电力系统负荷建模人工智能方法综述

1、伟卫进，史芊，陈陈，王伟凌晓疲，章名噼t 电力系统负荷建模人工智能方i 击综述 ( 2 ) 在黄渡分嚣的西郊站安装土5 0 M v a rS T A T C o M 君，能有效提裹分隧电网电压的支撑臻力，改善 整个分区电网的动态安全水平，在电网发生瞬间故障或负荷突增时均能减少电压波动，提高扰动后姆线 的最低电压和稳态电压，缩短系统电压恢复时问，对故障蓐电压恢复过程有驻著作用，尤其是电动机受荷 时更明最。 。 ( 3 ) 西郊站士5 0 M v a rS T A T C O M 装置其有开环调试、恒无功与电压稳定三种运行方式，正常运行方 式原则上采用电压稳定运行方式，恒无功运行方式原则土乎春秋季轻负荷且系统电压偏高时采用。 ( 4 ) 西郊站士5 0 M v a rS T A T c O M 装置实现了无功无缎调节、恒电压的稳态与暂态控制、恒功率的稳 态与暂态控剽、动态嫡应以及与电容器的协溺控制等功能，动态响应醚阉基奉控制在3 0m s 以内，控朗策 略、动态响应速度均能满足电网运行的要求 ( 5 ) 通过改进链节控制器赫棒异常保护逻辑、改进主控制器穗j 故障自动复位娃理功能、加入分相运

2、行 控制程序确保系统故障时S T A T C O M 装置不发生过流退如再投入过程等措施，解决了各类扰动造成西 郊站5 0 M v a rS T A T C O M 装置跳闸的问题，为今后进一步推广积累了宝贵的经验。 电力系统负荷建模人工智能方法综述 上海变通大学电气工程系仲卫进戈芋 陈陈 上海市电力公司调度遴信中心置伟凌晚波幸启磷 电力负荷是电力系统的重要组成部分，当前在电力系统的设计分柝中，正确的建立负荷模型，一直是 广大电力技术人员所关心的问题。随着数字仿真技术的发展，工程技术人员对仿真计算的精魔要求越来 越高，负荷模型的准确度对电力系统设计，规村决策的正确性具有决定作用。目前发电机组和输电网络 的摸型已相当成熟，相对两言，电力负菏模型仍相当筒单，往挂从一些基本物理概念出发，采用相对理 想化的模型，比如：慨功率、恒阻抗、恒电流或三者的组合。负荷模型的过分简单理想化已成为制约电力 系统仿粪计算精度的美键因素。 由于负荷建模本身具有一些特点电力系统负荷是由各不相同的用电设备集合而成，种类非常繁 多；负荷组成及受荷量最随着时间变化而随机变化 缺乏负荷组成的精确数鬻；负荷的不确定性及 非

3、线性，而且随时问及频率的变化而变化。即负荷本身的随机性、分散性和多样性使得负荷模型的建立 十分困难，目前，负荷建模仍是电力系统几个最困难的研究领域之一，仍是电力界公认的难题 上墩纪6 0 “ - - 7 0 年代负荷建模有了相当的进展。除提出了最常用的恒阻抗、恒电流、恒功率模型以 外，还在计算中采用了感应电动机负荷模型和多项式、幂鞴数静态负荷模型上世纪7 0 年代末8 0 年代 初统计综合法的提出是负荷建摸在这一时期的最重大妁成果。上世纪6 0 年代开始迅速发展起来豹系统 辨识理论到了8 0 年代前后已取得了许多令人瞩目的成就，加之计算机数据采集与处理技术的发展，为 另一种新的负荷建模方法总体测辨法的产生羹定了基础。中国、美国、籍本、加拿大和澳大利亚等国在实 际系统研制和投运了一大批电力负荷特性数据在线记录装置，记录了大量数据，借此开展了大量的基于 总体测辨法的研究。 C I G R E 和I E E E 都设有负荷建模工作组，其不定期的发表一些专题报告，以指导负荷建模方面的研 究和及时总结负荷建模方丽的进展。 本文对负荷建模豹的燕要性现状，负荷模型柏结构，负薪建横的方法作了全面豹介绍

4、，包括经典的 最小二兼法卡尔曼滤波算法，并对当前比较新的人工智能方法，主要包括遗传算法，人工神经阐络，以及 基于这糕种算法的改进算法以厦它们与经典算法的优越憔和不足作了深 的探讨。 l 负荷建模的基本概念 本文所涉及的电力负荷概念是指是电力系统接于高压母线上的配电网、补偿设备和众多用电蹬备的 总称。负荷建模不仅对各种具体用电设备元件建立模型，更重要的是研究负荷母线上的总体负荷吸收的 功率随负荷母线电压和频率变动而变化的关系，并确定描述这种关系的数学方程的形式及其中的参数， 一7 7 圭羹霉塞挚五栗差霪2 0 0 6 年学术年会论文燕( 电力系统专娄套) 负荷特性包括鼹个方嚣：电攫特性和频率特性。 2 负荷模型结构的选撵 现有的负荷模型从方程式结构上来讲可以分为静态负荷模型和动态负荷模型两大类，前者通常用代数 方程或髓线来寝示，后者通常用微分方程或者差分方程来表彖本文主要分类介绍几种典型的负荷模型。 2 重静态负蒋模型 静态受精模型表示有功和无秘功率与弼一对刻下节点电压辐值和频率的函数燕幕的模型。基本的 静态负荷模型的结构为：幂函数模型和多项式模型，另外还有在这两种模型基础上的变形或组合

5、。 ( I ) 摹函敏负荷模型 P 口跗V 己 1 ) Q = Q o 眄吖 其中，口，芦，吉，可分别为有功指数和无功指数。一为额定电压下的有功功攀，岛为额定电压下的无功功率。 ( 2 ) 多磺式负荷模型 式中口。为模型参数。 有论文曾撼出过通用静态负荷模型，t 述两种模型都可以从该模型中推母出来。 2 2 动态负荷模型 动态盘蒋模型把任彝时刻的有功和芜功功率表示为过击时翔、而且遥常包括现在时刻的电压幅值和 频率的函数。动态负荷模型从是否反映物理本质又进一步可分为机理模型和非机理模黧。 ( 1 ) 机理型动态负荷模裁 机理模测具有明确的物理意义，它是根据负荷的物理结构和工作原理两写出的动态微分方程并基于 动态系统辨谖原理确定其中豹模型参数。文献D 2 建立模型如图l 。 文献 1 3 3 提及弓1 人反映变压器鞔芯等的饱和特性船元件与电动税和静态叠荷壹接 并联，且电动机采用简化电路表示的负荷模型。文献 1 4 3 介绍了6 种元件并联通过配 电线路和变压器接于负荷母线的负荷模篓。 ( 2 ) 非机理型毋态负荷模型 尊粤登璧塑不苎有粤鼍譬物理意苎：尊苎的辈机理模警可细挣为线箜动态模型和豳

6、l 综齿荨值盘荷 非线性动态模型。线性动态模型可以采用传递函数、差分方程、状态方程等形式，互相。 一 之问可以转换。传递函数模剿一般形式为： 丽A P ( s ) 一薏掣邕等 辫 1 3 ) 台湾电力公霹通过现场试验，认为三酚模型对于台湾电力系统是适用的 状态空间模型一般形式为： 爹三箸兰 4 ) 文献 1 s 认为= 阶是反映负荷特性的最低龄次。采用了k 下形式模型： 囱3 三三】闯+ 鞠L F a 幽Y , 浅3 = ： 轰 + 暖：盘 P t 一口乒p 卜；+ c 柏P 一，y 叫1 渖1 汹一 、 l( 7 ) Q 一口扣卜。十缸“。+ c 鲋Q 扣；l f _ 1 l 一1f 册1 措e 2( 、o，jI_， 如 唧 + + v K 旦n 毗 十 + 窖 、I，、tl， v K 旦n ，I、，l、 k L k 乙 玮 酝 盘 = P Q 仲卫进定芋胨玮，王传，凌晚建，章启明：电力系统负荷建模大王鲁毙方法综述 负荷模型结构的选择是十分困难豹，对不同的要求要采用不同的负荷模臻。应用者在选择负荷模型 时除了要考虑精确度、计算量、机理背景、参数获取和应用背景等方面的因素外还要结合自己

7、关心的熏要 方瑶选择一种符合实际负荷模型。 3 负荷建模的方法 建立含适的负荷模型以后，非常重要的一疹工作就是对模赫中的参数进行辨谈，确定负荷模型参数 的方珐可以分为两大类，统计综合法和总体测辨洼 4 负荷模型的参数辨识方法 负荷模型的辨识方法大俸哥以分为线性和非线性两类。线性方法包括最小二乘估计，卡尔曼滤波等 方法这两种算法对线性模型通常是有效的。非线性模型的参数辨识方法目前大都以优化为基础。 静态模型的参数辨识方法主要有：最小二乘法、非线性递推滤波法、动态估算法、牛顿一拉夫逊及其 改进算法以及目标规划法等。此外还有采用人工神经网络媸行辨识的方法。文 2 0 根据现场数据，采用 B F G 及其改进算法对三种静态负荷模型进行辨识。文 2 1 给出了静态负荷工业测试实铡文 1 2 给出 了& c H y d r o 系统静态负荷的实测过程实例。 动态负荷的参数辨识方法主要有常用的机理模型辨识方法有最小= 乘法、扩展卡尔曼滤波法等。除 J l ：之外还有采霜遗传算法。 。 最小= 乘法( L S ) 通过使广义误差的平方和( 准则函数) 极小来确定模型的参数。它需要求解偏微分值， 计算过

8、程相对繁琐，而且受其迭代增益矩阵的影响程大。当负荷模型绪梅相对复杂时，计算将变得非常蠢 难。文 1 2 2 4 2 2 4 7 给出了动模试验的参数辨识过程。卡尔曼滤波算法估计的准则是使状态向量舶误差方 差最小，算法对参数初值选定的敏感性强。文 3 3 异步电机袋用卡尔曼滤波法对模鹜的参数进行辨识。 近年来出现了一些新的人工智能算法，主要是基学遗传算法和神经网络。 遗传进化算法基本思想是模拟自然界进化中优胜劣汰的优化过程，从理论上讲能以较大的概率找到全 局耱最优解具蒋逶用鲁捧性强，全局收敛性较好等优点它的基本计算有三种过程：变异，竞争和选择。 系统辨识中一般采用的遗传算法步骤如下： ( 1 ) 编码。把系统参数a ，a 2 ，；，孰 瓦；c l ，c 2 ，岛；r l ，r 2 ， 依次进符二进铡编码然 后将其级联构成一个个体设对任意待末参数屯用矗位长的二进制码进行编码，其中z ；的上下限分别 为z 抽。和z 岫，对应的二进制编码值为m 。则m ，与z ，的实际值之间的对应关系如下：矗一z 训。十班i ( 毒m ；一善曲) ( 2 一1 ) ( 2 ) 选择。采用保存最忧个体选择即使用

9、轮盘赌模溅( R o u l e t t eW h e IS e l e c t i o n ) 进行正常选撵的 丽对，傈瞽上一代中品质最优的个体进人下一代( 所滑轮盘赌模型，就是使每争个体i 梭选中豹概率P ； 与其适应度F ；成正比。这样可以保证越适合于生存环境的优凫个体将有越多的繁殖后代的机会，从而使 优良特性得以遗传) 。 ( 3 ) 交叉。采用嬲点交叉，对待交叉的两个个体随机选取两个位景，将两个位最问的部分进行交换， 进而得到两个新个体。 ( 4 ) 变异。采用一点变异。鄂对待操作的个体涟规选取一个位置避簿取反操作。 ( 5 ) 控制参数的设定。在进化过程中，群体规模N 维持恒定。N 的选择影响算法的执行效率和最终 的辨识结果，太大，会使稼计算量增大，哥能导致收敛板慢；N 太小，算法很难收敛捌实际值。交叉概率 P ，和变异概率p ，的选取煮接影响算法的收敛性。 ( 6 ) 适应值函数在量时刻实际观测值y ( k ) 的滤波值j ( 愚) 与估计模型计算值Y ( 惫) 的滤渡值，( 薹) 之阉的偏差为# ( 五) = ，( 五) 一y ( 五) 。选取适应篮函数为； ) 一l ( 骞讯蝴) 每 ( 8 ) 。式中，s 为第七次采样之前的采样步数。 遗传进化算法相对其它算法具有很多优点：1 ) 遗传进化算法避免了一些算法受起始点的限制而收敛 一7 9 圭鬈幂鼍单磊寨耄霎 2 0 0 6 年学术年会论文集( 电力乐统专委奢) 蓟局部最优解的缺点；2 ) 遗传进佬算法具有广泛的应耀性。它的搜索中用到的适应度函数筐的信息幂要 求目标甬数具有线性，可微性等假设，可以不考虑其它与具体问题有关的特殊知识，易于写出一个通用的 算法，来求解不同的优化问题1 3 ) 遗传进化算法具有很好的易修改性。原问题发艇了改动，它不必像其它 优化方法要进行襁大改动以适应新闻盛。 遗传算法是一种最优化方法，从给出的原始解群中，不断进化产生新的解，最后收敛到一个特定的串 处，即求出最优解。

《电力系统负荷建模人工智能方法综述》由会员w****i分享，可在线阅读，更多相关《电力系统负荷建模人工智能方法综述》请在金锄头文库上搜索。