一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法

發(fā)明名稱：一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法第一申請人：清華大學 組織機構代碼：40000062-4地址：北京市海淀區(qū)清華大學 郵編100084第二申請人：中國南方電網有限責任公司 組織機構代碼：76384341-X地址：廣東省廣州市珠江新城華穗路6號郵編510623發(fā)明人：聯(lián)系人：張欣然

說明書一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法技術領域本發(fā)明屬于電力系統(tǒng)負荷模型參數(shù)辨識領域，主要涉及一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法。背景技術電力系統(tǒng)負荷模型結構和參數(shù)對系統(tǒng)仿真結果具有重要影響。隨著廣域測量系統(tǒng)的發(fā)展，采用PMU實際測量數(shù)據(jù)利用總體測辨法來完成負荷模型參數(shù)的辨識成為可能。此前的研究中，基于總體測辨法的負荷模型的辨識主要利用擾動后響應所激發(fā)的負荷模型特性來進行。擾動后響應辨識方法的主要缺點在于，系統(tǒng)中的短路故障等大擾動不是經常出現(xiàn)的，極端情況下可能會出現(xiàn)很長時間內沒有大擾動故障的情況。因此，擾動后響應的辨識方法是一種依賴于系統(tǒng)中大擾動是否存在的方法，如果沒有大擾動的存在，擾動后響應的辨識方法就無法執(zhí)行。然而，負荷模型本身具有隨機性與時變性。同一地點不同時刻的負荷模型參數(shù)是具有很大的差異的。如果完全按照擾動后響應的方法來進行辨識，那么無法完全跟蹤負荷模型參數(shù)隨時間的變化與隨機的波動，辨識所得的模型也就只能對應擾動所發(fā)生的時刻系統(tǒng)的負荷特性，并不能夠用來表示其他時刻該地點的負荷特性，甚至可能會與其他時刻的負荷特性存在很大的差異?；陬愒肼曅盘柕南到y(tǒng)分析與辨識方法就是一種可以解決負荷模型辨識的擾動依賴問題的方法。系統(tǒng)中的負荷模型雖然具有隨機性與時變性，但是在一段較短的時間內（如一小時）是可以假設不變的。在這樣的一段較短的時間內，可以選擇類噪聲小擾動的幅值相對較大的時間段的系統(tǒng)電壓、功率量測數(shù)據(jù)，來進行負荷模型的辨識。這樣，就可以實現(xiàn)對負荷模型參數(shù)的周期性多次辨識，而不需要考慮系統(tǒng)中是否有擾動存在，可以實現(xiàn)對負荷模型參數(shù)時變性的跟蹤，改善了擾動后響應辨識方法的問題。發(fā)明內容本發(fā)明的目的是利用PMU量測得到的類噪聲信號，通過改進差分進化的方法，完成負荷模型參數(shù)的辨識。本發(fā)明提出的基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法，利用類噪聲小擾動條件下PMU量測所得負荷節(jié)點的電壓幅值、電壓相角、有功、無功曲線作為辨識所采用的數(shù)據(jù)，其具體步驟如下：（1）通過PMU的實際測量，得到一定時間長度的負荷節(jié)點電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)。（2）檢驗功率曲線的波動幅值是否滿足辨識要求，如果有功功率的波動幅值大于1%，進入下一步開始辨識，否則返回（1）重新選擇量測數(shù)據(jù)（3）利用改進差分進化算法，對量測數(shù)據(jù)進行處理，通過優(yōu)化辨識得到負荷模型參數(shù)的辨識結果。優(yōu)化的目標函數(shù)為以電壓的幅值和相角作為輸入數(shù)據(jù)，有功功率和無功功率作為輸出數(shù)據(jù)，對有功功率與無功功率的實際測量值與利用機理化負荷模型以及參數(shù)的優(yōu)化結果進行預測所得到的預測值之間的偏差平方和。改進差分進化算法進行負荷模型參數(shù)辨識的具體步驟如下：（3-1）種群初始化：根據(jù)參數(shù)的取值范圍，隨機生成初始化種群，用于后續(xù)的進化過程。。其中,D為待辨識參數(shù)的數(shù)量，包括三個電動機參數(shù)X,X’,Td0,一個靜負荷部分參數(shù)R，共四個。N為種群規(guī)模，取D的5-10倍，分別為第j個參數(shù)的上下界。（3-2）變異：變異個體是由上一代的個體出發(fā)，隨機取出三個個體，用其中兩個個體的差向量按照變異因子加權后與第三個個體相加，產生下一代的變異個體。其中：。式中，G為當前進化代數(shù)，種群初始化之后為第0代，后面逐代進化，F(xiàn)為變異因子。在變異的過程中，可能會出現(xiàn)變異個體的取值范圍超過邊界約束的情況。在這種情況下，選擇邊界值作為變異個體的數(shù)值。（3-3）交叉：對每個個體的每個基因，生成一個隨機數(shù)，如果隨機數(shù)的數(shù)值小于交叉率則進行交叉，否則不進行交叉。，其中CR為交叉率。（3-4）選擇：在交叉后的個體ui,j(G+1)與上一代個體xi,j(G)之間，還需要計算兩個個體各自的目標函數(shù)數(shù)值，在兩個個體中選擇目標函數(shù)數(shù)值較小的一個用于下一代的進化。目標函數(shù)即為有功功率與無功功率的預測值與實際測量值之間的偏差平方和。（3-5）判斷差分進化過程是否終止：在進行選擇、得到新一代種群xi(G+1)之后，選擇其中的最優(yōu)個體與上一代種群的最優(yōu)個體進行對比，如果兩代最優(yōu)個體的歐氏距離小于某一閾值，則開始進行終止計數(shù)。如果終止計數(shù)已經開始、此次歐氏距離仍然小于閾值，則終止計數(shù)加一，否則終止計數(shù)清零。如果終止計數(shù)達到200，則停止差分進化過程，把當前的最優(yōu)個體作為負荷模型參數(shù)辨識的結果。（4）校驗：為了驗證負荷模型參數(shù)辨識結果的有效性，取辨識所采用數(shù)據(jù)段以外的另一段時間上比較接近的電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)，利用辨識所得到的參數(shù)結果進行有功功率、無功功率預測，如果預測值與實際測量值之間的擬合度大于90%，則認為辨識結果通過校驗，辨識過程完成。否則，返回（1），重新進行辨識。本發(fā)明提出的一種基于類噪聲信號的負荷模型參數(shù)辨識方法，相對于傳統(tǒng)基于擾動后響應的負荷模型參數(shù)辨識方法，其優(yōu)點主要體現(xiàn)在：本發(fā)明可以實現(xiàn)對負荷模型參數(shù)的周期性多次辨識，而不需要考慮系統(tǒng)中是否有擾動存在，可以實現(xiàn)對負荷模型參數(shù)時變性的跟蹤，改善了擾動后響應辨識方法的問題。附圖說明圖1為本發(fā)明方法涉及的實施例電網單線結構示意圖。圖2為本發(fā)明方法的流程框圖。圖3為類噪聲條件下辨識所得模型的預測值與實測值的對比圖4為大擾動條件下辨識所得模型的預測值與實測值的對比表1為辨識結果與真實負荷模型參數(shù)的對比。具體實施方式：本發(fā)明提出的基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法結合附圖及實施算例說明如下：本發(fā)明校驗方法中涉及的電網單線結構示意圖如圖1所示，圖1所示的Bus9所帶負荷為本發(fā)明的仿真研究對象。其具體的實現(xiàn)方法如圖2所示，主要包括以下步驟：（1）通過PMU的實際測量，得到一定時間長度的負荷節(jié)點電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)。（2）檢驗功率曲線的波動幅值是否滿足辨識要求，如果有功功率的波動幅值大于1%，進入下一步開始辨識，否則返回（1）重新選擇量測數(shù)據(jù)。本實例的波動幅值為2%。（3）利用改進差分進化算法，對量測數(shù)據(jù)進行處理，通過優(yōu)化辨識得到負荷模型參數(shù)的辨識結果。優(yōu)化的目標函數(shù)為以電壓的幅值和相角作為輸入數(shù)據(jù)，有功功率和無功功率作為輸出數(shù)據(jù)，對有功功率與無功功率的實際測量值與利用機理化負荷模型以及參數(shù)的優(yōu)化結果進行預測所得到的預測值之間的偏差平方和。改進差分進化算法進行負荷模型參數(shù)辨識的具體步驟如下：（3-1）種群初始化：根據(jù)參數(shù)的取值范圍，隨機生成初始化種群，用于后續(xù)的進化過程。。其中,D為待辨識參數(shù)的數(shù)量，包括三個電動機參數(shù)X,X’,Td0,一個靜負荷部分參數(shù)R，共四個。N為種群規(guī)模，取D的5-10倍，本實例取40，分別為第j個參數(shù)的上下界。（3-2）變異：變異個體是由上一代的個體出發(fā)，隨機取出三個個體，用其中兩個個體的差向量按照變異因子加權后與第三個個體相加，產生下一代的變異個體。其中：。式中，G為當前進化代數(shù)，種群初始化之后為第0代，后面逐代進化，F(xiàn)為變異因子，本實例取0.9。在變異的過程中，可能會出現(xiàn)變異個體的取值范圍超過邊界約束的情況。在這種情況下，選擇邊界值作為變異個體的數(shù)值。（3-3）交叉：對每個個體的每個基因，生成一個隨機數(shù)，如果隨機數(shù)的數(shù)值小于交叉率則進行交叉，否則不進行交叉。，其中CR為交叉率，本實例取0.9。（3-4）選擇：在交叉后的個體ui,j(G+1)與上一代個體xi,j(G)之間，還需要計算兩個個體各自的目標函數(shù)數(shù)值，在兩個個體中選擇目標函數(shù)數(shù)值較小的一個用于下一代的進化。目標函數(shù)即為有功功率與無功功率的預測值與實際測量值之間的偏差平方和。（3-5）判斷差分進化過程是否終止：在進行選擇、得到新一代種群xi(G+1)之后，選擇其中的最優(yōu)個體與上一代種群的最優(yōu)個體進行對比，如果兩代最優(yōu)個體的歐氏距離小于某一閾值，則開始進行終止計數(shù)。如果終止計數(shù)已經開始、此次歐氏距離仍然小于閾值，則終止計數(shù)加一，否則終止計數(shù)清零。如果終止計數(shù)達到200，則停止差分進化過程，把當前的最優(yōu)個體作為負荷模型參數(shù)辨識的結果。本發(fā)明所得到的最優(yōu)個體在相同電壓幅值、相角輸入的條件下得到的類噪聲小擾動下的預測結果與實際測量結果的對比如圖3所示，可見兩條曲線具有很好的擬合度，差分進化優(yōu)化結果可以把偏差平方和優(yōu)化到非常小的數(shù)值。（4）校驗：為了驗證負荷模型參數(shù)辨識結果的有效性，取辨識所采用數(shù)據(jù)段以外的另一段時間上比較接近的電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)，利用辨識所得到的參數(shù)結果進行有功功率、無功功率預測，如果預測值與實際測量值之間的擬合度大于90%，則認為辨識結果通過校驗，辨識過程完成。否則，返回（1），重新進行辨識。本發(fā)明所得到的負荷模型參數(shù)辨識結果以及與真實參數(shù)的對比如表1所示，辨識結果與真實參數(shù)非常接近。在大擾動條件下的預測值與實測值的對比結果如圖4所示，可以看出在大擾動條件下辨識所得模型仍然具有很好的預測精度。由此可見，辨識結果具有很高的準確度，可以把辨識結果用于電力系統(tǒng)穩(wěn)定與控制的仿真分析。

權利要求書1、一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法，其特征在于該方法包括以下幾個重要步驟：（1）通過PMU的實際測量，得到一定時間長度的負荷節(jié)點電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)。（2）檢驗功率曲線的波動幅值是否滿足辨識要求，如果有功功率的波動幅值大于1%，進入下一步開始辨識，否則返回（1）重新選擇量測數(shù)據(jù)（3）利用改進差分進化算法，對量測數(shù)據(jù)進行處理，通過優(yōu)化辨識得到負荷模型參數(shù)的辨識結果。優(yōu)化的目標函數(shù)為以電壓的幅值和相角作為輸入數(shù)據(jù)，有功功率和無功功率作為輸出數(shù)據(jù)，對有功功率與無功功率的實際測量值與利用機理化負荷模型以及參數(shù)的優(yōu)化結果進行預測所得到的預測值之間的偏差平方和。改進差分進化算法進行負荷模型參數(shù)辨識的具體步驟如下：（3-1）種群初始化：根據(jù)參數(shù)的取值范圍，隨機生成初始化種群，用于后續(xù)的進化過程。。其中,D為待辨識參數(shù)的數(shù)量，包括三個電動機參數(shù)X,X’,Td0,一個靜負荷部分參數(shù)R，共四個。N為種群規(guī)模，取D的5-10倍，分別為第j個參數(shù)的上下界。（3-2）變異：變異個體是由上一代的個體出發(fā)，隨機取出三個個體，用其中兩個個體的差向量按照變異因子加權后與第三個個體相加，產生下一代的變異個體。其中：。式中，G為當前進化代數(shù)，種群初始化之后為第0代，后面逐代進化，F(xiàn)為變異因子。在變異的過程中，可能會出現(xiàn)變異個體的取值范圍超過邊界約束的情況。在這種情況下，選擇邊界值作為變異個體的數(shù)值。（3-3）交叉：對每個個體的每個基因，生成一個隨機數(shù)，如果隨機數(shù)的數(shù)值小于交叉率則進行交叉，否則不進行交叉。，其中CR為交叉率。（3-4）選擇：在交叉后的個體ui,j(G+1)與上一代個體xi,j(G)之間，還需要計算兩個個體各自的目標函數(shù)數(shù)值，在兩個個體中選擇目標函數(shù)數(shù)值較小的一個用于下一代的進化。目標函數(shù)即為有功功率與無功功率的預測值與實際測量值之間的偏差平方和。（3-5）判斷差分進化過程是否終止：在進行選擇、得到新一代種群xi(G+1)之后，選擇其中的最優(yōu)個體與上一代種群的最優(yōu)個體進行對比，如果兩代最優(yōu)個體的歐氏距離小于某一閾值，則開始進行終止計數(shù)。如果終止計數(shù)已經開始、此次歐氏距離仍然小于閾值，則終止計數(shù)加一，否則終止計數(shù)清零。如果終止計數(shù)達到200，則停止差分進化過程，把當前的最優(yōu)個體作為負荷模型參數(shù)辨識的結果。（4）校驗：為了驗證負荷模型參數(shù)辨識結果的有效性，取辨識所采用數(shù)據(jù)段以外的另一段時間上比較接近的電壓幅值、電壓相角、有功功率、無功功率的量測數(shù)據(jù)，利用辨識所得到的參數(shù)結果進行有功功率、無功功率預測，如果預測值與實際測量值之間的擬合度大于90%，則認為辨識結果通過校驗，辨識過程完成。否則，返回（1），重新進行辨識。

說明書摘要本發(fā)明涉及一種基于改進差分進化算法的類噪聲信號負荷模型參數(shù)辨識方法，屬于電力系統(tǒng)負荷建模的研究領域。本發(fā)明的方法首先從PMU中取得電壓幅值、電壓相角、有功功率、