一种电压敏感负荷模型及参数辨识方法与流程

本发明属于电力系统自动化领域，涉及一种电压敏感负荷模型及参数辨识方法。

背景技术：

目前我国电力增长态势趋缓，很多地区出现电力富余的情况，但从长远来看，仍有可能出现局部性和阶段性的紧张状态。由于电力负荷的结构性矛盾，导致电网峰谷差呈现不断拉大态势。据统计，我国95％以上的高峰负荷的累计时间仅仅只有几十个小时而已，导致了大量调峰机组的闲置和浪费。同时随着大规模新能源接入电网，其随机性、间歇性和波动性的特点，不仅难以削峰填谷，甚至导致“负调峰”现象，这都使得新能源难以充分利用。因此电力负荷构成的特殊性也就决定了它定会受外界多种影响因素的限制。

柔性负荷可以在一定时间内可以根据需求做出相应的功率调节，缓解供需侧的矛盾。面对用户用电方式越来越灵活高效的特点，对电力大数据环境下用电负荷运用聚类分析、相关性分析等数据分析方法，挖掘负荷数据潜在价值已经越来越有必要。精确合理的负荷模型，可以为系统调度和运行控制提供指导信息，具有广阔的工程应用前景。随着柔性负荷相关技术的迅猛发展，原有的负荷模型对电网的描述能力不断下降，亟须寻求适应现代电网的新型建模方法与策略。

技术实现要素：

为了解决上述问题，本发明提出了一种电压敏感负荷模型及参数辨识方法。这种方法通过在某些关键节点装设量测装置，测量电压与负荷功率数据，并对传统的负荷模型进行改进，提出适用于配电网的柔性负荷模型，并通过负荷电压数据信息利用相关性分析从负荷功率中分离出电压敏感负荷功率，随后计算有功电压特征系数pu，解决了因配电网信噪比低、负荷波动大导致的负荷模型参数误差较大的问题。一方面有助于电力部门及时掌握区域内负荷各部分的组成，另一方面为负荷调控提供了数据支持，具有一定的应用价值。

本发明提出的一种电压敏感负荷模型及参数辨识方法，其特征在于：通过电网量测装置获取10/0.4kv变压器处电压与负荷功率数据，以负荷电压与随机成分(包括随机负荷波动、测量噪声与恒阻抗负荷)的相关性作为评价函数，训练改进的负荷模型使辨识出的参数能够有效拟合出电压与电压敏感负荷之间的映射函数关系。在模型输出电压敏感负荷辨识结果后，从负荷功率中扣除这一部分，使得剩余的随机成分与电压之间的相关性最小。在得到电压敏感负荷模型后，计算有功电压特征系数pu，为负荷调控提供数据支持。

一种电压敏感负荷模型及参数辨识方法，其特征在于，包括以下步骤：

步骤1，通过电网量测装置获取10/0.4kv变压器处电压与负荷功率数据；然后对收集到的电压数据和负荷功率数据进行数据归一化处理。

步骤2，选取改进的负荷模型来拟合电压与电压敏感负荷之间的映射关系。基于传统zip模型如式(1)所示，提出一种改进模型如式(2)所示，建立电压敏感负荷的静态模型，从而将负荷分为对电压敏感的部分负荷与电压无关负荷两部分。采用的模型是基于已有的zip负荷模型进行改进得到，传统的zip模型，考虑测量噪声共计4个部分，其中恒阻抗与恒电流部分是对电压敏感的pu，是需要建立映射函数的部分；剩下的负荷随机成分(包括恒功率)以及测量噪声如式(3)所示与电压波动没有相关性，因此可以当做一个整体。因此，改进的静态负荷模型即为保留原有zip模型的恒阻抗与恒电流部分，而将其余部分采用合适的方法分离出去，从而建立电压与电压敏感负荷的映射关系。

p＝au²+bu+c+e(i)

pu＝fu(p，u，θp)＝a·u²+b·u(2)

pε＝c+e(3)式中：p表示低压台区的负荷功率；pu表示负荷中对电压敏感的部分负荷，即当电压发生波动时负荷功率随之改变的负荷；pε表示电压无关负荷，即不随电压波动而变化的负荷；fu(·)表示电压到电压敏感负荷之间的非线性映射函数；θp为映射关系中包含的参数；u表示电压；a、b、c、e分别表示恒阻抗负荷、恒电流负荷、恒功率负荷、测量噪声的系数。

步骤3，使用粒子群算法辨识电压敏感负荷模型参数。每个粒子在不断寻找时经历过的最好位置定义为个体最优位置，记为pbest；群体所有粒子经历过的最好位置定义为全局最优位置，记为gbest。所有粒子都有一个被优化函数决定的适应度值，通过2个极值在迭代时不断更新自身，产生下一代的个体。定义d维搜索空间的m个粒子，其中第i个粒子的位置为xi，经历过是最好位置记为pbest(g)，速度为vi。各个粒子利用公式(4)～(5)对自身速度、位置进行调整：

其中，表示第i个粒子第l次迭代时的速度；ω为惯性权重，使粒子能够保持运动惯性；c1、c2为学习因子，可设为2；rand1、rand2为[0,1]之间的随机数；pbest(g)表示每个粒子在不断寻找时经历过的最好位置；gbest(g)表示群体所有粒子经历过的最好位置；表示第i个粒子第l次迭代时的位置。

步骤4，在分离出电压敏感负荷pu后，从负荷功率p中扣除电压敏感负荷pu，将电压u与负随机成分pε之间的相关性作为粒子群算法输出结果的评价函数，其中，相关性分析表达式为对粒子群算法输出结果的有效性进行评价。通过粒子的不断搜索，找到使得电压u与负随机成分pε之间的相关性最小的时候对应的模型参数，作为最优的参数辨识结果。

步骤5，在辨识出电压敏感负荷模型参数后，计算有功电压特征系数pu。

在上述的一种电压敏感负荷模型及参数辨识方法，步骤1中对收集到的电压数据和负荷功率数据进行归一化处理的具体操作方法如下：

数据归一化处理：其中归一化处理公式为：

其中ujmax、ujmin分别为第j天电压uj0的最大值和最小值，pjmax、pjmin分别为第j天负荷功率pj0的最大值和最小值。

在上述的一种电压敏感负荷模型及参数辨识方法，步骤3具体操作方法如下：

步骤3.1，输入电压、有功功率量测数据以及静态负荷模型待辨识的参数。设置粒子群的规模大小为m、初始的位置xi、初始速度vi，并限制位置与速度的变化范围xi∈[xmin,xmax]、vi∈[vmin,vmax]。给定惯性权重ω、最大迭代次数nmax、学习因子c1、c2，初始化pbest、gbest。。

步骤3.2，定义粒子的适应度函数如式(6)所示：

式中，n为量测数据采样点的个数；uk为电压量测量；pk为有功功率量测量；f(·)为待辨识的函数。

步骤3.3，将粒子的适应度值与所经历的最好位置pbest进行比较，若优于pbest，则用当前适应度值替换pbest；同时将之与全局所经历的最好位置gbest对比，若优于gbest，则更新gbest的位置。采用公式(4)～(5)对粒子的位置与速度进行更新。如果适应度值不满足设定的误差限或者迭代次数小于上限，则转入步骤二；否则结束网络训练，输出最优适应度值及其对应的模型参数辨识结果。

在上述的一种电压敏感负荷模型及参数辨识方法，步骤4中求取负荷随机成分pε的方法如下：

通过公式(2)计算出电压敏感负荷pu，然后使用公式(7)计算出负荷随机成分pε。

pε＝p-pu(7)

在上述的一种电压敏感负荷模型及参数辨识方法，步骤5中求取有功电压特征系数pu的方法如下：

在步骤4辨识出电压敏感负荷模型参数后，使用公式(8)计算出有功电压特征系数pu。

pu＝2×a×u+b(8)

本发明的特点及有益效果：本发明考虑电压与负荷随机部分之间的相关性，利用电压与负荷功率数据作为条件，以电压与负荷随机部分之间的相关性最小作为评价函数，通过粒子群算法来辨识改进的静态负荷模型参数，从负荷功率中分离出电压敏感负荷。本发明提出的方法可以通过使用负荷电压从负荷功率中分离出电压敏感负荷，从而为柔性负荷模型的建立、负荷调控等提供数据支持。具体而言，本发明具有如下优点：1、仅需在10/0.4kv变压器安装测量装置，便可获取本方法所需数据，经济性好。2、对传统的静态负荷模型进行了改进，将恒阻抗负荷、恒电流负荷作为电压敏感负荷，建立柔性负荷模型。3、将负荷波动、测量噪声、恒功率负荷作为负荷随机成分，并通过相关性从负荷功率中分离，可提高模型参数辨识的精度。4、提供电压敏感负荷模型可计算出有功电压特征系数pu，为负荷调控提供数据支持。

附图说明

图1是本发明测量装置在电网安装位置示意图。

图2是本发明的参数辨识方法流程示意图。

具体实施方式

本发明通过分析电压与负荷随机成分之间的相关性，考虑电压与负荷随机部分之间的相关性，利用电压与负荷功率数据作为条件，以电压与负荷随机部分之间的相关性最小作为评价函数，通过粒子群算法训练改进的负荷模型使辨识出的参数能够有效拟合出电压与电压敏感负荷之间的映射函数关系，从负荷功率中分离出电压敏感负荷，随后计算有功电压特征系数pu，为负荷调控提供数据支持。结合附图和实施例说明如下：

本发明采取的技术方案是，一种电压敏感负荷模型及参数辨识方法，其特征在于，包含以下步骤：

步骤1，通过电网量测装置获取10/0.4kv变压器处电压与负荷功率数据；然后对收集到的电压数据和负荷功率数据进行数据归一化处理。对收集到的电压数据和负荷功率数据进行归一化处理的具体操作方法如下：

数据归一化处理：其中归一化处理公式为：其中ujmax、ujmin分别为第j天电压uj0的最大值和最小值，pjmax、pjmin分别为第j天负荷功率pj0的最大值和最小值。

步骤2，选取改进的负荷模型来拟合电压与电压敏感负荷之间的映射关系。基于传统zip模型如式(9)所示，提出一种改进模型如式(10)所示，建立电压敏感负荷的静态模型，从而将负荷分为对电压敏感的部分负荷与电压无关负荷两部分。采用的模型是基于已有的zip负荷模型进行改进得到，传统的zip模型，考虑测量噪声共计4个部分，其中恒阻抗与恒电流部分是对电压敏感的pu，是需要建立映射函数的部分；剩下的负荷随机成分(包括恒功率)以及测量噪声如式(11)所示与电压波动没有相关性，因此可以当做一个整体。因此，改进的静态负荷模型即为保留原有zip模型的恒阻抗与恒电流部分，而将其余部分采用合适的方法分离出去，从而建立电压与电压敏感负荷的映射关系。

p＝au²+bu+c+e(9)

pu＝fu(p，u，θp)＝a·u²+b·u(10)

pε＝c+e(ii)式中：p表示低压台区的负荷功率；pu表示负荷中对电压敏感的部分负荷，即当电压发生波动时负荷功率随之改变的负荷；pε表示电压无关负荷，即不随电压波动而变化的负荷；fu(·)表示电压到电压敏感负荷之间的非线性映射函数；θp为映射关系中包含的参数；u表示电压；a、b、c、e分别表示恒阻抗负荷、恒电流负荷、恒功率负荷、测量噪声的系数。

步骤3，使用粒子群算法辨识电压敏感负荷模型参数。每个粒子在不断寻找时经历过的最好位置定义为个体最优位置，记为pbest；群体所有粒子经历过的最好位置定义为全局最优位置，记为gbest。所有粒子都有一个被优化函数决定的适应度值，通过2个极值在迭代时不断更新自身，产生下一代的个体。定义d维搜索空间的m个粒子，其中第i个粒子的位置为xi，经历过是最好位置记为pbest(g)，速度为vi。各个粒子利用公式(12)～(13)对自身速度、位置进行调整：

其中，表示第i个粒子第l次迭代时的速度；ω为惯性权重，使粒子能够保持运动惯性；c1、c2为学习因子，可设为2；rand1、rand2为[0,1]之间的随机数；pbest(g)表示每个粒子在不断寻找时经历过的最好位置；gbest(g)表示群体所有粒子经历过的最好位置；表示第i个粒子第l次迭代时的位置。

具体操作方法如下：

步骤3.1，输入电压、有功功率量测数据以及静态负荷模型待辨识的参数。设置粒子群的规模大小为m、初始的位置xi、初始速度vi，并限制位置与速度的变化范围xi∈[xmin,xmax]、vi∈[vmin,vmax]。给定惯性权重ω、最大迭代次数nmax、学习因子c1、c2，初始化pbest、gbest。。

步骤3.2，定义粒子的适应度函数如式(14)所示：

式中，n为量测数据采样点的个数；uk为电压量测量；pk为有功功率量测量；f(·)为待辨识的函数。

步骤3.3，将粒子的适应度值与所经历的最好位置pbest进行比较，若优于pbest，则用当前适应度值替换pbest；同时将之与全局所经历的最好位置gbest对比，若优于gbest，则更新gbest的位置。采用公式(12)～(13)对粒子的位置与速度进行更新。如果适应度值不满足设定的误差限或者迭代次数小于上限，则转入步骤二；否则结束网络训练，输出最优适应度值及其对应的模型参数辨识结果。

步骤4，在分离出电压敏感负荷pu后，从负荷功率p中扣除电压敏感负荷pu，将电压u与负随机成分pε之间的相关性作为粒子群算法输出结果的评价函数，其中，相关性分析表达式为对粒子群算法输出结果的有效性进行评价。通过粒子的不断搜索，找到使得电压u与负随机成分pε之间的相关性最小的时候对应的模型参数，作为最优的参数辨识结果。求取负荷随机成分pε的方法如下：

通过公式(10)计算出电压敏感负荷pu，然后使用公式(15)计算出负荷随机成分pε。

pε＝p-pu(15)

步骤5，在辨识出电压敏感负荷模型参数后，计算有功电压特征系数pu。求取有功电压特征系数pu的方法如下：

在步骤4辨识出电压敏感负荷模型参数后，使用公式(16)计算出有功电压特征系数pu。

pu＝2×a×u+b(16)

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。