负荷模型的参数辨识方法、系统、计算机设备及存储介质技术方案

本发明专利技术公开了一种负荷模型的参数辨识方法、系统、计算机设备及存储介质，所述方法包括：获取预处理后的电力系统扰动数据；将负荷模型转化成状态空间方程的形式并进行简化处理；将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。本发明专利技术将物理模型与数据驱动相结合，既可以考虑负荷的物理机理，也可以利用观测到的大量数据，提高了参数辨识的精确性；同时，相较于传统的静态负荷模型和WECC CLM模型而言，ZIP+IM模型不仅可以较好地模拟负荷动态行为，而且参数较少，辨识难度较低。此外，灰箱模型具有明确的物理意义，训练周期短且求解速度快，具有较好的应用价值。具有较好的应用价值。具有较好的应用价值。

【技术实现步骤摘要】
负荷模型的参数辨识方法、系统、计算机设备及存储介质


[0001]本专利技术涉及一种负荷模型的参数辨识方法、系统、计算机设备及存储介质，属于电力系统


技术介绍

[0002]电力负荷模型影响着电力系统的稳定计算结果，具体地，在电力系统暂态稳定、小扰动稳定、电压稳定等的分析计算中都有不同程度的影响。在电力系统仿真计算中采用准确的负荷模型，有利于保障电网的安全稳定运行，提高对用户的供电可靠性。
[0003]随着分布式发电机、电动汽车和需求侧管理等新兴智能电网技术的出现，电力系统的负荷成分更加复杂、负荷波动的时变性和不确定性不断增强，为负荷建模的精确性带来了新的挑战。负荷建模的目标是开发简单的数学模型近似负荷行为，表示负载总线中功率和电压之间的关系。负荷建模包括两个主要步骤：1)选择负荷模型结构；2)辨识负荷模型参数。负荷模型分为静态负荷、动态负荷与复合负荷模型。复合负荷模型同时考虑了负荷中的动态和静态成分，对负荷行为的模拟效果较好。复合负荷的物理模型主要有静态负荷和感应电机组成的复合模型(ZIP+IM)、西部电力协调理事会负荷模型(WECC CLM)等。其中WECC CLM模型需要对131个参数进行辨识，较为复杂，很难实现。而ZIP+IM模型参数较少，不仅可以较好的模拟负荷动态行为，而且模型求解难度大大降低。
[0004]负荷的建模和辨识方法主要分为两类：物理模型与数据驱动结合的方法、机器学习等纯数据驱动方法。物理与数据驱动相结合的方法考虑了负荷的物理机理，易于仿真。而机器学习等纯数据驱动方法缺乏物理意义，数据不易获得，仿真软件集成不方便。目前针对ZIP+IM模型的辨识，较多研究聚焦于提取典型参数采用遗传算法求解或者采用强化学习等方法辨识，这两种方法存在精度较差、训练周期较长且参数不具备普适性等缺点。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种负荷模型的参数辨识方法、系统、计算机设备及存储介质，其通过使用物理模型和数据驱动结合来辨识参数，具有明确的物理意义，且求解速度快，具有较好的应用价值。
[0006]本专利技术的第一个目的在于提供一种负荷模型的参数辨识方法。
[0007]本专利技术的第二个目的在于提供一种负荷模型的参数辨识系统。
[0008]本专利技术的第三个目的在于提供一种计算机设备。
[0009]本专利技术的第四个目的在于提供一种存储介质。
[0010]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0011]一种负荷模型的参数辨识方法，所述方法包括：
[0012]获取预处理后的电力系统扰动数据；
[0013]将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0014]将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0015]进一步的，所述负荷模型为ZIP+IM模型；
[0016]所述将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，具体包括：
[0017]根据ZIP+IM模型的三阶感应电动机方程、负荷节点的有功功率和负荷节点的无功功率，将负荷模型转化成状态空间方程的形式，从而得到状态空间方程；
[0018]对状态空间方程进行简化处理，得到非线性灰箱模型。
[0019]进一步的，所述负荷节点的有功功率和负荷节点的无功功率，如下式：
[0020][0021]其中，P表示负荷节点的有功功率，Q表示负荷节点的无功功率，V表示负荷节点的电压，P
ZIP
表示静态负荷的有功功率，Q
ZIP
表示静态负荷的无功功率，P
M
表示感应电动机吸收的有功功率，Q
M
表示感应电动机吸收的无功功率，P
Z
、P
I
、P
P
分别表示静态模型中恒阻抗、恒电压、恒功率部分的有功功率所占百分比，Q
Z
、Q
I
、Q
P
分别表示静态模型中恒阻抗、恒电压、恒功率部分的无功功率所占百分比，P
ZIP0
表示静态模型在稳态下的有功功率，Q
ZIP0
表示静态模型在稳态下的无功功率，V0表示负荷节点的额定电压，X
m
′
表示暂态电抗，E
m
′
表示暂态电势，δ
m
表示暂态电势的功角。
[0022]进一步的，所述状态空间方程，如下式：
[0023][0024][0025]其中，X
m
表示励磁电抗，T
dm
′
表示暂态时间常数，ω
m
表示感应电机负荷的机械角速度，ω
s
表示负荷节点的角频率，T
m
表示负荷等效后的转矩，H
m
表示惯性时间常数。
[0026]进一步的，所述非线性灰箱模型，如下式：
[0027][0028][0029]其中，P
i
表示待辨识参数，i＝1,2,
…
,11。
[0030]进一步的，所述获取预处理后的电力系统扰动数据，具体包括：
[0031]在负荷节点处，分别设置第一预设时间的单相故障和第二预设时间的三相故障，并采集包括故障前、故障段和故障切除后的第三预设时间内的多组电压、频率、有功功率和无功功率，其中，输入数据为电压和频率，输出数据为有功功率和无功功率；
[0032]滤除每组输入数据和输出数据的高次谐波和噪声，从而获取得到预处理后的电力系统扰动数据。
[0033]进一步的，在所述将预处理后的扰动数据和每个待辨识参数的初始值输入非线性灰箱模型之后，采用Levenberg
‑
Marquardt迭代算法更新迭代每个待辨识参数。
[0034]本专利技术的第二个目的可以通过采取如下技术方案达到：
[0035]一种负荷模型的参数辨识系统，所述系统包括：
[0036]获取单元，用于获取预处理后的电力系统扰动数据；
[0037]构建单元，用于将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；
[0038]辨识单元，用于将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。
[0039]本专利技术的第三个目的可以通过采取如下技术方案达到：
[0040]一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的参数辨识方法。
[0041]本专利技术的第四个目的可以通过采取如下技术方案达到：
[0042]一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的参数辨识方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种负荷模型的参数辨识方法，其特征在于，所述方法包括：获取预处理后的电力系统扰动数据；将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，所述非线性灰箱模型包括多个待辨识参数；将预处理后的电力系统扰动数据和每个待辨识参数的初始值输入非线性灰箱模型，实现负荷模型的参数辨识。2.根据权利要求1所述的参数辨识方法，其特征在于，所述负荷模型为ZIP+IM模型；所述将负荷模型转化成状态空间方程的形式并进行简化处理，从而完成非线性灰箱模型的构建，具体包括：根据ZIP+IM模型的三阶感应电动机方程、负荷节点的有功功率和负荷节点的无功功率，将负荷模型转化成状态空间方程的形式，从而得到状态空间方程；对状态空间方程进行简化处理，得到非线性灰箱模型。3.根据权利要求2所述的参数辨识方法，其特征在于，所述负荷节点的有功功率和负荷节点的无功功率，如下式：其中，P表示负荷节点的有功功率，Q表示负荷节点的无功功率，V表示负荷节点的电压，P
ZIP
表示静态负荷的有功功率，Q
ZIP
表示静态负荷的无功功率，P
M
表示感应电动机吸收的有功功率，Q
M
表示感应电动机吸收的无功功率，P
Z
、P
I
、P
P
分别表示静态模型中恒阻抗、恒电压、恒功率部分的有功功率所占百分比，Q
Z
、Q
I
、Q
P
分别表示静态模型中恒阻抗、恒电压、恒功率部分的无功功率所占百分比，P
ZIP0
表示静态模型在稳态下的有功功率，Q
ZIP0
表示静态模型在稳态下的无功功率，V0表示负荷节点的额定电压，X
m
′
表示暂态电抗，E
m
′
表示暂态电势，δ
m
表示暂态电势的功角。4.根据权利要求3所述的参数辨识方法，其特征在于，所述状态空间方程，如下式：征在于，所述状态空间方程，如下式：
...

【专利技术属性】
技术研发人员：龙云，卢有飞，梁雪青，吴任博，张扬，刘璐豪，赵宏伟，陈明辉，张少凡，邹时容，蔡燕春，刘璇，苏杰，赖德翔，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：