WO2021073462A1 - 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 - Google Patents
基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 Download PDFInfo
- Publication number
- WO2021073462A1 WO2021073462A1 PCT/CN2020/120258 CN2020120258W WO2021073462A1 WO 2021073462 A1 WO2021073462 A1 WO 2021073462A1 CN 2020120258 W CN2020120258 W CN 2020120258W WO 2021073462 A1 WO2021073462 A1 WO 2021073462A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- load
- model
- static
- value
- power ratio
- Prior art date
Links
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
一种基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,上述方法基于大量日负荷响应特性曲线,根据静态负荷模型结构及约束条件,依据两个关于负荷理论上的基本假设,提出静态负荷模型参数全时段优化辨识模型,通过优化求解,给出10kV负荷全时段的静态电压模型参数,获得各时间点负荷有功、无功功率随着电压变化而变化的规律,同时得到负荷构成成分的变化规律。上述方法具有较好的适用性,适用于大规模10kV负荷的静态模型分析,较好地满足了实际需求。
Description
本发明属于电力系统技术领域,具体涉及基于相似日负荷曲线的10kV静态负荷模型参数辨识方法。
静态负荷模型基本结构有幂函数模型、多项式模型和幂函数与多项式混合的模型。由于一般情况下频率变化的幅度很小,可以忽略频率变化对负荷特性的影响,并且鉴于多项式负荷模型物理意义更为明确,即负荷由恒阻抗负荷、恒电流负荷、恒功率负荷等叠加而成,故电力系统仿真分析中对静态负荷通常采用多项式模型,即
其中p
z为恒阻抗有功功率比例,p
i为恒电流有功功率比例,p
p为恒功率有功功率比例,q
z为恒阻抗无功功率比例,q
i为恒电流无功功率比例,q
p为恒功率无功功率比例;对于第k条负荷曲线,P
0为有功功率初值,Q
0为无功功率初值。
采用上述模型描述日负荷特性时,模型中各个时刻的功率初值及ZIP系数处于动态变化之中,根据有功、无功、电压曲线,对ZIP模型参数进行辨识时,模型中的待求参数多于方程个数,无法直接求解出准确的ZIP系数值。
发明内容
鉴于此,本发明的目的在于,依据静态负荷模型结构,根据相似的10kV日负荷曲线,建立静态负荷模型参数得优化辨识模型,根据内点法进行优化求解,得到一日全时段(96个采样时刻)的静态负荷模型参数,获得负荷成分的变化规律,实现解析负荷成分的目的。该方法具有较好的适用性,适用于大规模10kV负荷的静态建模分析,较好地满足了实际需求。
本发明采用以下方案实现:基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,所述参数辨识方法包括:
步骤一,采集大量10kV用户的96点电压、负荷数据,并进行相应的数据预处理,削弱异常采样点的影响;
步骤二,基于步骤一所得的负荷数据,通过K均值算法对负荷进行类别划分,根据欧氏距离大小将形态相似的负荷归为一类;
步骤三,从步骤二中依次取出一类负荷,根据静态负荷模型结构,结合静态负荷模型参数的约束条件,以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标,建立静态负荷模型全时段参数的优化辨识模型;
步骤四,对步骤三优化辨识模型的目标函数,考虑静态负荷各成分比例在一日之内不会发生大的突变,叠加一个目标函数,即模型表达式中的相邻两时刻系数差的平方和,修正步骤三中优化辨识模型的目标函数;
步骤五,求解步骤四中所得优化模型,优化方法如内点法,得到同类负荷全时段的静态模型参数值。以该参数值为依据,可解析各类静态负荷的构成成分变化规律。
可选的,所述步骤一具体包括:
对每一个10kV用户的电压V、负荷P和Q,进行如下的平滑处理:
当时刻t=1和t=96时,不处理;
当时刻t=2,处理为:
当时刻t=95,处理为:
当时刻t的取值为3≤t≤94的正整数时,处理为:
式中,V
t为第t个时刻的电压值,V'
t为第t个时刻处理后的电压值,P
t为第t个时刻的一类负荷值,P'
t为第t个时刻处理后的一类负荷值,Q
t为第t个时刻的二类负荷值,Q'
t为第t个时刻处理后的二类负荷值。
可选的,所述步骤二具体包括:
1)随机选择h个数据点作为初始聚类中心;
2)逐一计算N个数据点到h个聚类中心的欧氏距离,并将该数据点划入与其距离最小的聚类中心所在的类别;
3)划分完N个数据点后,分别计算h个类中数据点的平均值,作为这h个类新的聚类中心;
4)重复步骤2)、3),直到h类的聚类中心都不再发生变化;
采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。
可选的,所述采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果,包括:
首先采用分类适确性指标I
DB确定最佳聚类数目;
I
DB的计算方式为
再采用误差平方和指标I
SSE评价不同初始聚类中心对应的聚类结果,首先设置聚类次数,再根据每次聚类结果计算相应的I
SSE值,最终选择I
SSE最小时的聚类结果,I
SSE计算方式为
上式中:n
i为第i类中的数据点数量;c
ik为第i类中的第k个数据点,c
i分别为第i类的聚类中心;
根据分类适确性指标I
DB以及误差平方和指标I
SSE,通过多次聚类取得负荷的最佳聚类结果。
可选的,所述步骤三具体包括:
对步骤二所得聚类结果,取出一类日负荷曲线,选出取其中形态最为接近的N条曲线,对这N条负荷曲线对应的静态负荷模型进行优化辨识;
第k条曲线第t时刻的静态负荷模型表达式为
上式中:k=1,2,…,N-1,N;t=1,2,…,95,96;
上述模型存在大量待辨识参数p
zkt,p
ikt,p
pkt,q
zkt,q
ikt,q
pkt,P
0kt,Q
0kt,其中对于第k条负荷曲线,p
zkt为恒阻抗有功功率比例,p
ikt为恒电流有功功率比例,p
pkt为恒功率有功功率比例,q
zkt为恒阻抗无功功 率比例,q
ikt为恒电流无功功率比例,q
pkt为恒功率无功功率比例,P
0kt为有功功率初值,Q
0kt为无功功率初值,V
0k为0时刻电压值,即电压初值,V
kt为t时刻的电压值。考虑理论上同类负荷的构成成分具有相似性,据此提出以下假设;
基本假设1:根据负荷曲线形态差异确定的同一类负荷,在同一时刻的负荷成分比例差异较小,即同一类中不同负荷的p
zkt、p
ikt、p
pkt和q
zkt、q
ikt、q
pkt等参数差异较小,而P
0kt、Q
0kt则有明显不同;
根据假设1,可对同类负荷统一辨识,具体地,忽略同类负荷同一时刻负荷成分比例的差异,则该类负荷中的待辨识参数将大为减少,即:p
zt、p
it、p
pt、q
zt、q
it、q
pt、P
0kt、Q
0kt;其中对于全部N个负荷,p
zt为恒阻抗有功功率比例,p
it为恒电流有功功率比例,p
pt为恒功率有功功率比例,q
zt为恒阻抗无功功率比例,q
it为恒电流无功功率比例,q
pt为恒功率无功功率比例;对于第k条负荷曲线,P
0kt为有功功率初值,Q
0kt为无功功率初值;
待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小,故以此为参数辨识优化模型的基本;
其中,静态有功模型参数辨识的优化模型如下:
目标函数为
其中,P
kt为t时刻由静态负荷模型表达式计算得到的有功负荷理论值,P
kt'为t时刻有功负荷真实值;
约束条件为
静态无功模型参数辨识的优化模型如下:
目标函数为
其中,Q
kt为第k个负荷t时刻由静态负荷模型表达式计算得到的无功负荷理论值,Q
kt'为第k个负荷t时刻无功负荷真实值;
约束条件为
可选的,所述步骤四具体包括:
在步骤三中优化模型目标函数的基础上,考虑静态负荷各成分比例在一日之内不会发生大的突变,修正目标函数;
理论上负荷存在以下情况
基本假设2:静态负荷各成分比例在一日之内不会发生大的突变。
根据假设2,在原目标函数的基础上,叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和,修正目标函数;
静态有功、无功参数优化模型的目标函数分别修正为
p
zk,t-1为第k个负荷t-1时刻恒阻抗有功功率比例,p
ik,t-1为第k个负荷t-1时刻恒电流有功功率比例,其中,
q
zk,t-1为第k个负荷t-1时刻恒阻抗无功功率比例,q
ik,t-1为第k个负荷t-1时刻恒电流无功功率比例。
可选的,所述步骤五具体包括:
对步骤四中的目标函数结合步骤三中的约束条件,采用优化方法如内点法进行模型求解,得到静态有功、无功模型全时段的成分比例值。
通过先聚类后优化求解,给出10kV负荷全时段(96个时刻点)的静态电压模型参数,分析各时间点负荷有功、无功功率随着电压变化而变化的规律。
图1为本发明实施例提出的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法的流程示意图。
下面结合附图及实施例对本发明做进一步说明。
实际中,电网实现了公、专变客户用电信息的全采集,覆盖了配电网负荷控制管理系统,配置了智能量测终端设备,连接了营销配送系统、SCADA系统、海讯信息系统等电网管理信息平台,这为本发明的实施提供了大量负荷数据支撑。
本实施例提供一种基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,如图1所示,包括以下步骤:
步骤一,采集大量10kV用户的96点电压、负荷数据,并进行相应的数据预处理,削弱异常采样点的影响;
步骤二,基于步骤一所得的负荷数据,通过K均值算法对负荷进行类别划分,根据欧氏距离大小将形态相似的负荷归为一类;
步骤三,从步骤二中依次取出一类负荷,根据静态负荷模型结构,结合静态负荷模型参数的约束条件,以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标,建立静态负荷模型全时段参数的优化辨识模型;
步骤四,对步骤三优化模型的目标函数,考虑静态负荷各成分比例在一日之内不会发生大的突变,叠加一个目标函数,即模型表达式中的相邻两时刻系数差的平方和,修正步骤三中的目标函数;
步骤五,求解步骤四中所得优化模型,优化方法如内点法,得到同类负荷全时段的静态模型参数值。具体地,为基于步骤三中的约束条件,采用传统优化方法如内点法,求解步骤四中模型的目标函数得到同类负荷全时段的静态模型参数值,以该参数值为依据,可解析各类静态负荷的构成成分变化规律。
进一步地,所述步骤一具体为,对每一个10kV用户的电压V、负荷P和Q,进行如下的平滑处理:
当时刻t=1和t=96时,不处理;
当时刻t=2,处理为:
当时刻t=95,处理为:
当时刻t的取值为3≤t≤94的正整数时,处理为:
式中,V
t为第t个时刻的电压值,V'
t为第t个时刻处理后的电压值,P
t为第t个时刻的一类负荷值,P'
t为第t个时刻处理后的一类负荷值,Q
t为第t个时刻的二类负荷值,Q'
t为第t个时刻处理后的二类负荷值。
进一步地,所述步骤二具体为,通过K均值算法对负荷进行类别划分。Kmeans算法作为聚类分析领域的经典算法,其基本思想是把N个数据点划分为h个类别,使得每类的聚类中心到该类中的所有数据点的距离总和最小。
Kmeans算法聚类一次的实现步骤如下
1)随机选择h个数据点作为初始聚类中心;
2)逐一计算N个数据点到h个聚类中心的欧氏距离,并将该数据点划入与其距离最小的聚类中心所在的类别;
3)划分完N个数据点后,分别计算h个类中数据点的平均值,作为这h个类新的聚类中心;
4)重复步骤2)、3),直到h类的聚类中心都不再发生变化。
采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。
首先采用分类适确性指标I
DB确定最佳聚类数目;
I
DB的计算方式为
再采用误差平方和指标I
SSE评价不同初始聚类中心对应的聚类结果,首先设置聚类次数,再根据每次聚类结果计算相应的I
SSE值,最终选择I
SSE最小时的聚类结果,I
SSE计算方式为
上式中:n
i为第i类中的数据点数量;c
ik为第i类中的第k个数据点,c
i分别为第i类的聚类中心;
根据上述两个指标,通过多次聚类取得负荷的最佳聚类结果。
进一步地,所述步骤三具体为,对步骤二所得聚类结果,取出一类日负荷曲线,选出取其中形态最为接近的N条曲线,对这N条负荷曲线对应的静态负荷模型进行优化辨识。
第k条曲线第t时刻的静态负荷模型表达式为
上式中:k=1,2,…,N-1,N;t=1,2,…,95,96;
上述模型存在大量待辨识参数p
zkt,p
ikt,p
pkt,q
zkt,q
ikt,q
pkt,P
0kt,Q
0kt,其中对于第k条负荷曲线,p
zkt为恒阻抗有功功率比例,p
ikt为恒电流有功功率比例,p
pkt为恒功率有功功率比例,q
zkt为恒阻抗无功功率比例,q
ikt为恒电流无功功率比例,q
pkt为恒功率无功功率比例,P
0kt为有功功率初值,Q
0kt为无功功率初值,V
0k为0时刻电压值,即电压初值,V
kt为t时刻的电压值;考虑理论上同类负荷的构成成分具有相似性,据此提出以下假设。
基本假设1:根据负荷曲线形态差异确定的同一类负荷,在同一时刻的负荷成分比例差异较小,即同一类中不同负荷的p
zkt、p
ikt、p
pkt和q
zkt、q
ikt、q
pkt等参数差异较小,而P
0kt、Q
0kt则有明显不同。
根据假设1,可对同类负荷统一辨识,具体地,忽略同类负荷同一时刻负荷成分比例的差异,则该类负荷中的待辨识参数将大为减少,即:p
zt、p
it、p
pt、q
zt、q
it、q
pt、P
0kt、Q
0kt。其中对于全部N个负荷,p
zt为恒阻抗有功功率比例,p
it为恒电流有功功率比例,p
pt为恒功率有功功率比例,q
zt为恒阻抗无功功率比例,q
it为恒电流无功功率比例,q
pt为恒功率无功功率比例;对于第k条负荷曲线,P
0kt为有功功率初值,Q
0kt为无功功率初值。
待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小,故以此为参数辨识优化模型的基本目标函数。对有功、无功模型参数可分别进行辨识,二者方法相似。
其中,静态有功模型参数辨识的优化模型如下:
目标函数为
其中,P
kt为t时刻由静态负荷模型表达式计算得到的有功负荷理论值,P
kt'为t时刻有功负荷真实值。
约束条件为
静态无功模型参数辨识的优化模型如下:
目标函数为
其中,Q
kt为第k个负荷t时刻由静态负荷模型表达式计算得到的无功负荷理论值,Q
kt'为第k个负荷t时刻无功负荷真实值。
约束条件为
进一步地,所述步骤四具体为,在步骤三中优化模型目标函数的基础上,考虑静态负荷各成分比例在一日之内不会发生大的突变,修正目标函数。
理论上负荷存在以下情况:
基本假设2:静态负荷各成分比例在一日之内不会发生大的突变。
根据假设2,在原目标函数的基础上,叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和,修正目标函数。
静态有功、无功参数优化模型的目标函数分别修正为
p
zk,t-1为第k个负荷t-1时刻恒阻抗有功功率比例,p
ik,t-1为第k个负荷t-1时刻恒电流有功功率比其中,
例,q
zk,t-1为第k个负荷t-1时刻恒阻抗无功功率比例,q
ik,t-1为第k个负荷t-1时刻恒电流无功功率比例。
进一步地,所述步骤五具体为,对步骤四中的目标函数结合步骤三中的约束条件,采用优化方法如内点法进行模型求解,得到静态有功、无功模型全时段的成分比例值。具体操作为:分别针对步骤四中的静态有功、无功模型的目标函数结合步骤三中静态有功、无功模型各自的约束条件,采用优化方法如内点法进行模型求解,得到全时段静态有功、无功负荷模型参数值。
本发明基于大量日负荷响应特性曲线,根据两个理论上的基本假设,通过先聚类后优化求解,给出10kV负荷全时段(96个时刻点)的静态电压模型参数,分析各时间点负荷有功、无功功率随着电压变化而变化的规律。通过实施上述步骤,实现了10kV静态负荷模型参数的全时段优化辨识。作为结果,上述步骤给出了解析静态负荷模型构成成分全时段变化规律的方法。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
- 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述参数辨识方法包括:步骤一,采集大量10kV用户的96点电压、负荷数据,并进行相应的数据预处理,削弱异常采样点的影响;步骤二,基于步骤一所得的负荷数据,通过K均值算法对负荷进行类别划分,根据欧氏距离大小将形态相似的负荷归为一类;步骤三,从步骤二中依次取出一类负荷,根据静态负荷模型结构,结合静态负荷模型参数的约束条件,以最小化静态模型的负荷计算值与该负荷曲线的平方误差和为优化目标,建立静态负荷模型全时段参数的优化辨识模型;步骤四,对步骤三优化辨识模型的目标函数,考虑静态负荷各成分比例在一日之内不会发生大的突变,叠加一个目标函数,即模型表达式中的相邻两时刻系数差的平方和,修正步骤三中优化辨识模型的目标函数;步骤五,求解步骤四中所得优化模型,优化方法如内点法,得到同类负荷全时段的静态模型参数值,以该参数值为依据,得到各类静态负荷的构成成分变化规律。
- 根据权利要求1所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述步骤二具体包括:1)随机选择h个数据点作为初始聚类中心;2)逐一计算N个数据点到h个聚类中心的欧氏距离,并将该数据点划入与其距离最小的聚类中心所在的类别;3)划分完N个数据点后,分别计算h个类中数据点的平均值,作为这h个类新的聚类中心;4)重复步骤2)、3),直到h类的聚类中心都不再发生变化;采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果。
- 根据权利要求3所述的基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述采用两个评价指标分别确定最佳聚类数目以及计及初始聚类中心随机性的最佳聚类结果,包括:首先采用分类适确性指标I DB确定最佳聚类数目;I DB的计算方式为再采用误差平方和指标I SSE评价不同初始聚类中心对应的聚类结果,首先设置聚类次数,再根据每次聚类结果计算相应的I SSE值,最终选择I SSE最小时的聚类结果,I SSE计算方式为上式中:n i为第i类中的数据点数量;c ik为第i类中的第k个数据点,c i分别为第i类的聚类中心;根据分类适确性指标I DB以及误差平方和指标I SSE,通过多次聚类取得负荷的最佳聚类结果。
- 根据权利要求1基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述步骤三具体包括:对步骤二所得聚类结果,取出一类日负荷曲线,选出取其中形态最为接近的N条曲线,对这N条负荷曲线对应的静态负荷模型进行优化辨识;第k条曲线第t时刻的静态负荷模型表达式为上式中:k=1,2,…,N-1,N;t=1,2,…,95,96;上述模型存在大量待辨识参数p zkt,p ikt,p pkt,q zkt,q ikt,q pkt,P 0kt,Q 0kt,其中对于第k条负荷曲线,p zkt为恒阻抗有功功率比例,p ikt为恒电流有功功率比例,p pkt为恒功率有功功率比例,q zkt为恒阻抗无功功率比例,q ikt为恒电流无功功率比例,q pkt为恒功率无功功率比例,P 0kt为有功功率初值,Q 0kt为无功功率初值,V 0k为0时刻电压值,即电压初值,V kt为t时刻的电压值;考虑理论上同类负荷的构成成分具有相似性,据此提出以下假设;基本假设1:根据负荷曲线形态差异确定的同一类负荷,在同一时刻的负荷成分比例差异较小,即同一类中不同负荷的p zkt、p ikt、p pkt和q zkt、q ikt、q pkt等参数差异较小,而P 0kt、Q 0kt则有明显不同;根据假设1,可对同类负荷统一辨识,具体地,忽略同类负荷同一时刻负荷成分比例的差异,则该类负荷中的待辨识参数将大为减少,即p zt、p it、p pt、q zt、q it、q pt、P 0kt、Q 0kt,其中对于全部N个负荷,p zt为恒阻抗有功功率比例,p it为恒电流有功功率比例,p pt为恒功率有功功率比例,q zt为恒阻抗无功功率比例,q it为恒电流无功功率比例,q pt为恒功率无功功率比例;对于第k条负荷曲线,P 0kt为有功功率初值,Q 0kt为无功功率初值;待辨识的参数最佳值应使得同类负荷各时刻点的负荷模型计算值与相应量测值的误差平方和最小,故以此为参数辨识优化模型的基本;其中,静态有功模型参数辨识的优化模型如下:目标函数为其中,P kt为t时刻由静态负荷模型表达式计算得到的有功负荷理论值,P kt'为t时刻有功负荷真实值;约束条件为静态无功模型参数辨识的优化模型如下:目标函数为其中,Q kt为第k个负荷t时刻由静态负荷模型表达式计算得到的无功负荷理论值,Q kt'为第k个负荷t时刻无功负荷真实值;约束条件为
- 根据权利要求5基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述步骤四具体包括:在步骤三中优化模型目标函数的基础上,考虑静态负荷各成分比例在一日之内不会发生大的突变,修正目标函数;理论上负荷存在以下情况:基本假设2:静态负荷各成分比例在一日之内不会发生大的突变,根据假设2,在原目标函数的基础上,叠加同类负荷相邻两时刻的静态负荷对应成分比例之差的平方和,修正目标函数;静态有功、无功参数优化模型的目标函数分别修正为p zk,t-1为第k个负荷t-1时刻恒阻抗有功功率比例,p ik,t-1为第k个负荷t-1时刻恒电流有功功率比其中,例,q zk,t-1为第k个负荷t-1时刻恒阻抗无功功率比例,q ik,t-1为第k个负荷t-1时刻恒电流无功功率比例。
- 根据权利要求6基于相似日负荷曲线的10kV静态负荷模型参数辨识方法,其特征在于,所述步骤五具体包括:对步骤四中的目标函数结合步骤三中的约束条件,采用优化方法如内点法进行模型求解,得到静态有功、无功模型全时段的成分比例值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/109,176 US20210109140A1 (en) | 2019-10-15 | 2020-12-02 | Method for identifying parameters of 10 kv static load model based on similar daily load curves |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977349.3A CN110991786B (zh) | 2019-10-15 | 2019-10-15 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN201910977349.3 | 2019-10-15 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US17/109,176 Continuation-In-Part US20210109140A1 (en) | 2019-10-15 | 2020-12-02 | Method for identifying parameters of 10 kv static load model based on similar daily load curves |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021073462A1 true WO2021073462A1 (zh) | 2021-04-22 |
Family
ID=70081902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2020/120258 WO2021073462A1 (zh) | 2019-10-15 | 2020-10-11 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110991786B (zh) |
WO (1) | WO2021073462A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673551A (zh) * | 2021-06-30 | 2021-11-19 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力计量不良数据辨识方法及系统 |
CN113688884A (zh) * | 2021-08-06 | 2021-11-23 | 山东德佑电气股份有限公司 | 一种基于云平台的负荷水平分类方法及装置 |
CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
CN114037006A (zh) * | 2021-11-01 | 2022-02-11 | 北方工业大学 | 电力系统典型日负荷曲线生成方法 |
CN114091608A (zh) * | 2021-11-24 | 2022-02-25 | 国网河南省电力公司许昌供电公司 | 一种基于数据挖掘的户变关系辨识方法 |
CN114861808A (zh) * | 2022-05-20 | 2022-08-05 | 中国长江电力股份有限公司 | 一种水轮发电机组变负荷试验数据智能分拣方法 |
CN114862139A (zh) * | 2022-04-19 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN116109009A (zh) * | 2023-04-10 | 2023-05-12 | 山东理工大学 | 基于多特征量提取的光储型园区负荷曲线动态识别方法 |
CN117076990A (zh) * | 2023-10-13 | 2023-11-17 | 国网浙江省电力有限公司 | 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质 |
CN117318049A (zh) * | 2023-11-27 | 2023-12-29 | 国网山东省电力公司枣庄供电公司 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991786B (zh) * | 2019-10-15 | 2022-06-24 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN113297799B (zh) * | 2021-06-10 | 2024-02-06 | 国网综合能源服务集团有限公司 | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN103279803A (zh) * | 2013-04-27 | 2013-09-04 | 深圳供电局有限公司 | 基于综合信息论及现代内点理论的负荷建模方法和系统 |
CN106602551A (zh) * | 2016-12-13 | 2017-04-26 | 清华大学 | 基于似然剖面法的负荷模型参数可辨识性确定方法 |
CN110163429A (zh) * | 2019-05-10 | 2019-08-23 | 湖南大学 | 一种基于相似日优化筛选的短期负荷预测方法 |
CN110263839A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 基于大数据的电力系统负荷静态特性在线智能识别方法 |
CN110991786A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2584338C1 (ru) * | 2015-03-02 | 2016-05-20 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет" | Способ определения статических характеристик нагрузки по напряжению |
CN106055918B (zh) * | 2016-07-26 | 2020-02-21 | 天津大学 | 一种电力系统负荷数据的辨识及修正方法 |
CN108664671B (zh) * | 2017-03-28 | 2021-01-12 | 中国电力科学研究院有限公司 | 一种风电场多机聚合模型参数辨识方法及装置 |
CN107516115B (zh) * | 2017-09-06 | 2019-11-19 | 中国南方电网有限责任公司 | 一种基于k-中心点算法的负荷模型典型参数提取方法 |
CN107977771B (zh) * | 2017-11-07 | 2021-05-07 | 国家电网公司 | 一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法 |
CN109245100B (zh) * | 2018-11-07 | 2020-09-01 | 国网浙江省电力有限公司经济技术研究院 | 考虑交直流配电网负荷组成时变性的负荷动态建模方法 |
CN110048438B (zh) * | 2019-05-09 | 2023-05-19 | 武汉龙德控制科技有限公司 | 一种基于模型预测控制的配电网馈线级负荷功率控制方法 |
-
2019
- 2019-10-15 CN CN201910977349.3A patent/CN110991786B/zh active Active
-
2020
- 2020-10-11 WO PCT/CN2020/120258 patent/WO2021073462A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN103279803A (zh) * | 2013-04-27 | 2013-09-04 | 深圳供电局有限公司 | 基于综合信息论及现代内点理论的负荷建模方法和系统 |
CN106602551A (zh) * | 2016-12-13 | 2017-04-26 | 清华大学 | 基于似然剖面法的负荷模型参数可辨识性确定方法 |
CN110163429A (zh) * | 2019-05-10 | 2019-08-23 | 湖南大学 | 一种基于相似日优化筛选的短期负荷预测方法 |
CN110263839A (zh) * | 2019-06-13 | 2019-09-20 | 河海大学 | 基于大数据的电力系统负荷静态特性在线智能识别方法 |
CN110991786A (zh) * | 2019-10-15 | 2020-04-10 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673551A (zh) * | 2021-06-30 | 2021-11-19 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力计量不良数据辨识方法及系统 |
CN113688884A (zh) * | 2021-08-06 | 2021-11-23 | 山东德佑电气股份有限公司 | 一种基于云平台的负荷水平分类方法及装置 |
CN113722906B (zh) * | 2021-08-30 | 2023-09-01 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
CN114037006A (zh) * | 2021-11-01 | 2022-02-11 | 北方工业大学 | 电力系统典型日负荷曲线生成方法 |
CN114037006B (zh) * | 2021-11-01 | 2024-03-15 | 北方工业大学 | 电力系统典型日负荷曲线生成方法 |
CN114091608A (zh) * | 2021-11-24 | 2022-02-25 | 国网河南省电力公司许昌供电公司 | 一种基于数据挖掘的户变关系辨识方法 |
CN114091608B (zh) * | 2021-11-24 | 2024-02-20 | 国网河南省电力公司许昌供电公司 | 一种基于数据挖掘的户变关系辨识方法 |
CN114862139B (zh) * | 2022-04-19 | 2023-12-22 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
CN114862139A (zh) * | 2022-04-19 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
CN114861808A (zh) * | 2022-05-20 | 2022-08-05 | 中国长江电力股份有限公司 | 一种水轮发电机组变负荷试验数据智能分拣方法 |
CN115292965B (zh) * | 2022-09-28 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN116109009A (zh) * | 2023-04-10 | 2023-05-12 | 山东理工大学 | 基于多特征量提取的光储型园区负荷曲线动态识别方法 |
CN117076990A (zh) * | 2023-10-13 | 2023-11-17 | 国网浙江省电力有限公司 | 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质 |
CN117076990B (zh) * | 2023-10-13 | 2024-02-27 | 国网浙江省电力有限公司 | 基于曲线降维和聚类的负荷曲线辨识方法、装置及介质 |
CN117318049A (zh) * | 2023-11-27 | 2023-12-29 | 国网山东省电力公司枣庄供电公司 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
CN117318049B (zh) * | 2023-11-27 | 2024-02-13 | 国网山东省电力公司枣庄供电公司 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991786B (zh) | 2022-06-24 |
CN110991786A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
CN111177650B (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN111199252A (zh) | 一种电力通信网络智能运维系统的故障诊断方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN109214694A (zh) | 一种基于模糊综合评价的电网公司碳减排风险评估方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110502989A (zh) | 一种小样本高光谱人脸识别方法及系统 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
CN110991689A (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 |
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: 20877245 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: 20877245 Country of ref document: EP Kind code of ref document: A1 |