关键词 负荷模型 模式识别 负荷模型的分类 负荷模型的综合
分类号 TM71 TM74THECLUSTERANDSYNTHESISOFELECTRICPOWERSYSTEMLOADMODELSHeRenmu，ZhouWen
NorthChinaElectricPowerUniversity，100085，Beijing，ChinaAbstract Loadmodelsplayanimportantroleinpowersystemanalysis.But,uptonow,loadmodelingstillpuzzlesusbecauseofitsdifficulty.Itisdoubtedwhethertheloadcharacteristicshaverule,whetherthemeasurement-basedmethodisfeasible.Thispaperproposesmode-basedclusterandsynthesismethods.50data,measuredfromNorthChinaPowerSysteminthreeyears(1996-1998)duringdisturbancehavebeendealtwithusingthesemethods.Theresultsshowloadcharacteristicshaverulethoughtheyarerandomandtime-varying.Thefeasibilityofmeasurement-basedmethodisproved.
Keywords loadmodel modeidentification clusterofloadmodels synthesisofloadmodels0 引言
目前电力系统的数字仿真已成为电力系统设计、规划、运行的主要工具，相应的决策无不是以数字仿真结果为依据。仿真结果的准确性对电力系统的安全、可靠、经济运行具有重要的影响。文献［1］指出，负荷模型对系统潮流、暂态稳定、电压稳定影响很大。目前发电机组和输电网络的模型已相当成熟。比较而言，电力负荷模型仍相当简单，往往从基本物理概念出发，采用理想化的模型，如：恒功率、恒阻抗、恒电流或三者的组合。负荷模型的过分粗糙已成为制约电力系统仿真计算精度的关键因素。但是由于负荷本身的特殊性,建立精确的电力系统负荷模型存在相当的困难。电力系统综合负荷由成千上万具有不同特性的负荷元件组成,所以单纯研究负荷元件的特性并不能建立综合负荷模型。由于负荷组成随时间的不同而不断变化,负荷特性呈现较大的时变性和随机性，因此有些人怀疑：负荷特性究竟有没有规律?总体测辨法是否可行?本文通过对河北沧州记录的负荷扰动数据的处理来回答以上问题。1 负荷模型的建立
利用WFT—Ⅱ型负荷特性记录装置,对河北沧州于庄变电站的110kV母线负荷进行了长达3年的观测,记录了大量的负荷扰动数据。如何处理这些数据,以得到所需要的负荷模型,是总体测辨法建模中非常难又非常重要的部分。在此,首先需要建立起对应于各组扰动的负荷模型。
模型结构的确定是系统辨识中最重要的部分,目前对于如何确定模型的结构尚无系统的方法,有的只是一些特殊的经验。为了确定负荷模型的结构,首先观察负荷在扰动时的行为共性(如图1)：
图1 编号为9610的激励与响应
Fig.1 Theexcitationandtheresponseof9610a.负荷的有功和无功在电压变化下都要发生变化，当电压稳定后，负荷的有功、无功也终将稳定，此时负荷的有功、无功与电压的关系由负荷静态特性描述。
b.负荷的有功、无功在电压变化下并不是立刻到达新的稳态，而是需要经过一定时间的过渡过程，通常把这个过渡过程称为负荷的恢复特性。
c.负荷有功、无功的恢复特性不同，相比之下，负荷无功的恢复过程较为明显，恢复过程的时间常数大，而负荷有功的时间常数要小。因此，无功的计算中(见式(1))没有采用ΔU(k-1)，而采用了ΔU(k-2)。
基于以上认识，提出了以下线性差分形式的负荷模型来定量描述负荷在扰动时的行为共性：
(1)
其中
需要指出的是，式(1)中对无功的特殊预处理可以很好地适应运行方式变化较大的特点。实际系统中,母线负荷的无功功率受无功补偿的影响很大：在白天,母线负荷吸收的无功较大；而到夜间,母线负荷吸收的无功较小,在某些情况下甚至向系统反送无功。负荷无功的这个特点，给负荷无功建模带来了很大的困难,在极端情况下有些模型甚至无法对负荷无功建模。采用了上述的预处理方法后,可以很好地处理无功电压特性。2 负荷模型的分类
针对每组扰动数据,分别建立起负荷模型之后,就需要将负荷模型进行分门别类的处理:特性相近的归为一类,特性相差较大的归为不同的类。在对负荷模型具体分类时,采用了一种基于模式识别的负荷模型分类法。
2.1 模式识别
模式识别理论解决的基本问题是将一个待识别的模式分配到各自的模式类中。其中,模式指的是对某些事物定量的或结构的描述；模式类是指一组具有共同特性的模式所构成的集合。
在模式识别的研究中,统计模式识别是最先提出的一种模式识别方法。它首先通过观察与测量,对待识别模式提取一组统计特征,并将其表示为一个量化的特征向量,而特征向量表示的模式可视为n维特征空间中的一个点,这样就可以根据“物以类聚”的原则,按照n维特征空间中点之间的距离的远近完成模式的分类。
2.2 基于模式识别的负荷模型分类法
如前所述,目前主要的模式识别方法都是通过量化样本,得到样本的特征向量,而每个特征向量对应于多维空间中的一个点,点与点间的距离描述了样本间的相似程度,然后按照空间各样本点距离的远近来完成样本分类。其中,样本的特征向量的选取非常重要,其决定了整个分类结果的好坏。怎样选择样本的特征向量,目前还没有完善的方法,它要根据具体的问题而定。但对于样本特征向量的选择还是有一些普遍的原则,这就是:要求样本的特征向量能完全代表样本的本质特征,样本若相似,其样本的特征向量对应的空间中的点的距离要近;样本若相差较大,则对应的空间中的点之间的距离要远。
在本问题里，可以采用每个样本的模型参数(a1,b0,b1)为样本的特征向量。但考虑到模型的每个参数对负荷模型的作用不一样,存在着模型相似但其特征向量相距较远的情况,采用这种特征向量不理想。我们认为负荷模型的所有特征都反映在其对电压激励的响应中,如果两个负荷模型对各种不同电压激励的响应是一致的,那么这两个负荷模型是等价的,也是一致的。基于以上的认识,对每个负荷模型施加一个典型的电压激励(如图2),分别计算出每个模型在此激励作用下的响应作为各个负荷模型的特征向量(如图3)。这样的特征向量反映了负荷模型的本质特征,它符合选择特征向量的原则,采用该特征向量进行分类,所得的分类效果也较好。
有了负荷模型的特征向量后,就可以对1996年、1997年、1998年的负荷模型进行分类。具体步骤如下：
a.对各负荷扰动数据分别建模；
b.对每个模型施加典型的电压激励,得到各个负荷模型的特征向量；
c.根据各特征向量在多维空间中的距离完[1][2][3]下一页
