一种电力系统负荷模型参数辨识的优化方法技术方案

本申请提供一种电力系统负荷模型参数辨识的优化方法，所述方法首先在BPA中搭建电力系统模型，设置三相短路故障以获取母线处电压暂降数据，用于负荷建模；其次提出了一种故障电压降较大时目标函数权重因子大、稳态以及故障电压降较小时目标函数权重因子小的优化准则，解决了现有的负荷建模技术在辨识过程中负荷模型输出有功、无功曲线在故障电压降落较大时难以跟随实测有功、无功曲线的问题。最后引入了一种新型优化算法

【技术实现步骤摘要】
一种电力系统负荷模型参数辨识的优化方法


[0001]本申请涉及供电
，尤其涉及一种电力系统负荷模型参数辨识的优化方法。

技术介绍

[0002]电力系统仿真计算不仅是电力系统动态分析与安全控制的基本工具，也是电力生产部门用于指导电网运行的基本依据，数字仿真结果的准确度直接影响系统运行、规划及决策的正确性。作为电能消耗的核心环节，电力负荷影响着电力系统设计、分析以及控制，负荷模型的准确与否对电力系统有着重要影响。迄今为止，负荷建模的方法主要有统计综合法和总体测辨法。统计综合法的基本思想是将负荷看成个别用户的集合，先将这些用户的电器分类，并确定各种类型电器的平均特性，然后统计出各类电器所占的比重，最后综合得出总体的负荷模型。总体测辨法的基本思想是将负荷群看成一个整体，通过在负荷点安装测量记录装置，在现场采集负荷所在母线的电压、频率、有功及无功数据，然后根据系统辨识理论确定负荷模型结构和参数。
[0003]确定了负荷模型之后，接下来的工作就是基于实测数据对负荷模型的参数进行辨识。负荷模型的参数辨识方法大体可以分为线性和非线性两类。线性方法包括最小二乘估计和卡尔曼滤波等方法，对于参数线性模型通常是有效的。非线性参数辨识方法目前大多以优化为基础，其主要过程是寻找一组最优的参数向量，使得预定的误差目标函数最小，主要有梯度方法、随机搜索方法以及模拟进化方法。
[0004]采用总体测辨法最重要的是需要实测数据，数据源主要包括PMU数据、故障录波数据和电能质量监测数据3大类。故障数据中通常包含扰动前后一定数量周波的稳态数据，然而负荷建模往往更关注于故障曲线中电压降落较大时的负荷特性，但现有的负荷建模技术存在如下问题：在辨识过程中没有对目标函数进行权重性处理而导致负荷模型输出的有功、无功曲线在故障电压降落较大时难以跟随实测有功、无功曲线。

技术实现思路

[0005]为了解决上述问题，本申请提供一种电力系统负荷模型参数辨识的优化方法，以解决在辨识过程中没有对目标函数进行权重性处理，而导致负荷模型输出的有功、无功曲线在故障电压降落较大时难以跟随实测有功、无功曲线的问题。提供一种故障电压降较大时权重大、稳态以及故障电压降较小时权重小的目标函数优化准则，从而提高了负荷模型的拟合效果。
[0006]为了实现上述目的，本申请通过以下技术方案实现：
[0007]一种电力系统负荷模型参数辨识的优化方法，所述方法包括：
[0008]获取实测数据，所述实测数据包括母线电压、母线有功功率、母线无功功率、电动机负荷有功功率、电动机负荷无功功率、静态负荷有功功率和静态负荷无功功率；
[0009]根据灰狼寻优算法，将电力系统负荷模型的待优化参数作为种群中的灰狼，将预
设位置作为种群位置，根据种群位置、所述实测数据和预设的权重目标函数，计算得到种群中每只灰狼的目标函数值，将种群中的灰狼的目标函数值排序，得到α灰狼、β灰狼和δ灰狼的位置，判断所述α灰狼的目标函数值是否小于预设的优化目标值，如果小于，根据目标函数值确定电力系统负荷模型的辨识参数数值；
[0010]如果不小于，确定当前迭代次数，根据所述当前迭代次数，计算得到收敛因子、攻击系数向量和协同系数向量；
[0011]根据所述α灰狼、β灰狼和δ灰狼的位置和协同系数向量，计算得到α灰狼、β灰狼和δ灰狼与苍狼之间的距离；
[0012]根据所述收敛因子、攻击系数向量、α灰狼、β灰狼和δ灰狼的位置以及所述α灰狼、β灰狼和δ灰狼与苍狼之间的距离，确定种群中所有灰狼的位置值；
[0013]根据所述位置值，更新种群中所有灰狼的位置，将更新后的种群中所有灰狼的位置作为种群位置，当前迭代次数增加一次，重复执行步骤根据种群位置、所述实测数据和预设的权重目标函数，计算得到种群中每只灰狼的目标函数值，直至迭代次数大于预设的最大迭代次数，根据α灰狼的位置确定电力系统负荷模型的辨识参数数值。
[0014]可选的，确定所述预设位置的方法包括：根据灰狼寻优算法以及预设的搜索下限、搜索上限、种群规模、最大迭代次数和待优化参数维数，初始化种群位置，确定预设位置。
[0015]可选的，所述权重目标函数的公式如下：
[0016][0017]其中，J(k)为k时刻目标函数值，P(k)为k时刻流出母线的有功功率，Q(k)为k时刻流出母线的无功功率，P
M
(k)为k时刻电动机负荷吸收的有功功率，Q
M
(k)为k时刻电动机负荷吸收的无功功率，P
S
(k)为k时刻静态负荷吸收的有功功率，Q
S
(k)为k时刻静态负荷吸收的无功功率，U(k)为k时刻母线电压，U0为初始时刻母线电压。
[0018]可选的，所述计算得到α灰狼、β灰狼和δ灰狼与苍狼之间的距离的公式如下：
[0019][0020]其中，d表示搜索空间维度，t表示当前迭代次数，X(t)表示第t次迭代灰狼的位置向量，D
α
表示α灰狼与苍狼间的距离向量，D
β
表示β灰狼与苍狼间的距离向量，D
δ
表示δ灰狼与苍狼间的距离向量，X
α
(t)表示第t次迭代时α灰狼的位置向量，X
β
(t)表示第t次迭代时β灰狼的位置向量，X
δ
(t)表示第t次迭代时δ灰狼的位置向量，C1、C2和C3为协同系数。
[0021]可选的，所述根据所述收敛因子、攻击系数向量、α灰狼、β灰狼和δ灰狼的位置以及所述α灰狼、β灰狼和δ灰狼与苍狼之间的距离，确定种群中所有灰狼的位置值的公式如下：
[0022][0023]其中，X1表示α灰狼指导苍狼更新的位置值，X2表示β灰狼指导苍狼更新的位置值，X3表示δ灰狼指导苍狼更新的位置值，X(t+1)表示苍狼的最终更新位置值，D
α
表示α灰狼与苍狼间的距离向量，D
β
表示β灰狼与苍狼间的距离向量，D
δ
表示δ灰狼与苍狼间的距离向量，X
α
表示α灰狼与的位置向量，X
β
表示β灰狼的位置向量，X
δ
表示δ灰狼的位置向量，A1、A2和A3为攻击系数。
[0024]由以上技术方案可知，本申请提供一种电力系统负荷模型参数辨识的优化方法，所述方法首先在BPA中搭建电力系统模型，设置三相短路故障以获取母线处电压暂降数据，用于负荷建模；其次提出了一种故障电压降较大时目标函数权重因子大、稳态以及故障电压降较小时目标函数权重因子小的优化准则，解决了现有的负荷建模技术在辨识过程中负荷模型输出有功、无功曲线在故障电压降落较大时难以跟随实测有功、无功曲线的问题。最后引入了一种新型优化算法-灰狼算法进行负荷模型参数辨识，解决了现有技术辨识过程中耗时长、精度低、易陷入局部最优解等问题。
附图说明
[0025]为了更清楚地说明本申请的技术方案，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，对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统负荷模型参数辨识的优化方法，其特征在于，所述方法包括：获取实测数据，所述实测数据包括母线电压、母线有功功率、母线无功功率、电动机负荷有功功率、电动机负荷无功功率、静态负荷有功功率和静态负荷无功功率；根据灰狼寻优算法，将电力系统负荷模型的待优化参数作为种群中的灰狼，将预设位置作为种群位置，根据种群位置、所述实测数据和预设的权重目标函数，计算得到种群中每只灰狼的目标函数值，将种群中的灰狼的目标函数值排序，得到α灰狼、β灰狼和δ灰狼的位置，判断所述α灰狼的目标函数值是否小于预设的优化目标值，如果小于，根据目标函数值确定电力系统负荷模型的辨识参数数值；如果不小于，确定当前迭代次数，根据所述当前迭代次数，计算得到收敛因子、攻击系数向量和协同系数向量；根据所述α灰狼、β灰狼和δ灰狼的位置和协同系数向量，计算得到α灰狼、β灰狼和δ灰狼与苍狼之间的距离；根据所述收敛因子、攻击系数向量、α灰狼、β灰狼和δ灰狼的位置以及所述α灰狼、β灰狼和δ灰狼与苍狼之间的距离，确定种群中所有灰狼的位置值；根据所述位置值，更新种群中所有灰狼的位置，将更新后的种群中所有灰狼的位置作为种群位置，当前迭代次数增加一次，重复执行步骤根据种群位置、所述实测数据和预设的权重目标函数，计算得到种群中每只灰狼的目标函数值，直至迭代次数大于预设的最大迭代次数，根据α灰狼的位置确定电力系统负荷模型的辨识参数数值。2.根据权利要求1所述的一种电力系统负荷模型参数辨识的优化方法，其特征在于，确定所述预设位置的方法包括：根据灰狼寻优算法以及预设的搜索下限、搜索上限、种群规模、最大迭代次数和待优化参数维数，初始化种群位置，确定预设位置。3.根据权利要求1所述的一种电力系统负荷模型参数辨识的优化方法，其特征在于，所述权重目标函数的公式如下：其中，J(k)为k时刻目标函数值，P(k)为k时刻流出母线的有功功率，Q(k)为k时刻流出母线的无功功率，P
M
(k)为k时刻电动机负荷吸收的有功功率，Q...

【专利技术属性】
技术研发人员：郭成，谢浩，李文云，和鹏，向川，孟贤，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：