电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键，是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法，系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出：以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化；以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法；以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后，通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果，并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

基于实测响应空间的负荷动特性直接综合方法

明确指出了负荷动特性的分类与综合在面向实用化过程中所必须解决的3个层次问题。以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法:采用重心法原理确定各类负荷特性的聚类中心作为其等效实测响应样本;通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数。以某一变电站采集的负荷特性数据为例,验证了提出的方法简便、准确、有效。总结了考虑负荷时变性的总体测辨法建立某一综合负荷点的模型的大体步骤。     

基于实测响应空间的负荷动特性分类原理与方法

负荷特性的分类与综合是解决负荷建模中时变性难题的有效途径。于是基于随机过程相关性原理,提出了一种基于实测响应空间的负荷动特性分类方法。该方法以负荷动特性的实测响应空间为特征向量空间,对各个样本的实测响应进行时间坐标的标准化,以计算实测响应空间各样本间的相关系数,并采用系统聚类法按相关系数值进行特性分类。实测响应空间具有能够直接、准确地反映负荷构成的本质特征的优点,一工程应用实例证明了该方法正确有效,实现简便。     

基于判别分析的负荷动特性综合方法

负荷动特性的分类与综合是解决负荷建模中时变性问题的有效途径.以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法.首先求得每类负荷特性中所有样本的重心作为相应类的聚类中心;再通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;然后运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;最后对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数.通过对某一变电站采集的动态负荷特性数据的综合实践,验证了此方法的简便、准确、有效.     

密度梯度聚类算法在负荷动特性聚类中的应用

文中提出将基于数据挖掘原理的密度梯度聚类算法应用于电力系统负荷动特性的聚类.通过计算实测响应空间各样本间的密度分布,得到原始聚类中心,再利用类与类之间边界点的分布情况进行合并,从而达到负荷动特性分类.聚类中心在分类过程中产生,以此聚类中心作为该类的等效样本,对其进行参数辨识即可得到同类负荷特性的通用负荷模型.分类和综合在同一过程中完成,具有快速简便的优点.对某一变电站现场采集的负荷特性数据进行聚类应用,结果表明该方法具有良好的聚类效果.     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

负荷模型参数简化对负荷分类结果的影响

负荷模型作为电力系统仿真的主要元件之一,越来越受到重视,但目前动态负荷模型的参数个数较多,严重制约了负荷模型参数辨识的精度.为了解决这个问题,通常的做法是对负荷模型参数进行简化;另外,为了消除负荷时变性对建模的影响,需要对负荷进行分类,但参数简化对负荷分类结果是否有较大的影响却不得而知.为了探讨这个问题,应用基于空间响应的聚类分析法对负荷进行了分类,然后应用轨迹灵敏度方法对负荷模型参数进行了简化,重新对数据进行了分类并比较了参数简化前后分类的结果,以一实际系统分析为例,结果表明参数简化前后分类误差没有较大幅度增加,验证了参数简化的有效性.     

差分方程负荷模型参数分散性的研究

大量现场实测负荷数据和动模数据的辨识结果表明:同一负荷成分在不同扰动情况下的负荷特性数据辨识结果不稳定,有时甚至相差十几倍到百倍,也就是说,模型参数存在较大的分散性。文中对差分方程负荷模型参数的分散性进行了较为深入的研究,指出了导致模型参数分散的根本原因是:模型结构选择不正确,不真实以及负荷噪声的存在,提出了一种有效的解决负荷模型参数分散性问题的方法——负荷特性综合方法,并通过动模实验的建模实例验证了该方法的有效性和可行性。     

基于小波包理论的负荷建模数据特征提取与分类

把负荷建模的实测电流数据看成随机扰动电压的响应，基于小波包的分解和重构理论，采用Wpdec小波包分解函数，用db1小波包对实测建模电流信号进行3层小波包分解，用Wprcoef函数对小波分解系数进行重构，提取和构造了负荷建模数据的能量特征向量。在特征向量归一化基础上，利用减法聚类算法对特征向量进行分类处理，获得了理想的负荷分类结果。通过对动模实验室和220 kV变电站实测数据的特征提取和分类实例，论证了该方法的有效性和准确性，为处理海量建模数据提供了先进的特征提取与分类处理方法。     

面向综合的电力负荷动特性建模

针对目前负荷动特性建模中存在的问题,提出了负荷建必须面向综合的观点,给出了综合的方法,并结合１９９６年沧州地区现场实测数据分析了负荷组成昌变系统中综合的可行性和有效性。建模实践表明：负荷动特性综合对于解决目前负荷动特性建模中存在的问题,建立适用于仿真计算的负荷模型有着非常重要的作用。     

螺旋桨负载永磁同步电机直接转矩控制系统研究

为了研究空间矢量调制策略对大功率永磁同步电机在螺旋桨负载特性下变频调速性能的影响,通过对直接转矩控制变频调速和螺旋桨负载特性理论的分析,结合螺旋桨敞水特性曲线,得到螺旋桨推力系数Kp和扭矩系数Km分别与进速比J之间的函数关系.提出了推力系数和扭矩系数的计算方法,建立了螺旋桨负载和永磁推进电机直接转矩控制的仿真模型.仿真结果表明,直接转矩控制系统中永磁推进电机转速动态响应快,转速稳定后电磁转矩与螺旋桨旋转产生的负载转矩相等.与实测电机运行数据比较可知,不同转速下仿真得到的电机转矩值与实测值相一致,验证了该模型的有效性.     

MPSR-MKSVM电力负荷预测综合优化策略

针对电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(Least Squares Support Vector Machine),提出一种基于滑动窗口策略与改进入工鱼群算法(Artificial Fish Swarm Algorithm)的短期电力负荷在线预测综合优化方法.利用多变量相空间重构还原真实...     

基于改进状态空间模型的空调负荷控制策略

空调负荷因其可中断特性可以实现系统控制信号的快速响应与调节。提出了一种基于改进状态空间模型的空调负荷控制策略。首先扩展状态空间长度,建立了更为精确的改进状态空间模型,实现无控条件下空调负荷聚合特性的跟踪。在此基础上,建立了空调聚合控制模型,实现温控信号下空调负荷动态聚合特性的跟踪。最后,对空调群进行温度优化控制,实现空调群的负荷调节。仿真结果验证了空调负荷的改进状态空间模型、聚合控制模型和温度优化控制策略的有效性。     

基于门控循环单元网络与模型融合的负荷聚合体预测方法

随着智能电表的普及,以智能电表数据为基础,可按需求灵活划分不同规模的负荷聚合体并开展预测。由于负荷聚合体规模差异较大,并与用户负荷特性关系密切,传统预测方法不再适用。为此,提出了一种基于门控循环单元(GRU)网络与模型融合的负荷聚合体预测方法。首先,通过分布式谱聚类算法获得负荷特性相近的负荷群体,然后进行分组预测,采用GRU作为元模型,对时间序列进行动态建模,利用随机森林算法融合多个结构不同的GRU网络,实现对负荷群体的预测,最终将各群体预测值求和得到负荷聚合体预测值。算例表明,得益于分组预测、动态时间建模及模型融合技术,所述方法能充分利用不同模型的结构优势,发现时间序列动态规律,在不同时间尺度下预测精度更高,对不同规模的负荷聚合体适用性更强。     

基于Bootstrap的实测负荷模型参数优选

负荷模型对电力系统的动态仿真及控制起着举足轻重的作用。为使建立的负荷模型具有较好的泛化能力,在Bootstrap原理的基础上,本文充分利用实测负荷数据,提出了负荷模型参数优选的策略:首先利用优化的方法(如遗传算法)辨识单条实测曲线的负荷模型参数,然后利用Bootstrap法估计型各参数的统计特性,最后根据统计特性选择相应的参数值。由于Bootstrap法可将小样本问题转化为大样本问题来估计未知参数的近似分布,因此该策略可充分利用现场实测的小样本数据,客观估计小样本空间下参数的统计特性,达到参数优选的目的。     

电力负荷混沌动力特性及其短期预测

根据非线性动力系统理论进行负荷建模和预测,并将预测精度作为一种辨识工具,用于分析电力负荷变化的动力特性。分析结果表明,可将负荷的变化特性描述为低维混沌系统。根据负荷的混沌特性及一步向前预测的精度提出一种优选重构参数的方法,并采用基于相空间重构的加权一阶局域法多步预测模型进行了负荷预测。相空间模型能识别负荷序列的内部特性并进行预测,因此是分析和预测负荷的有效工具。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。