WO2017035964A1 - 一种电力系统的负荷特性确定方法及系统 - Google Patents
一种电力系统的负荷特性确定方法及系统 Download PDFInfo
- Publication number
- WO2017035964A1 WO2017035964A1 PCT/CN2015/095609 CN2015095609W WO2017035964A1 WO 2017035964 A1 WO2017035964 A1 WO 2017035964A1 CN 2015095609 W CN2015095609 W CN 2015095609W WO 2017035964 A1 WO2017035964 A1 WO 2017035964A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- particle
- particle swarm
- kth
- search
- swarm search
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
Definitions
- the invention relates to a power system operation, simulation and analysis technology, in particular to a power system load characteristic determination method and system.
- the load model parameter identification methods mainly include two types: conventional mathematical methods and intelligent optimization algorithms.
- Conventional mathematical methods have faster calculation speeds, but they have higher requirements for the calculation of continuity, non-convexity and differentiability of functions, and it also has the disadvantages of being easy to fall into local optimal solutions.
- the intelligent optimization algorithm shows a strong ability to optimize in dealing with nonlinear, multivariable, discontinuous, non-convex optimization problems.
- PSO Particle Swarm Optimization
- Embodiments of the present invention provide a method and system for determining load characteristics of a power system, and improving the accuracy of load model parameter identification by an improved PSO, and identifying the most suitable load Model parameters, so that a load model that accurately describes the load characteristics of the power system can be established to determine the load characteristics of the power system.
- a particle group G with a number of particles N is randomly initialized, wherein each particle is an array including d load model parameters;
- the inertia weight value w of the particle swarm optimization algorithm is S-shaped decreasing with the particle swarm search number k;
- a load characteristic of the power system is determined based on the load model.
- the load characteristic determining system of the power system provided by the embodiment of the present invention can be used to implement the load characteristic determining method of the power system, and the system includes: a load model parameter determining unit, a load model establishing unit, and a load characteristic determining unit.
- the load model establishing unit may be configured to: establish a load model of the power system according to the load model parameter.
- the load characteristic determining unit may be configured to determine a load characteristic of the power system according to the load model.
- the load characteristic determining method and system for the power system improves the accuracy of the load model parameter identification by an improved PSO, and identifies the most suitable load model parameters, thereby establishing an accurate description of the power system.
- the load characteristic load model determines the load characteristics of the power system, which improves the accuracy and effectiveness of the power system load characteristics study.
- accurate load characteristic prediction can help the power grid to perform power allocation. Because power is difficult to store in a large amount, it has a good load model, that is, accurate model parameter matching can save a lot of resources and can be effective. Coordination of power generation and distribution has certain economic benefits.
- Figure 1 is a schematic diagram of the principle of a power system load model
- FIG. 2 is a schematic diagram of an equivalent circuit of an induction motor
- FIG. 3 is a flowchart of a method for determining a load characteristic of a power system according to an embodiment of the present invention
- Figure 4 is a schematic diagram of the principle of parameter identification of the load model
- Figure 5 is a schematic diagram of image comparison of linearly decreasing and S-type decreasing inertia weight functions
- FIG. 6 is a schematic diagram of a load characteristic determining system of a power system according to an embodiment of the present invention.
- FIG. 7 is a schematic diagram showing the simulation of the characteristics of the active power absorbed during the load operation of the power system
- FIG. 8 is a schematic diagram showing the simulation of the characteristics of reactive power absorbed during power system load operation.
- load All electrical equipment of the power system is collectively referred to as load. It can be divided into industrial load, agricultural load, commercial load, etc. according to the type of use. According to the type of electric equipment, it can be divided into induction motor, synchronous motor, lighting equipment, air conditioning equipment and so on.
- load When the load is running, the absorbed active and reactive power will change with the fluctuation of the voltage and frequency on the load bus. This is called the voltage and frequency characteristics of the load.
- the mathematical equation for describing the characteristic of the load is called It is a load model.
- the load group is usually regarded as a whole.
- Figure 1 is a schematic diagram of the power integrated system load model. As shown in Figure 1, the bus voltage U and the system frequency f are taken as the system input, and the active power P and reactive power absorbed by the load are absorbed. Power Q is taken as its output.
- FIG. 2 is a schematic diagram of the equivalent circuit of the induction motor.
- R s and X s are the resistance and reactance of the stator winding, respectively
- X m is the mutual inductance of the stator winding and the rotor winding (also called the reactance of the field winding).
- R r and X r are the resistance and reactance of the rotor winding, respectively.
- the mathematical model of an asynchronous machine can be expressed as:
- T 0 ' is the open-circuit time constant of the stator open circuit
- X is the synchronous reactance of the asynchronous motor
- X' is the transient reactance of the asynchronous motor
- H is the inertia time constant of the asynchronous motor
- s is the asynchronous motor Slip.
- T m is the load torque of the motor
- T m T L (A(1-s) 2 +B(1-s)+C)
- T e E' d i d +E' q i q , U d , U q are the bus voltages of the d-axis and the q-axis
- E d ', E q ' are the transient potentials of the d-axis and the q-axis
- i d , i q is the stator current of the d-axis and the q-axis.
- the power of the asynchronous motor is:
- FIG. 3 is a flowchart of a method for determining load characteristics of a power system according to an embodiment of the present invention. As shown in FIG. 3, the method may include:
- the inertia weight value w of the particle swarm optimization algorithm changes S-shaped with the particle swarm search number k.
- Figure 4 is a schematic diagram of the principle of parameter identification of the load model, please refer to Figure 4.
- the input quantity of the actual load system includes the bus voltage U and the input frequency f
- the output includes the active power P and the reactive power Q.
- each particle corresponds to the value of 8 parameters to be identified [R s , X s , X m , R r , X r , H, A, B].
- the constraint condition of the parameter [R s , X s , X m , R r , X r , H, A, B] to be identified may be, for example, a range of values of the parameter to be identified. In practical applications, the range of the model parameters of the asynchronous motor can be seen in Table 1.
- the particle control vector and the particle state vector of the particle may be encoded according to the value range of the parameter to be identified, that is, the particle position and the particle velocity of the particle are controlled and encoded.
- a particle group with a population number N is randomly initialized, that is, the particle position x id and the particle velocity v id of the i-th particle in the particle group are initialized to form the current population.
- the particle position x id and the particle velocity v id of each particle in the population can be initialized as follows:
- x id max and x id min represent the maximum and minimum values of particle i, respectively
- v id max represents the maximum speed limit of particle i.
- the particle i can be solved by the differential equation corresponding to the mathematical model of the asynchronous motor.
- the transient electromotive forces E d ', E q ' of the corresponding asynchronous motor model and then calculate the corresponding stator currents i d , i q according to the voltage equation of the asynchronous motor, and finally calculate the active power P absorbed by the asynchronous motor model corresponding to the particle i i and reactive power Q i .
- the fitness of each particle initialized can be evaluated by the fitness function.
- the fitness of the particle i can be determined according to the difference between the active power P i and the reactive power Q i and the measured active power P and reactive power Q. f i .
- the fitness of the N particles is obtained, and the particle with the minimum fitness f min among the N particles is determined as the global optimal value g best of the randomly initialized particle group G, that is, the first particle group is performed. g best when searching. And set the current position x id of each particle to the individual optimal value p ibest of the particle i in the first particle swarm search.
- r 1 and r 2 are random numbers between [0, 1].
- w is an inertia weight value when performing particle swarm search. Due to the particle swarm search process, larger inertia weights tend to be global search, while smaller inertia weights tend to local search. According to the related art, the linearly decreasing inertia weight is used in the iterative PSO algorithm. On the one hand, the inertia weight is only available in the short time of starting the iteration, which makes the particle group may not traverse all in the initial search. The region has begun to shrink locally; on the other hand, during the iterative process, the inertia weight always changes at the same rate, which is not conducive to the local search of the particle swarm.
- the present embodiment constructs an S-type decreasing inertia weight function as shown in FIG. 5.
- the inertia weight value w is S-shaped decreasing with the particle group search number k.
- Figure 5 is a schematic diagram of image comparison of linearly decreasing and S-type decreasing inertia weight functions. As shown in Figure 5, the S-type decreasing inertia weight function makes the range of regions with large inertia weights expand, and at the end of the search, Maintain a small inertia weight for a fine search.
- tanh is a hyperbolic tangent function
- k iter is the maximum number of searches
- a is used to adjust the steepness of the inertia weight function in the maximum and minimum transition regions
- b is used to adjust the position of the function curve, by adjusting the values of a and b
- the inertia weight parameters a, b can be set to 0.15 and 15, respectively. That is, in this embodiment, the specific The inertia weight value w k at the time of the kth particle swarm search is determined.
- Calculate the average fitness of the population for the kth particle swarm search The fitness f i k of the particle i and the average fitness value of the population Compare. in case It indicates that the particle does not find the optimal solution, or has fallen into local optimum, and should increase its inertia weight to search or jump out of the local optimal value in a larger range; It indicates that the particle is closer to the optimal solution region, and its inertia weight should be reduced to make a fine search in the local region.
- the embodiment also proposes a search strategy for adaptively adjusting inertia weights.
- a search strategy for adaptively adjusting inertia weights.
- Illustrative can pass Determine the amount of adjustment of the inertia weight.
- the adaptive inertia weight can be based on determine.
- the adaptive inertia weighting strategy can automatically adjust the flight speed according to the position of the particle itself, which can improve the convergence speed of the population.
- the position of the updated particles should be checked. And speed Whether it is within the set range, that is, whether the particle constraint is satisfied. If the particle's constraints are not met, it should be corrected.
- the particle i And speed And the input bus voltage value U and the input frequency f calculate the active power P i 2 and the reactive power Q i 2 absorbed by the asynchronous motor model corresponding to the particle i. And according to the difference between the active power P i 2 and the reactive power Q i 2 and the measured active power P and reactive power Q, the fitness f i 2 of the particle i is determined.
- the particle is the global optimal value of the particle group G after the first update. That is, when the second particle swarm search is performed
- the individual optimal value of the particle i for the second particle swarm search It can be determined according to the following methods:
- the third, fourth, ... particle swarm search of the particle swarm is stopped until the preset termination condition is reached, and the particle swarm search is stopped, and the load model parameters are determined according to the last particle swarm search result.
- the final load model parameter corresponds to the position of the particle corresponding to the minimum fitness determined according to the fitness of the updated particle after the last particle swarm search, that is, the global determined according to the last updated particle swarm. The optimal value.
- the preset termination condition may be, for example, a preset maximum number of searches k iter or a preset search accuracy. It can be understood that the search accuracy can be described by the minimum fitness value of the particle swarm.
- the load model of the power system can be established according to the identified load model parameters, and the load characteristics of the power system are accurately described by the load model.
- the particle swarm optimization algorithm falls into the global optimal value of the population in the local optimum and premature phenomenon. The most obvious is reflected in it. Therefore, in another embodiment of the present invention, further, based on the above embodiment, in the particle search process, the global optimal value of the population may also be The update is performed to guide the particles in the population to change the flight direction and enter other areas in the search space for searching, so that the population further explores the potential optimal solution.
- the global optimal value of the population Add a random disturbance amount ⁇ , according to Determining the global optimal value of the particle group G when performing the kth particle swarm search
- ⁇ is Random variables with the same dimensions and subject to the standard normal distribution
- the load characteristic determining method for the power system improves the accuracy of the load model parameter identification by an improved PSO, and identifies the most suitable load model parameters, thereby establishing a load accurately describing the load characteristics of the power system.
- the model determines the load characteristics of the power system and improves the accuracy and effectiveness of the power system load characteristics study.
- accurate load characteristic prediction can help the power grid to schedule power distribution. Since electric energy is difficult to store in a large amount, it has a good load model, that is, accurate matching of model parameters can save a lot of resources, and can effectively co-ordinate power generation and distribution, and has certain economic benefits.
- FIG. 6 is a schematic diagram of a system for determining a load characteristic of a power system according to an embodiment of the present invention.
- the system can be used to implement a load characteristic determination method for a power system provided by the embodiment shown in FIG. 3 of the present invention, and details are not described herein again.
- the load characteristic determining system of the power system may include a load model parameter determining unit 61, a load model establishing unit 62, and a load characteristic determining unit 63.
- the load model parameter determining unit 61 may be configured to: randomly initialize a particle group G with a number of particles N according to a constraint condition of the load model parameter, wherein each particle is an array including d load model parameters; Performing a particle swarm search; when the preset condition is reached, stopping the particle swarm search, and determining the load model parameter according to the search result.
- the load model establishing unit 62 may be configured to establish a load model of the power system based on the load model parameters recognized by the load model parameter determining unit 61.
- the load characteristic determining unit 63 may be configured to determine the power system according to the load model established above The load characteristics of the system.
- the load model parameter determining unit 61 may be specifically configured to: position the particle i according to the kth particle swarm search Determine the fitness f i k of the particle i; determine the minimum fitness of the particle group G according to the fitness of the N particles And according to Determine the global optimal value of the particle group G when performing the kth particle swarm search According to the fitness f i k of the particle i, when f i k ⁇ f i k-1 , the position of the particle corresponding to f i k is determined The individual optimal value of the particle i for the kth particle swarm search When f i k> f i when k-1, determining the position of the particles f i k-1 corresponding to The individual optimal value of the particle i for the kth particle swarm search according to Determine the inertia weight value when performing the kth particle swarm search Among them, k iter is the maximum number of
- the load model parameter determining unit 61 may specifically be further configured to: position the particle i according to the kth particle swarm search Determine the fitness f i k of the particle i; determine the minimum fitness of the particle group G according to the fitness of the N particles And according to Determine the global optimal value of the particle group G when performing the kth particle swarm search According to the fitness f i k of the particle i, when f i k ⁇ f i k-1 , the position of the particle corresponding to f i k is determined The individual optimal value of the particle i for the kth particle swarm search When f i k> f i when k-1, determining the position of the particles f i k-1 corresponding to The individual optimal value of the particle i for the kth particle swarm search Determine the average fitness of N particles based on the fitness of N particles when Time, according to Determine the inertia weight value for the kth
- the load model parameter determining unit 61 may specifically be further configured to: determine The corresponding particles are the initial global optimal values of the particle group G when the kth particle swarm search is performed. According to the formula Determine the global optimal value of the particle group G when performing the kth particle swarm search Where ⁇ is A random variable with the same dimensions and subject to the standard normal distribution.
- the load model parameter determining unit 61 may specifically be configured to: acquire measured data of the load system, such as bus voltage U, input frequency f, active power P, and reactive power. Power Q; according to the position of particle i The bus voltage U and the input frequency f determine the active power P i k and the reactive power Q i k corresponding to the particle i; according to the active power P i k , the reactive power Q i k , the active power P, and the reactive power Q The difference between the two determines the fitness f i k of the particle i.
- the load characteristic determining system of the power system provided in this embodiment can be used to implement the load characteristic determining method of the power system provided by the embodiment shown in FIG. 3, and the implementation principle and the technical effect are similar, and details are not described herein again.
- the load characteristic determination system of the power system shown in FIG. 6 is used to perform power system load characteristic simulation.
- LW-PSO Linearly Decreasing Inertia Weight PSO
- S-PSO S-type inertia weight group algorithm
- Fig. 7 is a schematic diagram showing the simulation of the characteristics of the active power absorbed during the load operation of the power system
- Fig. 8 is a schematic diagram showing the simulation of the characteristics of the reactive power absorbed during the load operation of the power system.
- the load characteristic determining method provided by the embodiment of the present invention can The mutation process is described more accurately, and the fitted waveform is closer to the actual load operation curve, thereby verifying the effectiveness of the load characteristic determination method provided by the embodiment of the present invention in the dynamic load characteristic study.
- the aforementioned program can be stored in a computer readable storage medium.
- the program when executed, performs the steps including the foregoing method embodiments; and the foregoing storage medium includes various media that can store program codes, such as a ROM, a RAM, a magnetic disk, or an optical disk.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力系统的负荷特性确定方法及系统，该方法包括：采用S型惯性权重粒子群算法进行电力系统的负荷模型参数辨识，然后根据辨识出的负荷模型参数建立电力系统的负荷模型，并根据该负荷模型确定电力系统的负荷特性。本发明实施例提供的电力系统的负荷特性确定方法和系统，通过一种改进型的PSO提高负荷模型参数辨识的精度，辨识出最适合的负荷模型参数，从而可以建立准确描述电力系统负荷特性的负荷模型进行电力系统的负荷特性确定，提高了电力系统负荷特性研究的准确性和有效性。
Description
本发明涉及电力系统运行、仿真及分析技术，尤其涉及一种电力系统的负荷特性确定方法及系统。
近年来，我国高速铁路事业得到了迅猛的发展，高速铁路牵引供电负荷具有冲击性强、高次谐波丰富等特点。为了准确描述其电力综合负荷特性，可以通过寻求合理的负荷模型结构并获得准确的模型参数，建立用于电力系统的运行、仿真及稳定分析的负荷模型。其中，参数辨识是负荷建模的关键步骤，其结果会直接影响模型的准确性，因此探索出一种有效的参数辨识方法具有重要意义。
目前所用的负荷模型参数辨识方法主要有常规的数学方法和智能优化算法这两大类。常规的数学方法具有较快的计算速度，但它对函数的连续性、非凸性、可微性的计算具有较高要求，而且它还存在易于陷入局部最优解等缺点。智能优化算法在处理非线性、多变量、不连续、非凸等优化问题上体现出了很强的寻优能力。
其中，粒子群优化算法(Particle Swarm Optimization，简称PSO)是近年来发展起来的一种新的优化算法，其采用并行搜索机制，通过最优信息的传递，使种群快速收敛，最终找到最优解，是一种基于群体智能的全局搜索方法。和其他启发式算法(如遗传算法、蚁群算法)相似，也是从随机解出发，通过迭代寻找最优解，并通过适应度来评价解的品质，但PSO的规则更为简单，需要调整的参数较少，便于实现。然而，PSO也存在遍历性不足、易陷入局部最优等缺点，使得搜索精度不高。
发明内容
本发明实施例提供一种电力系统的负荷特性确定方法及系统，通过一种改进型的PSO提高负荷模型参数辨识的精度，辨识出最适合的负荷
模型参数，从而可以建立准确描述电力系统负荷特性的负荷模型进行电力系统的负荷特性确定。
本发明实施例提供的电力系统的负荷特性确定方法，包括：
根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组；
根据 
进行粒子群搜索，其中，i＝1，2，……，N，
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型递减；
当达到预设条件时，停止所述粒子群搜索，并根据搜索结果确定所述负荷模型参数；
根据所述负荷模型参数建立电力系统的负荷模型；
根据所述负荷模型确定所述电力系统的负荷特性。
本发明实施例提供的电力系统的负荷特性确定系统，可以用于实现上述电力系统的负荷特性确定方法，该系统包括：负荷模型参数确定单元、负荷模型建立单元和负荷特性确定单元。
其中，负荷模型参数确定单元可以用于：根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组；根据 
进行粒子群搜索，其中，i＝1，2，……，N，
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因
子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型变化；当达到预设条件时，停止粒子群搜索，并根据搜索结果确定负荷模型参数。
所述负荷模型建立单元可以用于：根据所述负荷模型参数建立电力系统的负荷模型。
所述负荷特性确定单元可以用于：根据所述负荷模型确定所述电力系统的负荷特性。
基于上述，本发明实施例提供的电力系统的负荷特性确定方法和系统，通过一种改进型的PSO提高负荷模型参数辨识的精度，辨识出最适合的负荷模型参数，从而可以建立准确描述电力系统负荷特性的负荷模型进行电力系统的负荷特性确定，提高了电力系统负荷特性研究的准确性和有效性。同时，精确的负荷特性预测能有助于电网的调度进行电力调配，由于电能难以做到大量的储存，因此具有良好的负荷模型，即精准的模型参数的匹配能节约大量的资源，能有效的进行发电和配电的统筹，具有一定的经济效益。
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为电力系统负荷模型的原理示意图；
图2为感应电机的等值电路示意图；
图3为本发明实施例提供的电力系统的负荷特性确定方法的流程图；
图4为负荷模型的参数辨识原理示意图；
图5为线性递减和S型递减的惯性权重函数的图像对比示意图；
图6为本发明实施例提供的电力系统的负荷特性确定系统示意图；
图7为电力系统负荷运行时吸收的有功功率的特性仿真示意图；
图8为电力系统负荷运行时吸收的无功功率的特性仿真示意图。
为使本发明实施例的目的、技术方案和优点更加清楚，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，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付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。
电力系统的所有用电设备总称为负荷，按用途可分为工业负荷、农业负荷、商业负荷等，按用电设备的类型可分为感应电动机、同步电机、照明设备、空调设备等。当负荷运行时，其吸收的有功及无功功率会随着负荷母线上的电压和频率的波动而改变，这称之为负荷的电压、频率特性，用以描述负荷这一特性的数学方程称之为负荷模型。通常会把负荷群看作一个整体，图1为电力综合系统负荷模型的原理示意图，如图1所示，将母线电压U和系统频率f作为系统输入量，负荷吸收的有功功率P和无功功率Q作为其输出量。
由于感应电机(又称异步电机)是电力综合负荷中最常见也是占比例最大的负载，因此通常会选择感应电机的模型作为电力系统的负荷模型。图2为感应电机的等值电路示意图，如图2所示，Rs和Xs分别为定子绕组的电阻和电抗，Xm为定子绕组和转子绕组的互感抗(又称励磁绕组的电抗)，Rr和Xr分别为转子绕组的电阻和电抗。异步电机的数学模型可以表示为：
方程中，
为异步电机的母线电压，
为异步电机的暂态电势，
为异步电机的母线电流，T0′为定子开路暂态时间常数，X为异步电机的同步电抗，X′为异步电机的暂态电抗，H为异步电机的惯性时间常数，s为
异步电机的滑差。Tm为电机的负载转矩，Tm＝TL(A(1-s)2+B(1-s)+C)，TL异步电机的负荷系数，Te为电机产生的电磁转矩，其中
X＝Xs+Xm，
A+B+C＝1。。
在异步电机的研究过程中，基于不同坐标系下产生的磁动势完全一致的原则，即电机的定、转子磁场同步旋转，可以建立一个具有同步旋转速度的旋转坐标系，这个旋转坐标系称为dq旋转坐标系。在dq旋转坐标系上，所有电信号可以描述为常数，方便电机问题的研究。
在dq旋转坐标系上，
Te＝E′did+E′qiq，Ud、Uq为d轴、q轴的母线电压，Ed′、Eq′为d轴、q轴的暂态电势，id、iq为d轴、q轴的定子电流。结合异步电机的等值电路和异步电机的数学模型，可以整理得出：
在dq旋转坐标系上，异步电机的电压方程可以表示为：
异步电机的功率为：
因此，根据负荷模型的输入(母线电压)的变化引起的有功及无功功率P、Q的变化，需要辨识的异步电机的模型参数共有8个，即[Rs,Xs,Xm,Rr,Xr,H,A,B]。
本发明的下述实施例将通过异步电机的负荷特性的确定为例对本发明的技术方案做示例性说明。
图3为本发明实施例提供的电力系统的负荷特性确定方法的流程图。如图3所示，该方法可以包括：
S31，根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组。
S32，进行粒子群搜索。
具体的，可以根据 
进行粒子群搜索。其中，i＝1，2，……，N，
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型变化。
S33，当达到预设条件时，停止粒子群搜索，并根据搜索结果确定负荷模型参数；
S34，根据负荷模型参数建立电力系统的负荷模型；
S35，根据负荷模型确定电力系统的负荷特性。
为了更清楚地说明本发明的实施方案，可以结合负荷模型的参数辨识原理进行进一步详细说明。图4为负荷模型的参数辨识原理示意图，请参照图4。
首先获取负荷系统的实测数据，如实际负荷系统的输入量和输出量。其中，实际负荷系统的输入量包括母线电压U和输入频率f，输出量包括有功功率P和无功功率Q。
如上所述，粒子群算法是一种从随机解出发，通过迭代寻找最优解，并通过适应度来评价解的品质的优化算法。因此，通过粒子群算法进行负荷模型参数辨识时，首先要根据待辨识参数的约束条件，随机初始化一个粒子数目为N的粒子群G，每个粒子为一个包括d个待辨识参数的数组。以待辨识参数的的个数d作为粒子群算法中粒子在搜索空间中的维度，并对粒子群算法中的种群数目N、第一学习因子c1、第二学习因子c2、最大迭代搜索次数kiter或粒子搜索精度δ进行设置。一般的，c1＝c2＝2。
以异步电机为例，在异步电机模型参数辨识时，每个粒子都对应于8个待辨识参数[Rs,Xs,Xm,Rr,Xr,H,A,B]的取值。待辨识参数[Rs,Xs,Xm,Rr,Xr,H,A,B]的约束条件，例如可以是待辨识参数的取值范围等。在实际应用中，异步电机的模型参数的取值范围可以参见表1所示。
表1 感应电机的模型参数的取值范围
| 参数 | Rs | Xs | Xm | Rr | Xr | H | A | B |
| 最大值 | 0.8 | 1.0 | 5.0 | 0.8 | 1.0 | 3.0 | 1.0 | 1.0 |
| 最小值 | 0.1 | 0.1 | 1.0 | 0.05 | 0.01 | 0.5 | -0.5 | -0.5 |
进一步的，可以根据待辨识参数的取值范围对粒子的粒子控制向量和粒子状态向量进行编码，即对粒子的粒子位置和粒子速度进行控制编码。在粒子控制变量和粒子状态变量的约束范围之内，随机初始化一个种群数目为N的粒子群，即初始化粒子群中第i个粒子的粒子位置xid和粒子速度vid，以形成当前种群，且作为第一代粒子的状态用于第1次迭代计算，并设置最大速度限制vid max，以确保粒子的速度不越限。可以理解的是，在本实施例中均有：i＝1，2，……，N。
示例性的，在本实施例中，种群中的每个粒子的粒子位置xid和粒子速度vid分别可以按如下方式进行初始化：
其中，
为一个在(0，1)之间均匀产生一组随机数的函数，xid max和xid min分别表示粒子i的最大值和最小值，vid max表示粒子i的最大速度限制。
对于粒子群G中的每个粒子i，根据随机初始化获取的模型参数的取值xid，以及输入的母线电压值U和输入频率f，可以结合异步电机的数学模型对应的微分方程求解粒子i对应的异步电机模型的暂态电动势Ed′、Eq′，进而根据异步电机的电压方程计算相应的定子电流id、iq，并最终计算粒子i对应的异步电机模型吸收的有功功率Pi和无功功率Qi。
然后，可以通过适应度函数来评价初始化的每个粒子的适应度。作为一种优选的实施方式，对于每个粒子i，可以根据有功功率Pi和无功功率Qi与实测的有功功率P和无功功率Q之间的差值，确定该粒子i的适
应度fi。
示例性的，可以选择函数
来评价每个粒子的适应度。
当k＝1时，得到N个粒子的适应度后，确定N个粒子中具有最小适应度fmin的粒子为随机初始化的粒子群G的全局最优值gbest，即进行第1次粒子群搜索时的gbest。并设定每个粒子的当前位置xid为第1次粒子群搜索时粒子i的个体最优值pibest。
根据公式 
进行第1次粒子群搜索，即此时k＝1，通过迭代更新获取每个粒子的位置
和速度
需要说明的是，r1、r2为[0,1]之间的随机数。
另外需要说明的是，w为进行粒子群搜索时的惯性权重值。由于粒子群搜索过程中，较大的惯性权重倾向于向于全局搜索，而较小的惯性权重倾向于局部搜索。根据相关技术，采用线性递减的惯性权重在PSO算法迭代中，一方面，只有在开始迭代的较短时间内，才具有较大惯性权重，这使得粒子群可能在最初的搜索中还没有遍历所有的区域就已经开始往局部收缩了；另一方面，在迭代过程中，惯性权重始终以相同的速率变化，不利于粒子群进行局部搜索。
为此，本实施例构造了一个如图5所示的S型递减的惯性权重函数，在粒子群搜索中惯性权重值w随粒子群搜索次数k呈S型递减。图5为线性递减和S型递减的惯性权重函数的图像对比示意图，如图5所示，S型递减的惯性权重函数使得有较大惯性权重的区域范围有所扩大，并在搜索末期，能保持较小的惯性权重进行精细搜索。
作为本实施例一种可选的实施方式，可以根据
确定进行第k次粒子群搜索时的惯性权重值
其中，tanh为双曲正切函数，kiter为最大搜索次数，a用来调整惯性权重函数在最大、最小值过渡区域的陡度，b用于调整函数曲线的位置，通过调整a、b的值可以获得不同的函数曲线，以适应不同的应用场合。根据本实施例的应用场景，惯性权重参数a，b可以分别设置为0.15和15。也就是，在本实施例中，具体可以根据
确定进行第k次粒子群搜索时的惯性权重值wk。
作为本实施例另一种可选的实施方式，可以根据
计算进行第k次粒子群搜索时种群的平均适应度
将粒子i的适应度fi
k与种群平均适应度值
进行比较。如果
则说明该粒子未找到最优解，或已陷入局部最优，应增大其惯性权重，使其在更大范围内搜索或跳出局部最优值；而如果
则说明该粒子比较靠近优解区域，应减小其惯性权重，使其在局部区域进行精细搜索。
为此，本实施例还提出一种自适应调整惯性权重的搜索策略。示例性的，可以通过
确定惯性权重的调整量。
其中，c、d两个参数为常值，其取值范围为[0.1，0.6]。M为判断向量，当
时，M＝1；当
时，M＝-1。
因此自适应惯性权重，可以根据 
确定。自适应惯性权重策略能够根据粒子自身的位置自动调整飞行速度，从而可以提高种群的收敛速度。
需要说明的是，完成第1次粒子群搜索后，进一步的，应该检查更新后的粒子的位置
和速度
是否在设定的范围以内，即是否满足粒子的约束条件。如果不满足粒子的约束条件，则应该对其进行修正。
作为一种可选的实施方式，当更新后的粒子的位置
和速度
不满足粒子的约束条件时，可以修正更新后的粒子的位置
和速度
等于约束条件的边界值，例如
或
以及
可以理解的是，由于粒子的位置的边界值有两个，进行修正时，可以随机选取其中任一边界值作为粒子位置的修正值。
进一步的，根据粒子i的位置
和速度
以及输入的母线电压值U和输入频率f，计算粒子i对应的异步电机模型吸收的有功功率Pi
2和无功功率Qi
2。并根据有功功率Pi
2和无功功率Qi
2与实测的有功功率P和无功功率Q之间的差值，确定该粒子i的适应度fi
2。
确定进行第一次更新后的N个粒子中具有最小适应度
的粒子为第一次更新后的粒子群G的全局最优值
即进行第2次粒子群搜索
时的
进一步的，对于第2次粒子群搜索时粒子i的个体最优值
可以根据以下方法确定：
当fi
2<fi时，确定fi
2对应的粒子的位置
为第2次粒子群搜索时该粒子i的个体最优值
当fi
2>fi时，确定fi对应的粒子的位置xid为该粒子i的个体最优值
同样的道理，对粒子群进行第3次、第4次、……粒子群搜索，直到达到预设的终止条件时停止粒子群搜索，并根据最后一次粒子群搜索结果来确定负荷模型参数。可以理解，最终的负荷模型参数对应于进行最后一次粒子群搜索后，根据更新后的粒子的适应度确定出的最小适应度对应的粒子的位置，即根据最后更新后的粒子群确定出的全局最优值。
需要说明的是，预设的终止条件例如可以是预先设置的最大搜索次数kiter，或者预设的搜索精度。可以理解，搜索精度可以通过粒子群的最小适应度值进行描述。
辨识出最适合的负荷模型参数后，进一步的，可以根据辨识出的负荷模型参数建立电力系统的负荷模型，并通过该负荷模型对电力系统的负荷特性进行准确描述。
最后值得一提的是，由于粒子群算法陷入局部最优和早熟现象在种群的全局最优值
中体现的最为明显。因此，在本发明的另一实施例中，进一步的，在上述实施例的基础上，在粒子搜索过程中，还可以对种群的全局最优值
进行更新，引导种群中的粒子改变飞行方向，进入搜索空间中的其他区域进行搜索，使种群进一步地发掘潜在的最优解。
示例性的，可以在粒子搜索过程中，在种群的全局最优值
中增加一个随机扰动量μ，根据
确定进行第k次粒子群搜索时所述粒子群G的全局最优值
其中，μ为与
具有相同维数、且服从标准正态分布的随机变量，
为进行第k次粒子群搜索时与
对应的粒子群G的初始全局最优值。
本发明上述实施例提供的电力系统的负荷特性确定方法，通过一种改进型的PSO提高负荷模型参数辨识的精度，辨识出最适合的负荷模型参数，从而可以建立准确描述电力系统负荷特性的负荷模型进行电力系统的负荷特性确定，提高了电力系统负荷特性研究的准确性和有效性。同时，精确的负荷特性预测能有助于电网的调度进行电力调配。由于电能难以做到大量的储存，因此具有良好的负荷模型，即精准的模型参数的匹配能节约大量的资源，能有效的进行发电和配电的统筹，具有一定的经济效益。
图6为本发明实施例提供的电力系统的负荷特性确定系统示意图，该系统可以用来实现本发明图3所示实施例提供的电力系统的负荷特性确定方法，此处不再赘述。
如图6所示，本实施例提供的电力系统的负荷特性确定系统可以包括：负荷模型参数确定单元61、负荷模型建立单元62和负荷特性确定单元63。
其中，负荷模型参数确定单元61可以用于：根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组；根据 
进行粒子群搜索；当达到预设条件时，停止所述粒子群搜索，并根据搜索结果确定所述负荷模型参数。其中，i＝1，2，……，N，
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型变化。
负荷模型建立单元62可以用于根据负荷模型参数确定单元61辨识出的负荷模型参数建立电力系统的负荷模型。
负荷特性确定单元63可以用于根据上述建立的负荷模型确定电力系
统的负荷特性。
作为一种具体的实施方式，在实际应用中，负荷模型参数确定单元61具体可以用于：根据进行第k次粒子群搜索时粒子i的位置
确定粒子i的适应度fi
k；根据N个粒子的适应度确定粒子群G的最小适应度
并根据
确定进行第k次粒子群搜索时粒子群G的全局最优值
根据粒子i的适应度fi
k，当fi
k<fi
k-1时，确定fi
k对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
当fi
k>fi
k-1时，确定fi
k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据 
确定进行第k次粒子群搜索时的惯性权重值
其中，kiter为最大搜索次数。
作为另一种具体的实施方式，在实际应用中，负荷模型参数确定单元61具体还可以用于：根据进行第k次粒子群搜索时粒子i的位置
确定粒子i的适应度fi
k；根据N个粒子的适应度确定粒子群G的最小适应度
并根据
确定进行第k次粒子群搜索时粒子群G的全局最优值
根据粒子i的适应度fi
k，当fi
k<fi
k-1时，确定fi
k对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
当fi
k>fi
k-1时，确定fi
k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据N个粒子的适应度确定N个粒子的平均适应度
当
时，根据 
确定进行第k次粒子群搜索的惯性权重值
当
时，根据 
确定进行第k次粒子群搜索的惯性权重值
其中，kiter为最大搜索次数，c、d为取值在[0.1,0.6]之间的常数。
进一步的，作为一种优选的实施方式，在实际应用中，负荷模型参数确定单元61具体还可以用于：确定
对应的粒子为进行第k次粒子群搜索时粒子群G的初始全局最优值
根据公式
确定进行第k次粒子群搜索时粒子群G的全局最优值
其中，μ为与
具有相同维数、且服从标准正态分布的随
机变量。
另外，作为一种可选的实施方式，在实际应用中，负荷模型参数确定单元61具体还可以用于：获取负荷系统的实测数据，例如母线电压U、输入频率f、有功功率P和无功功率Q；根据粒子i的位置
所述母线电压U和输入频率f，确定粒子i对应的有功功率Pi
k和无功功率Qi
k；根据有功功率Pi
k、无功功率Qi
k与有功功率P、无功功率Q之间的差值，确定粒子i的适应度fi
k。
本实施例提供的电力系统的负荷特性确定系统，可以用来实现本发明图3所示实施例提供的电力系统的负荷特性确定方法，其实现原理和技术效果类似，此处不再赘述。
进一步的，在本发明的又一实施例中采用图6所示的电力系统的负荷特性确定系统进行电力系统负荷特性仿真。将种群大小设置为30，即随机初始化30组负荷模型参数；粒子的最大速度限制为参数取值范围的0.1倍，最大搜索次数设置为1500次。
仿真时分别采用以下三种算法进行负荷模型参数辨识：
1)线性递减惯性权重粒子群算法(Linearly Decreasing Inertia Weight PSO，简称LDW-PSO)，即在PSO算法迭代中采用线性递减的惯性权重；
2)S型惯性权重粒子群算法(PSO With S-Curve Inertia Weight，S-PSO)，即在PSO算法迭代中采用 
确定惯性权重；
3)改进的S型惯性权重粒子群算法(Improved PSO With S-Curve Inertia Weight，简称S-IPSO)，即在PSO算法迭代中采用 
确定惯性权重，并采用 
更新全局最优值。
电力系统的负荷特性的仿真结果如表2所示：
表2 电力系统的负荷特性仿真结果
图7为电力系统负荷运行时吸收的有功功率的特性仿真示意图，图8为电力系统负荷运行时吸收的无功功率的特性仿真示意图。请参照图7和图8所示，虽然通过上述三种负荷模型的参数辨识算法辨识出的负荷模型参数，都能对实际电力系统负荷特性进行大致的拟合，但显而易见的，通过S-PSO和S-IPSO在系统的有功功率和无功功率上的特性确定精度上，相对于LDW-PSO有较大的改进，尤其是在负荷突变时，通过本发明实施例提供的负荷特性确定方法能更准确的描述其突变过程，拟合出的波形更接近实际的负荷运行曲线，从而验证了本发明实施例提供的负荷特性确定方法在动态负荷特性研究中的有效性。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (10)
- 一种电力系统的负荷特性确定方法，其特征在于，包括：根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组；根据
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型递减；
当达到预设条件时，停止所述粒子群搜索，并根据搜索结果确定所述负荷模型参数；根据所述负荷模型参数建立电力系统的负荷模型；根据所述负荷模型确定所述电力系统的负荷特性。 - 根据权利要求1所述的方法，其特征在于，所述根据
根据进行第k次粒子群搜索时粒子i的位置确定粒子i的适应度fi k；
根据N个粒子的适应度确定所述粒子群G的最小适应度并根据
确定进行第k次粒子群搜索时所述粒子群G的全局最优值
根据粒子i的适应度fi k，当fi k<fi k-1时，确定fi k对应的粒子的位置为进行第k次粒子群搜索时该粒子i的个体最优值
当fi k>fi k-1时，确定fi k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据
其中，kiter为最大搜索次数。
- 根据权利要求1所述的方法，其特征在于，所述根据
根据进行第k次粒子群搜索时粒子i的位置确定粒子i的适应度fi k；
根据N个粒子的适应度确定所述粒子群G的最小适应度并根据
确定进行第k次粒子群搜索时所述粒子群G的全局最优值
根据粒子i的适应度fi k，当fi k<fi k-1时，确定fi k对应的粒子的位置为进行第k次粒子群搜索时该粒子i的个体最优值
当fi k>fi k-1时，确定fi k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据N个粒子的适应度确定所述N个粒子的平均适应度
当时，根据
其中，kiter为最大搜索次数，c、d为取值在[0.1,0.6]之间的常数；
当
其中，kiter为最大搜索次数，c、d为取值在[0.1,0.6]之间的常数。
- 根据权利要求2或3所述的方法，其特征在于，所述根据确定进行第k次粒子群搜索时所述粒子群G的全局最优值
包括：
确定所述对应的粒子为进行第k次粒子群搜索时所述粒子群G的初始全局最优值
根据公式确定进行第k次粒子群搜索时所述粒子群G的全局最优值
其中，μ为与
具有相同维数、且服从标准正态分布的随机变量。
- 根据权利要求4所述的方法，其特征在于，所述根据进行第k次粒子群搜索时粒子i的位置确定粒子i的适应度fi k，包括：
获取负荷系统的实测数据，所述实测数据包括母线电压U、输入频率f、有功功率P和无功功率Q；根据所述粒子i的位置所述母线电压U和所述输入频率f，确定所述粒子i对应的有功功率Pi k和无功功率
根据所述有功功率Pi k、无功功率与有功功率P、无功功率Q之间的差值，确定所述粒子i的适应度fi k。
- 一种电力系统的负荷特性确定系统，其特征在于，包括：负荷模型参数确定单元、负荷模型建立单元和负荷特性确定单元；其中，所述负荷模型参数确定单元用于：根据负荷模型参数的约束条件，随机初始化一个粒子数目为N的粒子群G，其中每个粒子为一个包括d个负荷模型参数的数组；根据
和
为进行第k次粒子群搜索时粒子i的位置和速度，
和
为进行第k次粒子群搜索后粒子i的位置和速度，
为进行第k次粒子群搜索时所述粒子群G的全局最优值，
为进行第k次粒子群搜索时粒子i的个体最优值，c1为第一学习因子，c2为第二学习因子，r1、r2为[0,1]之间的随机数，
为进行第k次粒子群搜索时的惯性权重值，且进行粒子群搜索过程中，粒子群算法的惯性权重值w随粒子群搜索次数k呈S型变化；
当达到预设条件时，停止所述粒子群搜索，并根据搜索结果确定所述负荷模型参数；所述负荷模型建立单元用于：根据所述负荷模型参数建立电力系统的负荷模型；所述负荷特性确定单元用于：根据所述负荷模型确定所述电力系统的负荷特性。 - 根据权利要求6所述的系统，其特征在于，所述负荷模型参数确定单元具体用于：根据进行第k次粒子群搜索时粒子i的位置确定粒子i的适应度fi k；
根据N个粒子的适应度确定所述粒子群G的最小适应度并根据
确定进行第k次粒子群搜索时所述粒子群G的全局最优值
根据粒子i的适应度fi k，当fi k<fi k-1时，确定fi k对应的粒子的位置为进行第k次粒子群搜索时该粒子i的个体最优值
当fi k>fi k-1时，确定fi k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据
其中，kiter为最大搜索次数。
- 根据权利要求6所述的系统，其特征在于，所述负荷模型参数确定单元具体用于：根据进行第k次粒子群搜索时粒子i的位置确定粒子i的适应度fi k；
根据N个粒子的适应度确定所述粒子群G的最小适应度并根据
确定进行第k次粒子群搜索时所述粒子群G的全局最优值
根据粒子i的适应度fi k，当fi k<fi k-1时，确定fi k对应的粒子的位置为进行第k次粒子群搜索时该粒子i的个体最优值
当fi k>fi k-1时，确定fi k-1对应的粒子的位置
为进行第k次粒子群搜索时该粒子i的个体最优值
根据N个粒子的适应度确定所述N个粒子的平均适应度
当时，根据
其中，kiter为最大搜索次数，c、d为取值在[0.1,0.6]之间的常数；
当时，根据
其中，kiter为最大搜索次数，c、d为取值在[0.1,0.6]之间的常数。
- 根据权利要求7或8所述的系统，其特征在于，所述负荷模型参数确定单元具体还用于：确定所述对应的粒子为进行第k次粒子群搜索时所述粒子群G的初始全局最优值
根据公式确定进行第k次粒子群搜索时所述粒子群G的全局最优值
其中，μ为与
具有相同维数、且服从标准正态分布的随机变量。
- 根据权利要求9所述的系统，其特征在于，所述负荷模型参数确定单元具体还用于：获取负荷系统的实测数据，所述实测数据包括母线电压U、输入频率f、有功功率P和无功功率Q；根据所述粒子i的位置所述母线电压U和所述输入频率f，确定所述粒子i对应的有功功率Pi k和无功功率
根据所述有功功率Pi k、无功功率与有功功率P、无功功率Q之间的差值，确定所述粒子i的适应度fi k。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510548903.8 | 2015-08-31 | ||
| CN201510548903.8A CN106485339A (zh) | 2015-08-31 | 2015-08-31 | 一种电力系统的负荷特性确定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2017035964A1 true WO2017035964A1 (zh) | 2017-03-09 |
Family
ID=58186620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2015/095609 WO2017035964A1 (zh) | 2015-08-31 | 2015-11-26 | 一种电力系统的负荷特性确定方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106485339A (zh) |
| WO (1) | WO2017035964A1 (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376446A (zh) * | 2018-11-07 | 2019-02-22 | 上海海事大学 | 基于粒子群算法的极化曲线拟合方法 |
| CN109614688A (zh) * | 2018-12-07 | 2019-04-12 | 新奥数能科技有限公司 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
| CN110162871A (zh) * | 2019-05-16 | 2019-08-23 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 |
| CN110276524A (zh) * | 2019-05-24 | 2019-09-24 | 华电电力科学研究院有限公司 | 一种适合规划阶段的楼宇型分布式能源系统负荷分析方法 |
| CN111709850A (zh) * | 2020-06-15 | 2020-09-25 | 江苏科技大学 | 一种考虑船舶横摇的新能源船舶电力系统容量优化方法 |
| CN111723529A (zh) * | 2020-07-27 | 2020-09-29 | 国网山东省电力公司经济技术研究院 | 基于全局灵敏度分析的负荷模型简化辨识方法 |
| CN111767622A (zh) * | 2020-07-27 | 2020-10-13 | 南京能迪电气技术有限公司 | 一种电力系统等值方法 |
| CN111817306A (zh) * | 2020-07-14 | 2020-10-23 | 上海电机学院 | 一种考虑可调控负荷的主动配电网重构方法 |
| CN112039051A (zh) * | 2020-06-30 | 2020-12-04 | 长沙理工大学 | 一种含双馈风力发电机接入变电站母线负荷的实时建模方法 |
| CN112738049A (zh) * | 2020-12-23 | 2021-04-30 | 国网河北省电力有限公司电力科学研究院 | 一种扫描策略调整方法、装置、电子设备和存储介质 |
| CN113013901A (zh) * | 2021-04-21 | 2021-06-22 | 华北电力大学（保定） | 一种电力系统负荷频率控制稳定分析和控制器设计方法 |
| CN113313330A (zh) * | 2021-07-28 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 电磁环境参数区间预测方法、装置和计算机设备 |
| CN113326296A (zh) * | 2021-02-25 | 2021-08-31 | 中国电力科学研究院有限公司 | 一种适用于工商业用户的负荷分解的方法及系统 |
| CN113517694A (zh) * | 2021-04-27 | 2021-10-19 | 广东电网有限责任公司 | 准谐振控制器参数的整定方法、装置、电气设备及介质 |
| CN115408949A (zh) * | 2022-11-02 | 2022-11-29 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
| CN117559518A (zh) * | 2023-10-16 | 2024-02-13 | 国家电网有限公司华东分部 | 风力发电系统等效模型构建方法及装置 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730045B (zh) * | 2017-10-20 | 2023-07-14 | 国网江苏省电力公司南京供电公司 | 一种基于离散惯性动力学系统的基线负荷热惯性修正方法 |
| CN107831383B (zh) * | 2017-10-25 | 2019-10-25 | 清华大学 | 一种电力系统厂站端的负荷参数辨识装置及其方法 |
| CN108167802B (zh) * | 2017-11-23 | 2020-04-03 | 华能国际电力股份有限公司大连电厂 | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 |
| CN110222429A (zh) * | 2019-06-10 | 2019-09-10 | 清华大学 | 多根线电流参数重建的优化方法 |
| CN110729937A (zh) * | 2019-10-17 | 2020-01-24 | 佛山科学技术学院 | 一种基于改进粒子群算法的异步电机参数辨识方法 |
| CN110829491B (zh) * | 2019-10-25 | 2023-08-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN111914981B (zh) * | 2020-05-31 | 2022-11-08 | 吉林大学 | 基于粒子群-蚁群并行交叉算法的改进pi模型辨识方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103872678A (zh) * | 2014-03-06 | 2014-06-18 | 国家电网公司 | 一种基于变电站量测的负荷模型辨识方法 |
| US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559564A (zh) * | 2013-11-19 | 2014-02-05 | 天津工业大学 | 一种钢铁企业电力超短期负荷预测方法 |
| CN104600756B (zh) * | 2015-01-29 | 2015-09-16 | 华中科技大学 | 一种中小型水力发电机组的机群等值建模方法 |
-
2015
- 2015-08-31 CN CN201510548903.8A patent/CN106485339A/zh active Pending
- 2015-11-26 WO PCT/CN2015/095609 patent/WO2017035964A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140277599A1 (en) * | 2013-03-13 | 2014-09-18 | Oracle International Corporation | Innovative Approach to Distributed Energy Resource Scheduling |
| CN103872678A (zh) * | 2014-03-06 | 2014-06-18 | 国家电网公司 | 一种基于变电站量测的负荷模型辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHEN, LIANGXIONG;: "Parameters Identification for Power Load Models Based on Improved Particle Swarm Optimization Algorithm", CHINA MASTER'S THESES FULL-TEXT DATABASE, 15 September 2013 (2013-09-15), pages 9 and 26 - 33 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376446B (zh) * | 2018-11-07 | 2022-11-08 | 上海海事大学 | 基于粒子群算法的极化曲线拟合方法 |
| CN109376446A (zh) * | 2018-11-07 | 2019-02-22 | 上海海事大学 | 基于粒子群算法的极化曲线拟合方法 |
| CN109614688A (zh) * | 2018-12-07 | 2019-04-12 | 新奥数能科技有限公司 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
| CN109614688B (zh) * | 2018-12-07 | 2022-11-29 | 新奥数能科技有限公司 | 一种负荷管理模型的优化方法、装置、介质及电子设备 |
| CN110162871A (zh) * | 2019-05-16 | 2019-08-23 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 |
| CN110162871B (zh) * | 2019-05-16 | 2023-01-31 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 |
| CN110276524A (zh) * | 2019-05-24 | 2019-09-24 | 华电电力科学研究院有限公司 | 一种适合规划阶段的楼宇型分布式能源系统负荷分析方法 |
| CN110276524B (zh) * | 2019-05-24 | 2023-04-07 | 华电电力科学研究院有限公司 | 一种适合规划阶段的楼宇型分布式能源系统负荷分析方法 |
| CN111709850A (zh) * | 2020-06-15 | 2020-09-25 | 江苏科技大学 | 一种考虑船舶横摇的新能源船舶电力系统容量优化方法 |
| CN112039051A (zh) * | 2020-06-30 | 2020-12-04 | 长沙理工大学 | 一种含双馈风力发电机接入变电站母线负荷的实时建模方法 |
| CN111817306B (zh) * | 2020-07-14 | 2023-11-24 | 上海电机学院 | 一种考虑可调控负荷的主动配电网重构方法 |
| CN111817306A (zh) * | 2020-07-14 | 2020-10-23 | 上海电机学院 | 一种考虑可调控负荷的主动配电网重构方法 |
| CN111767622A (zh) * | 2020-07-27 | 2020-10-13 | 南京能迪电气技术有限公司 | 一种电力系统等值方法 |
| CN111723529A (zh) * | 2020-07-27 | 2020-09-29 | 国网山东省电力公司经济技术研究院 | 基于全局灵敏度分析的负荷模型简化辨识方法 |
| CN112738049B (zh) * | 2020-12-23 | 2023-04-07 | 国网河北省电力有限公司电力科学研究院 | 一种扫描策略调整方法、装置、电子设备和存储介质 |
| CN112738049A (zh) * | 2020-12-23 | 2021-04-30 | 国网河北省电力有限公司电力科学研究院 | 一种扫描策略调整方法、装置、电子设备和存储介质 |
| CN113326296A (zh) * | 2021-02-25 | 2021-08-31 | 中国电力科学研究院有限公司 | 一种适用于工商业用户的负荷分解的方法及系统 |
| CN113326296B (zh) * | 2021-02-25 | 2024-06-07 | 中国电力科学研究院有限公司 | 一种适用于工商业用户的负荷分解的方法及系统 |
| CN113013901A (zh) * | 2021-04-21 | 2021-06-22 | 华北电力大学（保定） | 一种电力系统负荷频率控制稳定分析和控制器设计方法 |
| CN113517694A (zh) * | 2021-04-27 | 2021-10-19 | 广东电网有限责任公司 | 准谐振控制器参数的整定方法、装置、电气设备及介质 |
| CN113313330B (zh) * | 2021-07-28 | 2021-11-16 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 电磁环境参数区间预测方法、装置和计算机设备 |
| CN113313330A (zh) * | 2021-07-28 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 电磁环境参数区间预测方法、装置和计算机设备 |
| CN115408949A (zh) * | 2022-11-02 | 2022-11-29 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
| CN115408949B (zh) * | 2022-11-02 | 2023-02-17 | 广东电网有限责任公司中山供电局 | 一种负荷模型参数辨识方法、系统、设备和介质 |
| CN117559518A (zh) * | 2023-10-16 | 2024-02-13 | 国家电网有限公司华东分部 | 风力发电系统等效模型构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106485339A (zh) | 2017-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017035964A1 (zh) | 一种电力系统的负荷特性确定方法及系统 | |
| CN106125552B (zh) | 抽水蓄能机组调速系统模糊分数阶pid控制方法 | |
| Kumar et al. | Efficiency optimization of induction motor drive using soft computing techniques | |
| CN111222286A (zh) | 一种基于输电线路状态估计的参数优化方法 | |
| CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
| CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
| CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
| WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
| CN105225000B (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
| CN104809502A (zh) | 一种受限玻尔兹曼机隐含层节点动态调整方法 | |
| CN112465844A (zh) | 一种用于图像语义分割的多类别损失函数及其设计方法 | |
| Tan | A clustering K-means algorithm based on improved PSO algorithm | |
| CN110212574B (zh) | 考虑虚拟惯量的风电控制参数协调设置方法 | |
| CN108615069A (zh) | 一种基于改进的具有适应性的量子粒子群算法的优化计算方法 | |
| CN108573300A (zh) | 粒子群算法反馈自适应率参数优化方法及全阶状态观测器 | |
| CN104158188B (zh) | 一种可中断负荷参与下的输电阻塞消除方法 | |
| CN105576651B (zh) | 一种中小水电机群混合并行动态等值法 | |
| CN117318553B (zh) | 基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法 | |
| CN108199391A (zh) | 一种发电机uel与pss的协调控制方法 | |
| CN104834970B (zh) | 一种具有泛化能力的水电集群动态等值方法 | |
| CN116227320A (zh) | 一种基于lstm-ipso的双馈风机控制参数辨识方法 | |
| CN113987946A (zh) | 一种基于正交分析的粒子群多目标电机优化方法及系统 | |
| Bi et al. | Research on optimization method of high speed permanent magnet synchronous motor based on surrogate model | |
| CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
| Yin et al. | Multi-objective high-dimensional multi-fractional-order optimization algorithm for multi-objective high-dimensional multi-fractional-order optimization controller parameters of doubly-fed induction generator-based wind turbines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 15902771 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 15902771 Country of ref document: EP Kind code of ref document: A1 |