[发明专利]一种基于特征映射的电力系统负荷动特性分类方法

说明书

技术领域

本发明属于电力系统负荷建模领域，涉及一种负荷特性分类方法，具体是涉及一种基于特征量映射的电力系统负荷动特性分类方法。

背景技术

负荷模型是决定电力系统仿真结果可信程度的关键因素之一，因此，负荷建模是电力系统重要的基础性课题。目前常用的负荷建模方法主要有总体测辨法和统计综合法两种。总体测辨法以现场大量的实测数据为基础，将负荷群看成一个整体，然后通过系统辨识理论确定负荷模型结构和参数。总体测辨法无需知道各个用户的负荷组成及参数，不依赖于用户统计资料，节约了大量的人力物力，在现阶段得到了广泛地使用。

就总体测辨法负荷建模而言，其最大的困难在于负荷的时变性。负荷时变性的本质在于负荷组成随着时间的不同在不断地变化。对现场实测的每组数据建立一个负荷模型虽然能够解决负荷时变性问题，但是每个变电站下面就会有许多种不同的模型，在系统仿真中是没有实际应用价值的。理想的做法是对实测建模数据首先进行分类，将不同时间采集的负荷扰动数据中负荷组成相近的划分为一类，然后在此基础上对每类数据建立一个通用的负荷模型。分类和综合方法能在一定程度上解决负荷的时变性问题，是负荷建模走向实用化的关键。

特征向量的选取是负荷动特性分类的关键因素之一，特征向量的选择必须能够反映样本的本质特征。现阶段特征向量的选取主要有实测响应（某一电压扰动下负荷实测的功率响应）、模型参数（根据模型的电压扰动输入和功率输出辨识得到的模型参数）、标准电压激励下的模型响应（对辨识得到的模型参数施加同一个电压扰动后得到的功率响应）、实测数据的采集时间（日类型、负荷水平等）。上述这些特征向量的选择都存在不足。由于电压扰动的不同，实测的功率响应很难具有可比性；模型参数和标准电压激励下的模型响应都是以参数的辨识为基础，辨识过程的加入不仅延长了分类时间，而且不可避免地引入了辨识误差；而以采集时间作为特征向量仅仅是一种粗略的分类方法，过多地依靠人为经验。

发明内容

技术问题：本发明提供一种能够有效地解决负荷建模过程中负荷的时变性问题的基于特征映射的电力系统负荷动特性分类方法。

技术方案：本发明采用的基于特征映射的电力系统负荷动特性分类方法，该分类方法包括下述步骤：

1）对扰动数据进行负荷建模，具体流程为：

11）生成用于负荷建模的电压和功率波形：首先利用电能质量监测装置采集各个典型变电站的扰动数据，扰动数据为扰动的电压瞬时值波形和电流瞬时值波形，然后对采集的扰动数据提取基波正序分量，计算三相有功功率、无功功率波形，接着对电压基波正序分量波形和计算得到的三相有功功率、无功功率波形进行降维处理，最后提取降维后的电压基波正序分量波形和三相有功功率、无功功率波形中的扰动波段，作为负荷建模数据；

12）将得到的负荷建模数据随机分为两组，一组为建模组，另一组为训练组，对建模组的负荷建模数据进行负荷建模，将负荷等值为电动机与静态负荷模型并联构成的一个综合负荷模型，采用遗传算法对综合负荷模型进行模型参数辨识，从而得到建模组中每条数据的负荷模型参数；

2）确定负荷动特性分类特征量的映射：负荷动特性分类的特征量包含扰动数据的采集时间、日类型、季节、负荷水平、温度指标，将上述特征量映射到[0，1]的区间内，对每一条扰动数据形成一个对应的特征向量，特征向量由各个特征量映射组成；

3）计算建模组数据和训练组数据之间的关联度：根据每一条扰动数据所对应的特征向量，求解建模组数据与训练组数据之间的关联度，将关联度按照进行归一化，得到一个n1×n2的关联度矩阵，其中n1表示建模组数据个数，n2表示训练组数据个数；

4）估计训练组中每条数据的负荷模型参数：根据关联度矩阵和建模组中每条数据的负荷模型参数，计算训练组中每条数据的负荷模型参数；