电力系统综合负荷模型的辨识算法研究
电力系统中的典型负荷模型研究
电力系统中的典型负荷模型研究电力系统是当今社会不可或缺的基础设施，而电力负荷模型则是电力系统运行和规划的重要工具。
负荷模型可以帮助预测电力需求、优化电力生产和配送，从而确保电力系统的可靠性和经济性。
本文将探讨电力系统中的典型负荷模型研究，包括负荷曲线模型、季节性负荷模型以及预测方法等。
一、负荷曲线模型负荷曲线模型是最常用的负荷模型之一，它描述了电力需求随时间的变化趋势。
负荷曲线模型一般采用统计方法来建立，通过对历史负荷数据进行分析和预测，得到典型的负荷曲线。
负荷曲线模型可以分为长期和短期两种。
长期负荷曲线模型主要用于电力系统规划和投资决策，它可以预测未来数年或数十年的负荷需求。
短期负荷曲线模型主要用于电力系统运行和调度，它可以预测未来数天或数周的负荷需求。
负荷曲线模型的研究主要包括负荷分布模型和负荷波动模型。
负荷分布模型用于描述负荷在一段时间内的分布情况，通常采用概率分布函数来表示。
常用的概率分布函数有正态分布、泊松分布和指数分布等。
负荷波动模型用于描述负荷在短时期内的波动情况，通常采用时间序列分析方法来建立。
二、季节性负荷模型电力需求在不同季节和不同时间段会出现显著的差异，这就需要建立季节性负荷模型来解决。
季节性负荷模型可以帮助更准确地预测不同季节和不同时间段的电力需求，从而更合理地进行电力生产和供应。
建立季节性负荷模型的关键是确定季节性因素和周期。
季节性因素是指导致季节性负荷变化的原因，如气温、天气、节假日等。
周期是指季节性负荷的重复周期，通常为一年。
常用的季节性负荷模型包括季节性指数模型、分段线性回归模型和季节性ARIMA模型等。
季节性指数模型是最简单的季节性负荷模型，它通过计算每个季节的平均负荷与全年平均负荷的比值，来表示季节性因素的影响。
分段线性回归模型是一种更复杂的季节性负荷模型，它将一年分为若干个时间段，然后对每个时间段建立一个线性回归模型，最后将这些模型拼接在一起。
季节性ARIMA模型是一种集成了季节性和非季节性因素的自回归滑动平均模型，它可以更精确地预测季节性负荷。
电力系统中的电力负荷预测方法与算法研究
电力系统中的电力负荷预测方法与算法研究引言：在电力系统中，准确预测电力负荷对于实现稳定和可靠的电力供应至关重要。
电力负荷预测是指根据过去的用电数据和相关的环境和经济因素，预测未来一段时间（如天、周、月）内的电力负荷情况。
准确的负荷预测可以帮助电力公司优化电力调度，合理安排发电和输电，有效解决电力供需平衡问题，提高电网运行效率和经济性。
一、传统的电力负荷预测方法：1. 时间序列方法：时间序列方法是一种常用的负荷预测方法，其基本思想是通过分析负荷历史数据的变化趋势、周期性和规律性，预测未来的负荷情况。
常用的时间序列方法包括ARIMA模型、指数平滑模型和季节性分解方法等。
这些方法适用于短期负荷预测，但对于长期预测效果不佳。
2. 统计回归方法：统计回归方法通过建立负荷与相关因素（如气温、湿度、日照等）之间的函数关系，进行负荷预测。
常用的统计回归方法包括多元线性回归分析、多元非线性回归分析和逐步回归分析等。
这些方法适用于中期和长期负荷预测，并且考虑了外部因素的影响，但要求提供大量的相关数据。
二、基于机器学习的电力负荷预测方法：1. 神经网络方法：神经网络方法通过构建具有多层隐含层的人工神经网络模型，通过学习历史数据中的模式和规律，进行负荷预测。
常用的神经网络方法包括BP神经网络、RBF神经网络和CNN神经网络等。
这些方法适用于短期和中期负荷预测，可以更好地捕捉负荷的非线性关系。
2. 支持向量机方法：支持向量机方法通过将负荷预测问题转化为一个优化问题，通过寻找一个最优的超平面，将不同类别的样本分开。
常用的支持向量机方法包括线性支持向量机、非线性支持向量机和径向基函数支持向量机等。
这些方法适用于中期和长期负荷预测，并且具有较好的泛化能力。
3. 遗传算法方法：遗传算法方法通过模拟自然界的遗传和进化过程，寻找最优的解决方案。
常用的遗传算法方法包括基于交叉、变异和选择等操作的进化算法和遗传规划算法等。
这些方法适用于长期负荷预测，可以考虑多个因素之间的复杂关系。
电力系统中的电力负荷预测模型研究
电力系统中的电力负荷预测模型研究1.引言电力负荷预测是电力系统运行和规划中的重要环节之一。
它通过对未来一段时间的负荷需求进行准确预测，有助于电力公司制定合理的发电计划，保障电力供应的稳定性和可靠性。
本文将深入研究电力系统中的电力负荷预测模型，探讨其研究现状、方法和应用。
2.负荷预测模型的概述负荷预测模型可以分为经典统计模型和机器学习模型两大类。
经典统计模型包括回归分析、时间序列分析和卡尔曼滤波等方法，机器学习模型则包括人工神经网络、支持向量机和随机森林等算法。
这些模型均试图通过对历史负荷数据进行建模，来预测未来的负荷需求。
3.经典统计模型3.1 回归分析回归分析是一种建立输入变量和输出变量之间关系的统计方法。
在电力负荷预测中，回归分析可以建立历史负荷数据与影响因素（如气温、季节等）之间的关系，并通过对未来影响因素的预测，推算出未来的负荷需求。
3.2 时间序列分析时间序列分析是一种通过对时间序列数据进行分析和建模来预测未来值的方法。
在电力负荷预测中，时间序列分析可以利用历史负荷数据的趋势、季节性变化和周期性变化等特征，来预测未来负荷的趋势和变化规律。
3.3 卡尔曼滤波卡尔曼滤波是一种递归估计方法，主要用于线性动态系统的状态估计。
在电力负荷预测中，卡尔曼滤波可以通过观测到的负荷数据和状态转移模型，估计出未来的负荷需求，并提供负荷估计结果的置信度。
4.机器学习模型4.1 人工神经网络人工神经网络模拟人脑神经元的结构和工作原理，通过学习输入与输出之间的非线性映射关系来进行预测。
在电力负荷预测中，人工神经网络可以学习历史负荷数据的模式和规律，并根据输入的影响因素预测未来的负荷需求。
4.2 支持向量机支持向量机是一种常用的分类和回归方法，通过在特征空间中找到最优超平面来实现对数据的分类或回归。
在电力负荷预测中，支持向量机可以通过学习历史负荷数据的特征和影响因素之间的关系，预测未来的负荷需求。
4.3 随机森林随机森林是一种集成学习方法，它由多个决策树组成。
电力系统中的电力负荷预测模型研究
电力系统中的电力负荷预测模型研究随着电力需求的不断增长，电力负荷预测在电力系统运行和规划中起着至关重要的作用。
准确的负荷预测可以帮助电力系统运营商优化发电计划、合理安排输电线路，并提高电网安全和可靠性。
因此，电力负荷预测模型的研究变得至关重要。
本文将重点介绍几种常见的电力负荷预测模型及其应用。
1. 统计模型统计模型是最常见和传统的电力负荷预测方法之一。
它基于历史负荷数据，通过统计学方法建立数学模型来预测未来的负荷需求。
常用的统计模型包括时间序列分析、回归分析和相关分析等。
时间序列分析是最常用的统计模型之一，通过分析负荷数据的趋势和季节性变化，预测未来负荷的发展趋势。
回归分析则是通过建立负荷与不同影响因素之间的关系模型，进行负荷的预测。
相关分析则是通过分析负荷与其他变量之间的相关性，预测未来负荷的变化。
2. 人工神经网络模型人工神经网络模型是近年来兴起的一种负荷预测方法。
它模仿人类大脑的工作原理，通过建立多层网络和神经元之间的连接关系，实现对复杂非线性问题的建模和预测。
人工神经网络模型具有自学习能力和适应性，可以通过训练学习历史负荷数据的模式和规律，以预测未来负荷。
其中，前馈神经网络和循环神经网络是常用的人工神经网络模型。
前馈神经网络是一种单向传递信号的网络，适用于输入和输出之间的映射问题。
循环神经网络则是具有反馈连接的网络，可以处理时间序列数据，适用于具有时序性的负荷预测问题。
3. 支持向量机模型支持向量机模型是一种基于统计学习理论的预测模型。
该模型通过将输入数据映射到高维特征空间中，在该空间中找到一个最优的超平面，用于对输入数据进行分类和回归。
支持向量机模型在负荷预测中可以通过训练历史负荷数据和其他影响因素之间的关系，找到最佳的划分界面，以实现未来负荷的预测。
支持向量机模型适用于样本数量较少、特征空间较大的问题，并且具有较好的泛化能力。
4. 混合模型混合模型是将多种预测方法进行组合使用的一种负荷预测方法。
电力负荷预测模型及其优化算法研究
电力负荷预测模型及其优化算法研究近年来，随着社会经济的发展和人们生活水平的不断提高，电力需求也日益增加。
而为了保证电力系统的稳定运行，预测电力负荷变化成为了电力系统运营管理的重要工作之一。
因此，研究电力负荷预测模型及其优化算法具有重要的理论意义和实际应用价值。
一、电力负荷预测模型的研究1.统计模型统计模型是一种将历史数据作为分析对象的预测方法，其主要应用于短期和中期电力负荷预测。
其中最常用的统计模型是时间序列模型。
时间序列模型主要有ARIMA模型和GARCH模型两种。
ARIMA模型是基于时间序列模型的时间序列预测方法，它将历史数据作为分析对象，通过分析数据集中的各种规律和趋势，预测未来的负荷变化情况。
而GARCH模型则是一种通用的时间序列预测模型，它能够有效地预测负荷的峰谷波动情况。
2.人工神经网络模型人工神经网络模型是指利用类似于人类神经元网络的方法，来模拟出一种具有“自学习”能力的预测模型。
与传统的统计模型相比，人工神经网络模型更能够适应高维度和非线性数据的特点，因此在电力负荷预测领域也取得了广泛的应用。
3.混沌理论模型混沌理论模型是指通过研究动态系统的混沌现象，探索电力负荷预测中可能存在的混沌现象，并利用这些现象建立起预测模型。
混沌理论模型主要包括倍频提取法、相空间重构法和离线索引法等。
其中，倍频提取法主要通过计算系统的倍频信号，来推测未来的负荷变化；相空间重构法则是利用非线性动态系统理论中的关键工具——相空间，来对电力负荷进行预测；离线索引法则是通过建立大量的离线数据索引，在预测时获取与历史数据集合的最相似数据，从而对未来负荷变化做出预测。
二、电力负荷预测算法的优化1.高斯混合模型算法高斯混合模型算法是一种利用聚类算法和概率模型来进行电力负荷预测的方法。
该算法的核心是通过建立高斯混合模型，对负荷数据进行分段处理，并建立相应的概率分布函数。
在预测时，通过计算每个分段的概率分布函数，来预测负荷的变化。
电力负荷预测方法及模型研究
电力负荷预测方法及模型研究随着社会的不断发展，人们对于电力的需求量也在逐年增长。
而在电力领域中，电力负荷预测是极其重要的。
它可以帮助电力行业更好地了解电力负荷变化趋势，从而更准确地调度和分配电力资源，为全社会提供更加稳定、可靠的用电环境。
本文将主要讨论电力负荷预测方法及模型的研究，旨在为电力行业提供更好的决策依据。
一、简介电力负荷预测模型是根据历史数据、基本原理及未来环境进行预测，可为电力部门提供更加准确的未来电力负荷数据。
电力负荷预测的精度直接影响电力的调度和供给能力，因此各国在该领域开展了大量的研究工作。
二、电力负荷预测方法介绍1. 统计学方法统计学方法是最常用的电力负荷预测方法之一。
它主要包括多元回归分析、时间序列分析和人工神经网络等。
多元回归分析可以通过建立回归模型预测变量对因变量的影响，从而预测未来电力负荷的变化趋势。
时间序列分析则可将时间序列中的趋势、季节变化和随机波动进行刻画，从而预测未来电力负荷的变化趋势。
人工神经网络则是通过对一定历史数据的学习和归纳总结，预测未来电力负荷的变化趋势。
2. 基于物理模型的方法基于物理模型的方法是通过建立数学模型，引入众多影响因素建立的复杂模型，从物理模型的角度对电气负荷进行建模，预测电气负荷。
该方法具有强大的建模能力和灵活的预测方法，是一种非常有效的电力负荷预测方法。
然而，其建模过程相较于其他预测方法要复杂，同时也需要更多的历史数据进行建模。
三、电力负荷预测模型研究一般而言，电力负荷预测模型的研究一定程度上是针对特定区域的，因此可能会有不同的方法和标准。
下面将分别介绍国内外一些电力负荷预测模型的研究现状。
1. 国内电力负荷预测模型研究国内研究人员针对电力负荷预测问题研究方法多样。
其中，基于BP网络的预测模型是最常用的一种，不过由于存在着样本小、影响因素不全面、机器学习导致模型的黑盒特性等一系列问题，有必要进行相关的改进。
2. 国外电力负荷预测模型研究国外研究人员引入了更加先进的负荷预测模型，如SVM算法、小波分析、奇异谱分析等等。
基于蚁群算法的电力系统负荷模型参数辨识
题 。
一一
ｌｔ ａ ｒ ｏ
—
Ｆ
１（ Ｔ
ｌ
（） ２
（ ３）
Ｅ ＴＭ） －
…
ห้องสมุดไป่ตู้
（ １ Ｓ ｔ一 一 ，
电磁力 矩方 程为 ：
Ｔ ｒ Ｅ’ｉ ＋ Ｅ ’Ｉ — ｄｄ ｑｑ （ ４）
Ｉ 南 ｄ莨
Ｘ — Ｘ Ｘ ＋
［・ ｄ Ｅ ） ｘ（ Ｅ ） （ Ｒ（ — ’＋ ’ － ’］ ６ Ｖ ｄ Ｖ ）
（ ） ８
是 自下 而 上 的 一 种 建 模 方 法 ， 调 查 得 到 某 地 区 底 先 层 负 荷 的 构 成 特 性 ， 后 有 低 压 侧 向 高 压 侧 规 算 负 然 荷 模 型 。该 方 法 的 优 点 是 物 理 意 义 明 确 ， 于 理 解 ， 易 缺 点是调 查 统计 工作 量 大 ， 确 性低 ， 利 于长 期进 准 不 行 。 体 测 辨 法 是 一 种 自上 而 下 的 建 模 方 式 ， 负 荷 总 把 看成 是 一个 黑箱 系统 ， 不管 其 内部 的组 成结 构 。 而 只 根 据 负荷 电压 、 率 的测 量 值 利 用 系统 辨识 理论 计 功 算 出负荷 参 数 。故 障仿 真法 是是 基 于全 网的 负荷都
一
性 时 间 常 数 ， 为 定 子 电 阻 ， 为 定 子 电 抗 ， 为 Ｒ。 ｘ。 Ｘ， 转 子 电 抗 ， 为 转 子 电阻 ， Ｒ Ｘ 是 定 转 － 互 感 抗 ， Ｔ － Ｘ’ 为 转 子 不 动 时 短 路 电 抗 ， 为 转 子 开 路 电 抗 ， ’是 Ｘ Ｔｄ ｏ 定子 开路 转子 回路时 间 常数 ， Ｋ。为 异 步 电 动 机 负 荷 率 系数 ， ， Ｃ为机 械 转矩 系 数 。上述 变 量和 参 数 Ａ Ｂ，
电力系统中负荷特性建模与分析研究
电力系统中负荷特性建模与分析研究在现代社会中，电力系统犹如一个庞大而复杂的“神经网络”，为我们的生活和生产提供着源源不断的动力。
而在这个系统中，负荷特性的建模与分析研究是至关重要的一环。
它就像是电力系统的“体检报告”，能够帮助我们深入了解电力用户的用电行为和需求，为电力系统的规划、运行和控制提供重要的依据。
一、负荷特性的基本概念要理解负荷特性，首先得明确什么是负荷。
在电力系统中，负荷指的是各种用电设备从电力系统中取用的功率。
而负荷特性则是描述负荷功率随时间变化的规律和特点。
负荷特性可以从多个角度进行分类。
按照时间尺度，可以分为短期负荷特性（如日负荷特性、周负荷特性）和长期负荷特性（如月负荷特性、年负荷特性）。
从负荷的类型来看，又可以分为工业负荷特性、商业负荷特性、居民负荷特性等。
不同类型的负荷具有不同的特性。
工业负荷通常具有较大的功率需求，且相对稳定；商业负荷的变化较为频繁，受营业时间影响较大；居民负荷则呈现出明显的季节性和日周期性，比如夏季空调用电高峰和晚上的用电高峰。
二、负荷特性建模的方法为了准确描述负荷特性，需要建立相应的数学模型。
常见的负荷建模方法主要有统计综合法和总体测辨法。
统计综合法是通过对大量用户的用电数据进行统计分析，得出各类负荷的典型特性，然后综合起来得到整个系统的负荷模型。
这种方法需要大量的样本数据，并且对数据的准确性和完整性要求较高。
总体测辨法是在电力系统实际运行状态下，通过测量系统的输入（如电压、频率等）和输出（负荷功率），利用系统辨识的理论和方法来建立负荷模型。
这种方法能够直接反映系统的实际运行情况，但测量和辨识的过程较为复杂。
此外，随着人工智能技术的发展，基于神经网络、支持向量机等方法的负荷建模也逐渐受到关注。
这些方法能够处理非线性和复杂的负荷特性，但需要大量的训练数据和较高的计算资源。
三、负荷特性的影响因素负荷特性的变化受到多种因素的影响。
首先是气候因素，温度、湿度、日照等都会对负荷产生明显的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
电力系统综合负荷模型的辨识算法研究Study on A ggregate Pow er L oad Param eter E sti m ati on A lgo rithm长沙电力学院(湖南长沙410077) 王 进 苏 盛湖南大学(湖南长沙410082) 李欣然摘 要:研究了一种具有全电压范围适应性的动态负荷模型,提出了一种用于模型参数辨识的改进模式搜索算法,仿真结果表明了所提出的模型辨识算法的可行性和有效性。
关键词:电力系统综合负荷模型;动态负荷模型;模型参数辨识;改进模式搜索算法中图分类号:TM715文献标识码:A文章编号:100329171(2002)1120008205电力系统运行状况的仿真计算,是电力系统规划设计和运行决策的重要依据。
电力综合负荷建模在电力系统仿真计算中占有极为重要的地位。
不正确或不恰当的负荷模型,难以描述负荷的真实运行行为,使电力系统仿真计算结果的可信程度大为下降,甚至可能导致决策的错误。
如参考文献[1]所述,在对加拿大渥太华地区一个局部系统从互联大系统解列后的系统电压稳定研究中发现,采用动态负荷模型与静态负荷模型得出的结果差别巨大,静态模型甚至导致完全错误的结论。
这说明电力负荷的运行特性或运行行为的描述对电力系统电压稳定性有着极其重要的影响,动态负荷模型对电压稳定分析的重要性越来越受到广泛的重视。
本文在研究一种具有全电压范围性的综合负荷模型的基础上,提出了一种改进模式搜索优化算法,详细阐述了模型的参数辨识原理及算法实现过程。
通过将综合负荷模型用于动模实验的成功建模,得出了一些有意义的结论。
1 系统模型[2]111 综合负荷等值模型设综合负荷由静态负荷与动态负荷两部分组成。
静态部分用一恒定导纳(Y s=G s-j B s)等值;动态部分(Y d=G d-j B d)的等值模型由式(1)～式(5)描述。
负荷电纳B>0时为感性。
G1(V)=k g0V k g1,ΠV≥V crG2(V)=g0,ΠV<V cr(1)B(V)=b0+b12-(G(V) b1)21-1-(G(V) b1)2+b2G b3(V),ΠV≥V crB(V)=b0+b12-(G(V) b1)21+1-(G(V) b1)2+b2G b3(V),ΠV<V cr(2)T g(d G d t)=f G1(V,G)・f G2(G)=f G(V,G)(3)f G1(V,G)=P ls-P ld=P ls-V2G(t)(4)f G2(G)=+K G21-(G G cr)21-1-(G G cr)2f G2(G)=-K G21-(G G cr)21+1+(G G cr)2(5)(1)～(5)式中各有关部分所代表的意义如下[1]:(1)式(1)中,V为综合负荷的运行电压,G (V)为静态等值电导;G1、G2分别对应于稳定区和失稳定区,V cr是其失稳临界电压,系数k g0,k g1为稳定区或稳定模式下的模型参数;g0为失稳区或失稳模式下的模型参数。
(2)式(2)中,B(V)是综合负荷的静态等值电纳,且其中之上式对应于稳定区或稳定模式,下式对应于失稳区或失稳模式;b0、b1、b2、b3为模型参数;G(V)由(1)式确定。
分析式(2)可以看出,G 满足关系:0<G≤b1,因此,由综合负荷等值导纳的变化规律即知,模型参数b1正是综合负荷等值临界电导G cr,即:b1=G cr。
(3)式(3)～式(5)中,T g为综合负荷的惯性时间常数,G cr和K是模型参数;f G1描述了负荷与系统间的功率平衡关系,其中P ls是负荷为完成其能量转换功能而要求从电网吸收的功率,P ld是综合负荷在受扰动后实际能够从电网得到的功率;f G2描述了综合负荷电导对时间的变化率与电导自身间的关系,其中式(5)的上、下两式分别对应于负荷的稳定区和失稳区,它所描述的就是负荷的稳定行为模式(稳定模式和失稳模式)。
112 系统状态方程待辨识系统为一阶系统,以动态等值电导为状态变量,其状态方程即式(3),且设其中P ls= P ls0恒定。
动态等值电纳则由(2)式确定。
113 系统输出方程以综合负荷从电网吸收的总功率为输出变量,负荷电压为输入变量,系统输出方程如式(6)所示。
P=V2(G s+G d)Q=V2(B s+B d)(6) 114 系统稳态方程由式(1)、(3)和(4),系统受扰动前的稳态条件下,将有P ls0-V20G d0=0,G d0=k g0V k g10(7)由(2)式B d0=b0+b12-(G d0 b1)21-1-(Gd0 b1)2+b2G b3d0;b1=G cr(8)由(6)式P0=V20(G s+G d0)Q0=V20(B s+B d0)(9)由此解出G s=(P0 V20)-G d0B s=(Q0 V20)-B d0(10)式(7)、(8)、(10)即构成辨识模型的稳态方程。
2 模型辨识原理211 辨识原理框图[3,4,5]本文采用如图1所示的辨识原理。
以系统输入向量u(t)的时间序列u(0)、u(1)、…、u(N)作为被辨识的实际系统和等效模型系统的输入;同时将实际系统在t=0时刻的输出y(0)反馈给模型系统作为其附加输入,以保证模型输出满足实际系统的初始稳态条件。
图1所对应的辨识过程分两步进行:(1)参数辨识开关K2之021接通,022断开,同时开关K3接通,辨识模型参数,确定独立待辨识参数向量Α,并根据系统的初始稳态条件确定非独立的导出辨识参数向量Β。
因为模型响应不仅取决于模型参数及系统激励,而且也与综合负荷的初始负荷功率及电压水平有关。
本文把初始稳态条件称为初始等效条件。
与此相对应,图1中之开关K1当且仅当t=0时闭合。
图1 辨识原理示意图(2)模型检验2动态回响测试开关K2之021断开,022接通,同时开关K3断开,由系统输入量u(t)的时间序列求解模型响应。
这一过程也相当于综合负荷建模时的系统动态回响测试[5]。
212 辨识准则以系统实测响应与模型响应之差的平方和最小作为辨识准则。
目标函数如式(11)所示。
m in J[x(t),u(t),Α,Β]=m in6k=N k=0[y(k)-y m(k)]T[y(k)-y m(k)](11)上式中,k是实测响应的采样时刻,N为系统实测数据的数据长度;x(t)=G d为状态向量;u(t) =V(t)为输入向量;y为系统实测响应或系统输出响应向量,可以取为综合负荷从电网吸收的总功率或总负荷电流,本文中一律取综合负荷功率P、Q,即有:y=[P Q]T,它们由现场或动模实验的实测给出;y m是与系统实测响应(即y)相对应的模型输出响应向量,由输出方程确定。
待辨识的模型参数为:(1)Α——独立的待辨识参数向量,且Α= [k g0k g1b0b1b2b3T g K]T,且b1=G cr;(2)Β——非独立的导出待辨识参数向量,由稳态方程解出,且Β=[P ls0G s B s]T。
3 辨识算法311 模式搜索法(Hook-Jeeves法)[6]动态辨识本质上是在满足一定约束条件下的参数优化问题。
用于负荷模型辨识的数学优化方法很多,本文采用模式搜索直接优化算法(Hook2 Jeeves法)。
这种方法的每一步迭代中,由两种移动组成,一种称为探测移动,目的在于探测一个参考点的周围是否有更好的点,从而找出下降方向;另一种称为模式移动,目的在于沿有利的下降方向进行加速。
两种移动交替进行,逐步逼近最优点。
该算法无需计算目标函数导数,虽然计算速度较慢,但数值稳定性好,使用方便可靠,加之此处是应用于一阶模型,且待辨识参数少,实践证明其计算速度对于离线辨识来说是完全可以接受的。
微分方程求解采用四阶龙格库塔法,这是一种普遍使用的求解微分方程的数值积分算法。
312 算法的改进在负荷建模过程中,笔者发现有时目标函数的变化区域内存在着一个狭长的区域——深沟。
利用模式搜索法往往会跨过这个区域,而找不到这个狭长区域的走向,从而无法搜索到最优解。
针对算法用于负荷测辨时存在的不足之处,笔者提出了一种改进模型搜索法,该算法是在模式搜索方法的基础上对步长加以改进而形成的,具体过程如下:(1)进行探测搜索时,步长S除初始时给定以外,后面的步长依赖于前面2个基点的距离。
设前2个基点为b k-1,b k,则令步长为:S=Ξ～‖b k-b k-1‖其中,Ξ为步长收缩因子,0<Ξ<1,一般取011～015,参考点为b。
(2)在探测搜索结束后,设基点为b(k)0,参考点为b(k),然后取基点r=b(k)+Α(b(k)-b(k)0)(Α为步长加速因子,1<Α<2)开始进行模式移动,模式移动失败时,常规的方法是取前次搜索的终点为参考点开始下一次探测搜索过程。
笔者在使用该算法时,对此进行了改进,模式移动失败时,延伸方向并不立即放弃,而是取一个数Β(0<Β<1)令r1=b(k)+Β(b(k)-b(k)0),r2=b(k)-Β(b(k)-b(k)0),先后在r1和r2处以缩小的步长做新的延伸,若成功,则以此次延伸的终点作为参考点开始新的探测过程;若均失败,则按常规方法进行下一次探测,求新的延伸方向。
对常规方法的改进避免了因模式移动的速度过快而越过了目标函数变化的狭长区域,从而保证搜索方向的可行性。
(3)常规算法在给定初始值后即开始探测搜索,因而对初始值的选定要求较高,改进算法中,在给定初始值后首先进行直线搜索获取最优初始值,将其作为参考点进行探测搜索,从而降低了算法对初始值的敏感度。
4 辨识实例411 实测数据来源实测数据取自在清华大学国家重点实验室动模实验所获得的实测动态综合负荷记录数据[2],辨识所用记录对应的负荷构成相同(带机械负载的感应电动机、电阻电炉、白炽灯照明负荷),电压激励扰动形式相同(阶跃下降而后恢复),但激励强度(电压下降幅度和持续时间)不同,共使用该类动模实验动态负荷数据记录9个。
辨识算法采用上述第3节中提出的改进模式搜索法。
412 辨识结果为了考察模型对综合负荷的描述能力,笔者对9个记录均进行了动态辨识。
这里给出其中3个记录的部分辨识结果。
分别如表1和图2～图5所示。
表1中,第一列是负荷记录编号,第二列为电压扰动幅度,其它各列为辨识所得的模型参数。
我们把在某一记录对应的激励下辨识所得之模型参数对于本记录的建模激励下的模型响应,称为自辨识响应;否则为内插或外推模型响应。
在图2(a)、(b)及图3(a)中,分别给出了2条记录使用常规算法辨识的有功及无功的实测及模型响应曲线比较。
在图2(a)、(b)及图3(a)、(b)中,分别给出了2条记录使用改进算法辨识的有功及无功的实测及模型响应曲线比较。
其中,在响应曲线比较图中,虚线代表模型的实测曲线,实线代表模型响应曲线。