[发明专利]一种电力系统测量与负荷参数分析辨识方法

权利要求书

1.一种电力系统测量与负荷参数分析辨识方法，其特征在于，所述方法包括以下步骤：

S1：根据负荷量测信息聚类分析，确定负荷记录装置安装点；

S2：负荷模型采用综合负荷模型，其结构为电动机并联静特性负荷模型，反映负荷动态特性；该模型共有14个参数，即感应电动机定子电阻和定子电抗、励磁电抗、转子电阻和转子电抗、转子惯性时间常数、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例、感应电动机初始负荷率，以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数为电动机初始有功功率，P为所测负荷点在暂态过程中所消耗的有功功率；为额定初始负荷率系数，是感应电动机的额定容量，是负荷基准电压，是暂态过程中负荷母线电压初始值；

为负荷模型的独立待辨识参数向量，为可以通过电机稳态条件和求得的辨识参数向量，为电动机初始的暂态电压，为电动机的转差率，为定子和转子之间的同步电抗，为负载率；

S3：进行负荷模型参数辨识，具体步骤包括：

S3.1：通过负荷记录装置获得现场的负荷动态特性的实测记录，从时刻开始采样，到时刻采样结束，共计采样次，时刻的实际测量值记为，对应辨识负荷模型时刻的响应值为；

S3.2：设定独立待辨识参数相量的初始值，采用混合优化算法对以下目标函数寻优：

混合优化算法的基本思想是结合蚁群算法与梯度类算法，综合利用蚁群算法全局寻优性能好而梯度类算法局部收敛快的特点，形成一种新的参数辨识算法；即采用蚁群算法起步迭代，在某一适当的时刻选取若干个当前较优的蚂蚁，切换为梯度类算法进行搜索迭代，直至收敛；

蚁群算法中信息量函数和每个子区间应有的蚂蚁数按照以下公式确定：

其中，为两只蚂蚁间信息素含量的峰值，为目标函数的倒数；为压缩系数；为蚂蚁的个数；为第只蚂蚁与第只蚂蚁之间的距离，，表示对维空间的信息素进行重积分求得的整个空间内信息素含量总和；

梯度法的迭代公式按下式确定：

其中，为目标函数在维空间的梯度，为步长因子；

S4：负荷模型参数优选

根据所建的的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；

S5：负荷特征库更新

对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选，计算在实测数据下各参数的无偏、最优估计值，即可得到一组反映实测数据统计特征的负荷模型参数；当现场记录了若干新的实测数据时，对这些实测数据进行曲线辨识，然后将新辨识的负荷模型参数加入负荷参数集里，重新进行Kriging算法的参数优选，用来取代原来的模型参数。

2.根据权利要求1所述的一种电力系统测量与负荷参数分析辨识方法，其特征在于，负荷聚类方法，采用SOM神经网络的聚类分析方法，获胜神经元及其邻域神经元的连接权调整按照下式确定：

其中代表学习率,且是获胜神经元领域函数,和分别为获胜节点和其他节点j在输出层二维拓扑空间中的位置；为邻域的范围。

3.根据权利要求1所述的一种电力系统测量与负荷参数分析辨识方法，其特征在于，所述步骤S3.2中，混合优化算法中不同算法的切换条件，因蚁群算法在局部迭代时逐步逼近最优解的速度变慢，因此根据蚁群算法相邻两步之间最佳目标函数值之间的相对值小于某一程度来切换算法，即按下式确定：

其中，为目标函数值，为迭代次数，为切换门坎。

4.根据权利要求1所述的一种电力系统测量与负荷参数分析辨识方法，其特征在于，根据负荷模型参数优选，所建的的负荷模型参数集，分别对每列参数采用Kriging算法进行估计，达到参数优选的目的；对某一负荷模型参数变量的Kriging算法估计值按下式确定：

其中，为权重系数，表示各次的辨识值对估计值的贡献程度，为保证估计是无偏、最优的，的取值由下式确定：

其中，为拉格朗日系数。