电力系统负荷谐波稳态模型的建立方法及仿真方法技术方案

本发明专利技术公开了一种电力系统负荷谐波稳态模型的建立方法及仿真方法，基于Ｉ↓［ｈ］∠θ↓［ｈｉ］＝Ｆ↓［ｈ］（Ｖ↓［１］∠θ↓［１ｕ］，Ｖ↓［２］∠θ↓［２ｕ］，…，Ｖ↓［Ｎ］∠θ↓［Ｎｕ］，Ｃ）ｈ＝１，２，…，Ｎ所表达的黑箱模型，将由幅值和相角表示的输入数据和输出数据变换为其复数直角坐标形式，把由新的输入输出决定的新产生的黑箱模型作为模型训练和仿真的核心，并添加相应步骤使新的建模方法在接口上和原方法兼容，可减小模型复杂程度，提高建模过程效率。

【技术实现步骤摘要】

本专利技术涉及一种建模方法及其配套的仿真方法，特别涉及一种电力系统负荷谐波稳态黑箱模型的建立方法及其配套的仿真方法。
技术介绍
供电网络中理想的电压和电流是一种正弦波形信号，但实际的电压和电流信号往往受各种因素制约无法完全理想地呈现正弦波型。电力系统负荷稳态谐波模型可以表示如下 Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N (1) 式(1)中Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的电压向量；C为负荷的特征参数集合向量，不同的负荷包含不同的特征参数，一般电力电子设备负荷的特征参数是其电路结构参数，含有电弧和铁磁非线性设备的谐波负荷的特征参数为表征其伏安特性的各参数；h从1到N，代表从基波到N次谐波。 式(1)表述的谐波稳态模型只提供了模型的形式，至于输入输出之间的函数关系Fh(h＝1，2，…，N)需要对应具体负荷具体求取。实质上，这是一种“黑箱”模型，一般与函数拟合的方法配合使用建立模型。“黑箱”模型通常是指对内部结构和行为不清楚的系统，依据可控因素的输入所引起的可观测因素变化的各种实验数据来确定系统运行规律，从而建立的系统模型。 程浩忠和占勇等人2005年8月发表在《中国电机工程学报》第25卷第16期上的论文《基于广义生长-剪枝径向基函数神经网络的谐波源建模》公开了一种运用广义生长-剪枝径向基函数神经网络建立式(1)所述模型的方法，并通过对脉宽调制电压源逆变可调速传动系统的谐波源建模研究，证明了式(1)所述模型的实用性。 广义生长-剪枝径向基函数神经网络是神经网络的一种。简单的说，人工神经网络可以在不清楚非线性系统内部结构的前提下，通过对实际系统一系列已经测得的输入输出数据对的训练，充分地逼近实际系统输入输出的非线性关系。总之，神经网络是一种非线性系统黑箱建模的有效手段。广义生长-剪枝径向基函数神经网络的建模手段是一种改进的神经网络，该方法在生长和剪枝策略中引入神经元“权”的概念。在训练中，发现某个神经元的“权”比学习精度小，这个神经元将被去掉，且只需要检查与最新输入数据距离最近的神经元的“权”。如果新的输入数据并不需要增加新的神经元，那么只有距离最近的那个神经元的参数被调整。这样，计算量将减少，学习的速度也提高了。也就是说，广义生长-剪枝径向基函数神经网络具有根据实际待拟合系统自适应地改变自身结构和连接方式的能力。 如果在建模过程中所要拟合的非线性函数复杂度越高，一般所需计算量越大。广义生长-剪枝径向基函数神经网络是一种可以随建模系统复杂程度自动改变自身结构的人工神经网络，如果待拟合系统复杂程度较高，最后在给定模型精度要求下训练成熟的神经网络就比较庞大，这样会导致神经网络的训练时间较长，还会导致利用训练成熟的神经网络模型进行仿真的计算量较大。另外，如果使用不能调节自身结构的神经网络建立式(1)所指模型，在同样的初始神经网络、同样的训练数据和同样的训练计算量的条件下，结果是较复杂的待拟合系统模型的训练精度会较低。总之，建模过程的复杂程度和待拟合的非线性系统的复杂度相关，非线性系统越复杂，建模过程的复杂程度越高。 建模过程的效率可以定义为一定的计算量所能达到的模型精度。也就是说，建立相同精度的模型，建模过程中计算量越小则建模效率越高；同样也可以说，消耗相同的计算量，所建模型精度越高则建模效率越高。 式(1)所表述的稳态谐波特性“黑箱”模型的建模过程如图1所示。图中，模型输入和输出数据框标识了模型的输入输出变量。这种建模过程中使用基波和各次谐波电压向量的幅值和相角作为模型输入变量，同时使用负荷吸收基波和各次谐波电流向量的幅值和相角作为模型的输出向量。 图1中标出了现有“黑箱”建模和仿真过程数据形式及其流向。所谓模型仿真是利用建立的模型对现实中系统进行模拟的过程。标有“输入/输出端模型训练”的箭头代表“黑箱”建模过程的数据流向，“黑箱”建模过程实际上是通过分析和逼近未知系统输入/输出实际数据的关系得到对实际系统的模型描述，所以其流向都是从输入/输出数据变量指向待建模型。标有“输入/输出端模型仿真”的箭头代表利用已经建立的模型进行仿真的数据流向，通过把输入数据代入所建模型可以计算出模型的输出数据。 式(1)所表示的模型是频域稳态谐波特性模型的一般形式，其输入输出变量实质上都是复数。因此，所要拟合的非线性函数也是一种复变函数。而SVC(静止无功补偿器)、TCSC(可控串补)、PMW-VSC(电压源型脉宽调制变流器)、STATCOM(静止同步补偿器)、和UPFC(统一潮流控制器)等典型非线性电力电子设备稳态频域模型中经常涉及的运算是复数加减法(更多的是累加)。为了简化讨论，可以列举一个最简单的4输入、2输出复数加减法系统作为分析示例，具体形式如下 O∠θo＝I1∠θi1±I2∠θi2(2) 假设式(2)在工程上上式可以代表某一实际系统，此系统的输出变量为O和θo，输入变量是I1、θi1、I2和θi2。根据复数加法公式，可得 由此，输入输出变量之间函数关系为 可见即使是最简单的复数加减法，采用式(1)所述模型时，“黑箱”模型内部需要拟合式(3)和式(4)两个非线性函数，其中涉及正弦、余弦、平方、开方和反正切这些复杂度很高的函数。 综上所述，如果直接使用式(1)表示的模型，在建立电力负荷谐波稳态“黑箱”模型时，由于需要拟合更多复数加减法，模型需要负担拟合更多的复杂非线性函数，最终会造成模型复杂程度较大，建模过程效率较低的问题。
技术实现思路
本专利技术要解决的技术问题是提供一种电力系统负荷谐波稳态模型的建立方法，可以提高电力负荷谐波稳态模型建模效率。 为解决上述技术问题，本专利技术电力系统负荷谐波稳态模型的建立方法，建立如下式所表示的电力系统负荷谐波稳态黑箱模型 Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N (1) 上式中，Ih∠θhi为负荷吸收的第h次谐波电流向量，Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；C为负荷的特征参数集合向量；h从1到N，代表从基波到N次谐波； 包括预处理输入数据的步骤，将所述供电电压中的基波和各次谐波的电压向量V1∠θ1u，V2∠θ2u，…，VN∠θNu转化为复数直角坐标Vh·cosθhu，Vh·sinθhu(h＝1，2，…，N)，并以[V1·cosθ1u，V1·sinθ1u，V2·cosθ2u，V2·sinθ2u，…，VN·cosθNu，VN·sinθNu，C]作为训练及建立模型的输入数据。 为解决上述技术问题，本专利技术电力系统负荷谐波稳态模型的建立方法提供的另一种技术方案为，建立如式(1)所表示的电力系统负荷谐波稳态黑箱模型，包括预处理输出数据的步骤，将所述负荷吸收的第h次谐波电流向量Ih∠θhi(h＝1，2，…N)转化为复数直角坐标Ih·cosθhi和Ih·sinθhi(h＝1，2，…，N)，以[本文档来自技高网...

【技术保护点】
一种电力系统负荷谐波稳态模型的建立方法，建立如下式所表示的电力系统负荷谐波稳态黑箱模型：　　　　Ｉ↓［ｈ］∠θ↓［ｈｉ］＝Ｆ↓［ｈ］（Ｖ↓［１］∠θ↓［１ｕ］，Ｖ↓［２］∠θ↓［２ｕ］，…，Ｖ↓［Ｎ］∠θ↓［Ｎｕ］，Ｃ）　　ｈ＝１，２，…，Ｎ　　　　上式中，Ｉ↓［ｈ］∠θ↓［ｈｉ］为负荷吸收的第ｈ次谐波电流向量，Ｉ↓［ｈ］和θ↓［ｈｉ］为负荷吸收的第ｈ次谐波电流向量的幅值和相角；Ｖ↓［１］∠θ↓［１ｕ］，Ｖ↓［２］∠θ↓［２ｕ］，…，Ｖ↓［Ｎ］∠θ↓［Ｎｕ］为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；Ｃ为负荷的特征参数集合向量；ｈ从１到Ｎ，代表从基波到Ｎ次谐波；　　　　其特征是，包括预处理输入数据的步骤，将所述供电电压中的基波和各次谐波的电压向量Ｖ↓［１］∠θ↓［１ｕ］，Ｖ↓［２］∠θ↓［２ｕ］，…，Ｖ↓［Ｎ］∠θ↓［Ｎｕ］转化为复数直角坐标Ｖ↓［ｈ］.ｃｏｓθ↓［ｈｕ］，Ｖ↓［ｈ］.ｓｉｎθ↓［ｈｕ］（ｈ＝１，２，…，Ｎ），并以［Ｖ↓［１］.ｃｏｓθ↓［１ｕ］，Ｖ↓［１］.ｓｉｎθ↓［１ｕ］，Ｖ↓［２］.ｃｏｓθ↓［２ｕ］，Ｖ↓［２］.ｓｉｎθ↓［２ｕ］，…，Ｖ↓［Ｎ］.ｃｏｓθ↓［Ｎｕ］，Ｖ↓［Ｎ］.ｓｉｎθ↓［Ｎｕ］，Ｃ］作为训练及建立模型的输入数据。...

【技术特征摘要】
1. 一种电力系统负荷谐波稳态模型的建立方法，建立如下式所表示的电力系统负荷谐波稳态黑箱模型Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N上式中，Ih∠θhi为负荷吸收的第h次谐波电流向量，Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；C为负荷的特征参数集合向量；h从1到N，代表从基波到N次谐波；其特征是，包括预处理输入数据的步骤，将所述供电电压中的基波和各次谐波的电压向量V1∠θ1u，V2∠θ2u，…，VN∠θNu转化为复数直角坐标Vh·cosθhu，Vh·sinθhu(h＝1，2，…，N)，并以[V1·cosθ1u，V1·sinθ1u，V2·cosθ2u，V2·sinθ2u，…，VN·cosθNu，VN·sinθNu，C]作为训练及建立模型的输入数据。2. 一种电力系统负荷谐波稳态模型的建立方法，建立如下式所表示的电力系统负荷谐波稳态黑箱模型Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N上式中，Ih∠θhi为负荷吸收的第h次谐波电流向量，Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；C为负荷的特征参数集合向量；h从1到N，代表从基波到N次谐波；其特征是，包括预处理输出数据的步骤，将所述负荷吸收的第h次谐波电流向量Ih∠θhi(h＝1，2，…N)转化为复数直角坐标Ih·cosθhi，Ih·sinθhi(h＝1，2，…，N)，以[I1cosθ1i，I2cosθ2i，…，INcosθNi]作为训练及建立模型的输出数据。3. 一种电力系统负荷谐波稳态模型的建立方法，建立如下式所表示的电力系统负荷谐波稳态黑箱模型Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N上式中，Ih∠θhi为负荷吸收的第h次谐波电流向量，Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；C为负荷的特征参数集合向量；h从1到N，代表从基波到N次谐波；其特征是，包括预处理输入数据的步骤，将所述供电电压中的基波和各次谐波的电压向量V1∠θ1u，V2∠θ2u，…，VN∠θNu转化为复数直角坐标Vh·cosθhu，Vh·sinθhu(h＝1，2，…，N)，并以[V1·cosθ1u，V1·sinθ1u，V2·cosθ2u，V2·sinθ2u，…，VN·cosθNu，VN·sinθNu，C]作为训练及建立模型的输入数据；还包括预处理输出数据的步骤，将所述负荷吸收的第h次谐波电流向量Ih∠θhi(h＝1，2，…N)转化为复数直角坐标Ih·cosθhi，Ih·sinθhi(h＝1，2，…，N)，以[I1cosθ1i，I2cosθ2i，…，INcosθNi]作为训练及建立模型的输出数据。4. 一种电力系统负荷谐波稳态模型的仿真方法，所仿真的模型为如下式所表示的电力系统负荷谐波稳态黑箱模型Ih∠θhi＝Fh(V1∠θ1u，V2∠θ2u，…，VN∠θNu，C) h＝1，2，…，N上式中，Ih∠θhi为负荷吸收的第h次谐波电流向量，Ih和θhi为负荷吸收的第h次谐波电流向量的幅值和相角；V1∠θ1u，V2∠θ2u，…，VN∠θNu为供电电压中的基波和各次谐波的以幅值和相角方式表示的电压向量；C为负荷的特征参数集合向量；h从1到N，代表从基波到N次谐波；模型建立过程包括预处理输入数据的步骤，将所述供电电压中的基波和各次谐波的电压向量V1∠θ1u，V2∠θ2u，…，VN∠θNu转化为复数直角坐标Vh·cosθhu，Vh·sinθhu(h＝1，2，…，N)，并以[V1·cosθ1u，V1·sinθ1u，V2·cosθ2u，V2·sinθ2u，…，VN...

【专利技术属性】
技术研发人员：程浩忠，胡丹，
申请(专利权)人：上海磁浮交通工程技术研究中心，
类型：发明
国别省市：31[中国|上海]