供的电网受扰时的电压波动曲线图。
图4为本申请实施例提供的仿真模型图。
图5为本申请实施例提供的实测曲线与有功拟合曲线对比图。
图6为本申请实施例提供的实测曲线与无功拟合曲线对比图。
图7为本申请实施例提供的基于制衡灰狼算法的居民负荷在线建模系统的结构示意图。
具体实施方式
为便于对申请的技术方案进行，以下首先在对本申请所涉及到的一些概念进行说明。
参见图1，为本申请实施例提供的基于制衡灰狼算法的居民负荷在线建模方法的流程示意图，所述基于制衡灰狼算法的居民负荷在线建模方法包括步骤1至步骤6。
步骤1，实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站。
参见图2，为本申请实施例提供的物联网功率信息采集示意图，首先利用智能家居终端模块检测用电设备信息，该用电设备信息包括开关状态和运行功率等，然后以基于物联网的配电一二次设备状态信息传输通信技术为核心，考虑具体的通信环境，采用光纤或载波通信的方式将用电设备信息传输至变电站的负荷建模主站。
步骤2，采用动态负荷模型并联静态负荷模型的综合负荷模型结构。
本申请实施例采用三阶感应电动机模型并联静态负荷模型的综合负荷模型结构，常见的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。
综合负荷模型结构的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分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比；aq、bq、cq分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷消耗无功功率占比。
三阶感应电动机模型的定子和转子表达式如下：
定子电压方程为：
Figure BDA0003293183240000061
转子电压方程为：
Figure BDA0003293183240000062
其中：
X＝Xs+Xm
Figure BDA0003293183240000063
Figure BDA0003293183240000064
转子运动方程：
Figure BDA0003293183240000071
感应电动机功率分别为：
Figure BDA0003293183240000072
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。
上述三阶感应电动机模型并联静态负荷模型的综合负荷模型结构中的负荷参数共有14个独立参数，包括静态负荷参数、动态负荷参数和电动机负荷占比，具体为：
Figure BDA0003293183240000073
其中，θ为负荷参数向量，动态负荷参数包括Rs、Xs、Xm、Rr、Xr、H、A、B、Mlf，Rs为定子电阻，Xs为定子电抗，Xm为电枢反应电抗，Rr为转子电阻，Xr为转子电抗，H为惯性时间常数，A和B为机械转矩特性参数，Mlf为感应电动机初始负荷率，静态负荷参数包括ap、cp、aq、cq，ap为静态有功模型中恒阻抗占比，cp为静态有功模型中恒功率占比，aq为静态无功模型中恒阻抗占比，cq为静态无功模型中恒功率占比，Kpm为感应电动机初始有功功率占负荷总初始有功功率的比例。
步骤3，选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数。
参见图3，为本申请实施例提供的电网受扰时的电压波动曲线图，基于电网受扰后的负荷动态特性数据，选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，再根据综合负荷模型结构计算综合负荷模型响应的有功功率理论值，其中有功功率理论值为含有待辨识的负荷参数的变量，最后得到的有功误差函数为：
Figure BDA0003293183240000074
式中，n为多个电网受扰的特殊点，Psk为第k个点的实测有功功率，Ploadk为第k个点的综合负荷模型的有功功率理论值。
步骤4，基于步骤3所选取的多个电网受扰的时刻点，获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数
基于电网受扰后的负荷动态特性数据，获取受扰时刻点的实测无功功率值，再根据综合负荷模型结构计算综合负荷模型响应的无功功率理论值，其中无功功率理论值为含有待辨识的负荷参数的变量，最后得到的无功误差函数为：
Figure BDA0003293183240000081
式中，n为多个电网受扰的特殊点，Qsk为第k个点的实测无功功率，Qloadk为第k个点的综合负荷模型的无功功率理论值。
步骤5，根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型。
本申请实施例提供的优化辨识模型的目标函数为：
Figure BDA0003293183240000082
其中，n为多个电网受扰的特殊点，Psk为第k个点的实测有功功率，Ploadk为第k个点的综合负荷模型的有功功率理论值，Qsk为第k个点的实测无功功率，Qloadk为第k个点的综合负荷模型的无功功率理论值。
步骤6，利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
首先基于用电设备信息，将多个用电设备的负荷汇集至变电站侧，根据用电设备的负荷模型，得到综合负荷模型结构中的静态负荷参数和电动机负荷占比，该用电设备的负荷模型为：
Figure BDA0003293183240000083
所述静态负荷参数为：
Figure BDA0003293183240000084
所述电动机负荷占比为：
Figure BDA0003293183240000085
式中，Pi表示第i个用电设备的有功功率，Qi表示第i个用电设备的无功功率。
由于综合负荷模型的负荷参数较多，所以在一般情况下，过多参数的辨识导致计算复杂建模困难，本申请实施例通过物联网进行信息采集获得静态负荷参数和电动机负荷占比，在之后的寻优过程中不做改变。
灰狼算法具有局部开发能力强，能以较快的收敛速度收敛于最优解，在标准灰狼算法后期，由于群体中所有个体均向决策层区域逼近，导致群体多样性损失，如果决策层中当前最优个体为局部最优解，则标准灰狼算法将陷入局部最优，出现早熟收敛现象，这也是群智能优化算法的固有特点，为了避免灰狼算法陷入局部最优，本申请实施例通过基于制衡的嵌入变异因子的灰狼算法来进行动态参数的辨识，具体步骤如下：
步骤601，基于负荷参数的约束条件，随机生成多组动态负荷参数，以及，结合已确定的静态负荷参数和电动机负荷占比，得到多组随机负荷参数。
在灰狼算法中，初始化灰狼种群代表初始化多个可行解，本申请实施例基于负荷参数的约束条件，随机生成多组动态负荷参数，以及，结合已确定的静态负荷参数和电动机负荷占比，得到多组随机负荷参数，一组负荷参数为一个包含14个独立参数的向量，该向量值相当于灰狼个体的位置向量。
步骤602，计算每组随机负荷参数对应的优化辨识模型的目标函数值。
步骤603，选取目标函数值最小的三组随机负荷参数，得到最优参数组和普通参数组，计算最优参数组的标准化曼哈顿距离系数dm，所述最优参数组按照目标函数值由小到大依次包括第一组随机负荷参数、第二组随机负荷参数和第三组随机负荷参数，所述普通参数组为所述多组随机负荷参数去除最优参数组组成。
所述曼哈顿距离系数为：
Figure BDA0003293183240000091
式中，x1k、x2k分别为第一组随机负荷参数和第二组随机负荷参数的第k个参数取值，xkub、xklb分别为第k个参数取值的上下限。
选取目标函数值最小的三组随机负荷参数作为最优参数组，第一组随机负荷参数、第二组随机负荷参数和第三组随机负荷参数分别代表了α狼、β狼和δ狼。
步骤604，如果dm大于预设阈值，则根据最优参数组更新普通参数组中的负荷参数。
根据标准灰狼算法，其中，普通狼群向α狼、β狼和δ狼的位置靠近，从而实现搜索、包围、狩猎及攻击，基于此，根据最优参数组所代表的负荷参数向量位置更新普通参数组中的独立参数。
步骤605，如果dm小于或等于预设阈值，则在普通参数组中选取三组目标函数值最小且标准化曼哈顿距离系数大于预设阈值的负荷参数作为备选参数组，根据最优参数组更新部分普通参数组中的负荷参数，根据备选参数组更新另一部分普通参数组中的负荷参数。
进一步的，如果备选参数组选取失败，则随机选取普通参数组中的一组普通负荷参数，对其中的第k个参数进行变异，变异完成后，根据最优参数组更新普通参数组中的负荷参数，所述变异的算子为：
Figure BDA0003293183240000092
式中，xkub、xklb分别为变量xk的上下界，λ为[0，1]均匀分布的随机数。
步骤606，预设最大迭代次数，重复步骤602至步骤605直至迭代次数等于最大迭代次数，输出目标函数值最小的一组负荷参数。
所述目标函数值最小的一组负荷参数即为最优动态负荷参数，最后，根据综合负荷模型结构，结合静态负荷参数和电动机负荷占比，通过制衡灰狼算法辨识出的最优动态负荷参数，建立居民负荷模型。
参见图4，为本申请实施例提供的仿真模型图，参见图5，为本申请实施例提供的实测曲线与有功拟合曲线对比图，参见图6，为本申请实施例提供的实测曲线与无功拟合曲线对比图。本申请实施例为验证本申请技术方案的有效性，如图4所示，在simulink中搭建仿真模型，电压波动曲线如图3所示，在0.68s和1.42s相继断开静态负荷断路器，分别应用标准灰狼算法和基于制衡的灰狼算法进行动态参数辨识，实测曲线与拟合曲线图如图5和图6所示，下表1为基于制衡的灰狼算法和标准灰狼算法的误差比较，其中，误差计算公式为：
Figure BDA0003293183240000101
Figure BDA0003293183240000102
式中，Mp为实测曲线与有功拟合曲线的误差，Mq为实测曲线与无功拟合曲线的误差。
表1基于制衡的灰狼算法和标准灰狼算法误差比较
误差 M<sub>p</sub> M
标准灰狼算法 0.0559 0.0157
基于制衡的灰狼算法 0.037 0.0128
可见，基于制衡的灰狼算法得到的拟合曲线和实测曲线拟合程度较高，下表2为基于制衡的灰狼算法进行动态参数辨识的结果。
表2基于制衡的灰狼算法进行动态参数辨识的结果
R<sub>s</sub> X<sub>s</sub> X<sub>m</sub> R<sub>r</sub> X<sub>r</sub> H A B M<sub>lf</sub>
0.1304 0.1097 2.2118 0.0718 0.1671 1.3824 0.9059 0.8824 0.8618
与前述一种基于制衡灰狼算法的居民负荷在线建模方法的实施例相对应，本申请还提供了一种基于制衡灰狼算法的居民负荷在线建模系统的实施例，参见图7，所述一种基于制衡灰狼算法的居民负荷在线建模系统的实施例用于执行本申请第一方面提供的一种基于制衡灰狼算法的居民负荷在线建模方法的实施例，包括：
采集模块，用于实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站，所述用电设备信息包括开关状态和运行功率；
结构模块，用于采用动态负荷模型并联静态负荷模型的综合负荷模型结构，所述综合负荷模型结构中的负荷参数包括静态负荷参数、动态负荷参数和电动机负荷占比；
有功模块，用于选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数；
无功模块，获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数；
辨识模块，用于根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型；
建立模块，用于利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
本申请提供一种基于制衡灰狼算法的居民负荷在线建模方法及系统，所述一种基于制衡灰狼算法的居民负荷在线建模系统用于执行一种基于制衡灰狼算法的居民负荷在线建模方法的步骤，采集用电设备信息，将用电设备信息传输至变电站的负荷建模主站，采用动态负荷模型并联静态负荷模型的综合负荷模型结构，选取多个电网受扰的时刻点，得到有功功率理论值和无功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型，利用用电设备信息，确定综合负荷模型结构中的静态负荷参数和电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
由上述方案可知，本申请提供的基于制衡灰狼算法的居民负荷在线建模方法，通过采用动态负荷模型并联静态负荷模型的综合负荷模型结构，利用用电设备信息获得综合负荷模型结构中的静态负荷参数和电动机负荷占比，应用基于制衡和嵌入变异因子的灰狼算法在线辨识综合负荷模型结构中的动态负荷参数，获得居民负荷模型。该方法可以更为简便且准确地对居民负荷进行在线建模。

Claims (10)

1.一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，包括：
实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站，所述用电设备信息包括开关状态和运行功率；
采用动态负荷模型并联静态负荷模型的综合负荷模型结构，所述综合负荷模型结构中的负荷参数包括静态负荷参数、动态负荷参数和电动机负荷占比；
选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数；
获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数；
根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型；
利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
2.根据权利要求1所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站的过程，包括：
利用智能家居终端模块检测用电设备信息；
基于物联网的配电一二次设备状态信息传输通信技术，采用光纤或载波通信的方式将用电设备信息传输至变电站的负荷建模主站。
3.根据权利要求1所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述综合负荷模型结构的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分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷P消耗有功功率占比；aq、bq、cq分别表示恒阻抗负荷Z、恒电流负荷I、恒功率负荷消耗无功功率占比；
所述动态负荷模型采用三阶感应电动机模型，定子和转子表达式如下：
定子电压方程为：
Figure FDA0003293183230000011
转子电压方程为：
Figure FDA0003293183230000021
其中：
X＝Xs+Xm
Figure FDA0003293183230000022
Figure FDA0003293183230000023
转子运动方程：
Figure FDA0003293183230000024
感应电动机功率分别为：
Figure FDA0003293183230000025
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。
4.根据权利要求3所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述综合负荷模型结构中的负荷参数共有14个独立参数，即：
Figure FDA0003293183230000026
其中，θ为负荷参数向量，动态负荷参数包括Rs、Xs、Xm、Rr、Xr、H、A、B、Mlf，Rs为定子电阻，Xs为定子电抗，Xm为电枢反应电抗，Rr为转子电阻，Xr为转子电抗，H为惯性时间常数，A和B为机械转矩特性参数，Mlf为感应电动机初始负荷率，静态负荷参数包括ap、cp、aq、cq，ap为静态有功模型中恒阻抗占比，cp为静态有功模型中恒功率占比，aq为静态无功模型中恒阻抗占比，cq为静态无功模型中恒功率占比，Kpm为感应电动机初始有功功率占负荷总初始有功功率的比例。
5.根据权利要求1所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述优化辨识模型的目标函数为：
Figure FDA0003293183230000027
其中，n为多个电网受扰的特殊点，Psk为第k个点的实测有功功率，Ploadk为第k个点的综合负荷模型的有功功率理论值，Qsk为第k个点的实测无功功率，Qloadk为第k个点的综合负荷模型的无功功率理论值。
6.根据权利要求1所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比的过程，包括：
基于所述用电设备信息，将多个用电设备的负荷汇集至变电站侧；
根据用电设备的负荷模型，得到综合负荷模型结构中的静态负荷参数和电动机负荷占比，所述用电设备的负荷模型为：
Figure FDA0003293183230000033
所述静态负荷参数为：
Figure FDA0003293183230000031
所述电动机负荷占比为：
Figure FDA0003293183230000032
式中，Pi表示第i个用电设备的有功功率，Qi表示第i个用电设备的无功功率。
7.根据权利要求1所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数的过程，包括步骤601至步骤606，具体为：
步骤601，基于负荷参数的约束条件，随机生成多组动态负荷参数，以及，结合已确定的静态负荷参数和电动机负荷占比，得到多组随机负荷参数；
步骤602，计算每组随机负荷参数对应的优化辨识模型的目标函数值；
步骤603，选取目标函数值最小的三组随机负荷参数，得到最优参数组和普通参数组，计算最优参数组的标准化曼哈顿距离系数dm，所述最优参数组按照目标函数值由小到大依次包括第一组随机负荷参数、第二组随机负荷参数和第三组随机负荷参数，所述普通参数组为所述多组随机负荷参数去除最优参数组组成；
步骤604，如果dm大于预设阈值，则根据最优参数组更新普通参数组中的负荷参数；
步骤605，如果dm小于或等于预设阈值，则在普通参数组中选取三组目标函数值较小且标准化曼哈顿距离系数大于预设阈值的负荷参数作为备选参数组，根据最优参数组更新部分普通参数组中的负荷参数，根据备选参数组更新另一部分普通参数组中的负荷参数；
步骤606，预设最大迭代次数，重复步骤702至步骤705直至迭代次数等于最大迭代次数，输出目标函数值最小的一组负荷参数。
8.根据权利要求7所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述步骤605还包括：
如果备选参数组选取失败，则随机选取普通参数组中的一组普通负荷参数，对其中的第k个参数进行变异，变异完成后，根据最优参数组更新普通参数组中的负荷参数，所述变异的算子为：
Figure FDA0003293183230000041
式中，xkub、xklb分别为变量xk的上下界，λ为[0，1]均匀分布的随机数。
9.根据权利要求7所述的一种基于制衡灰狼算法的居民负荷在线建模方法，其特征在于，所述曼哈顿距离系数为：
Figure FDA0003293183230000042
式中，x1k、x2k分别为第一组随机负荷参数和第二组随机负荷参数的第λ个参数取值，xkub、xklb分别为第k个参数取值的上下限。
10.一种基于制衡灰狼算法的居民负荷在线建模系统，其特征在于，所述一种基于制衡灰狼算法的居民负荷在线建模系统用于执行权利要求1-8任一项所述的一种基于制衡灰狼算法的居民负荷在线建模方法，包括：
采集模块，用于实时采集居民用户端的用电设备信息，将用电设备信息传输至变电站的负荷建模主站，所述用电设备信息包括开关状态和运行功率；
结构模块，用于采用动态负荷模型并联静态负荷模型的综合负荷模型结构，所述综合负荷模型结构中的负荷参数包括静态负荷参数、动态负荷参数和电动机负荷占比；
有功模块，用于选取多个电网受扰的时刻点，获取受扰时刻点的实测有功功率值，计算受扰时刻点综合负荷模型响应的有功功率理论值，以及，基于实测有功功率值和有功功率理论值，得到有功功率理论值的误差，对多个受扰时刻点的有功功率理论值误差的平方求和，得到有功误差函数；
无功模块，用于获取受扰时刻点的实测无功功率值，计算受扰时刻点综合负荷模型响应的无功功率理论值，以及，基于实测无功功率值和无功功率理论值，得到无功功率理论值的误差，对多个受扰时刻点的无功功率理论值误差的平方求和，得到无功误差函数；
辨识模块，用于根据综合负荷模型结构，结合综合负荷模型负荷参数的约束条件，通过所述有功误差函数和所述无功误差函数建立目标函数，以目标函数值最小为优化目标，建立综合负荷模型负荷参数的优化辨识模型；
建立模块，用于利用所述用电设备信息，确定所述综合负荷模型结构中的静态负荷参数和电动机负荷占比，以及，基于综合负荷模型负荷参数的优化辨识模型，结合所述静态负荷参数和所述电动机负荷占比，采用制衡灰狼算法辨识综合负荷模型中的动态负荷参数，建立居民负荷模型。
CN202111171024.XA 2021-10-08 2021-10-08 一种基于制衡灰狼算法的居民负荷在线建模方法及系统 Pending CN113919218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111171024.XA CN113919218A (zh) 2021-10-08 2021-10-08 一种基于制衡灰狼算法的居民负荷在线建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111171024.XA CN113919218A (zh) 2021-10-08 2021-10-08 一种基于制衡灰狼算法的居民负荷在线建模方法及系统

Publications (1)

Publication Number Publication Date
CN113919218A true CN113919218A (zh) 2022-01-11

Family

ID=79238070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111171024.XA Pending CN113919218A (zh) 2021-10-08 2021-10-08 一种基于制衡灰狼算法的居民负荷在线建模方法及系统

Country Status (1)

Country Link
CN (1) CN113919218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432443A (zh) * 2023-04-03 2023-07-14 海南电网有限责任公司 一种电网仿真方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432443A (zh) * 2023-04-03 2023-07-14 海南电网有限责任公司 一种电网仿真方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Wu et al. A robust state estimator for medium voltage distribution networks
Gupta Gauss-quadrature-based probabilistic load flow method with voltage-dependent loads including WTGS, PV, and EV charging uncertainties
CN108667005B (zh) 一种计及新能源影响的电网静动态结合脆弱性评估方法
CN113078630B (zh) 一种基于实时量测数据的低压配电网拓扑辨识方法
CN109245100A (zh) 考虑交直流配电网负荷组成时变性的负荷动态建模方法
CN110299762B (zh) 基于pmu准实时数据的主动配电网抗差估计方法
CN114123344B (zh) 基于自适应递推最小二乘的电力系统惯量评估方法及装置
CN112907075B (zh) 一种电力系统综合负荷模型参数辨识方法
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
Gianto T-circuit model of asynchronous wind turbine for distribution system load flow analysis
CN113919218A (zh) 一种基于制衡灰狼算法的居民负荷在线建模方法及系统
CN110389268B (zh) 一种电力系统的在线监测系统
Pijnenburg et al. Testing the performance of bus-split aggregation method for residential loads
Luo et al. Multi‐machine equivalent model parameter identification method for double‐fed induction generator (DFIG)‐based wind power plant based on measurement data
Suvire et al. Wind farm: Dynamic model and impact on a weak power system
Rudion et al. MaWind-tool for the aggregation of wind farm models
CN116187082A (zh) 风电场单机等值建模方法
CN115659601A (zh) 一种双馈风电场单机等值并网模型的参数辨识方法及装置
CN110580371A (zh) 适用于电磁暂态仿真程序的电动机模型参数转换计算方法
CN113987848A (zh) 一种负荷构成智能识别及精准负荷建模方法及系统
Li et al. Two-point estimate method for probabilistic optimal power flow computation including wind farms with correlated parameters
CN113113908A (zh) 适用于现代大电网频率响应的时域解析方法与系统
CN113452299B (zh) 一种基于定子电流的动态负荷建模参数辨识方法
CN112701707B (zh) 一种储能变流器带异步电动机负荷的启动能力评估方法
CN115034060B (zh) 信息物理系统物理域和网络域一体化耦合建模方法及装置

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