本发明专利技术涉及一种采用支持向量机的动态负载模型建模方法，包括：实时采集的电网数据，收集某电网特定电力分支的电网故障数据；汇总单相对地故障，相间短路故障和三相短路故障的数据，采用支持向量机对负载模型数据进行训练，得到支持向量机模型，并设定模型的结构；根据模型等价原理，得到该电力分支的有功功率负载差分方程模型；根据线性核模型和待辨识系统的结构。本发明专利技术综合考虑经验风险最小化和结构风险最小化，使得到的电力负载模型具有更好的泛化能力，更能反映系统的动态，更逼近真实电力系统的响应特性。
【技术实现步骤摘要】
本专利技术涉及到电力系统动态负载建模领域，特别涉及到电力系统负载模型结构的确立和系统参数的辨识。
技术介绍
在电力系统领域，负载模型主要用于电力系统分析和仿真，对于电力系统的安全稳定分析有重要作用，目前负载模型主要分成三类：一类为静态负载模型，其主要代表为ZIP模型(Z代表恒阻抗，I代表恒电流，P代表恒功率)；第二类为动态负载模型，主要包括1)输入输出传递函数模型；2)复合负载模型，复合负载模型是把一个感应电机模型与ZIP模型并联得到。动态负载模型是研究电力系统动态的需要，电力系统动态模型的精确性对电力系统的稳定性影响很大。目前主要有两种负载建模的方法，基于部件模型的方法和基于测量数据的方法。基于测量数据的方法是采用现场测量的数据建立负载模型，使得测量数据能够拟合预先设定的模型结构，比如传递函数模型或者复合负载模型。通用的基于测量数据的动态负载模型建模方法是采用最小二乘法，对非线性模型可以采用Levenberg-Marquardt最小二乘法。但是无论哪种模型其本质上都是描述了有功功率，无功功率与电网电压，电网频率之间的变化关系。因此，新发展出了智能化的基于测量数据的负载建模方法，目前主要有模糊推理法，神经网络法，遗传算法。这些方法。它是建立在经验风险最小化的基础上，即我们通常所说的误差准则基础上，所以这种方法容易过拟合，使得所辨识的模型的泛化能力较弱，神经网络的辨识方法虽然有较强的非线性逼近能力，但是网络结构不容易确定，只能依靠经验确定，而且训练的时候容易陷入局部极小，模糊逻辑系统辨识方法则在于其模糊规则很难确定，遗传算法也容易陷入局部极小，甚至不收敛的状况，而支持向量机的方法则不仅考虑到经验风险最小化，同时考虑了结构风险最小化，因此具有较强的泛化能力。目前也有文献尝试采用RBF核的支持向量机建立负载模型，但只是用支持向量机本身对系统进行辨识，但是没有提出一个结构化的参数化的模型，更没有对参数进行量化的方法。
技术实现思路
本专利技术的目的是克服现有技术的上述不足，提供一种电力系统负载结构化的建模和参数辨识方法，综合考虑经验风险最小化和结构风险最小化，使得到的电力负载模型具有更好的泛化能力，更能反映系统的动态，更逼近真实电力系统的响应特性。本专利技术的技术方案如下：一种采用支持向量机的动态负载模型建模方法，包括下列步骤：1)根据实时采集的电网数据，收集某电网特定电力分支的电网故障数据，三相电压幅值和相位，三相电流幅值和相位，采样频率大于或等于2倍电网工作频率，并据此计算记录相应的正序电压变化Δu，电网频率变化量Δf，以及对应的有功功率变化量ΔP和无功功率变化量ΔQ；2)汇总单相对地故障，相间短路故障和三相短路故障的数据，采用支持向量机对负载模型数据进行训练，得到支持向量机模型，并设定模型的结构为如下结构，模型阶次设定为n阶，对于有功功率ΔP(k)＝d1ΔP(k-1)+d2ΔP(k-2)+d3ΔP(k-3)+…+dnΔP(k-n)+e1Δu(k)+e2Δu(k-1)+e3Δu(k-2)+e4Δu(k-3)+…+en+1Δu(k-n)+g1Δf(k)+g2Δf(k-1)+g3Δf(k-2)+g4Δf(k-3)+…+gn+1Δf(k-n)P(k)＝P0+ΔP(k)(1)其中，ΔP(k)为k时刻的有功功率变化量，Δu(k)是k时刻的电网正序电压变化量，Δf(k)是k时刻的电网频率变化量，P0是初始有功功率，θ＝(d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1)为有功负载模型待定参数向量；d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1是待定的有功负载模型的系数；同样道理，对于无功功率ΔQ(k)＝d′1ΔQ(k-1)+d′2ΔQ(k-2)+d′3ΔQ(k-3)+…+d′nΔQ(k-n)+e′1Δu(k)+e′2Δu(k-1)+e′3Δu(k-2)+e′4Δu(k-3)+…+e′n+1Δu(k-n)+g′1Δf(k)+g′2Δf(k-1)+g′3Δf(k-2)+g′4Δf(k-3)+…+g′n+1Δf(k-n)Q(k)＝Q0+ΔQ(k)(2)其中，ΔQ(k)为k时刻的有功功率变化量，Q0是初始有功功率，θ′＝(d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1)为无功负载模型待定参数向量；其中，d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1是待定的无功负载模型的系数；3)分别以X(l)＝(ΔP(k-1),ΔP(k-2),ΔP(k-3),…,ΔP(k-n),Δu(k),Δu(k-1),Δu(k-2),Δu(k-3),…,Δu(k-n),Δf(k),Δf(k-1),Δf(k-2),Δf(k-3),…,,Δf(k-n))和X′(l)＝(ΔQ(k-1),ΔQ(k-2),ΔQ(k-3),…,ΔQ(k-n),Δu(k),Δu(k-1),Δu(k-2),Δu(k-3),…,Δu(k-n),Δf(k),Δf(k-1),Δf(k-2),Δf(k-3),…,,Δf(k-n))作为输入向量，以T(l)＝ΔP(k)和T(l)＝ΔQ(k)作为目标函数，采用线性核支持向量机对该负载模型进行训练辨识，得到支持向量机模型表达式有功功率负载模型表达式为无功功率负载模型表达式为其中yp(k)是k时刻的支持向量机模型有功率输出，yq(k)是k时刻的支持向量机模型无功率输出，t,t′是支持向量个数，xi,x′i是支持向量，x,x′是输入向量，b,b′为训练得到的偏置常数，σi,σ′i是支持向量机训练得到的模型常数向量；训练所用到的支持向量机的包括ε在内的常数，可以在训练过程中通过交叉验证选取；4)根据模型等价原理令yp(k)＝ΔP(k)，yq(k)＝ΔQ(k)并把写成从而可以得到待定的系统参数，如果系统无偏置，则通常b＝0,b′＝0由此，得到该电力分支的有功功率负载差分方程模型，见公式(1)和无功功率负载差分方程模型，见公式(2)；根据线性核模型和待辨识系统的结构，得到待定系统的参数θ和θ′，见公式(3)，(4)。本专利技术通过PMU(同步向量测量装置)采集电力电网电力特性数据，考虑模型的动态特性，确定模型的结构和阶数N，然后构造参数化的输入输出差分方程。在此基础上，以该自回归的输入输出数据作为支持向量机的训练数据，采用线性核进行回归训练，由此得到该数据模型的输入输出支持向量机系统数据模型，然后根据系统模型等价原理，根据本专利技术方法得到待定的负载模型系统参数，从而得到完整的参数化的电力负载模型。在此基础上还可以根据该模型和采样周期，进行频域变换变成Z域和S域的传递函数模型。采用该方法的效果和优点在于能有效的避免常规方法泛化能力弱的缺点，常规的方法往往在改变系统初值或者运行条件的时候，容易出现模型失配。同时其他的智能的方法(比如神经网络)往往在辨识系统之后，由于得到的模型结构复杂和函数非线性，难以从训练得到的模型，推导出系统的参数。具体实施方式下面对本专利技术进行说明1、利用PMU(同步向量测量装置)收集某电网特定电力分支的电网故障数据，三相电压幅值本文档来自技高网...
【技术保护点】
一种采用支持向量机的动态负载模型建模方法，包括下列步骤：1)根据实时采集的电网数据，收集某电网特定电力分支的电网故障数据，三相电压幅值和相位，三相电流幅值和相位，采样频率大于或等于2倍电网工作频率，并据此计算记录相应的正序电压变化Δu，电网频率变化量Δf，以及对应的有功功率变化量ΔP和无功功率变化量ΔQ。2)汇总单相对地故障，相间短路故障和三相短路故障的数据，采用支持向量机对负载模型数据进行训练，得到支持向量机模型，并设定模型的结构为如下结构，模型阶次设定为n阶，对于有功功率ΔP(k)＝d1ΔP(k‑1)+d2ΔP(k‑2)+d3ΔP(k‑3)+…+dnΔP(k‑n)+e1Δu(k)+e2Δu(k‑1)+e3Δu(k‑2)+e4Δu(k‑3)+…+en+1Δu(k‑n)+g1Δf(k)+g2Δf(k‑1)+g3Δf(k‑2)+g4Δf(k‑3)+…+gn+1Δf(k‑n)P(k)＝P0+ΔP(k) (1)其中，ΔP(k)为k时刻的有功功率变化量，Δu(k)是k时刻的电网正序电压变化量，Δf(k)是k时刻的电网频率变化量，P0是初始有功功率，θ＝(d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1)为有功负载模型待定参数向量；d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1是待定的有功负载模型的系数；同样道理，对于无功功率ΔQ(k)＝d′1ΔQ(k‑1)+d′2ΔQ(k‑2)+d′3ΔQ(k‑3)+…+d′nΔQ(k‑n)+e′1Δu(k)+e′2Δu(k‑1)+e′3Δu(k‑2)+e′4Δu(k‑3)+…+e′n+1Δu(k‑n)+g′1Δf(k)+g′2Δf(k‑1)+g′3Δf(k‑2)+g′4Δf(k‑3)+…+g′n+1Δf(k‑n)Q(k)＝Q0+ΔQ(k) (2)其中，ΔQ(k)为k时刻的有功功率变化量，Q0是初始有功功率，θ′＝(d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1)为无功负载模型待定参数向量；其中，d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1是待定的无功负载模型的系数；3)分别以X(l)＝(ΔP(k‑1),ΔP(k‑2),ΔP(k‑3),…,ΔP(k‑n),Δu(k),Δu(k‑1),Δu(k‑2),Δu(k‑3),…,Δu(k‑n),Δf(k),Δf(k‑1),Δf(k‑2),Δf(k‑3),…,,Δf(k‑n))和X′(l)＝(ΔQ(k‑1),ΔQ(k‑2),ΔQ(k‑3),…,ΔQ(k‑n),Δu(k),Δu(k‑1),Δu(k‑2),Δu(k‑3),…,Δu(k‑n),Δf(k),Δf(k‑1),Δf(k‑2),Δf(k‑3),…,,Δf(k‑n))作为输入向量，以T(l)＝ΔP(k)和T(l)＝ΔQ(k)作为目标函数，采用线性核支持向量机对该负载模型进行训练辨识，得到支持向量机模型表达式有功功率负载模型表达式为无功功率负载模型表达式为其中，yp(k)是k时刻的支持向量机模型有功率输出，yq(k)是k时刻的支持向量机模型无功率输出，t,t′是支持向量个数，xi,x′i是支持向量，x,x′是输入向量，b,b′为训练得到的偏置常数，σi,σ′i是支持向量机训练得到的模型常数向量；训练所用到的支持向量机的包括ε在内的常数，可以在训练过程中通过交叉验证选取；4)根据模型等价原理令yp(k)＝ΔP(k)，yq(k)＝ΔQ(k)并把yp(k)=Σi=1tσix·xi+b,yq(k)=Σi=1t′σi′x′·xi′+b′]]>写成yp(k)=Σi=1tσixi·x+b,yq(k)=Σi=1t′σi′xi′·x′+b′]]>从而可以得到待定的系统参数，θ=Σi=1tσixi---(3)]]>θ′=Σi=1t′σi′xi′---(4)]]>如果系统无偏置，则通常b＝0,b′＝0由此，得到该电力分支的有功功率负载差分方程模型，见公式(1)和无功功率负载差分方程模型，见公式(2)；根据线性核模型和待辨识系统的结构，得到待定系统的参数θ和θ′，见公式(3)，(4)。...
【技术特征摘要】
1.一种采用支持向量机的动态负载模型建模方法，包括下列步骤：1)根据实时采集的电网数据，收集某电网特定电力分支的电网故障数据，三相电压幅值和相位，三相电流幅值和相位，采样频率大于或等于2倍电网工作频率，并据此计算记录相应的正序电压变化Δu，电网频率变化量Δf，以及对应的有功功率变化量ΔP和无功功率变化量ΔQ。2)汇总单相对地故障，相间短路故障和三相短路故障的数据，采用支持向量机对负载模型数据进行训练，得到支持向量机模型，并设定模型的结构为如下结构，模型阶次设定为n阶，对于有功功率ΔP(k)＝d1ΔP(k-1)+d2ΔP(k-2)+d3ΔP(k-3)+…+dnΔP(k-n)+e1Δu(k)+e2Δu(k-1)+e3Δu(k-2)+e4Δu(k-3)+…+en+1Δu(k-n)+g1Δf(k)+g2Δf(k-1)+g3Δf(k-2)+g4Δf(k-3)+…+gn+1Δf(k-n)P(k)＝P0+ΔP(k)(1)其中，ΔP(k)为k时刻的有功功率变化量，Δu(k)是k时刻的电网正序电压变化量，Δf(k)是k时刻的电网频率变化量，P0是初始有功功率，θ＝(d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1)为有功负载模型待定参数向量；d1,d2,d3,…,dn,e1,e2,e3,…,en+1,g1,g2,g3,…,gn+1是待定的有功负载模型的系数；同样道理，对于无功功率ΔQ(k)＝d′1ΔQ(k-1)+d′2ΔQ(k-2)+d′3ΔQ(k-3)+…+d′nΔQ(k-n)+e′1Δu(k)+e′2Δu(k-1)+e′3Δu(k-2)+e′4Δu(k-3)+…+e′n+1Δu(k-n)+g′1Δf(k)+g′2Δf(k-1)+g′3Δf(k-2)+g′4Δf(k-3)+…+g′n+1Δf(k-n)Q(k)＝Q0+ΔQ(k)(2)其中，ΔQ(k)为k时刻的有功功率变化量，Q0是初始有功功率，θ′＝(d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1)为无功负载模型待定参数向量；其中，d′1,d′2,d′3,…,d′n,e′1,e′2,e′3,…,e′n+1,g′1,g′2,g′3,…,g′n+1是待定的无功负载模型的系数；3)分别以X(l)＝(ΔP(k-1),Δ...
【专利技术属性】
技术研发人员：何熠，梁晓东，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。