CN114726280B - 等值负荷惯量辨识方法、装置、电子设备及存储介质 - Google Patents
等值负荷惯量辨识方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114726280B CN114726280B CN202210503506.9A CN202210503506A CN114726280B CN 114726280 B CN114726280 B CN 114726280B CN 202210503506 A CN202210503506 A CN 202210503506A CN 114726280 B CN114726280 B CN 114726280B
- Authority
- CN
- China
- Prior art keywords
- motor
- load
- time
- electromotive force
- predicted
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000006698 induction Effects 0.000 claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 42
- 230000001052 transient effect Effects 0.000 claims description 42
- 238000002347 injection Methods 0.000 claims description 24
- 239000007924 injection Substances 0.000 claims description 24
- 230000003068 static effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000243 solution Substances 0.000 description 10
- 238000004088 simulation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
-
- 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)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种等值负荷惯量辨识方法、装置、电子设备及存储介质，其中，所述方法应用于综合负荷模型，综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：基于母线测量电压、感应电动机的注入有功功率和感应电动机的注入无功功率，得到初始感应电动势；基于电磁状态方程得到预测感应电动势；基于预测感应电动势确定预测有功功率和预测无功功率；基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数；基于优化后负荷电磁参数，确定电动机滑差；基于电动机滑差和优化后负荷电磁参数，对等值负荷惯量进行辨识。通过本发明实现了稳定、可靠的等值负荷惯量辨识。
Description
技术领域
本发明涉及电流系统负荷建模技术领域，尤其涉及一种等值负荷惯量辨识方法、装置、电子设备及存储介质。
背景技术
相关技术可知，准确的负荷建模是电力系统数值仿真可靠性的重要保证，特别地，等值负荷惯量参数作为反映负荷机电特性的重要参数，将直接影响系统电压稳定、频率稳定的分析结果。
近年来，广域同步量测技术的飞速发展和同步相量测量装置在实际电网的广泛应用为电力系统负荷建模工作提供了新的思路。基于类噪声的负荷建模能够利用电力系统中广泛存在的小波动类噪声信号开展在线负荷模型参数辨识，从而更好地描述实际负荷的时变性和空间分布特性。
然而，由于类噪声信号扰动深度较低，对负荷特性激发不够充分，直接对所有负荷参数开展类噪声辨识的难度较大；此外，负荷惯量等机电参数的可辨识性较低，相较于其他模型参数也更难获得准确、可靠的辨识结果。
发明内容
本发明提供一种等值负荷惯量辨识方法、装置、电子设备及存储介质，用以解决现有技术中类噪声小波动下直接开展等值负荷惯量辨识难度大、准确性低的缺陷，实现了稳定、可靠的辨识等值负荷惯量，从而为各类系统暂态仿真提供相对准确的模型支撑。
本发明提供一种等值负荷惯量辨识方法，应用于综合负荷模型，其中，所述综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势；基于电磁状态方程得到所述初始感应电动势的预测感应电动势，其中，所述预测感应电动势为所述初始感应电动势的下一时刻的电动势；基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率；基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数；基于所述优化后负荷电磁参数，确定电动机滑差；基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识，具体包括：基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值；基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数；基于所述等值负荷惯量辨识目标函数对所述综合负荷模型的等值负荷惯量进行辨识。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值采用以下公式确定：
其中，sp(t+1)表示(t+1)时刻的所述滑差预测值；s(1)表示初始时刻的所述电动机滑差；Δt表示离散时间间隔；H表示所述等值负荷惯量；Tm和Te分别表示t时刻的所述感应电动机的机械转矩和电磁转矩；A表示第一转矩系数；B表示第二转矩系数；C表示第三转矩系数；s(t)表示t时刻的所述电动机滑差；Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量；Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量，其中，所述优化后感应电动势基于所述优化后负荷电磁参数和电动机输出方程确定。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数采用以下公式实现：
其中，yII表示所述等值负荷惯量辨识目标函数；θII表示待辨识机电参数，至少包括所述等值负荷惯量；sp(t)表示t时刻的所述滑差预测值；s(t)表示t时刻的所述电动机滑差。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述优化后负荷电磁参数，确定电动机滑差，具体包括：基于所述优化后负荷电磁参数通过电动机输出方程，得到优化后感应电动势和定子电流向量；基于所述优化后感应电动势和定子电流向量，确定电动机滑差。
根据本发明提供的一种等值负荷惯量辨识方法，所述优化后负荷电磁参数至少包括电动机开路电抗、电动机暂态电抗和电动机开路时间常数；所述基于所述优化后感应电动势和定子电流向量，确定电动机滑差采用以下公式确定：
其中，s(t)表示t时刻的所述电动机滑差；Eb(t+1)表示(t+1)时刻的优化后感应电动势，表示Eb(t+1)的复数形式；Eb(t)表示t时刻的优化后感应电动势，表示Eb(t)的复数形式；X表示电动机开路电抗；X'表示电动机暂态电抗；Td0'表示电动机开路时间常数；ω0表示电动机定子频率；I(t)表示t时刻的所述定子电流向量，表示I(t)的复数形式；Δt表示离散时间间隔。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数，具体包括：基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数；基于所述负荷电磁参数辨识目标函数确定优化后负荷电磁参数。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数采用以下公式确定：
其中，yI表示所述负荷电磁参数辨识目标函数；θI表示所述优化后负荷电磁参数，至少包括电动机开路电抗、电动机暂态电抗、电动机开路时间常数、静负荷电阻以及静负荷电抗；P(t)表示t时刻的所述综合负荷模型的注入有功功率；Pp(t)表示t时刻的所述预测有功功率；Q(t)表示t时刻的所述综合负荷模型的注入无功功率；Qp(t)表示t时刻的所述预测无功功率。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率采用以下公式确定：
其中，U2(t+1)＝Ud 2(t+1)+Uq 2(t+1)，Ud(t+1)表示(t+1)时刻的所述母线测量电压的d轴分量；Uq(t+1)表示(t+1)时刻的所述母线测量电压的q轴分量；Pp(t+1)表示(t+1)时刻的所述预测有功功率；Qp(t+1)表示(t+1)时刻的所述预测无功功率；Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量；X'表示电动机暂态电抗；R表示静负荷电阻；Xp表示静负荷电抗。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于电磁状态方程得到所述初始感应电动势的预测感应电动势采用以下公式确定：
其中，Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Δt表示离散时间间隔；Td0'表示电动机开路时间常数；X表示电动机开路电抗；X'表示电动机暂态电抗；Iq(t)表示t时刻的定子电流向量的q轴分量；s(t)表示t时刻的所述电动机滑差；ω0表示电动机定子频率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量。
根据本发明提供的一种等值负荷惯量辨识方法，所述基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势采用以下公式确定：
其中，U2(t)＝Ud 2(t)+Uq 2(t)，Ud(t)表示t时刻的所述母线测量电压的d轴分量；Uq(t)表示t时刻的所述母线测量电压的q轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Pm(t)表示t时刻的所述感应电动机的注入有功功率；X'表示电动机暂态电抗；Qm(t)表示t时刻的所述感应电动机的注入无功功率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量。
本发明还提供一种等值负荷惯量辨识装置，应用于综合负荷模型，其中，所述综合负荷模型包括感应电动机和恒定阻抗，所述装置包括：第一模块，用于基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势；第二模块，用于基于电磁状态方程得到所述初始感应电动势的预测感应电动势，其中，所述预测感应电动势为所述初始感应电动势的下一时刻的电动势；第三模块，用于基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率；第四模块，用于基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数；第五模块，用于基于所述优化后负荷电磁参数，确定电动机滑差；第六模块，用于基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的等值负荷惯量辨识方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的等值负荷惯量辨识方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的等值负荷惯量辨识方法。
本发明提供的等值负荷惯量辨识方法、装置、电子设备及存储介质，通过基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数，以及基于优化后负荷电磁参数确定电动机滑差，并基于电动机滑差和优化后负荷电磁参数对综合负荷模型的等值负荷惯量进行辨识，实现了通过对动态负荷电磁和机电暂态的解耦，克服了类噪声小波动下直接开展等值负荷惯量辨识难度大、准确性低的缺陷，实现了稳定、可靠的辨识等值负荷惯量，从而为各类系统暂态仿真提供相对准确的模型支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的等值负荷惯量辨识方法的流程示意图之一；
图2是本发明提供的基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识的流程示意图；
图3是本发明提供的基于优化后负荷电磁参数确定电动机滑差的流程示意图；
图4是本发明提供的基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数的流程示意图；
图5是本发明提供的等值负荷惯量辨识方法的流程示意图之二；
图6是本发明提供的等值负荷惯量辨识装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的等值负荷惯量辨识方法，通过对动态负荷的电磁暂态和机电暂态进行解耦，采用两阶段辨识的基本思路，在第一阶段辨识得到负荷电磁参数(对应优化后负荷电磁参数)和状态变量(对应电动机滑差)，再基于机电状态方程在第二阶段辨识惯量等负荷机电参数，以达到降低整体参数辨识难度、提升惯量辨识准确性的综合效果。
下面结合图1对本发明提供的等值负荷惯量辨识方法的过程进行说明。
在本发明一示例性实施例中，等值负荷惯量辨识方法可以应用于综合负荷模型。其中，综合负荷模型可以包括感应电动机和恒定阻抗，且感应电动机和恒定阻抗采用并联的方式连接。结合图1可知，等值负荷惯量辨识方法可以包括步骤110至步骤160，下面将分别介绍各步骤。
在步骤110中，基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势。
在一种实施例中，可以采用同步相量测量装置获取到母线测量电压以及关于综合负荷模型的注入有功功率和关于综合负荷模型的注入无功功率。可以理解的是，关于综合负荷模型的注入有功功率是构成综合负荷模型的感应电动机和恒定阻抗的注入有功功率之和。关于综合负荷模型的注入无功功率是构成综合负荷模型的感应电动机和恒定阻抗的注入无功功率之和。在一示例中，感应电动机的注入有功功率可以由总有功功率(对应综合负荷模型的注入有功功率)减去静负荷有功功率(对应恒定阻抗的注入有功功率)获得。感应电动机的注入无功功率可以由总无功功率(对应综合负荷模型的注入无功功率)减去静负荷无功功率(对应恒定阻抗的注入无功功率)获得。
在一种实施例中，基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势可以采用以下公式(1)确定：
其中，U2(t)＝Ud 2(t)+Uq 2(t)，Ud(t)表示t时刻的母线测量电压的d轴分量；Uq(t)表示t时刻的母线测量电压的q轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Pm(t)表示t时刻的感应电动机的注入有功功率；X'表示电动机暂态电抗；Qm(t)表示t时刻的感应电动机的注入无功功率；Eq(t)表示t时刻的初始感应电动势的q轴分量。需要说明的是，电动机暂态电抗X'为需要确定的优化后负荷电磁参数。
在步骤120中，基于电磁状态方程得到初始感应电动势的预测感应电动势，其中，预测感应电动势为初始感应电动势的下一时刻的电动势。
在一种实施例中，可以基于电动机的电磁状态方程得到t+1时刻的感应电动势预测值(对应初始感应电动势的预测感应电动势)。
在一示例中，基于电磁状态方程得到初始感应电动势的预测感应电动势可以采用以下公式(2)确定：
其中，Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Δt表示离散时间间隔；Td0'表示电动机开路时间常数；X表示电动机开路电抗；X'表示电动机暂态电抗；Iq(t)表示t时刻的定子电流向量的q轴分量；s(t)表示t时刻的电动机滑差；ω0表示电动机定子频率；Eq(t)表示t时刻的初始感应电动势的q轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量。
需要说明的是，电动机开路时间常数Td0'、电动机开路电抗X以及电动机暂态电抗X'为需要确定的优化后负荷电磁参数。进一步的，t时刻的定子电流向量的q轴分量Iq(t)以及t时刻的电动机滑差s(t)可以由优化后负荷电磁参数确定。
在步骤130中，基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率。
在又一种实施例中，基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率可以采用以下公式(3)确定：
其中，U2(t+1)＝Ud 2(t+1)+Uq 2(t+1)，Ud(t+1)表示(t+1)时刻的母线测量电压的d轴分量；Uq(t+1)表示(t+1)时刻的母线测量电压的q轴分量；Pp(t+1)表示(t+1)时刻的预测有功功率；Qp(t+1)表示(t+1)时刻的预测无功功率；Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量；X'表示电动机暂态电抗；R表示静负荷电阻；Xp表示静负荷电抗。其中，电动机暂态电抗X'、静负荷电阻R和静负荷电抗Xp为需要确定的优化后负荷电磁参数。
在步骤140中，基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数。
需要说明的是，优化后负荷电磁参数可以包括电动机开路电抗X、电动机暂态电抗X'、电动机开路时间常数Td0'、静负荷电阻R和静负荷电抗Xp。
在步骤150中，基于优化后负荷电磁参数，确定电动机滑差。
在步骤160中，基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
本发明提供的等值负荷惯量辨识方法，通过基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数，以及基于优化后负荷电磁参数确定电动机滑差，并基于电动机滑差和优化后负荷电磁参数对综合负荷模型的等值负荷惯量进行辨识，实现了通过对动态负荷电磁和机电暂态的解耦，克服了类噪声小波动下直接开展等值负荷惯量辨识难度大、准确性低的缺陷，实现了稳定、可靠的辨识等值负荷惯量，从而为各类系统暂态仿真提供相对准确的模型支撑。
为了进一步介绍本发明提供的等值负荷惯量辨识方法，下面将结合图2进行说明。
图2是本发明提供的基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识的流程示意图。
在本发明一示例性实施例中，结合如2可知，基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识可以包括步骤210至步骤230，下面将分别介绍各步骤。
在步骤210中，基于优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值。
此部分以一阶段辨识得到的电磁参数以及电动机滑差等状态变量估计值为辨识数据基础，基于电动机的机电暂态过程开展惯量和转矩系数的机电参数辨识。具体地，由离散形式的电动机机电状态方程迭代预测得到全时段的滑差预测值，其中，离散形式的电动机机电状态方程可以采用以下公式(4)表示：
在一种实施例中，基于优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值可以采用以下公式(5)-(6)确定：
其中，sp(t+1)表示(t+1)时刻的滑差预测值；s(1)表示初始时刻的电动机滑差；Δt表示离散时间间隔；H表示等值负荷惯量，即H表示需要辨识的等值负荷惯量；Tm和Te分别表示t时刻的感应电动机的机械转矩和电磁转矩；A表示第一转矩系数；B表示第二转矩系数；C表示第三转矩系数。需要说明的是，第一转矩系数A、第二转矩系数B以及第三转矩系数C为需要辨识的转矩系数，分别为机械转矩中与转子转速平方、一次方线性相关以及与转速无关的3个转矩系数。s(t)表示t时刻的电动机滑差；Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量，其中，优化后感应电动势可以基于优化后负荷电磁参数和电动机输出方程确定。在一示例中，可以将优化后负荷电磁参数带入至电动机输出方程，得到全时段内的优化后感应电动势和定子电流向量I(t)，其中，Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量。
在步骤220中，基于滑差预测值和电动机滑差建立等值负荷惯量辨识目标函数。
在一种实施例中，可以根据得到的一阶段电动机滑差估计值(对应电动机滑差)和前文迭代计算得到的滑差预测值，建立误差平方和形式的二阶段辨识目标函数。
在一示例中，基于滑差预测值和电动机滑差建立等值负荷惯量辨识目标函数可以采用以下公式(7)实现：
其中，yII表示等值负荷惯量辨识目标函数；θII表示待辨识机电参数，至少包括等值负荷惯量；sp(t)表示t时刻的滑差预测值；s(t)表示t时刻的电动机滑差。
在步骤230中，基于等值负荷惯量辨识目标函数对综合负荷模型的等值负荷惯量进行辨识。
需要说明的是，二阶段待辨识的机电参数θII可以包括等值负荷惯量H和3个机械转矩系数A、B、C。在应用过程中，可以采用差分进化算法进行参数优化，用以辨识得到所关注的负荷惯量参数。
下面将结合图3对基于优化后负荷电磁参数确定电动机滑差的过程进行说明。
在本发明一示例性实施例中，结合图3可知，基于优化后负荷电磁参数确定电动机滑差可以包括步骤310和步骤320，下面将分别介绍各步骤。
在步骤310中，基于优化后负荷电磁参数通过电动机输出方程，得到优化后感应电动势和定子电流向量。
在一示例中，优化后感应电动势可以基于优化后负荷电磁参数和电动机输出方程确定。在一示例中，可以将优化后负荷电磁参数带入至电动机输出方程，得到全时段内的优化后感应电动势和定子电流向量I(t)。
其中，定子电流向量I(t)可以采用以下公式(8)确定：
其中，Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量。Uq(t)表示t时刻的母线测量电压的q轴分量；Ud(t)表示t时刻的母线测量电压的d轴分量。X'表示电动机暂态电抗。Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量。
在步骤320中，基于优化后感应电动势和定子电流向量，确定电动机滑差。
在一种实施例中，优化后负荷电磁参数至少可以包括电动机开路电抗X、电动机暂态电抗X'和电动机开路时间常数Td0'。其中，基于优化后感应电动势和定子电流向量，确定电动机滑差可以采用以下公式(9)确定：
其中，s(t)表示t时刻的电动机滑差；Eb(t+1)表示(t+1)时刻的优化后感应电动势，为Eb(t+1)的复数形式；Eb(t)表示t时刻的优化后感应电动势，表示Eb(t)的复数形式；X表示电动机开路电抗；X'表示电动机暂态电抗；Td0'表示电动机开路时间常数；ω0表示电动机定子频率；I(t)表示t时刻的定子电流向量，表示I(t)的复数形式；Δt表示离散时间间隔。
为了进一步介绍本发明提供的等值负荷惯量辨识方法，下面将结合图4进行说明。
在本发明一示例性实施例中，结合图4可知，基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数可以包括步骤410和步骤420，下面将分别介绍各步骤。
在步骤410中，基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率建立负荷电磁参数辨识目标函数。
在步骤420中，基于负荷电磁参数辨识目标函数确定优化后负荷电磁参数。
在一种实施例中，将进行逐步预报误差，并建立误差平方和形式的一阶段辨识目标函数(对应负荷电磁参数辨识目标函数)。
在一种实施例中，基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率建立负荷电磁参数辨识目标函数可以采用以下公式(10)确定：
其中，yI表示负荷电磁参数辨识目标函数；θI表示优化后负荷电磁参数，至少可以包括电动机开路电抗X、电动机暂态电抗X'、电动机开路时间常数Td0'、静负荷电阻R以及静负荷电抗Xp；P(t)表示t时刻的综合负荷模型的注入有功功率；Pp(t)表示t时刻的预测有功功率；Q(t)表示t时刻的综合负荷模型的注入无功功率；Qp(t)表示t时刻的预测无功功率。
其中，P(t)、Q(t)可以通过同步相量测量装置测得。Pp(t)和Qp(t)可以根据步骤130记载的技术方案(对应公式3)获得。
为避免参数解受到随机初值的影响最终落入不可靠的局部最优点，可以选择全局性能优良的差分进化算法开展参数辨识。
为了进一步的本发明提供的等值负荷惯量辨识方法，下面将结合图5进行说明。
在本发明一示例性实施例中，结合图5可知，等值负荷惯量辨识方法可以包括步骤501至步骤514，下面将分别介绍各步骤。
需要说明的是，可以将等值负荷惯量辨识的过程划分为两个阶段，其中，第一阶段为电磁参数及状态变量辨识，第二阶段为惯量参数(至少包括等值负荷惯量)辨识。
在步骤501中，确定待辨识一阶段参数。
在一种实施例中，可以确定待辨识的第一阶段的电磁参数和状态变量。其中，待辨识电磁参数可以用θI表示，包括电动机开路电抗X、电动机暂态电抗X'、电动机开路时间常数Td0'以及静负荷电阻R和静负荷电抗Xp。状态变量可以包括电动机滑差。
在步骤502中，进行类噪声量测。
在一种实施例中，可以取得待辨识的类噪声量测数据窗，包括负荷母线电压幅值、电压相角、感应电动机的注入有功功率和感应电动机的注入无功功率等。
在步骤503中，基于电动势状态方程预测状态量。
在一种实施例中，可以通过电动势状态方程，基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势。并基于电磁状态方程得到初始感应电动势的预测感应电动势。
在步骤504中，基于预测状态量计算预测功率。
在一种实施例中，基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率。
在步骤505中，计算预测功率与实际功率的偏差。
在步骤506中，判断第G代的待辨识一阶段参数与第G-1代的待辨识一阶段参数的差值绝对值是否小于差值阈值。
在步骤507中，基于差分进化算法更新待辨识一阶段参数。
在一种实施例中，可以基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数。
在又一种实施例中，基于给定负荷电磁参数和电磁状态方程，预测下一步负荷状态量和输出功率，逐步计算全数据段内预测输出功率和实际功率的误差平方和作为一阶段辨识目标函数。进一步的，对得到的辨识目标函数对电磁参数开展差分进化优化，直至相邻两代最优辨识参数的差距小于设定阈值，以此作为负荷电磁参数的最终辨识值。
在又一示例中，若相邻两代最优辨识参数的差距大于设定阈值，可以基于差分进化算法更新待辨识一阶段参数，并继续重复执行前文步骤，直至相邻两代最优辨识参数的差距小于设定阈值。
在步骤508中，获取一阶段估计变量。
在一种实施例中，可以基于优化后负荷电磁参数，确定电动机滑差。其中，一阶段估计变量可以包括电动机滑差。
在又一种实施例中，可以将得到的负荷电磁参数的最终辨识值再次回代至电磁状态方程，估计得到电动机滑差、优化后电动势等状态变量，并作为第二阶段的辨识基准。可以理解的是，一阶段估计变量可以包括电动机滑差、优化后电动势等状态变量。
进一步的，可以基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
在步骤509中，确定待辨识二阶段参数。
在一种实施例中，可以确定待辨识第二阶段参数。其中。待辨识第二阶段参数至少包括待辨识等值负荷惯量。
在步骤510中，基于机电状态方程迭代预测滑差。
在步骤511中，计算滑差与一阶段估计滑差的偏差。
在步骤512中，判断第G代的待辨识二阶段参数与第G-1代的待辨识二阶段参数的差值绝对值是否小于差值阈值。
在步骤513中，获取等值负荷惯量辨识参数。
在一种实施例中，可以基于给定负荷机电参数和机电状态方程，迭代预测全数据段内的电动机滑差，并计算其与前文计算所得一阶段估计滑差的误差平方和，并作为二阶段辨识目标函数。进一步的，基于二阶段辨识目标函数对机电参数开展差分进化优化，直至相邻两代最优辨识参数的差距小于设定阈值，最终辨识得到等值负荷惯量参数。
在步骤514中，基于差分进化算法更新待辨识二阶段参数。
在又一示例中，若相邻两代最优辨识参数的差距大于设定阈值，可以基于差分进化算法更新待辨识二阶段参数，并继续重复执行前文步骤，直至相邻两代最优辨识参数的差距小于设定阈值。
本发明所提出的等值负荷惯量两阶段辨识方法通过对动态负荷电磁和机电暂态的解耦，克服了类噪声小波动下直接开展参数辨识难度大、准确性低的突出问题，各辨识步骤环环相扣、易于实施，能够适应不同机械特性负荷的类噪声惯量辨识场景。此方法可以一定程度上改善实际电网仿真中惯量参数依赖于大扰动辨识或采用典型值的困境，实现负荷惯量参数稳定、可靠、在线辨识，为各类系统暂态仿真提供相对准确的模型支撑。
根据上述描述可知，本发明提供的等值负荷惯量辨识方法，通过基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数，以及基于优化后负荷电磁参数确定电动机滑差，并基于电动机滑差和优化后负荷电磁参数对综合负荷模型的等值负荷惯量进行辨识，实现了通过对动态负荷电磁和机电暂态的解耦，克服了类噪声小波动下直接开展等值负荷惯量辨识难度大、准确性低的缺陷，实现了稳定、可靠的辨识等值负荷惯量，从而为各类系统暂态仿真提供相对准确的模型支撑。
基于相同的构思，本发明还提供一种等值负荷惯量辨识装置。
下面对本发明提供的等值负荷惯量辨识装置进行描述，下文描述的等值负荷惯量辨识装置与上文描述的等值负荷惯量辨识方法可相互对应参照。
图6是本发明提供的等值负荷惯量辨识装置的结构示意图。
在本发明一示例性实施例中，等值负荷惯量辨识装置可以应用于综合负荷模型，其中，综合负荷模型包括感应电动机和恒定阻抗，在综合负荷模型中，感应电动机和恒定阻抗并联连接。结合图6可知，等值负荷惯量辨识装置可以包括第一模块610至第六模块660，下面将分别介绍各模块。
第一模块610可以被配置为用于基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势。
第二模块620可以被配置为用于基于电磁状态方程得到初始感应电动势的预测感应电动势，其中，预测感应电动势为初始感应电动势的下一时刻的电动势。
第三模块630可以被配置为用于基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率。
第四模块640可以被配置为用于基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数。
第五模块650可以被配置为用于基于优化后负荷电磁参数，确定电动机滑差。
第六模块660可以被配置为用于基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
在本发明一示例性实施例中，第六模块660可以采用以下方式基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识：基于优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值；基于滑差预测值和电动机滑差建立等值负荷惯量辨识目标函数；基于等值负荷惯量辨识目标函数对综合负荷模型的等值负荷惯量进行辨识。
在本发明一示例性实施例中，第六模块660可以采用以下公式(11)-(12)基于优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值：
其中，sp(t+1)表示(t+1)时刻的滑差预测值；s(1)表示初始时刻的电动机滑差；Δt表示离散时间间隔；H表示等值负荷惯量；Tm和Te分别表示t时刻的感应电动机的机械转矩和电磁转矩；A表示第一转矩系数；B表示第二转矩系数；C表示第三转矩系数；s(t)表示t时刻的电动机滑差；Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量；Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量，其中，优化后感应电动势基于优化后负荷电磁参数和电动机输出方程确定。
在本发明一示例性实施例中，第六模块660可以采用以下公式(13)基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数：
其中，yII表示所述等值负荷惯量辨识目标函数；θII表示待辨识机电参数，至少包括所述等值负荷惯量；sp(t)表示t时刻的所述滑差预测值；s(t)表示t时刻的所述电动机滑差。
在本发明一示例性实施例中，第五模块650可以采用以下方式基于所述优化后负荷电磁参数，确定电动机滑差：基于所述优化后负荷电磁参数通过电动机输出方程，得到优化后感应电动势和定子电流向量；基于所述优化后感应电动势和定子电流向量，确定电动机滑差。
在本发明一示例性实施例中，所述优化后负荷电磁参数至少包括电动机开路电抗、电动机暂态电抗和电动机开路时间常数；第五模块650可以采用以下公式(14)基于所述优化后感应电动势和定子电流向量，确定电动机滑差：
其中，s(t)表示t时刻的电动机滑差；Eb(t+1)表示(t+1)时刻的优化后感应电动势，表示Eb(t+1)的复数形式；Eb(t)表示t时刻的优化后感应电动势，表示Eb(t)的复数形式；X表示电动机开路电抗；X'表示电动机暂态电抗；Td0'表示电动机开路时间常数；ω0表示电动机定子频率；I(t)表示t时刻的定子电流向量，表示I(t)的复数形式；Δt表示离散时间间隔。
在本发明一示例性实施例中，第四模块640可以采用以下方式基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数：基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数；基于所述负荷电磁参数辨识目标函数确定优化后负荷电磁参数。
在本发明一示例性实施例中，第四模块640可以采用以下公式(15)基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数：
其中，yI表示所述负荷电磁参数辨识目标函数；θI表示所述优化后负荷电磁参数，至少包括电动机开路电抗、电动机暂态电抗、电动机开路时间常数、静负荷电阻以及静负荷电抗；P(t)表示t时刻的所述综合负荷模型的注入有功功率；Pp(t)表示t时刻的所述预测有功功率；Q(t)表示t时刻的所述综合负荷模型的注入无功功率；Qp(t)表示t时刻的所述预测无功功率。
在本发明一示例性实施例中，第三模块630可以采用以下公式(16)基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率：
其中，U2(t+1)＝Ud 2(t+1)+Uq 2(t+1)，Ud(t+1)表示(t+1)时刻的所述母线测量电压的d轴分量；Uq(t+1)表示(t+1)时刻的所述母线测量电压的q轴分量；Pp(t+1)表示(t+1)时刻的所述预测有功功率；Qp(t+1)表示(t+1)时刻的所述预测无功功率；Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量；X'表示电动机暂态电抗；R表示静负荷电阻；Xp表示静负荷电抗。
在本发明一示例性实施例中，第二模块620可以采用以下公式(17)基于电磁状态方程得到所述初始感应电动势的预测感应电动势：
其中，Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Δt表示离散时间间隔；Td0'表示电动机开路时间常数；X表示电动机开路电抗；X'表示电动机暂态电抗；Iq(t)表示t时刻的定子电流向量的q轴分量；s(t)表示t时刻的所述电动机滑差；ω0表示电动机定子频率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量。
在本发明一示例性实施例中，第一模块610可以采用以下公式(18)基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势：
其中，Ud(t)表示t时刻的所述母线测量电压的d轴分量；Uq(t)表示t时刻的所述母线测量电压的q轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Pm(t)表示t时刻的所述感应电动机的注入有功功率；X'表示电动机暂态电抗；Qm(t)表示t时刻的所述感应电动机的注入无功功率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行等值负荷惯量辨识方法，其中，所述方法应用于综合负荷模型，所述综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势；基于电磁状态方程得到初始感应电动势的预测感应电动势，其中，预测感应电动势为初始感应电动势的下一时刻的电动势；基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率；基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数；基于优化后负荷电磁参数，确定电动机滑差；基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的等值负荷惯量辨识方法，其中，所述方法应用于综合负荷模型，所述综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势；基于电磁状态方程得到初始感应电动势的预测感应电动势，其中，预测感应电动势为初始感应电动势的下一时刻的电动势；基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率；基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数；基于优化后负荷电磁参数，确定电动机滑差；基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的等值负荷惯量辨识方法，其中，所述方法应用于综合负荷模型，所述综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：基于母线测量电压、感应电动机的注入有功功率以及感应电动机的注入无功功率，得到感应电动机的初始感应电动势；基于电磁状态方程得到初始感应电动势的预测感应电动势，其中，预测感应电动势为初始感应电动势的下一时刻的电动势；基于预测感应电动势确定与预测感应电动势对应的预测有功功率和预测无功功率；基于综合负荷模型的注入有功功率、综合负荷模型的注入无功功率、预测有功功率和预测无功功率，确定优化后负荷电磁参数；基于优化后负荷电磁参数，确定电动机滑差；基于电动机滑差和优化后负荷电磁参数，对综合负荷模型的等值负荷惯量进行辨识。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
最后应说明的是：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 (12)
1.一种等值负荷惯量辨识方法，其特征在于，应用于综合负荷模型，其中，所述综合负荷模型包括感应电动机和恒定阻抗，所述方法包括：
基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势；
基于电磁状态方程得到所述初始感应电动势的预测感应电动势，其中，所述预测感应电动势为所述初始感应电动势的下一时刻的电动势；
基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率；
基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数；
基于所述优化后负荷电磁参数，确定电动机滑差；
基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识，其中，所述基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识，具体包括：
基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值；
基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数；
基于所述等值负荷惯量辨识目标函数对所述综合负荷模型的等值负荷惯量进行辨识；
所述基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值采用以下公式确定：
其中，sp(t+1)表示(t+1)时刻的所述滑差预测值；s(1)表示初始时刻的所述电动机滑差；Δt表示离散时间间隔；H表示所述等值负荷惯量；Tm和Te分别表示t时刻的所述感应电动机的机械转矩和电磁转矩；A表示第一转矩系数；B表示第二转矩系数；C表示第三转矩系数；s(t)表示t时刻的所述电动机滑差；Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量；Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量，其中，所述优化后感应电动势基于所述优化后负荷电磁参数和电动机输出方程确定；
所述基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数采用以下公式实现：
其中，yII表示所述等值负荷惯量辨识目标函数；θII表示待辨识机电参数，至少包括所述等值负荷惯量；sp(t)表示t时刻的所述滑差预测值；s(t)表示t时刻的所述电动机滑差。
2.根据权利要求1所述的等值负荷惯量辨识方法，其特征在于，所述基于所述优化后负荷电磁参数，确定电动机滑差，具体包括：
基于所述优化后负荷电磁参数通过电动机输出方程，得到优化后感应电动势和定子电流向量；
基于所述优化后感应电动势和定子电流向量，确定电动机滑差。
3.根据权利要求2所述的等值负荷惯量辨识方法，其特征在于，所述优化后负荷电磁参数至少包括电动机开路电抗、电动机暂态电抗和电动机开路时间常数；
所述基于所述优化后感应电动势和定子电流向量，确定电动机滑差采用以下公式确定：
其中，s(t)表示t时刻的所述电动机滑差；Eb(t+1)表示(t+1)时刻的优化后感应电动势，表示Eb(t+1)的复数形式；Eb(t)表示t时刻的优化后感应电动势，表示Eb(t)的复数形式；X表示电动机开路电抗；X'表示电动机暂态电抗；Td0'表示电动机开路时间常数；ω0表示电动机定子频率；I(t)表示t时刻的所述定子电流向量，表示I(t)的复数形式；Δt表示离散时间间隔。
4.根据权利要求1所述的等值负荷惯量辨识方法，其特征在于，所述基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数，具体包括：
基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数；
基于所述负荷电磁参数辨识目标函数确定优化后负荷电磁参数。
5.根据权利要求4所述的等值负荷惯量辨识方法，其特征在于，所述基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率建立负荷电磁参数辨识目标函数采用以下公式确定：
其中，yI表示所述负荷电磁参数辨识目标函数；θI表示所述优化后负荷电磁参数，至少包括电动机开路电抗、电动机暂态电抗、电动机开路时间常数、静负荷电阻以及静负荷电抗；P(t)表示t时刻的所述综合负荷模型的注入有功功率；Pp(t)表示t时刻的所述预测有功功率；Q(t)表示t时刻的所述综合负荷模型的注入无功功率；Qp(t)表示t时刻的所述预测无功功率。
6.根据权利要求1所述的等值负荷惯量辨识方法，其特征在于，所述基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率采用以下公式确定：
其中，U2(t+1)＝Ud 2(t+1)+Uq 2(t+1)，Ud(t+1)表示(t+1)时刻的所述母线测量电压的d轴分量；Uq(t+1)表示(t+1)时刻的所述母线测量电压的q轴分量；Pp(t+1)表示(t+1)时刻的所述预测有功功率；Qp(t+1)表示(t+1)时刻的所述预测无功功率；Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量；X'表示电动机暂态电抗；R表示静负荷电阻；Xp表示静负荷电抗。
7.根据权利要求1所述的等值负荷惯量辨识方法，其特征在于，所述基于电磁状态方程得到所述初始感应电动势的预测感应电动势采用以下公式确定：
其中，Ed_p(t+1)表示(t+1)时刻的预测感应电动势的d轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Δt表示离散时间间隔；Td0'表示电动机开路时间常数；X表示电动机开路电抗；X'表示电动机暂态电抗；Iq(t)表示t时刻的定子电流向量的q轴分量；s(t)表示t时刻的所述电动机滑差；ω0表示电动机定子频率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量；Eq_p(t+1)表示(t+1)时刻的预测感应电动势的q轴分量。
8.根据权利要求1所述的等值负荷惯量辨识方法，其特征在于，所述基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势采用以下公式确定：
其中，U2(t)＝Ud 2(t)+Uq 2(t)，Ud(t)表示t时刻的所述母线测量电压的d轴分量；Uq(t)表示t时刻的所述母线测量电压的q轴分量；Ed(t)表示t时刻的初始感应电动势的d轴分量；Pm(t)表示t时刻的所述感应电动机的注入有功功率；X'表示电动机暂态电抗；Qm(t)表示t时刻的所述感应电动机的注入无功功率；Eq(t)表示t时刻的所述初始感应电动势的q轴分量。
9.一种等值负荷惯量辨识装置，其特征在于，应用于综合负荷模型，其中，所述综合负荷模型包括感应电动机和恒定阻抗，所述装置包括：
第一模块，用于基于母线测量电压、所述感应电动机的注入有功功率以及所述感应电动机的注入无功功率，得到所述感应电动机的初始感应电动势；
第二模块，用于基于电磁状态方程得到所述初始感应电动势的预测感应电动势，其中，所述预测感应电动势为所述初始感应电动势的下一时刻的电动势；
第三模块，用于基于所述预测感应电动势确定与所述预测感应电动势对应的预测有功功率和预测无功功率；
第四模块，用于基于所述综合负荷模型的注入有功功率、所述综合负荷模型的注入无功功率、所述预测有功功率和所述预测无功功率，确定优化后负荷电磁参数；
第五模块，用于基于所述优化后负荷电磁参数，确定电动机滑差；
第六模块，用于基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识，其中，第六模块采用以下方式基于所述电动机滑差和所述优化后负荷电磁参数，对所述综合负荷模型的等值负荷惯量进行辨识：
基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值；
基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数；
基于所述等值负荷惯量辨识目标函数对所述综合负荷模型的等值负荷惯量进行辨识；
第六模块采用以下公式基于所述优化后负荷电磁参数，通过电动机机电状态方程进行迭代预测，得到滑差预测值：
其中，sp(t+1)表示(t+1)时刻的所述滑差预测值；s(1)表示初始时刻的所述电动机滑差；Δt表示离散时间间隔；H表示所述等值负荷惯量；Tm和Te分别表示t时刻的所述感应电动机的机械转矩和电磁转矩；A表示第一转矩系数；B表示第二转矩系数；C表示第三转矩系数；s(t)表示t时刻的所述电动机滑差；Ed_b(t)表示t时刻的优化后感应电动势的d轴分量；Eq_b(t)表示t时刻的优化后感应电动势的q轴分量；Id(t)表示t时刻的定子电流向量的d轴分量；Iq(t)表示t时刻的定子电流向量的q轴分量，其中，所述优化后感应电动势基于所述优化后负荷电磁参数和电动机输出方程确定；
第六模块采用以下公式基于所述滑差预测值和所述电动机滑差建立等值负荷惯量辨识目标函数：
其中，yII表示所述等值负荷惯量辨识目标函数；θII表示待辨识机电参数，至少包括所述等值负荷惯量；sp(t)表示t时刻的所述滑差预测值；s(t)表示t时刻的所述电动机滑差。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的等值负荷惯量辨识方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的等值负荷惯量辨识方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的等值负荷惯量辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210503506.9A CN114726280B (zh) | 2022-05-09 | 2022-05-09 | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210503506.9A CN114726280B (zh) | 2022-05-09 | 2022-05-09 | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114726280A CN114726280A (zh) | 2022-07-08 |
| CN114726280B true CN114726280B (zh) | 2024-07-09 |
Family
ID=82231764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210503506.9A Active CN114726280B (zh) | 2022-05-09 | 2022-05-09 | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114726280B (zh) |
Citations (2)
| 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 |
| CN105260521A (zh) * | 2015-09-25 | 2016-01-20 | 山东大学 | 一种基于层次分析法的负荷融合建模方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170028147A (ko) * | 2015-09-03 | 2017-03-13 | 한국전기연구원 | 특성 시험 데이터를 활용한 발전기-제어시스템의 모델 파라미터 산정 장치 및 그 방법 |
| CN107086606B (zh) * | 2017-06-13 | 2021-07-02 | 华北水利水电大学 | 一种配电网综合等效异步电动机负荷模型参数辨识方法 |
| JP7119748B2 (ja) * | 2018-08-13 | 2022-08-17 | オムロン株式会社 | モデル予測制御装置、モデル予測制御装置の制御方法、情報処理プログラム、および記録媒体 |
| CN110991786B (zh) * | 2019-10-15 | 2022-06-24 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
| US11181873B2 (en) * | 2019-12-05 | 2021-11-23 | Global Energy Interconnection Research Institute North America (Geirina) | Bayesian estimation based parameter estimation for composite load model |
| CN112907075B (zh) * | 2021-02-20 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种电力系统综合负荷模型参数辨识方法 |
| CN113991702B (zh) * | 2021-10-28 | 2023-11-14 | 国网山东省电力公司电力科学研究院 | 一种基于准稳态数据的电力系统惯量评估方法 |
-
2022
- 2022-05-09 CN CN202210503506.9A patent/CN114726280B/zh active Active
Patent Citations (2)
| 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 |
| CN105260521A (zh) * | 2015-09-25 | 2016-01-20 | 山东大学 | 一种基于层次分析法的负荷融合建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114726280A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Farasat et al. | Efficiency improved sensorless control scheme for electric vehicle induction motors | |
| Abdallah et al. | Stator winding inter‐turn short‐circuit detection in induction motors by parameter identification | |
| Papadopoulos et al. | Black‐box dynamic equivalent model for microgrids using measurement data | |
| Zhao et al. | Forward and backward extended prony (FBEP) method for power system small-signal stability analysis | |
| CN105184027B (zh) | 一种基于交互式多模型算法的电力负荷建模方法 | |
| Qi | Rotor resistance and excitation inductance estimation of an induction motor using deep-Q-learning algorithm | |
| Yildiz et al. | Extended Kalman filter based estimations for improving speed‐sensored control performance of induction motors | |
| Prajapat et al. | Stability enhancement of DFIG‐based wind turbine system through linear quadratic regulator | |
| Merabet et al. | Speed control of sensorless induction generator by artificial neural network in wind energy conversion system | |
| Zhang et al. | A two-stage framework for ambient signal based load model parameter identification | |
| Moaveni et al. | Introducing improved iterated extended Kalman Filter (IIEKF) to estimate the rotor rotational speed, rotor and stator resistances of induction motors | |
| Zhang et al. | A hierarchical framework for ambient signals based load modeling: Exploring the hidden quasi-convexity | |
| Yu et al. | Unscented trainable Kalman filter based on deep learning method considering incomplete information | |
| CN114726280B (zh) | 等值负荷惯量辨识方法、装置、电子设备及存储介质 | |
| Bila | Power system dynamic state estimation and load modeling | |
| Boboń et al. | Computer-aided determining of parameters of generating unit models based on measurement tests | |
| Xiao et al. | Parameter identification of direct‐drive permanent magnet synchronous generator based on EDMPSO‐EKF | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| Cui et al. | Particle filter‐based dual estimation for synchronous generators | |
| CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 | |
| Rahman et al. | Convergence of the fast state estimation for power systems | |
| Zaniani et al. | Deep machine learning with grey wolf algorithm and central deference Kalman filter based broken rotor bars detection in induction motor | |
| Wen et al. | A novel multi‐strategy self‐optimizing SAPSO algorithm for PMSM parameter identification | |
| CN111682532A (zh) | 一种励磁系统无补偿相频特性在线建模方法及存储介质 | |
| Rashidi et al. | Parameter identification of power plant characteristics based on PMU data using differential evolution-based improved shuffled frog leaping algorithm |
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 |