CN115408949B - 一种负荷模型参数辨识方法、系统、设备和介质 - Google Patents
一种负荷模型参数辨识方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115408949B CN115408949B CN202211359208.3A CN202211359208A CN115408949B CN 115408949 B CN115408949 B CN 115408949B CN 202211359208 A CN202211359208 A CN 202211359208A CN 115408949 B CN115408949 B CN 115408949B
- Authority
- CN
- China
- Prior art keywords
- model
- load
- parameter identification
- initial
- load model
- 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 70
- 239000002245 particle Substances 0.000 claims abstract description 219
- 238000004088 simulation Methods 0.000 claims abstract description 154
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
-
- 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]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/70—Load identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷模型参数辨识方法、系统、设备和介质,通过响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。基于节点仿真数据、待辨识负荷模型参数集和粒子群算法,得到负荷模型对应的初始模型参数辨识集。基于初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。通过采用粒子群算法在有限时间内,初步辨识负荷模型参数,基于初步辨结果,通过参数测辨模型进行快速校正,从而达到负荷模型参数测辨在计算时间和计算准确性方面的均衡。
Description
技术领域
本发明涉及负荷模型参数技术领域,尤其涉及一种负荷模型参数辨识方法、系统、设备和介质。
背景技术
随着分布式电源、柔性负荷控制等电力新设备、新技术在负荷侧的应用,电力负荷的时变性增强,亟需针对电力负荷模型的参数在线辨识技术,提高电力系统负荷模型参数与实际电力系统运行场景的适应性。
现有的负荷模型参数辨识方法,主要包括统计综合法、综合测辨法,以及人工智能方法。其中,统计综合法通过对负荷运行状态进行调研统计,对负荷模型的参数进行估算,工作量大。综合测辨法主要通过对系统中负荷的响应情况进行监测,通过优化算法辨识负荷模型参数,该方法实用性高。人工智能方法主要通过对采集电网运行中的电气量特征,利用历史数据训练生成人工智能参数辨识模型,实现负荷模型参数的辨识,该方法计算速度快,准确性高。因此,常用综合测辨法或人工智能方法进行负荷模型参数辨识。
但现有的负荷模型参数辨识技术采用综合测辨法进行辨识时容易因为模型复杂,导致参数辨识的过程往往较长,难以达到在线测辨的需求,而采用人工智能方法得到的负荷模型参数辨识效果,往往受到历史数据量以及量测数据误差的影响,导致其参数测辨性能提升困难。
发明内容
本发明提供了一种负荷模型参数辨识方法、系统、设备和介质,解决了现有的负荷模型参数辨识技术采用综合测辨法进行辨识时容易因为模型复杂,导致参数辨识的过程往往较长,难以达到在线测辨的需求,而采用人工智能方法得到的负荷模型参数辨识效果,往往受到历史数据量以及量测数据误差的影响,导致其参数测辨性能提升困难的技术问题。
本发明提供的一种负荷模型参数辨识方法,包括:
响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过所述负荷模型对所述负荷节点数据进行数据仿真,得到对应的节点仿真数据;
根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集;
根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集;
通过预设的参数测辨模型对所述中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。
可选地,所述根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集的步骤,包括:
在预设的赋值区间内,基于预设赋值次数和所述待辨识负荷模型参数集,确定初始粒子种群;
基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数;
根据所述粒子适应度、所述进化次数和预设的最大进化次数,得到所述负荷模型对应的初始模型参数辨识集。
可选地,所述负荷节点数据包括电压、电流、频率和功率;所述节点仿真数据包括仿真电压、仿真电流、仿真频率和仿真功率;所述基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,包括:
分别获取各所述初始粒子对应的电压、电流、频率和功率;
分别获取各所述初始粒子对应的仿真电压、仿真电流、仿真频率和仿真功率;
分别计算所述电压、所述电流、所述频率和所述功率对应的曲线欧式距离值;
分别计算所述仿真电压、所述仿真电流、所述仿真频率和所述仿真功率对应的曲线导数欧式距离值;
计算全部所述曲线欧式距离值与全部所述曲线导数欧式距离值的和值,得到所述初始粒子对应的粒子适应度;
当获取所述初始粒子种群对应的全部所述粒子适应度时,实时统计进化次数。
可选地,所述根据所述粒子适应度、所述进化次数和预设的最大进化次数,得到所述负荷模型对应的初始模型参数辨识集的步骤,包括:
基于所述进化次数,分别选取所述初始粒子对应的粒子适应度最小值作为个体极值点;
采用全部所述个体极值点作为所述初始粒子种群对应的种群极值点;
根据所述个体极值点、所述种群极值点和所述初始粒子,确定对应的目标粒子;
判断所述进化次数是否等于预设的最大进化次数;
若是,则所述种群极值点对应的种群位置向量作为初始模型参数辨识集;
若否,则将所述目标粒子作为所述初始粒子,跳转执行所述基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,直至所述进化次数等于预设的最大进化次数。
可选地,所述根据所述个体极值点、所述种群极值点和所述初始粒子,确定对应的目标粒子的步骤,包括:
分别获取各所述初始粒子对应的所述个体极值点对应的个体位置向量和所述种群极值点对应的种群位置向量;
采用所述个体位置向量和所述种群位置向量,计算所述初始粒子对应的目标速度向量;
计算公式如下:
其中,为目标速度向量,为当前时刻第i个粒子的初始速度向量,为加权系数,取值为0.1~0.9,和为加速因子,和为0~1之间的随机数,t代表当前时刻,为当前时刻第i个粒子对应的个体位置向量,为当前时刻第i个粒子对应的位置向量,为当前时刻初始粒子种群对应的种群位置向量;
采用所述目标速度向量更新对应的所述初始粒子,得到对应的目标粒子。
可选地,所述根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集的步骤,包括:
将所述初始模型参数辨识集进行数据仿真,得到辨识集仿真数据;
计算所述辨识集仿真数据与所述负荷节点数据对应的实际负荷量测数据的差值,得到对应的辨识集差值数据;
采用所述初始模型参数辨识集和所述辨识集差值数据,构建所述负荷模型对应的中间模型参数辨识集。
可选地,还包括:
获取多个负荷模型待辨识参数和对应的负荷模型实际参数;
采用所述粒子群算法分别计算所述负荷模型待辨识参数对应的负荷模型初步辨识参数;
将所述负荷模型初步辨识参数分别进行仿真,得到所述负荷模型初步辨识参数对应的负荷模型仿真数据;
分别计算所述负荷模型仿真数据与所述负荷模型实际参数对应的实际模型量测数据的差值,得到对应的量测差值;
采用全部所述负荷模型初步辨识参数和所述量测差值,构建模型输入特征;
采用极限学习算法和所述模型输入特征训练预设的初始参数测辨模型,得到目标参数测辨模型;
将所述目标参数测辨模型作为所述参数测辨模型。
本发明还提供了一种负荷模型参数辨识系统,包括:
节点仿真数据得到模块,用于响应接收到的负荷模型对应的负荷节点数据和待辨识负荷模型参数集,采用所述负荷节点数据进行数据仿真,得到对应的节点仿真数据;
初始模型参数辨识集得到模块,用于根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集;
中间模型参数辨识集得到模块,用于根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集;
目标模型参数辨识集得到模块,用于通过预设的参数测辨模型对所述中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行实现如上述任一项负荷模型参数辨识方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项负荷模型参数辨识方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。基于节点仿真数据、待辨识负荷模型参数集和粒子群算法,得到负荷模型对应的初始模型参数辨识集。基于初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。解决了现有的负荷模型参数辨识技术采用综合测辨法进行辨识时容易因为模型复杂,导致参数辨识的过程往往较长,难以达到在线测辨的需求,而采用人工智能方法得到的负荷模型参数辨识效果,往往受到历史数据量以及量测数据误差的影响,导致其参数测辨性能提升困难的技术问题。通过采用粒子群算法在有限时间内,初步辨识负荷模型参数,然后基于初步辨结果,通过参数测辨模型进行快速校正,从而达到负荷模型参数测辨在计算时间和计算准确性方面的均衡。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种负荷模型参数辨识方法的步骤流程图;
图2为本发明实施例二提供的一种负荷模型参数辨识方法的步骤流程图;
图3为本发明实施例二提供的参数测辨模型的结构示意图;
图4为本发明实施例二提供的最优粒子适应度指标的变化示意图;
图5为本发明实施例三提供的一种负荷模型参数辨识系统的结构框图。
具体实施方式
本发明实施例提供了一种负荷模型参数辨识方法、系统、设备和介质,用于解决现有的负荷模型参数辨识技术采用综合测辨法进行辨识时容易因为模型复杂,导致参数辨识的过程往往较长,难以达到在线测辨的需求,而采用人工智能方法得到的负荷模型参数辨识效果,往往受到历史数据量以及量测数据误差的影响,导致其参数测辨性能提升困难的技术问题。
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。
请参阅图1,图1为本发明实施例一提供的一种负荷模型参数辨识方法的步骤流程图。
本发明提供的一种负荷模型参数辨识方法,包括:
步骤101、响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。
负荷节点数据是指电力系统中负荷节点对应的电压、电流、频率和功率,待辨识负荷模型参数集是指负荷模型中需要辨识的参数集,其中负荷模型的基本结构包括但不限于:静态负荷模型、综合负荷模型等;负荷模型中的参数包括但不限于:恒功率、恒电流、恒阻抗负荷的比例,马达负荷占比,转子电阻、转子电抗、定子电抗、阻力矩、滑差等。
在本发明实施例中,采集电力系统对应的负荷节点数据和负荷模型对应的待辨识负荷模型参数集。基于负荷模型仿真获得负荷模型的仿真结果即采用负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。
步骤102、根据节点仿真数据、待辨识负荷模型参数集和粒子群算法,得到负荷模型对应的初始模型参数辨识集。
在本发明实施例中,在预设的赋值区间内,基于预设赋值次数和待辨识负荷模型参数集,确定初始粒子种群。基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数。基于粒子适应度、进化次数和预设的最大进化次数,得到负荷模型对应的初始模型参数辨识集。
步骤103、根据初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。
在本发明实施例中,将初始模型参数辨识集进行数据仿真,得到辨识集仿真数据,计算辨识集仿真数据与负荷节点数据对应的实际负荷量测数据的差值,得到对应的辨识集差值数据。采用初始模型参数辨识集和辨识集差值数据,构建负荷模型对应的中间模型参数辨识集。
步骤104、通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。
预设的参数测辨模型是指采用极限学习算法构建并训练得到的用于进行负荷模型参数辨识的模型。
在本发明实施例中,将中间模型参数辨识集输入通过极限学习算法构建得到的参数测辨模型,参数测辨模型对中间模型参数辨识集内的数据分别进行校正,从而得到负荷模型对应的目标模型参数辨识集。
在本发明实施例中,通过响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。基于节点仿真数据、待辨识负荷模型参数集和粒子群算法,得到负荷模型对应的初始模型参数辨识集。基于初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。解决了现有的负荷模型参数辨识技术采用综合测辨法进行辨识时容易因为模型复杂,导致参数辨识的过程往往较长,难以达到在线测辨的需求,而采用人工智能方法得到的负荷模型参数辨识效果,往往受到历史数据量以及量测数据误差的影响,导致其参数测辨性能提升困难的技术问题。通过采用粒子群算法在有限时间内,初步辨识负荷模型参数,然后基于初步辨结果,通过参数测辨模型进行快速校正,从而达到负荷模型参数测辨在计算时间和计算准确性方面的均衡。
请参阅图2,图2为本发明实施例二提供的一种负荷模型参数辨识方法的步骤流程图。
步骤201、响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。
在本发明实施例中,确定负荷模型的基本结构,以及负荷模型中待辨识负荷模型参数集。采集电力系统中负荷节点的负荷节点数据即负荷节点的电压、电流、频率以及功率,其中n为采集数据点的个数。通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据即基于负荷模型仿真获得负荷模型的仿真电压、仿真电流、仿真频率以及仿真功率。
步骤202、在预设的赋值区间内,基于预设赋值次数和待辨识负荷模型参数集,确定初始粒子种群。
预设的赋值区间是指对应的负荷模型待辨识参数的典型值。预设赋值次数可以基于实际预设设置,通常设置与种群中粒子数目相同。
在本发明实施例中,设置种群中粒子的数目为M,最大进化次数为T。参考负荷模型待辨识参数的典型值,通过随机方法对负荷模型待辨识参数集X中的参数赋值,重复M次,从而生成初始粒子种群。对于种群中的第i个粒子,其位置向量为,速度向量为,设置初始速度。
步骤203、基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数。
进一步地,负荷节点数据包括电压、电流、频率和功率;节点仿真数据包括仿真电压、仿真电流、仿真频率和仿真功率,步骤203可以包括以下子步骤S11-S16:
S11、分别获取各初始粒子对应的电压、电流、频率和功率。
S12、分别获取各初始粒子对应的仿真电压、仿真电流、仿真频率和仿真功率。
S13、分别计算电压、电流、频率和功率对应的曲线欧式距离值。
S14、分别计算仿真电压、仿真电流、仿真频率和仿真功率对应的曲线导数欧式距离值。
S15、计算全部曲线欧式距离值与全部曲线导数欧式距离值的和值,得到初始粒子对应的粒子适应度。
S16、当获取初始粒子种群对应的全部粒子适应度时,实时统计进化次数。
对于第t次进化次数的初始粒子种群,计算该初始粒子种群中各初始粒子的粒子适应度。该进化次数下,第i个粒子适应度指标的粒子适应度计算公式如下所示:
其中,为电压,为电流,为频率,为功率,为仿真电压,为仿真电流,为仿真频率,为仿真功率,为第j个粒子对应的电压,为第j个粒子对应的电流,为第j个粒子对应的频率,为第j个粒子对应的电压,为第t次进化次数下第i个粒子对应的仿真电压,为第t次进化次数下第i个粒子对应的仿真电流,为第t次进化次数下第i个粒子对应的仿真频率,为第t次进化次数下第i个粒子对应的仿真功率。
在本发明实施例中,粒子适应度包括电压、电流、频率和功率曲线的欧式距离大小以及仿真电压、仿真电流、仿真频率和仿真功率曲线导数的欧式距离大小。通过获取各初始粒子对应的电压、电流、频率和功率以及获取对应的仿真电压、仿真电流、仿真频率和仿真功率。然后分别计算电压、电流、频率和功率对应的曲线欧式距离值,分别计算仿真电压、仿真电流、仿真频率和仿真功率对应的曲线导数欧式距离值,相当于采用上述粒子适应度计算公式分别计算初始粒子种群内各初始粒子对应的粒子适应度,并在计算得到初始粒子种群对应的全部粒子适应度时,实时统计进化次数即进化次数累加一次。
步骤204、根据粒子适应度、进化次数和预设的最大进化次数,得到负荷模型对应的初始模型参数辨识集。
进一步地,步骤204可以包括以下子步骤S21-S26:
S21、基于进化次数,分别选取初始粒子对应的粒子适应度最小值作为个体极值点。
S22、采用全部个体极值点作为初始粒子种群对应的种群极值点。
S23、根据个体极值点、种群极值点和初始粒子,确定对应的目标粒子。
S24、判断进化次数是否等于预设的最大进化次数。
S25、若是,则种群极值点对应的种群位置向量作为初始模型参数辨识集。
S26、若否,则将目标粒子作为初始粒子,跳转执行基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,直至进化次数等于预设的最大进化次数。
个体极值点是指该初始粒子从初始进化次数至当前进化次数对应的全部粒子适应度值中的最小值。种群极值点是指当前进化次数对应的全部初始粒子对应的个体极值点中的最小值。预设的最大进化次数是指基于实际需要设定的初始粒子最大进化次数对应的临界值。
在本发明实施例中,对于种群中的初始粒子i,确定粒子i至第t次进化次数为止的个体极值点,记录其个体位置向量,同时,确定至第t次进化次数为止的种群极值点,记录其种群位置向量。通过个体位置向量和种群位置向量确定初始粒子对应的目标粒子,并判断进化次数是否等于预设的最大进化次数,若是,则种群极值点对应的种群位置向量作为初始模型参数辨识集。若否,则将目标粒子作为初始粒子,跳转执行基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,直至进化次数等于预设的最大进化次数。
进一步地,步骤S23可以包括以下子步骤S231-S233:
S231、分别获取各初始粒子对应的个体极值点对应的个体位置向量和种群极值点对应的种群位置向量。
S232、采用个体位置向量和种群位置向量,计算初始粒子对应的目标速度向量;
计算公式如下:
其中,为目标速度向量,为当前时刻第i个粒子的初始速度向量,为加权系数,取值为0.1~0.9,和为加速因子,和为0~1之间的随机数,t代表当前时刻,为当前时刻第i个粒子对应的个体位置向量,为当前时刻第i个粒子对应的位置向量,为当前时刻初始粒子种群对应的种群位置向量;
S233、采用目标速度向量更新对应的初始粒子,得到对应的目标粒子。
在本发明实施例中,将每个初始粒子对应的个体位置向量和种群位置向量分别代入上述计算公式,计算得到该初始粒子对应的目标速度向量。计算第t+1次进化次数对应的初始粒子种群体中各初始粒子的位置向量,针对第i个初始粒子,其位置向量更新公式如下:
将通过目标速度向量更新后的初始粒子即位置向量更新后的初始粒子作为目标粒子。
步骤205、根据初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。
进一步地,步骤205可以包括以下子步骤S31-S33:
S31、将初始模型参数辨识集进行数据仿真,得到辨识集仿真数据。
S32、计算辨识集仿真数据与负荷节点数据对应的实际负荷量测数据的差值,得到对应的辨识集差值数据。
S33、采用初始模型参数辨识集和辨识集差值数据,构建负荷模型对应的中间模型参数辨识集。
在本发明实施例中,基于初始模型参数辨识集,结合该参数下对应的负荷模型仿真结果,并计算出负荷模型仿真结果与实际电网量测数据,在电压、电流、频率、功率等指标上的差值,,,。采用初始模型参数辨识集和辨识集差值数据构建负荷模型对应的中间模型参数辨识集。
步骤206、通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。
进一步地,本方法还包括以下步骤:
获取多个负荷模型待辨识参数和对应的负荷模型实际参数;
采用粒子群算法分别计算负荷模型待辨识参数对应的负荷模型初步辨识参数;
将负荷模型初步辨识参数分别进行仿真,得到负荷模型初步辨识参数对应的负荷模型仿真数据;
分别计算负荷模型仿真数据与负荷模型实际参数对应的实际模型量测数据的差值,得到对应的量测差值;
采用全部负荷模型初步辨识参数和量测差值,构建模型输入特征;
采用极限学习算法和模型输入特征训练预设的初始参数测辨模型,得到目标参数测辨模型;
将目标参数测辨模型作为参数测辨模型。
在本发明实施例中,预设的参数测辨模型的构建方法如下:
步骤一、采用极限学习机算法构建初始参数测辨模型,其基本结构如图3所示,包括输入层、隐含层和输出层。
步骤二、获取多个负荷模型待辨识参数,采用粒子群算法分别计算负荷模型待辨识参数对应的负荷模型初步辨识参数。收集负荷模型初步辨识参数、负荷模型实际参数,计算负荷模型初步辨识参数对应的负荷模型仿真结果与负荷模型实际参数对应的实际模型量测数据,在电压、电流、频率、功率方面的差值,将其整理为训练样本集,其中负荷模型初步辨识参数与电压、电流、频率、功率差值共同组成模型输入特征,负荷模型实际参数为输出目标。
步骤三、通过极限学习机算法进行训练,确定最优的极限学习机隐层节点数,生成参数测辨模型对应的权重参数矩阵以及偏置向量。具体训练过程为首先,设置隐层节点数i,并设置隐层节点数的搜索区间[a,b]。其次,启动隐层节点数i下的极限学习机训练算法。极限学习机随机生成输入层的权重参数矩阵以及偏置向量(此轮生成后,输入权重参数矩阵以及偏置向量就已经确定);利用训练数据,通过广义逆矩阵,可以求出在该隐层节点i下极限学习机模型中输出层的权重参数矩阵;此时模型即训练完成,通过验证集进行效果测试,产生验证误差epsilon-i。最后,设置i在搜索区间[a,b]中遍历,运行上一步骤中的模型训练过程,则不同节点数下的验证误差成为集合{epsilon-a,epsilon-a+1,…,epsilon-b},找到最小的那个epsilon-min对应的节点数;则最优节点数生成,通过上一步骤的模型训练过程,就可以获得权重参数矩阵以及偏置向量。
步骤四、采用权重参数矩阵以及偏置向量构建目标参数测辨模型,并将目标参数测辨模型作为参数测辨模型。
例如:在PSASP仿真软件中,设置静态负荷模型,其中恒功率、恒电流、恒阻抗的占比分别为0.2,0.2,0.6。假设静态负荷模型中,恒功率、恒电流、恒阻抗占比的典型值为0.4,0.3,0.3。以此典型值为基础,对本专利所提的负荷模型参数两阶段辨识方法进行测试验证。
(1)第一阶段:基于粒子群算法的初步辨识
设置粒子群算法的最大计算次数为50,初始粒子种群中的初始粒子个数为20,其最优粒子适应度指标的变化如图4所示,以迭代次数作为横坐标,以适应度指标作为纵坐标。从图中可以看出,在计算的初始阶段粒子群算法的适应度指标下降速度较快,而迭代次数达到40次以后,适应度指标的变化趋缓,粒子群算法的计算效率下降。在本测试案例中,负荷模型参数经过10个计算步辨识后,恒功率、恒电流、恒阻抗的占比分别为0.351,0.134,0.515,计算时间为246.38s。而经过100个计算步辨识后,恒功率、恒电流、恒阻抗的占比分别为0.205,0.211,0.584,计算时间为3249.88s。
(2)第二阶段:基于极限学习机算法的参数校正
利用仿真生成1000组训练数据,通过极限学习机算法对训练集进行训练,选取最优节点数为483。利用生成的负荷模型参数校正模型,对经粒子群算法初步辨识的负荷模型参数进行校正,校正结果表明恒功率、恒电流、恒阻抗的占比分别为0.201,0.206,0.593,计算时间为0.05s。
从以上的结果可以看出,所提的两阶段负荷模型参数辨识方法,在计算精度上优于仅依靠粒子群算法的方法,而且在计算效率上体现出极大的优势,说明了所提方法在负荷模型参数辨识中应用的效果。
在本发明实施例中,通过响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过负荷模型对负荷节点数据进行数据仿真,得到对应的节点仿真数据。在预设的赋值区间内,基于预设赋值次数和待辨识负荷模型参数集,确定初始粒子种群。基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数。基于粒子适应度、进化次数和预设的最大进化次数,得到负荷模型对应的初始模型参数辨识集。基于初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集。通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。在针对非线性或者复杂性较强的负荷模型进行参数辨识时,可以在节约计算时间的基础上,大幅度提高计算结果的准确性,能够实现计算速度与计算准确性的均衡,适合于负荷参数辨识的在线应用。
请参阅图5,图5为本发明实施例三提供的一种负荷模型参数辨识系统的结构框图。
本发明实施例提供一种负荷模型参数辨识系统,包括:
节点仿真数据得到模块501,用于响应接收到的负荷模型对应的负荷节点数据和待辨识负荷模型参数集,采用负荷节点数据进行数据仿真,得到对应的节点仿真数据;
初始模型参数辨识集得到模块502,用于根据节点仿真数据、待辨识负荷模型参数集和粒子群算法,得到负荷模型对应的初始模型参数辨识集;
中间模型参数辨识集得到模块503,用于根据初始模型参数辨识集和负荷节点数据,得到负荷模型对应的中间模型参数辨识集;
目标模型参数辨识集得到模块504,用于通过预设的参数测辨模型对中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集。
可选地,初始模型参数辨识集得到模块502包括:
初始粒子种群确定模块,用于在预设的赋值区间内,基于预设赋值次数和待辨识负荷模型参数集,确定初始粒子种群。
粒子适应度和实时统计进化次数确定模块,用于基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数。
初始模型参数辨识集得到子模块,用于根据粒子适应度、进化次数和预设的最大进化次数,得到负荷模型对应的初始模型参数辨识集。
可选地,负荷节点数据包括电压、电流、频率和功率;节点仿真数据包括仿真电压、仿真电流、仿真频率和仿真功率。粒子适应度和实时统计进化次数确定模块可以执行以下步骤:
分别获取各初始粒子对应的电压、电流、频率和功率;
分别获取各初始粒子对应的仿真电压、仿真电流、仿真频率和仿真功率;
分别计算电压、电流、频率和功率对应的曲线欧式距离值;
分别计算仿真电压、仿真电流、仿真频率和仿真功率对应的曲线导数欧式距离值;
计算全部曲线欧式距离值与全部曲线导数欧式距离值的和值,得到初始粒子对应的粒子适应度;
当获取初始粒子种群对应的全部粒子适应度时,实时统计进化次数。
可选地,初始模型参数辨识集得到子模块可以执行以下步骤:
基于进化次数,分别选取初始粒子对应的粒子适应度最小值作为个体极值点;
采用全部个体极值点作为初始粒子种群对应的种群极值点;
根据个体极值点、种群极值点和初始粒子,确定对应的目标粒子;
判断进化次数是否等于预设的最大进化次数;
若是,则种群极值点对应的种群位置向量作为初始模型参数辨识集;
若否,则将目标粒子作为初始粒子,跳转执行基于负荷节点数据和节点仿真数据,确定初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,直至进化次数等于预设的最大进化次数。
可选地,根据个体极值点、种群极值点和初始粒子,确定对应的目标粒子的步骤还可以包括以下步骤:
分别获取各初始粒子对应的个体极值点对应的个体位置向量和种群极值点对应的种群位置向量;
采用个体位置向量和种群位置向量,计算初始粒子对应的目标速度向量;
计算公式如下:
其中,为目标速度向量,为当前时刻第i个粒子的初始速度向量,为加权系数,取值为0.1~0.9,和为加速因子,和为0~1之间的随机数,t代表当前时刻,为当前时刻第i个粒子对应的个体位置向量,为当前时刻第i个粒子对应的位置向量,为当前时刻初始粒子种群对应的种群位置向量;
采用目标速度向量更新对应的初始粒子,得到对应的目标粒子。
可选地,中间模型参数辨识集得到模块503包括:
辨识集仿真数据得到模块,用于将初始模型参数辨识集进行数据仿真,得到辨识集仿真数据。
辨识集差值数据得到模块,用于计算辨识集仿真数据与负荷节点数据对应的实际负荷量测数据的差值,得到对应的辨识集差值数据。
中间模型参数辨识集得到子模块,用于采用初始模型参数辨识集和辨识集差值数据,构建负荷模型对应的中间模型参数辨识集。
可选地,系统还包括:
负荷模型待辨识参数和负荷模型实际参数获取模块,用于获取多个负荷模型待辨识参数和对应的负荷模型实际参数。
负荷模型初步辨识参数计算模块,用于采用粒子群算法分别计算负荷模型待辨识参数对应的负荷模型初步辨识参数。
负荷模型仿真数据得到模块,用于将负荷模型初步辨识参数分别进行仿真,得到负荷模型初步辨识参数对应的负荷模型仿真数据。
量测差值计算模块,用于分别计算负荷模型仿真数据与负荷模型实际参数对应的实际模型量测数据的差值,得到对应的量测差值。
模型输入特征构建模块,用于采用全部负荷模型初步辨识参数和量测差值,构建模型输入特征。
目标参数测辨模型得到模块,用于采用极限学习算法和模型输入特征训练预设的初始参数测辨模型,得到目标参数测辨模型。
参数测辨模型得到模块,用于将目标参数测辨模型作为参数测辨模型。
本发明实施例还提供了一种电子设备,电子设备包括:存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的负荷模型参数辨识方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的负荷模型参数辨识方法中的各个步骤。
本发明实施例还提供了一种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实施例的负荷模型参数辨识方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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。
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 (9)
1.一种负荷模型参数辨识方法,其特征在于,包括:
响应接收到的负荷节点数据和负荷模型对应的待辨识负荷模型参数集,通过所述负荷模型对所述负荷节点数据进行数据仿真,得到对应的节点仿真数据;
根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集;
根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集;
通过预设的参数测辨模型对所述中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集;
所述方法还包括:
获取多个负荷模型待辨识参数和对应的负荷模型实际参数;
采用所述粒子群算法分别计算所述负荷模型待辨识参数对应的负荷模型初步辨识参数;
将所述负荷模型初步辨识参数分别进行仿真,得到所述负荷模型初步辨识参数对应的负荷模型仿真数据;
分别计算所述负荷模型仿真数据与所述负荷模型实际参数对应的实际模型量测数据的差值,得到对应的量测差值;
采用全部所述负荷模型初步辨识参数和所述量测差值,构建模型输入特征;
采用极限学习算法和所述模型输入特征训练预设的初始参数测辨模型,得到目标参数测辨模型;
将所述目标参数测辨模型作为所述预设的参数测辨模型。
2.根据权利要求1所述的负荷模型参数辨识方法,其特征在于,所述根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集的步骤,包括:
在预设的赋值区间内,基于预设赋值次数和所述待辨识负荷模型参数集,确定初始粒子种群;
基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数;
根据所述粒子适应度、所述进化次数和预设的最大进化次数,得到所述负荷模型对应的初始模型参数辨识集。
3.根据权利要求2所述的负荷模型参数辨识方法,其特征在于,所述负荷节点数据包括电压、电流、频率和功率;所述节点仿真数据包括仿真电压、仿真电流、仿真频率和仿真功率;所述基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,包括:
分别获取各所述初始粒子对应的电压、电流、频率和功率;
分别获取各所述初始粒子对应的仿真电压、仿真电流、仿真频率和仿真功率;
分别计算所述电压、所述电流、所述频率和所述功率对应的曲线欧式距离值;
分别计算所述仿真电压、所述仿真电流、所述仿真频率和所述仿真功率对应的曲线导数欧式距离值;
计算全部所述曲线欧式距离值与全部所述曲线导数欧式距离值的和值,得到所述初始粒子对应的粒子适应度;
当获取所述初始粒子种群对应的全部所述粒子适应度时,实时统计进化次数。
4.根据权利要求2所述的负荷模型参数辨识方法,其特征在于,所述根据所述粒子适应度、所述进化次数和预设的最大进化次数,得到所述负荷模型对应的初始模型参数辨识集的步骤,包括:
基于所述进化次数,分别选取所述初始粒子对应的粒子适应度最小值作为个体极值点;
采用全部所述个体极值点作为所述初始粒子种群对应的种群极值点;
根据所述个体极值点、所述种群极值点和所述初始粒子,确定对应的目标粒子;
判断所述进化次数是否等于预设的最大进化次数;
若是,则所述种群极值点对应的种群位置向量作为初始模型参数辨识集;
若否,则将所述目标粒子作为所述初始粒子,跳转执行所述基于所述负荷节点数据和所述节点仿真数据,确定所述初始粒子种群内各初始粒子对应的粒子适应度并实时统计进化次数的步骤,直至所述进化次数等于预设的最大进化次数。
5.根据权利要求4所述的负荷模型参数辨识方法,其特征在于,所述根据所述个体极值点、所述种群极值点和所述初始粒子,确定对应的目标粒子的步骤,包括:
分别获取各所述初始粒子对应的所述个体极值点对应的个体位置向量和所述种群极值点对应的种群位置向量;
采用所述个体位置向量和所述种群位置向量,计算所述初始粒子对应的目标速度向量;
计算公式如下:
其中,为目标速度向量,为当前时刻第i个粒子的初始速度向量,为加权系数,取值为0.1~0.9,和为加速因子,和为0~1之间的随机数,t代表当前时刻,为当前时刻第i个粒子对应的个体位置向量,为当前时刻第i个粒子对应的位置向量,为当前时刻初始粒子种群对应的种群位置向量;
采用所述目标速度向量更新对应的所述初始粒子,得到对应的目标粒子。
6.根据权利要求1所述的负荷模型参数辨识方法,其特征在于,所述根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集的步骤,包括:
将所述初始模型参数辨识集进行数据仿真,得到辨识集仿真数据;
计算所述辨识集仿真数据与所述负荷节点数据对应的实际负荷量测数据的差值,得到对应的辨识集差值数据;
采用所述初始模型参数辨识集和所述辨识集差值数据,构建所述负荷模型对应的中间模型参数辨识集。
7.一种负荷模型参数辨识系统,其特征在于,包括:
节点仿真数据得到模块,用于响应接收到的负荷模型对应的负荷节点数据和待辨识负荷模型参数集,采用所述负荷节点数据进行数据仿真,得到对应的节点仿真数据;
初始模型参数辨识集得到模块,用于根据所述节点仿真数据、所述待辨识负荷模型参数集和粒子群算法,得到所述负荷模型对应的初始模型参数辨识集;
中间模型参数辨识集得到模块,用于根据所述初始模型参数辨识集和所述负荷节点数据,得到所述负荷模型对应的中间模型参数辨识集;
目标模型参数辨识集得到模块,用于通过预设的参数测辨模型对所述中间模型参数辨识集进行校正,得到负荷模型对应的目标模型参数辨识集;
所述系统还包括:
负荷模型待辨识参数和负荷模型实际参数获取模块,用于获取多个负荷模型待辨识参数和对应的负荷模型实际参数;
负荷模型初步辨识参数计算模块,用于采用所述粒子群算法分别计算所述负荷模型待辨识参数对应的负荷模型初步辨识参数;
负荷模型仿真数据得到模块,用于将所述负荷模型初步辨识参数分别进行仿真,得到所述负荷模型初步辨识参数对应的负荷模型仿真数据;
量测差值计算模块,用于分别计算所述负荷模型仿真数据与所述负荷模型实际参数对应的实际模型量测数据的差值,得到对应的量测差值;
模型输入特征构建模块,用于采用全部所述负荷模型初步辨识参数和所述量测差值,构建模型输入特征;
目标参数测辨模型得到模块,用于采用极限学习算法和所述模型输入特征训练预设的初始参数测辨模型,得到目标参数测辨模型;
参数测辨模型得到模块,用于将所述目标参数测辨模型作为所述预设的参数测辨模型。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-6任一项所述的负荷模型参数辨识方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-6任一项所述的负荷模型参数辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359208.3A CN115408949B (zh) | 2022-11-02 | 2022-11-02 | 一种负荷模型参数辨识方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359208.3A CN115408949B (zh) | 2022-11-02 | 2022-11-02 | 一种负荷模型参数辨识方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115408949A CN115408949A (zh) | 2022-11-29 |
CN115408949B true CN115408949B (zh) | 2023-02-17 |
Family
ID=84169209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359208.3A Active CN115408949B (zh) | 2022-11-02 | 2022-11-02 | 一种负荷模型参数辨识方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408949B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117976B (zh) * | 2023-10-25 | 2024-03-05 | 广东电网有限责任公司中山供电局 | 一种双馈感应风力发电机参数辨识方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
CN110350540A (zh) * | 2019-05-28 | 2019-10-18 | 广东电网有限责任公司电力调度控制中心 | 一种基于在线估计负荷频率特性的精细切负荷方法 |
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN112290538A (zh) * | 2020-09-30 | 2021-01-29 | 天津大学 | 基于聚合-辨识双层架构的负荷模型参数在线修正方法 |
CN112419093A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 基于聚类算法的负荷模型特征参数提取方法和装置 |
CN112907075A (zh) * | 2021-02-20 | 2021-06-04 | 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 |
CN113901649A (zh) * | 2021-09-28 | 2022-01-07 | 国网江苏省电力有限公司 | 一种频率仿真中负荷参数辨识方法、系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786524B (zh) * | 2016-12-19 | 2019-07-26 | 清华大学 | 基于类噪声信号及改进差分进化的负荷模型参数辨识方法 |
US11900031B2 (en) * | 2019-08-15 | 2024-02-13 | State Grid Smart Research Institute Co., Ltd. | Systems and methods of composite load modeling for electric power systems |
-
2022
- 2022-11-02 CN CN202211359208.3A patent/CN115408949B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
CN110350540A (zh) * | 2019-05-28 | 2019-10-18 | 广东电网有限责任公司电力调度控制中心 | 一种基于在线估计负荷频率特性的精细切负荷方法 |
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN112290538A (zh) * | 2020-09-30 | 2021-01-29 | 天津大学 | 基于聚合-辨识双层架构的负荷模型参数在线修正方法 |
CN112419093A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 基于聚类算法的负荷模型特征参数提取方法和装置 |
CN112907075A (zh) * | 2021-02-20 | 2021-06-04 | 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 |
CN113901649A (zh) * | 2021-09-28 | 2022-01-07 | 国网江苏省电力有限公司 | 一种频率仿真中负荷参数辨识方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于粒子群算法的负荷模型参数辨识研究;刘影等;《四川电力技术》;20160220(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115408949A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596492A (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN110659722A (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN110889111A (zh) | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN110413878B (zh) | 基于自适应弹性网络的用户-商品偏好的预测装置和方法 | |
TW202135371A (zh) | 模擬電池構築方法及模擬電池構築裝置 | |
CN110443724A (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
CN109951468A (zh) | 一种基于f值优化的网络攻击检测方法与系统 | |
CN112364942A (zh) | 信贷数据样本均衡方法、装置、计算机设备及存储介质 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
Kontis et al. | Generic dynamic load models using artificial neural networks | |
CN110703038B (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |