RU2809920C1 - Method for determining static characteristics of voltage load according to passive experiment measurements - Google Patents
Method for determining static characteristics of voltage load according to passive experiment measurements Download PDFInfo
- Publication number
- RU2809920C1 RU2809920C1 RU2023103094A RU2023103094A RU2809920C1 RU 2809920 C1 RU2809920 C1 RU 2809920C1 RU 2023103094 A RU2023103094 A RU 2023103094A RU 2023103094 A RU2023103094 A RU 2023103094A RU 2809920 C1 RU2809920 C1 RU 2809920C1
- Authority
- RU
- Russia
- Prior art keywords
- voltage
- load
- active
- coefficients
- measurements
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 230000003068 static effect Effects 0.000 title claims abstract description 33
- 238000002474 experimental method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims description 18
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012886 linear function Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 244000309464 bull Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Abstract
Description
Способ относится к области измерений в электроэнергетике и электротехнике и может быть использован для определения статических характеристик нагрузки по напряжению, которые представляют в виде линейных моделей для активной и реактивной мощностей с коэффициентами аппроксимации a0, a1 и b0, b1 соответственно.The method relates to the field of measurements in the power industry and electrical engineering and can be used to determine the static characteristics of the voltage load, which are presented in the form of linear models for active and reactive powers with approximation coefficients a 0 , a 1 and b 0 , b 1, respectively.
Известны способы определения статических характеристик нагрузки по напряжению [Панкратов А.В., Хрущев Ю.В., Бацева Н.Л., Полищук В.И., Гофман А.В. Способ определения статических характеристик нагрузки по напряжению. Пат.2584338, Российская Федерация, МПК51 GOLR 01 21/133. Заявитель и патентообладатель АО «СО ЕЭС». - №2015107215/28, опубл. 20.05.2016. Бюл. №14. - 11 с.: ил.]; [Панкратов А.В., Хрущев Ю.В., Бацева Н.Л., Полищук В.И., Гофман А.В. Способ определения статических характеристик нагрузки по напряжению с защитой от аномальных искажений. Пат. 2573171 Российская Федерация МПК51 GOLR 01 21/133. - №20145422/28, опубл. 20.01.2016. Бюл. №2. - 12 с.: ил.], применимые для определения статических характеристик нагрузки по напряжению по измерениям не пассивного, а активного эксперимента.There are known methods for determining the static characteristics of the load by voltage [Pankratov A.V., Khrushchev Yu.V., Batseva N.L., Polishchuk V.I., Goffman A.V. Method for determining static load voltage characteristics. Pat. 2584338, Russian Federation, IPC 51 GOLR 01 21/133. Applicant and patent holder JSC SO UES. - No. 2015107215/28, publ. 05/20/2016. Bull. No. 14. - 11 p.: ill.]; [Pankratov A.V., Khrushchev Yu.V., Batseva N.L., Polishchuk V.I., Goffman A.V. A method for determining the static voltage characteristics of a load with protection against abnormal distortions. Pat. 2573171 Russian Federation IPC 51 GOLR 01 21/133. - No. 20145422/28, publ. 01/20/2016. Bull. No. 2. - 12 p.: ill.], applicable to determine the static characteristics of the voltage load according to measurements of not a passive, but an active experiment.
В отличие от активного эксперимента в пассивном эксперименте не предполагается внешнего вмешательства в работу энергосистемы, а сам эксперимент заключается в получении измерений в узле нагрузки за длительный промежуток времени. При обработке измерений обычное построение линии регрессии не позволит получить точную статическую характеристику нагрузки по напряжению, так как мощность нагрузки, измеряемая при проведении пассивного эксперимента, имеет высокую дисперсию, обусловленную различными состояниями нагрузки. Кроме того, значительные колебания мощности нагрузки приводят к необходимости учета влияния внешней электрической сети, заключающегося в изменении напряжения в узле нагрузки под действием этих колебаний [Гуревич Ю.Е., Либова Л.Е. Применение математических моделей электрической нагрузки в расчетах энергосистем и надежности электроснабжения промышленных потребителей. - М.: изд-во ЭЛЕКС-КМ, 2008. - с. 222-227].Unlike an active experiment, a passive experiment does not involve external interference in the operation of the power system, and the experiment itself consists of obtaining measurements at a load node over a long period of time. When processing measurements, the usual construction of a regression line will not allow one to obtain an accurate static voltage characteristic of the load, since the load power measured during a passive experiment has a high dispersion due to different load states. In addition, significant fluctuations in load power lead to the need to take into account the influence of the external electrical network, which consists in changing the voltage in the load node under the influence of these fluctuations [Gurevich Yu.E., Libova L.E. Application of mathematical models of electrical load in calculations of power systems and reliability of power supply to industrial consumers. - M.: publishing house ELEX-KM, 2008. - p. 222-227].
Известен способ определения статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента [Гуревич Ю.Е., Либова Л.Е. Применение математических моделей электрической нагрузки в расчетах энергосистем и надежности электроснабжения промышленных потребителей. - М.: изд-во ЭЛЕКС-КМ, 2008. - с. 227-232], в котором измерения напряжения, активной и реактивной мощностей, получаемые в узле нагрузки, преобразуют в относительные изменения этих величин - в отклонения от средних значений. Далее выполняют преобразование отклонений для учета влияния внешней электрической сети. Учет влияния внешней электрической сети выполняют с помощью коэффициентов kP и kQ, отражающих изменение напряжения под действием изменения активной и реактивной мощностей нагрузки. Расчет коэффициентов kp и kQ производят путем задания приращения активной мощности и пропорционального ему приращения реактивной мощности нагрузки в расчетной модели энергосистемы (энергорайона) с последующей фиксацией изменения напряжения, затем величины переводят в относительные единицы, и далее выполняют деление относительного изменения напряжения на относительное приращение активной мощности, получая kP, или реактивной мощности, получая kQ. Затем коэффициенты kP и kQ в относительных единицах используют для тригонометрического преобразования отклонений от средних значений напряжения, активной и реактивной мощностей. Далее для преобразованных отклонений вычисляют параметры распределения: дисперсию отклонений напряжения DΔU', и корреляционные моменты активной и реактивной мощностей и напряжения КΔU'ΔP' и KΔU'ΔQ', по которым вычисляют коэффициенты и Итоговые коэффициенты а1 и b1 получают путем преобразования коэффициентов и с использованием коэффициентов kP и kQ, исходя из их геометрического представления как тангенсов углов наклона линий регрессии преобразованных отклонений от среднего значения активной и реактивной мощностей на преобразованные отклонения от среднего напряжения и тангенсов углов поворота координатных осей для преобразованных отклонений по активной и реактивной мощностям соответственно. При этом угол наклона итоговой линии регрессии представляет собой сумму угла наклона линии регрессии, полученной с учетом влияния внешней электрической сети, и угла, на который поворачиваются оси координат при его наличии. Полученная итоговая линия регрессии используется в качестве статической характеристики нагрузки по напряжению.There is a known method for determining the static characteristics of a voltage load from measurements of a passive experiment [Gurevich Yu.E., Libova L.E. Application of mathematical models of electrical load in calculations of power systems and reliability of power supply to industrial consumers. - M.: publishing house ELEX-KM, 2008. - p. 227-232], in which measurements of voltage, active and reactive powers obtained at the load node are converted into relative changes in these quantities - into deviations from average values. Next, deviations are converted to take into account the influence of the external electrical network. The influence of the external electrical network is taken into account using the coefficients k P and k Q , reflecting the change in voltage under the influence of changes in the active and reactive power of the load. The calculation of the coefficients k p and k Q is carried out by specifying the increment of active power and the proportional increment of reactive power of the load in the calculation model of the power system (energy district), followed by recording the voltage change, then the values are converted into relative units, and then the relative change in voltage is divided by the relative increment active power, getting k P , or reactive power, getting k Q. Then the coefficients k P and k Q in relative units are used for trigonometric conversion of deviations from the average values of voltage, active and reactive powers. Next, for the converted deviations, the distribution parameters are calculated: the dispersion of voltage deviations D ΔU' , and the correlation moments of active and reactive power and voltage K ΔU'ΔP' and K ΔU'ΔQ' , from which the coefficients are calculated And The final coefficients a 1 and b 1 are obtained by converting the coefficients And using the coefficients k P and k Q , based on their geometric representation as the tangents of the slope angles of the regression lines of the converted deviations from the average value of active and reactive powers onto the converted deviations from the average voltage and the tangents of the rotation angles of the coordinate axes for the converted deviations in active and reactive powers, respectively . In this case, the slope of the final regression line is the sum of the slope of the regression line, obtained taking into account the influence of the external electrical network, and the angle by which the coordinate axes rotate if it is present. The resulting final regression line is used as a static load voltage characteristic.
Этот способ является наиболее близким по назначению и техническому результату относительно предлагаемого, поэтому выбран в качестве прототипа.This method is the closest in purpose and technical result to the proposed one, therefore it was chosen as a prototype.
Прототип не позволяет минимизировать высокую дисперсию мощности, из-за того, что необходимо вручную выделять стационарные состояния нагрузки на основе анализа зависимостей параметров режима в узле нагрузки от времени. Кроме того, для учета влияния внешней электрической сети на параметры режима в узле нагрузки в прототипе предлагается преобразовать каждое отдельное измерение напряжения и мощности, что не позволяет использовать прототип при определении статических характеристик нагрузки по напряжению в режиме реального времени.The prototype does not allow minimizing high power dispersion, due to the fact that it is necessary to manually identify stationary load states based on an analysis of the dependences of the mode parameters in the load node on time. In addition, to take into account the influence of the external electrical network on the mode parameters in the load node, the prototype proposes to convert each individual voltage and power measurement, which does not allow the prototype to be used in determining the static voltage characteristics of the load in real time.
Способы, позволяющие определять статические характеристики нагрузки по напряжению в условиях высокой дисперсии по мощности и отсутствия информации о состояниях нагрузки в пассивном эксперименте, на сегодняшний день не известны.Methods that make it possible to determine the static voltage characteristics of a load under conditions of high power dispersion and the lack of information about load states in a passive experiment are not known to date.
Задачей изобретения является разработка способа, позволяющего определять статические характеристики нагрузки по напряжению в условиях отсутствия информации о состояниях нагрузки, учесть влияние внешней электрической сети на параметры режима в узле нагрузки без необходимости преобразования каждого измерения напряжения и мощностей в узле нагрузки.The objective of the invention is to develop a method that makes it possible to determine the static characteristics of the load by voltage in the absence of information about the load conditions, to take into account the influence of the external electrical network on the mode parameters in the load node without the need to convert each measurement of voltage and power in the load node.
Требуемый технический результат заключается в определении статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента при наличии высокой дисперсии по мощности и отсутствии информации о состояниях нагрузки.The required technical result is to determine the static characteristics of the load in terms of voltage from measurements of a passive experiment in the presence of high power dispersion and the absence of information about the load states.
Поставленная задача решается, а требуемый технический результат достигается тем что, в способе, основанном на статистической обработке измерений согласно изобретению от измерительных устройств получают измерения напряжения, активной и реактивной мощностей, выполняют фильтрацию измерений от аномальных измерений путем применения правила «трех сигм», приводят отфильтрованные измерения к общей оси времени обеспечением соответствия каждому измерению напряжения пары измерений активной и реактивной мощностей. Далее выполняют предварительную стандартизацию измерений по формуле (1):The task is solved, and the required technical result is achieved by the fact that, in a method based on statistical processing of measurements according to the invention, measurements of voltage, active and reactive powers are obtained from measuring devices, measurements are filtered from anomalous measurements by applying the “three sigma” rule, filtered measurements to a common time axis by ensuring that each voltage measurement corresponds to a pair of active and reactive power measurements. Next, preliminary standardization of measurements is performed according to formula (1):
где хi - стандартизированное i-ое измерение; Xi - исходное значение i-го измерения; - математическое ожидание (выборочное среднее) исходного массива t измерений; - среднеквадратическое отклонение исходного массива t измерений. Затем к стандартизованным измерениям применяют алгоритм для определения числа состояний нагрузки (кластеров) - алгоритм Сьюгер-Джеймса, запуская кластеризацию k-средних для k=2,…,m, кластеров, где m - максимальное число кластеров и для каждого значения к вычисляют соответствующее значение внутрикластерной дисперсии (искажение) по формуле (2):where x i is the standardized i-th measurement; X i - initial value of the i-th measurement; - mathematical expectation (sample average) of the original array of t measurements; - standard deviation of the original array of t measurements. An algorithm is then applied to the standardized measurements to determine the number of load states (clusters) - the Suger-James algorithm, running k-means clustering for k=2,...,m, clusters, where m is the maximum number of clusters and for each value of k the corresponding value is calculated intracluster dispersion (distortion) according to formula (2):
где - число измерений, принадлежащих k-му кластеру; j - индекс параметра (1 - напряжение, 2 - активная мощность, 3 - реактивная мощность). Далее задают степень трансформации [Шалымов Д.С. Рандомизированный метод определения количества кластеров на множестве данных // Научно-технический вестник СПбГУ ИТМО. 2009. №5. С.111-116, Шалымов Д.С. Алгоритмы устойчивой кластеризации на основе индексных функций и функций устойчивости // В сб. «Стохастическая оптимизация в информатике» под ред. О.Н. Граничина. Вып.4. Изд-во С.-Петерб. ун-та. 2008. С.236-248], вычисляют значения скачков Jk по формуле (3):Where - number of measurements belonging to the kth cluster; j - parameter index (1 - voltage, 2 - active power, 3 - reactive power). Next, set the degree of transformation [Shalymov D.S. Randomized method for determining the number of clusters on a set of data // Scientific and Technical Bulletin of St. Petersburg State University ITMO. 2009. No. 5. P.111-116, Shalymov D.S. Algorithms for stable clustering based on index functions and stability functions // In collection. "Stochastic optimization in computer science" ed. HE. Border. Issue 4. Publishing house St. Petersburg. un-ta. 2008. P.236-248], calculate the values of jumps J k using formula (3):
Искомым числом кластеров в массиве измерений будет являться число, определяемое по формуле (4):The required number of clusters in the measurement array will be the number determined by formula (4):
Затем применяют EМ-алгоритм кластеризации с найденным числом кластеров n [Воронцов К.В., Потапенко А.А. Модификации ЕМ-алгоритма для вероятностного тематического моделирования // Машинное обучение и анализ данных. - 2013. - Т. 1, №6. - с. 657-686]. На is-шаге (expectation) выполняют вычисление ожидаемого значения вектора скрытых переменных G на основе текущего приближения вектора Θ, характеризующего параметры смеси данных (элементы ковариационных матриц и весов кластеров). На М-шаге (maximization) решают оптимизационную задачу максимизации правдоподобия и находят следующее приближение вектора Θ по текущим значениям векторов G и Θ. Разделяют смесь измерений на кластеры, выполняя процедуру, обратную стандартизации, по формуле (5):Then the EM clustering algorithm is used with the found number of clusters n [Vorontsov K.V., Potapenko A.A. Modifications of the EM algorithm for probabilistic topic modeling // Machine learning and data analysis. - 2013. - T. 1, No. 6. - With. 657-686]. At the is-step (expectation), the expected value of the vector of hidden variables G is calculated based on the current approximation of the vector Θ, which characterizes the parameters of the data mixture (elements of covariance matrices and cluster weights). At the M-step (maximization), the optimization problem of likelihood maximization is solved and the next approximation of the vector Θ is found using the current values of the vectors G and Θ. Divide the mixture of measurements into clusters, performing the procedure inverse to standardization, according to formula (5):
и пересчитывают элементы ковариационных матриц кластеров по формуле (6):and recalculate the elements of the covariance matrices of the clusters according to formula (6):
где a, b - номера индексов, соответствующих размерностям массива измерений; - элемент ковариационной матрицы k-го кластера а-ой строки и 6-ого столбца, приведенный к исходным данным; - элемент ковариационной матрицы k-го кластера а-ой строки и b-ого столбца, полученный при кластеризации EМ-алгоритмом. Далее выполняют учет влияния внешней электрической сети на напряжение узла нагрузки преобразованием параметров распределения отобранных кластеров по соотношениям (7)-(12):where a, b are index numbers corresponding to the dimensions of the measurement array; - element of the covariance matrix of the k-th cluster of the a-th row and 6th column, reduced to the original data; - element of the covariance matrix of the k-th cluster of the a-th row and b-th column, obtained by clustering with the EM algorithm. Next, the influence of the external electrical network on the voltage of the load node is taken into account by transforming the distribution parameters of the selected clusters according to relations (7)-(12):
где , , - дисперсии соответственно напряжения, активной и реактивной мощностей k-го кластера, полученные в условиях влияния внешней электрической сети; , , - корреляционные моменты между напряжением и активной мощностью, напряжением и реактивной мощностью, активной и реактивной мощностями соответственно, полученные в условиях влияния внешней электрической сети; kP, kQ - коэффициенты влияния внешней электрической сети, определяемые как отношения малых приращений напряжения в узле нагрузки, вызванные приращениями активной и реактивной мощности нагрузки, к активной или реактивной мощности нагрузки соответственно. Вычисление kP и kQ выполняется так же, как и в прототипе с использованием расчетной модели энергосистемы или энергорайона, но без приведения к относительным единицам. Переменные без штриха соответствуют параметрам распределения, в которых выполнено исключение влияния внешней электрической сети. Далее для исключения влияния внешней электрической сети вычисляют определители найденных кластеров . Чем меньше значение , тем точки k-го кластера располагаются более плотно друг к другу. Затем осуществляют отбор значимых кластеров, для чего определяют максимальное значение веса кластера wmax и минимальное значение определителя ковариационной матрицы , рассчитывают среднеквадратичные отклонения σw и σ⏐k⏐ весов кластеров wk и определителей ковариационных матриц соответственно. Наиболее значимые кластеры будут иметь веса, определяемые согласно формуле (13):Where , , - dispersions, respectively, of voltage, active and reactive powers of the kth cluster, obtained under the influence of the external electrical network; , , - correlation moments between voltage and active power, voltage and reactive power, active and reactive power, respectively, obtained under the influence of an external electrical network; k P , k Q - coefficients of influence of the external electrical network, defined as the ratio of small voltage increments in the load node, caused by increments of active and reactive power of the load, to active or reactive power of the load, respectively. The calculation of k P and k Q is performed in the same way as in the prototype using a design model of a power system or energy district, but without reduction to relative units. Variables without a prime correspond to distribution parameters in which the influence of the external electrical network is excluded. Next, to exclude the influence of the external electrical network, the determinants of the found clusters are calculated . The lower the value , the points of the kth cluster are located more closely to each other. Then significant clusters are selected, for which the maximum value of the cluster weight w max and the minimum value of the determinant of the covariance matrix are determined , calculate the standard deviations σ w and σ ⏐k⏐ of the cluster weights w k and the determinants of the covariance matrices respectively. The most significant clusters will have weights determined according to formula (13):
а значения определителей ковариационных матриц, вычисляемые согласно формуле (14):and the values of the determinants of covariance matrices, calculated according to formula (14):
Далее выполняют расчет коэффициентов линейной регрессии, соответствующих коэффициентам линейной статической характеристики нагрузки по напряжению в именованных единицах по формулам (15):Next, calculate the linear regression coefficients corresponding to the coefficients of the linear static voltage load characteristic in named units according to formulas (15):
где , - коэффициенты наклона линий регрессии активной и реактивной мощностей на напряжение k-го кластера; , - значения активной и реактивной мощностей нагрузки k-го кластера при напряжении U=0, , , - математические ожидания напряжения, активной и реактивной мощностей k-го кластера. Затем выполняют преобразования коэффициентов , , , в относительные единицы по формулам (16):Where , - slope coefficients of regression lines of active and reactive powers on the voltage of the kth cluster; , - values of active and reactive load powers of the k-th cluster at voltage U=0, , , - mathematical expectations of voltage, active and reactive powers of the k-th cluster. Then the coefficients are transformed , , , into relative units according to formulas (16):
где РБАЗ и QБАЗ - базовые значения активной и реактивной мощностей k-го кластера, соответствующие активной и реактивной мощностям нагрузки при , определяемые по формулам (17):where P BAZ and Q BAZ are the basic values of the active and reactive powers of the k-th cluster, corresponding to the active and reactive powers of the load at , determined by formulas (17):
Итоговые значения коэффициентов а0, a1, b0, b1 линейной модели статических характеристик нагрузки по напряжению для активной и реактивной мощностей вычисляют как средневзвешенные значения соответствующих коэффициентов для выбранных n кластеров по формуле (18):The final values of the coefficients a 0 , a 1 , b 0 , b 1 of the linear model of the static voltage load characteristics for active and reactive powers are calculated as the weighted average values of the corresponding coefficients for selected n clusters according to formula (18):
где х - коэффициент а0, ах, b0 или b1.where x is the coefficient a 0 , a x , b 0 or b 1 .
В результате получают линейную статическую характеристику нагрузки по напряжению, коэффициенты которой равны средневзвешенным значениям коэффициентов линейной регрессии каждого отобранного кластера.As a result, a linear static voltage load characteristic is obtained, the coefficients of which are equal to the weighted average values of the linear regression coefficients of each selected cluster.
На чертежах представлены:The drawings show:
На фиг. 1 представлена схема устройства, реализующая предлагаемый способ определения статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента.In fig. Figure 1 shows a diagram of a device that implements the proposed method for determining the static characteristics of a voltage load from measurements of a passive experiment.
На фиг. 2 представлены результаты обработки измерений предлагаемым способом.In fig. Figure 2 presents the results of processing measurements using the proposed method.
В таблице 1 представлены измерения напряжения, активной и реактивной мощностей в узле нагрузки.Table 1 shows the measurements of voltage, active and reactive power at the load node.
В таблице 2 приведены результаты кластеризации измерений ЕМ-алгоритмом.Table 2 shows the results of clustering measurements using the EM algorithm.
В таблице 3 представлены результаты преобразования параметров распределения кластеров и выделены отобранные кластеры для расчета итоговой статической характеристики нагрузки по напряжению.Table 3 presents the results of converting the cluster distribution parameters and selects selected clusters for calculating the final static voltage load characteristic.
Предлагаемый способ определения статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента может быть реализован с помощью устройства (фиг. 1). Во вторичные цепи трансформатора Т1 подключено измерительное устройство 1, способное производить измерения напряжения, активной и реактивной мощностей, поступающие на входы измерительного устройства 1. Выходы измерительного устройства 1 соединены с входами блока накопления и предварительной обработки 2, в котором осуществляется накопление измерений, задание базисного напряжения узла нагрузки UБАЗ, фильтрация, приведение к общей оси времени, формирование общего массива измерений напряжения, активной и реактивной мощностей и стандартизация измерений за заданный интервал времени. Выход блока накопления и предварительной обработки 2 соединен с входами блока кластеризации 3 и блока расчетной модели 4. На вход блока кластеризации 3 также поступают значения с выхода блока расчетной модели 4. Выход блока кластеризации 3 соединен с входом блока расчета коэффициентов статической характеристики нагрузки по напряжению 5, который также соединен с выходом блока накопления и предварительной обработки 2, из которого в блок расчета коэффициентов статической характеристики нагрузки по напряжению 5 передается значение базисного напряжения.The proposed method for determining the static characteristics of the voltage load from measurements of a passive experiment can be implemented using a device (Fig. 1). A measuring device 1 is connected to the secondary circuits of transformer T1, capable of measuring voltage, active and reactive powers supplied to the inputs of the measuring device 1. The outputs of the measuring device 1 are connected to the inputs of the accumulation and preprocessing unit 2, in which the accumulation of measurements is carried out, setting the base voltage load node U BAZ , filtering, reduction to a common time axis, formation of a common array of measurements of voltage, active and reactive powers and standardization of measurements for a given time interval. The output of the accumulation and preprocessing block 2 is connected to the inputs of the clustering block 3 and the calculation model block 4. The input of the clustering block 3 also receives values from the output of the calculation model block 4. The output of the clustering block 3 is connected to the input of the block for calculating the coefficients of the static load characteristics of the voltage 5 , which is also connected to the output of the accumulation and preprocessing block 2, from which the value of the base voltage is transmitted to the block for calculating the coefficients of the static load characteristic for voltage 5.
В качестве примера приведен способ определения статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента для узла нагрузки предприятия АО «ЕВРАЗ ЗСМК», подключенного к шинам ПС 220 кВ Опорная-9. Нагрузка предприятия АО «ЕВРАЗ ЗСМК» имеет резкопеременный характер, обусловленный особенностями производства, что сопровождается значительным влиянием внешней электрической сети, а также наличием нескольких устойчивых состояний.As an example, a method is given for determining the static characteristics of the voltage load based on measurements of a passive experiment for the load node of the enterprise EVRAZ ZSMK JSC, connected to the busbars of the 220 kV substation Opornaya-9. The load of the enterprise of EVRAZ ZSMK JSC has a sharply variable nature, due to the characteristics of production, which is accompanied by a significant influence of the external electrical network, as well as the presence of several stable states.
Измеренные с помощью измерительного устройства 1 напряжения, активная и реактивная мощности нагрузки (табл.1) поступают на вход блока накопления и предварительной обработки 2, где выполняется их фильтрация по правилу «трех сигм», приведение к общей оси времени и стандартизация по формуле (1). Также в блок накопления и предварительной обработки вносится информация о базисном напряжении узла нагрузки. На выходе блока накопления и предварительной обработки 2 получают стандартизированный массив измерений размерностью 3xN, N - число оставшихся измерений после предварительной обработки данных, а также математические ожидания напряжения, активной и реактивной мощностей и их среднеквадратические отклонения. Далее измерения поступают на вход блока кластеризации 3, где для них вычисляется число кластеров по формулам (2)-(4) итерационно, а затем производится кластеризация ЕМ-алгоритмом и обратная стандартизация измерений по формуле (5). Результатами кластеризации являются веса кластеров и параметры их распределения, преобразованные с учетом обратной стандартизации по формуле (6) (табл.2).The voltages, active and reactive power of the load measured using measuring device 1 (Table 1) are supplied to the input of the accumulation and pre-processing unit 2, where they are filtered according to the “three sigma” rule, reduced to a common time axis and standardized according to the formula (1 ). Also, information about the base voltage of the load node is entered into the accumulation and preprocessing block. At the output of the accumulation and preprocessing block 2, a standardized array of measurements with a dimension of 3xN is obtained, N is the number of remaining measurements after data preprocessing, as well as the mathematical expectations of voltage, active and reactive powers and their standard deviations. Next, the measurements are received at the input of clustering block 3, where the number of clusters is calculated for them using formulas (2)-(4) iteratively, and then clustering is performed using the EM algorithm and inverse standardization of measurements using formula (5). The results of clustering are the weights of the clusters and the parameters of their distribution, transformed taking into account inverse standardization according to formula (6) (Table 2).
В блоке расчетной модели 4 выполняется вычисление коэффициентов kP и kQ. Для расчета коэффициентов выполняют два расчета установившегося режима на расчетной модели: первый - со значениями напряжения, активной и реактивной мощностей, соответствующими математическим ожиданиям исходных данных; второй - с малым приращением активной мощности, пропорциональным ему приращением реактивной мощности нагрузки, и соответствующим им приращением напряжения в узле нагрузки. Коэффициенты влияния внешней электрической сети по активной и реактивной мощностям вычисляются как отношение приращений напряжения и активной или реактивной мощностей соответственно. После этого коэффициенты поступают на вход блока кластеризации 3, где выполняется преобразование параметров распределения кластеров для учета влияния внешней электрической сети по формулам (7)-(12) и отбор наиболее значимых из них согласно формулам (13)-(14) (табл.3). Веса и параметры распределения отобранных кластеров поступают на вход блока расчета коэффициентов статической характеристики нагрузки по напряжению 5.In the calculation model block 4, the coefficients k P and k Q are calculated. To calculate the coefficients, two steady-state calculations are performed on the design model: the first - with the values of voltage, active and reactive powers corresponding to the mathematical expectations of the source data; the second - with a small increase in active power, a proportional increase in reactive power of the load, and a corresponding increase in voltage at the load node. The influence factors of the external electrical network for active and reactive power are calculated as the ratio of voltage increments and active or reactive power, respectively. After this, the coefficients are sent to the input of clustering block 3, where the cluster distribution parameters are converted to take into account the influence of the external electrical network according to formulas (7)-(12) and the most significant of them are selected according to formulas (13)-(14) (Table 3 ). The weights and distribution parameters of the selected clusters are input to the block for calculating the coefficients of the static voltage load characteristic 5.
В блоке расчета коэффициентов статической характеристики нагрузки по напряжению 5 выполняется расчет коэффициентов линейной регрессии для каждого отобранного кластера по преобразованным параметрам распределения согласно формулам (15). Одновременно на вход блока 5 с выхода блока накопления и предварительной обработки 2 поступает информация о базисном напряжении узла нагрузки. В блоке 5 для каждого отобранного кластера коэффициенты линейной регрессии переводятся в относительные единицы по формулам (16) на основе заданного базисного напряжения и рассчитанных по формулам (17) базисных активной и реактивной мощностей, и вычисляются итоговые коэффициенты линейной статической характеристики нагрузки по напряжению, как средневзвешенные значения соответствующих коэффициентов линейной регрессии отобранных кластеров согласно формуле (18).In the block for calculating the coefficients of the static voltage load characteristic 5, linear regression coefficients are calculated for each selected cluster according to the transformed distribution parameters according to formulas (15). At the same time, information about the base voltage of the load node is received from the output of the accumulation and preprocessing unit 2 to the input of block 5. In block 5, for each selected cluster, the linear regression coefficients are converted into relative units using formulas (16) based on the given base voltage and the base active and reactive powers calculated using formulas (17), and the final coefficients of the linear static voltage load characteristic are calculated as a weighted average the values of the corresponding linear regression coefficients of the selected clusters according to formula (18).
В качестве искомых статических характеристик нагрузки по напряжению принимаются линейные функции:Linear functions are taken as the required static characteristics of the voltage load:
с полученными коэффициентами для нагрузки АО «ЕВРАЗ ЗСМК»:with the obtained coefficients for the load of EVRAZ ZSMK JSC:
а0=-0,984; а1=1,984; b0=2,110; b1=-1,110.a 0 = -0.984; a 1 =1.984; b 0 =2.110; b 1 =-1.110.
На графике фиг. 2 представлены результаты обработки измерений предлагаемым способом. На графике видно, что отобранные кластеры соответствуют устойчивым состояниям нагрузки с максимальными значениями активной и реактивной мощностей.On the graph of Fig. Figure 2 presents the results of processing measurements using the proposed method. The graph shows that the selected clusters correspond to steady load conditions with maximum values of active and reactive powers.
Claims (12)
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2809920C1 true RU2809920C1 (en) | 2023-12-19 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001208791A (en) * | 2000-01-27 | 2001-08-03 | Meidensha Corp | Observation system of load characteristic |
| JP2002131356A (en) * | 2000-10-26 | 2002-05-09 | Meidensha Corp | Load characteristic observation system |
| RU2569179C1 (en) * | 2014-10-08 | 2015-11-20 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Method for determining static load characteristics against voltage |
| RU2573171C1 (en) * | 2014-11-12 | 2016-01-20 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Method for determination of load static characteristics against voltage with abnormal deviations protection |
| RU2584338C1 (en) * | 2015-03-02 | 2016-05-20 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет" | Method for determining static load characteristics from stress |
| US20210109140A1 (en) * | 2019-10-15 | 2021-04-15 | State Grid Zhejiang Electric Power Co., Ltd. Taizhou power supply company | Method for identifying parameters of 10 kv static load model based on similar daily load curves |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001208791A (en) * | 2000-01-27 | 2001-08-03 | Meidensha Corp | Observation system of load characteristic |
| JP2002131356A (en) * | 2000-10-26 | 2002-05-09 | Meidensha Corp | Load characteristic observation system |
| RU2569179C1 (en) * | 2014-10-08 | 2015-11-20 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Method for determining static load characteristics against voltage |
| RU2573171C1 (en) * | 2014-11-12 | 2016-01-20 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Method for determination of load static characteristics against voltage with abnormal deviations protection |
| RU2584338C1 (en) * | 2015-03-02 | 2016-05-20 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет" | Method for determining static load characteristics from stress |
| US20210109140A1 (en) * | 2019-10-15 | 2021-04-15 | State Grid Zhejiang Electric Power Co., Ltd. Taizhou power supply company | Method for identifying parameters of 10 kv static load model based on similar daily load curves |
Non-Patent Citations (1)
| Title |
|---|
| ГУРЕВИЧ Ю.Е и др., Применение математических моделей электрической нагрузки в расчетах энергосистем и надежности электроснабжения промышленных потребителей, М., ЭЛЕКС-КМ, 2008, с. 227-232. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871976B (en) | Clustering and neural network-based power quality prediction method for power distribution network with distributed power supply | |
| CN108038300B (en) | Optical fiber state evaluation method based on improved membership function combined with neural network | |
| Devaraj et al. | Artificial neural network model for voltage security based contingency ranking | |
| CN109657613A (en) | Large scale electric network abnormal load recognition methods based on power method and parallel computing | |
| CN110765703B (en) | Wind power plant aggregation characteristic modeling method | |
| Chen et al. | Data-driven robust state estimation through off-line learning and on-line matching | |
| Wang et al. | Online analysis of voltage security in a microgrid using convolutional neural networks | |
| CN113743651A (en) | Electronic voltage transformer error state prediction method based on machine learning and SVM algorithm | |
| CN114583767B (en) | Data-driven wind power plant frequency modulation response characteristic modeling method and system | |
| CN114997528A (en) | Production parameter adjusting method and system based on injection molding product quality analysis | |
| CN113743504A (en) | Voltage sag source identification model construction method and device, terminal and medium | |
| RU2809920C1 (en) | Method for determining static characteristics of voltage load according to passive experiment measurements | |
| Radovanović et al. | Deep Learning-based Equivalent Modelling of Hybrid RES Plant for Efficient, Repetitive Power System Transient Stability Studies | |
| CN115688535A (en) | Power data combined interpolation method and system based on waveform similarity analysis | |
| Deng et al. | Prediction of dissolved gas in power transformer oil based on random forests algorithm | |
| Bian et al. | Short-term load forecasting based on FA-PSO-SVM model | |
| CN112581311A (en) | Method and system for predicting long-term output fluctuation characteristics of aggregated multiple wind power plants | |
| CN113256018B (en) | Wind power ultra-short term probability prediction method based on conditional quantile regression model | |
| Dai et al. | Life prediction method of hydrogen energy battery based on MLP and LOESS | |
| Wang et al. | A grey model-least squares support vector machine method for time series prediction | |
| Sun et al. | Prediction of rural residents' tourism demand based on back propagation neural network | |
| Zhang et al. | Derivation of load model parameters using improved genetic algorithm | |
| Gaing et al. | Optimal grey topological predicting approach to short-term load forecasting in power system | |
| Lim et al. | Estimating power flow conditioning from phasor measurement data | |
| Barukčić et al. | Node voltage estimation in distribution networks by simple ANN |