负荷建模中的负荷特性分类及参数辨识研究

电力系统建模是电力系统分析、规划设计、运行和控制等领域的共性科学问题和关键技术,而负荷建模则是电力系统建模中亟待解决的难题。建立能够反映负荷特性的准确负荷模型对电力系统仿真和安全稳定运行至关重要。为此,本文从负荷特性分类和参数辨识两个方面进行深入地研究。具体包括以下几个方面的工作： (1)对变电站负荷特性分类与综合进行深入研究。采用SOM神经网络对变电站负荷构成特征向量进行分类并根据分类结果选取典型变电站。在此基础上,对新增变电站的分类进行深入的研究,并对SOM神经网络分类的正确性、精确性分别进行了仿真分析和验证。 (2)对负荷动特性分类进行研究。在对目前常用的负荷动特性特征向量进行分析的基础上,提出了基于提升小波包变换的负荷动特性特征提取方法。采用提升小波包变换对负荷实测扰动响应数据进行分解与重构,提取小波重构系数并构造能够反映负荷动特性的能量矩特征向量。通过对仿真数据和实测数据进行特征提取和分类测试,验证了提升小波包变换用于负荷动特性特征提取的有效性和合理性。通过与传统小波包变换的对比表明,提升小波包变换在计算速度和计算精度上的优势,提高了负荷动特性分类的准确性。 (3)考虑到量子粒子群算法的全局搜索能力和混沌优化算法的局部搜索能力,将两种算法相结合用于负荷模型参数辨识。利用现场实测的故障录波数据,选取幂函数+差分方程负荷模型进行参数辨识,验证了所采用方法的有效性。通过与PSO算法和量子粒子群算法进行对比,验证了混沌量子粒子群算法具有收敛速度快、收敛精度高的优点。 采用SOM神经网络进行变电站负荷特性分类,基于提升小波包变换的负荷动特性特征提取方法并用于负荷动特性分类,避免采用相同负荷模型或模型参数造成的仿真计算误差；将量子粒子群算法和混沌优化算法相结合用于负荷模型参数辨识,提高负荷模型参数辨识的精度；同时对于提高负荷模型的准确性研究具有重要的理论意义和应用价值。