一种基于粒子群算法的电力系统负荷建模方法与流程

本发明涉及电力技术领域，特别涉及一种基于粒子群算法的电力系统负荷建模方法。

背景技术：

随着电网规模的不断扩大，其复杂程度也越来越高。目前电力系统数字仿真已成为电力系统规划、设计的重要工具，仿真结果的准确性直接影响电网运行和规划中决策的正确性，而仿真模型和参数的精确程度将直接影响仿真结果的可靠性，仿真结果失真可能对电网的规划及安全造成负面影响，将对电力系统构成潜在危险。

负荷是电力系统的重要组成部分，在电力仿真系统中负荷模型对电力系统的安全稳定计算具有重要影响，负荷模型不准确会导致系统分析的结果不准确。负荷是众多用电设备和用户的综合对象，由于其非线性、时变性造成的特性差异、各用电设备在大幅度电压和频率波动激励下的响应特性未知等情况，难以建立与实际情况吻合度较高的电力系统负荷模型。

目前负荷建模研究主要关注负荷的电压特性，对于孤网或采用异步互联的电网而言，电力系统容量变小，当发生故障导致系统功率不平衡时，电力系统频率也产生较大波动，忽略频率特性的负荷模型不能准确反映负荷动态特性，电力仿真结果不准确，对电力系统造成潜在危险。同时，在负荷模型中需要辨识的参数较多，传统算法存在解空间复杂，初始值敏感，收敛速度慢，极易陷入局部最优解等问题。求解参数辨识最常用的方法有最小二乘法等传统的优化算法以及以遗传算法。然而最小二乘法等传统算法对初值要求高，算法鲁棒性差，容易陷入局部极值点，导致迭代次数多，甚至进入死循环。遗传算法等人工智能算法能够克服传统辨识方法的缺陷，但却引入了大量的计算量，导致计算时间过长，对于维数较高的问题难于处理和优化，且算法对新空间的探索能力有限，容易收敛到局部最优解。

技术实现要素：

本发明的发明目的在于提供一种基于粒子群算法的电力系统负荷建模方法，能够解决负荷模型不能真实反映负荷动态特性的问题。

根据本发明的实施例，提供了一种基于粒子群算法的电力系统负荷建模方法，包括：

统计电网中的负荷数据；

根据所述负荷数据，计算负荷特性参数的参数值，所述负荷特性参数包括定子电阻，定子漏抗，转子电阻，转子漏抗，电动机激磁电抗，转子惯性时间常数，机械转矩系数，负荷有功功率中恒阻抗组成比例，负荷有功功率中恒功率组成比例，负荷无功功率中恒阻抗组成比例，负荷无功功率中恒功率组成比例，频率变化引起的有功功率变化百分比，频率变化引起的无功功率百分比，等值动态负荷在总负荷中所占比例以及初始负荷率系数；

计算所述负荷特性参数的灵敏度；

将所述灵敏度大于预设阈值的所述负荷特性参数，确定为灵敏负荷参数；

根据粒子群算法，计算所述灵敏负荷参数的修正参数值；

将所述灵敏负荷参数的参数值更改为所述修正参数值；

根据所述负荷特性参数的参数值和所述修正参数值，构建负荷模型。

进一步地，所述计算所述负荷特性参数的灵敏度，包括：

根据预置变化比例和所述负荷特性参数的参数值，计算变化参数范围；

根据所述变化参数范围，计算功角变化值、电压变化值和频率变化值；

计算所述功角变化值、所述电压变化值和所述频率变化值的变化均方差值；

根据所述变化均方差值确定所述负荷特性参数的灵敏度。

进一步地，所述根据粒子群算法，计算所述灵敏负荷参数的修正参数值，包括：

根据所述负荷数据，建立仿真模型；

根据所述仿真模型，确定所述灵敏负荷参数的参数值范围；

根据粒子群算法，获取所述修正参数，以使得目标函数得到最优解，所述目标函数为min|error|＝n1×min|errormax|+n2×min|errorall|，其中error为实测波形与仿真波形误差，errormax为最大误差，errorall为整体误差，n1为最大误差权重，n2为整体误差权重，n1+n2＝1。

进一步地，所述获取所述修正参数，以使得目标函数得到最优解，包括：

若所述粒子群算法的迭代次数等于预置次数，则获取所述目标函数的当前解；

确定所述当前解为所述目标函数的最优解。

进一步地，所述构建负荷模型，包括：

根据所述电网的负荷特性，构建静态负荷模型，所述静态负荷模型包括静态有功模型和静态无功模型；

根据所述电网的负荷特性，构建动态负荷模型。

由以上技术方案可知，本发明提供的一种基于粒子群算法的电力系统负荷建模方法，通过统计电网中的负荷数据，并根据负荷数据计算负荷特性参数的参数值，然后计算负荷特性参数的灵敏度，确定灵敏负荷参数，再根据粒子群算法计算灵敏负荷参数的修正参数值，最后根据负荷特性参数的参数值和修正参数值，构建负荷模型。与现有技术相比，能够判断负荷特性参数中的灵敏度较大的灵敏负荷参数，修正灵敏负荷参数的修正参数值，建立同时考虑电压特性和频率特性的负荷模型，以提高负荷模型的准确性。根据粒子群算法计算灵敏负荷参数的修正值，能够得到全局最优修正参数，而且具有较高的收敛速度，能够快速的寻找到全局最优修正参数。根据更准确的修正参数，构建能够反映真实负荷动态特性的负荷模型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据一优选实施例示出的一种基于粒子群算法的电力系统负荷建模方法流程图；

图2为根据一优选实施例示出的综合负荷模型结构图；

图3为根据一优选实施例示出的另一种基于粒子群算法的电路系统负荷建模方法流程图。

具体实施方式

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、完整的描述，显然，所描述的实施例仅仅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作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。

电力系统仿真，是指利用虚拟现实技术，将现实世界的工业厂房及设备在计算机中虚拟化，利用数据库技术、数据采集与监视控制技术，将生产设备的运行状态参数实时传回虚拟电站系统中，在三维虚拟场景中即可实现对设备的查询管理。在架设电力系统之前，如果能够通过电力系统仿真现实电力运行情况，就能获得电力系统的运行情况，以便对电力系统进行改进。在现实电力运行情况中，电力系统中的负荷情况是影响电力系统运行情况的重要因素。

为了更好的描述电力系统中的负荷情况，一方面，本发明实施例提供了一种基于粒子群算法的电力系统负荷建模方法，如图1所示，包括：

s101、统计电网中的负荷数据。

电网，是指一个已经投入使用，且正在运行的电力网络系统。在成熟的电网中，对电网中的用电设备组成和用电设备特性的检测情况比较完善，可以通过已记录的用电数据查询得到电网运行期间的电网负荷情况。负荷，是指电网中所有用电设备消耗的电功率的总和。在电网中关于电网负荷的数据称为负荷数据。

s102、根据负荷数据，计算负荷特性参数的参数值。

统计电网中负荷类型的组成，各类负荷中各用电设备的组成和各用电设备特性，形成节点负荷特性参数，最终叠加得到全网负荷模型。将整个电网抽象成综合负荷模型结构图，如图2所示，将电网中的负荷情况分为静态负荷和动态负荷。根据负荷数据和中和负荷模型结构图，统计静态负荷与动态负荷的比例，以及静态负荷与动态负荷的负荷特性参数。在图2所示的综合负荷模型结构图中，负荷特性参数包括定子电阻，定子漏抗，转子电阻，转子漏抗，电动机激磁电抗，转子惯性时间常数，机械转矩系数，负荷有功功率中恒阻抗组成比例，负荷有功功率中恒功率组成比例，负荷无功功率中恒阻抗组成比例，负荷无功功率中恒功率组成比例，频率变化引起的有功功率变化百分比，频率变化引起的无功功率百分比，等值动态负荷在总负荷中所占比例以及初始负荷率系数。

电力系统由发电厂、传输网络以及负荷三大部分组成。发电厂负责电能的生产，发出的电能由高电压等级传输网络发送到各个低电压等级用户，再由各用户使用。此处涉及负荷模型的负荷是指母线负荷，即负荷有功功率、无功功率和负荷母线的电压以及负荷母线的频率之间的关系，主要包括低电压等级的变压器、配电线路、配电变压器以及各种用电设备。在计算负荷特性参数的参数值时，如果负荷数据是针对低电压等级用户的，则需要将负荷数据转换成等值的母线负荷数据，也就是计算的负荷特性参数的参数值相对于母线负荷的等值参数。

s103、计算负荷特性参数的灵敏度。

灵敏度，是指负荷特性参数的变化对电网中功角、电压或频率的影响。在电网仿真模型中，选择一个负荷特性参数，改变该负荷特性参数的参数值，同时施加电网扰动事件，获取该负荷特性参数的参数值变化前后对电网中功角、电压和频率的影响程度。

s104、将灵敏度大于预设阈值的负荷特性参数，确定为灵敏负荷参数。

比较负荷特性参数的灵敏度，将灵敏度大于预设阈值的负荷特性参数，确定为灵敏负荷参数。在选取灵敏负荷参数时，还可以按照负荷特性参数灵敏度从大到小的顺序进行排序，从灵敏度较大的负荷特性参数开始，选取预定数量的负荷特性参数。例如在16个负荷特性参数中选择6个灵敏度较大的灵敏负荷参数。

s105、根据粒子群算法，计算灵敏负荷参数的修正参数值。

粒子群算法，也称粒子群优化算法，从随机解出发，通过迭代寻找最优解，通过追随当前搜索到的最优值来寻找全局最优解。粒子群算法具有实现容易、精度高、收敛快等优点，实际上是一种并行算法。

首先设置粒子群算法的目标函数，也就是全局最优解的评判函数。在给定的负荷特性参数的取值范围内，寻找目标函数的最优解，也就是灵敏负荷参数的修正参数值。

s106、将灵敏负荷参数的参数值更改为修正参数值。

将从电网负荷数据中计算的负荷特性参数中灵敏负荷参数的参数值更改为修正参数值。除灵敏负荷参数之外的负荷特性参数的参数值不变。

s107、根据负荷特性参数的参数值和修正参数值，构建负荷模型。

整个电网抽象成综合负荷模型结构图，如图2所示，所以构建负荷模型分为两部分，静态负荷模型和动态负荷模型。将负荷模型分成2个不同的模型处理，是因为电网中的一部分用户的用电设备为常用电器如电脑、热水器、电磁炉、洗衣机、冰箱、电灯等，另一部分用户的用电设备是大型机电设备，耗电量巨大，如机床等。

由以上技术方案可知，本发明提供的一种基于粒子群算法的电力系统负荷建模方法，通过统计电网中的负荷数据，并根据负荷数据计算负荷特性参数的参数值，然后计算负荷特性参数的灵敏度，再确定灵敏负荷参数，再根据粒子群算法计算灵敏负荷参数的修正参数值，最后根据负荷特性参数的参数值和修正参数值，构建负荷模型。与现有技术相比，能够判断负荷特性参数中的灵敏度较大的灵敏负荷参数，修正灵敏负荷参数的修正参数值，建立同时考虑电压特性和频率特性的负荷模型，以提高负荷模型的准确性。根据粒子群算法计算灵敏负荷参数的修正值，能够得到全局最优修正参数，而且具有较高的收敛速度，能够快速的寻找到全局最优修正参数。根据更准确的修正参数，构建能够反映真实负荷动态特性的负荷模型。

另一方面，本发明实施例还提供了另一种基于粒子群算法的电力系统负荷建模方法，如图3所示，包括：

s301、统计电网中的负荷数据。

根据记录在电网中的用电设备组成和用电设备特性的检测情况，统计电网中的负荷数据。

s302根据负荷数据，计算负荷特性参数的参数值。

统计电网中负荷类型的组成，各类负荷中各用电设备的组成和各用电设备特性，形成节点负荷特性参数。根据负荷数据，计算负荷特性参数的参数值。负荷特性参数包括定子电阻，定子漏抗，转子电阻，转子漏抗，电动机激磁电抗，转子惯性时间常数，机械转矩系数，负荷有功功率中恒阻抗组成比例，负荷有功功率中恒功率组成比例，负荷无功功率中恒阻抗组成比例，负荷无功功率中恒功率组成比例，频率变化引起的有功功率变化百分比，频率变化引起的无功功率百分比，等值动态负荷在总负荷中所占比例以及初始负荷率系数。

s303、计算负荷特性参数的灵敏度。

计算负荷特性参数的灵敏度，具体包括：根据预置变化比例和负荷特性参数的参数值，计算变化参数值；根据变化参数值，计算功角变化值、电压变化值和频率变化值；计算功角变化值、电压变化值和频率变化值的变化均方差值；确定变化均方差值为负荷特性参数的灵敏度。

比较负荷特性参数的参数值变化前后对电网的影响程度，计算电网中功角、电压和频率的变化均方差，将变化均方差作为该负荷特性参数的灵敏度。在计算不同负荷特性参数的影响程度时，将负荷特性参数的参数值按照预置变化比例增加，并施加相同的电网扰动事件。

s304、将灵敏度大于预设阈值的负荷特性参数，确定为灵敏负荷参数。

本步骤与图1所示步骤s104所述的方法相同，这里不在赘述。

s305、根据粒子群算法，计算灵敏负荷参数的修正参数值。

计算灵敏负荷参数，具体包括：根据负荷数据，建立仿真模型；根据仿真模型，确定灵敏负荷参数的参数值范围；根据粒子群算法，获取修正参数，以使得目标函数得到最优解，目标函数为min|error|＝n1×min|errormax|+n2×min|errorall|，其中error为实测波形与仿真波形误差，errormax为最大误差，errorall为整体误差，n1为最大误差权重，n2为整体误差权重，n1+n2＝1。其中获取修正参数，以使得目标函数得到最优解，具体包括：若粒子群算法的迭代次数等于预置次数，则获取目标函数的当前解；确定当前解为目标函数的最优解。

根据负荷数据建立仿真模型，仿真模型是对现有电网的仿真，能够通过现有电网的负荷数据校验仿真模型的准确度。根据仿真模型和现有的灵敏负荷参数的数据值，确定灵敏负荷参数的参数值范围。在灵敏负荷参数的参数范围时，将现有的灵敏负荷参数的数据值，与仿真模型中的灵敏负荷参数的参数值范围，取并集作为最佳的灵敏参数取值范围。

粒子群算法的基本思想是随机初始化蚁群没有体积没有质量的粒子，将每个粒子视为优化问题的一个可行解，粒子的好坏由设定的目标函数确定，每个粒子将在可行解空间中运动，并由一个速度变量决定其方向和距离，在每一代中，粒子将跟踪两个极值：一个是粒子本身迄今为止找到的最优解，另一个是整个群体迄今为止找到的最优解。

根据粒子群算法获取修正参数的步骤，包括：

(1)初始化。设定粒子群算法中的各类参数：以灵敏负荷参数的参数值范围作为搜索空间的下限ld和上限ud，学习因子c1，c2，算法最大迭代次数tmax，根据仿真数据量的大小确定粒子速度范围[-vmax，vmax]；随机初始化搜索点的位置xi及其速度vi，设当前位置即每个粒子的pbesti，从个体极值找出全体极值，记录该最好值的粒子序号g及其位置gbest。

(2)评价每一个粒子。根据目标函数，计算粒子的目标函数值，如果目标函数值优于该粒子当前的个体极值，则将pbesti设置为该粒子的位置，且更新个体极值。如果所有粒子的个体极值中最好的好于当前的全局极值，则将gbest设置为该粒子的位置，更新全局极值及其序号g。

(3)粒子的状态更新。用速度和位置公式对每一个粒子的速度和位置进行更新。当当vid>vmax时，令vid＝vmax，相反，当vid<vmax时，令vid＝-vmax。

(4)检验是否符合结束条件。如果当前的迭代次数达到了预先设定的最大次数tmax，则停止迭代，输出最优解，否则继续评价粒子的目标函数值。

最后得到的最优解就是灵敏负荷参数的修正参数值。

s306、将灵敏负荷参数的参数值更改为修正参数值。

因为修正参数值，更符合电网的时机情况，所以将负荷特性参数中的灵敏负荷参数的参数值更改为修正参数值。

s307、根据电网的负荷特性，构建静态负荷模型。

根据图2所示的静态模型，构建静态负荷模型。静态负荷模型包括静态有功模型和静态无功模型。

s308、根据电网的负荷特性，构建动态负荷模型。

由于电网中用户的用电设备，尤其是大型工厂的用电设备通常以电机为主，所以需要根据如图2所示的感应电动机模型部分，构建动态负荷模型。

由以上技术方案可知，本发明提供的一种基于粒子群算法的电力系统负荷建模方法，通过统计电网中的负荷数据，并根据负荷数据计算负荷特性参数的参数值，然后计算负荷特性参数的灵敏度，再确定灵敏负荷参数，再根据粒子群算法计算灵敏负荷参数的修正参数值，最后根据负荷特性参数的参数值和修正参数值，构建负荷模型。与现有技术相比，能够判断负荷特性参数中的灵敏度较大的灵敏负荷参数，修正灵敏负荷参数的修正参数值，建立同时考虑电压特性和频率特性的负荷模型，以提高负荷模型的准确性。根据粒子群算法计算灵敏负荷参数的修正值，能够得到全局最优修正参数，而且具有较高的收敛速度，能够快速的寻找到全局最优修正参数。根据更准确的修正参数，构建能够反映真实负荷动态特性的负荷模型。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。