综合负荷

关键词： 稳态 分布式 电源 引言

综合负荷（精选十篇）

综合负荷 篇1

随着全球变暖和能源危机的蔓延,分布式电源以其污染少、可靠性高、能源利用率高、安装地点灵活等优点在电网中所占比例日益受到重视,随着接入系统的分布式电源容量逐步增加,其对电力系统的动态和稳态特性的影响也愈发明显[1]。其中光伏电池因具有重量轻、无旋转部件、成本低、无污染、适用范围广、使用安全等特点而被广泛应用于小型和大型发电系统中。由于光伏发电系统都接入在低压配电网侧,此时配电网络将变成一个遍布电源和用户的互联网络,这必然会引起配电网负荷特性的变化。因此对含光伏发电系统的配电网负荷进行建模符合工程仿真的需要,文献[2]也指出当配电网侧接入大量非静态特性的电源负荷时,应采用增广模型对新的配电网负荷特性进行建模。

考虑光伏发电系统的负荷建模问题,相关学者作了相应的研究,文献[3]提出以一个恒功率控制的电压源来等效光伏电池和燃料电池,但只在大概趋势上拟合其动态特性,效果不够精细。文献[4]基于光伏电池及其并网系统的物理机理建立了描述光伏发电系统的三阶动态模型(简称三阶机理模型),对其在不同光照强度下的描述能力进行考察,发现其在不同光照强度下的内推和外插效果不甚理想,尤其是在暂态过程中响应不足。文献[5]基于光伏电池的基本原理和并网控制策略搭建了光伏发电系统的详细仿真模型,但其模型复杂,因此仿真需要的时间长,不能满足大电网仿真的需要。文献[6]基于控制机理建立了三相光伏发电系统的等效动态模型,并且考虑了不同光照强度的影响,拟合效果较好,但是其有7个独立辨识参数,加上传统综合负荷模型的16个参数,总参数个数多达23个,辨识难度大,其自身结论也说明了辨识参数离散性大,模型不利于工程实际的应用。文献[7]对含逆变器的分布式电源进行了统一等效建模,其模型对于不同种类的分布式电源的外特性拟合较好,但在不同分布式电源下模型参数差异较大。文献[8-9]分别基于现场可编程门阵列(FPGA)和实时数字仿真器(RTDS)构建了光伏发电系统的仿真模型,其都需要相关的专业硬件作为支撑,适用于研究外电网不同工况对单个光伏发电系统特性的影响,而对于含大量光伏发电系统的大规模电力系统的仿真适用性有限,尽管在PSS/E和PowerFactory等电力系统仿真软件中已经开发了光伏发电系统模型,但其大都是基于光伏发电系统的详细物理机理构建的,其包含了光伏电池、最大功率点跟踪(MPPT)模块,逆变器和并网控制模块。模型的结构较复杂,参数多,适合小规模的电力系统仿真,而对于大规模的电力系统仿真,在仿真速度和参数设置上不能满足要求。

为了给含光伏发电系统的大规模电力系统仿真提供更加实用的综合负荷模型,本文在上述文献研究成果的基础上,从光伏发电系统的控制机理出发,构建了适用于综合负荷建模的光伏发电系统三参数简单等效模型。同时,为验证本文提出的简单模型在综合负荷建模中的适用性,采用传统综合负荷模型并联本文提出的简单等效模型,构建了广义综合负荷模型,并以此对含光伏发电系统的配电网综合负荷进行建模,算例表明该广义综合负荷模型能有效描述含光伏发电系统的配电网综合负荷外特性。

1 含光伏电池的仿真系统

1.1 光伏电池的仿真模型

基于光伏电池详细的物理机理建立光伏电池单体的外特性模型如式(1)—式(4)所示,详细推导见文献[10-11]。

式中:Ipv,Isc,Iph,I0,Id分别为光伏电池的输出电流、光伏电池单体的短路电流、光伏电池单体的光生电流、理想二极管的反向饱和电流、流过二极管的实际电流;Vpv为光伏电池端电压;G为光照强度,Gref为其参考值;q为电子电荷量,取值为1.602×10-19C;A为PN结的理想因子,一般取值范围为[1,2];k=1.38×10-23J/K,为玻尔兹曼常数;T为PN结温度;KT为光伏电池单体短路电流的温度系数;Tref为参考温度(取25 ℃);ns和np分别为太阳能光伏阵列中电池单体的串、并联组数;RS和RSh分别为光伏电池的串联电阻和旁路电阻。

根据式(1)—式(4)在MATLAB/Simulink中搭建了光伏电池的仿真模型,并进行光伏电池单体仿真得到光伏电池单体在不同光照强度和温度下的外特性曲线P-U曲线,见附录A图A1,由图可知光照强度对电池单体外特性影响较大,而环境温度对其外特性影响相对较小。

1.2 光伏电池的并网控制

光伏发电的并网控制系统如图1所示。其中,Lf和Cf分别代表滤波电感和滤波电容,PWM表示脉宽调制,PCC表示公共耦合点,PLL表示锁相环,MPPT控制模块采用最常见的扰动观测法[12]来调整光伏电池的直流侧端电压。光伏电池的并网控制采用电压外环、电流内环的控制方法[13,14]。

1.3 光伏电池并网仿真模型

为研究光伏发电系统对配电网负荷特性的影响,将上述光伏电池发电系统与配电网旋转负荷、静态负荷并联接入配电网母线,并基于MATLAB/Simulink构建了仿真模型,如附录A图A2(a)所示,图A2(b)为对应的仿真模型结构,获取光伏发电系统并网母线处的有功和无功数据就能得到光伏发电系统自身的外特性。获取配电网母线处的有功和无功数据就能得到含光伏发电系统的综合负荷的外特性。

2 光伏发电系统的三阶机理模型分析

三阶机理模型可以用状态方程(见式(5))和输出方程式(见(6))来描述。

式中:Ugd,Ugq和Id,Iq分别为光伏发电系统并网处电压和电流的dq轴分量;Uid和Uiq分别为逆变器出口处电压的dq轴分量;udc为光伏直流侧电压;ipv为光伏输出电流;Sd和Sq为开关向量在同步坐标系下的dq轴分量,详细叙述见文献[4]。

基于以上模型,用同一个电池组在光照强度分别为G1=400 W/m2,G2=800 W/m2,G3=1 200 W/m2,G4=1 600 W/m2下进行仿真(0.2~0.4s之间设置故障使电压跌落20%),得到4组光伏外特性数据,用三阶机理模型分别去拟合4组数据,拟合效果如图2所示,其中光伏发电系统的无功功率几乎为零[4,5,6],因此在建模中不再列出(下同,证明见3.1节)。

分析图2可知,三阶机理模型在光照强度G<800 W/m2时拟合效果较好,在G>800W/m2时的拟合效果较差,残差大,尤其是在暂态过程中响应不足。

3 光伏发电系统的等效描述及其辨识验证

从形式上看,三阶机理模型机理并未体现光伏发电系统的双环控制的动态特性,只是三相电压型逆变器外特性的基本描述,而根据电力电子方面的研究[15],光伏逆变器的动态特性主要受其控制方式和控制参数的影响,为了准确描述光伏发电系统的外特性,本文从控制机理出发推导了双环闭环控制方式下光伏发电系统的等效模型。

3.1 等效描述

对外部电网而言,光伏发电系统的外特性可以描述为:

式中:Ppv和Qpv分别为光伏发电系统输出的有功功率和无功功率。

取d轴为交流侧电压合成矢量方向,则q轴方向电压分量为0,即Ugq≈0[16]。而为使光伏发电系统以单位功率因数运行,在双闭环控制中iqref即电流q轴分量的参考值设置为0,由于电流内环具有快速跟踪能力,因此有iq≈iqref=0且id≈idref。

经过以上分析可将式(7)化简为:

Ugd主要受电网电压的影响。Idref受光伏发电系统的并网控制方式影响。在双闭环控制方式下,Idref主要受外环电压控制系统的影响。由于逆变器的开关状态是不连续的,开关采样具有一定的延迟,逆变器的传递函数可以等效为一个高增益的惯性环节:

式中:Tpwm为逆变器的惯性常数,取采样周期的一半(0.5Ts);Kpwm为增益系数。

由逆变器的工作原理可知,直流侧电压与逆变器输出相电压之间的关系如下:

式中:j=a,b,c;为逆变器的开关相量,因此直流电压侧主要受外网电压和控制系统输出的开关相量影响。

综上所述并结合图1,忽略了电流内环后,电压外环的简单控制框图如图3所示。

图3中:Ki和Kp为比例—积分(PI)环节的调节系数,udcref为MPPT输出的直流电压参考值,其值仅受光照强度G以及PN结的温度T影响,由于电网故障暂态时间很短,在此期间G和T的值可视为不变[6],因此暂态过程中udcref保持不变。

根据经典控制理论的相关原理,结合图3有:

上式可以简化为式(12)所示的形式。

式中:M和N为特定常数。

将式(12)代入式(8)有:

综上所述并结合式(13)可知,光伏发电系统有功外特性接近以电压为激励的典型二阶系统的响应,由于暂态过程中电网电压的跌落接近于经典控制理论中的阶跃信号,而由图2可知光伏发电系统的动态响应又接近于控制理论中的二阶欠阻尼系统的阶跃响应。基于以上分析可知,如能合理调节二阶系统的参数,其阶跃响应就能较好地拟合光伏发电系统的动态特性,为此本文提出光伏发电系统动态特性可等效描述为:光伏发电系统的有功输出等效为以电压激励的二阶欠阻尼系统的响应,同时为了补偿由简化带来的暂态响应不足问题,在模型中增加一个比例环节,而光伏发电系统的无功输出近似为零(上述分析已经证明),可以忽略不计。因此,简化模型可以表示为:

式中:P0为光伏发电系统的稳态有功输出,取其额定功率PNpv,此时模型的稳态最大有功输出为PNpv,因此能够有效模拟光伏发电系统的出力极限问题;Ut为光伏发电系统并网母线处电压的实时有效值;U0为Ut对应的稳态值,取并网处电网的额定电压UN;ζ为阻尼比;ωn为自然频率;Ku为比例环节调节系数。

这样,模型独立待辨识参数仅3个,与三阶机理模型和其他模型相比大大减少了辨识的工作量和模型复杂程度。

3.2 模型的参数范围

为了确定模型参数的取值范围,为后续模型参数的辨识提供可靠的寻优区间,首先对经典二阶系统的阶跃响应进行分析,经典二阶系统的传递函数如式(15)所示。其不同参数下的单位阶跃响应曲线如附录A图A3所示,该图表明二阶系统的响应特性主要受其参数取值的影响。

经典二阶系统的动态特性主要取决于其阻尼比ζ和自然频率ωn,表现为超调量σ、调节时间ts和振荡次数No[17]。

1)二阶系统的超调量σ 是关于ζ的单调递减函数:

2)调节时间ts是关于ζωn的单调递减函数:

3)振荡次数No是关于σ 的单调递增函数:

光伏发电系统等效模型中3个参数取值范围分析如下。

ζ:由于光伏电池系统是一个欠阻尼系统,因此ζ宽泛的取值范围为(0,1),又由图2可知光伏电池系统的动态超调量σ 在10% ~35% 之间,则根据式(16)可知ζ的取值范围为[0.15,0.75]。

ωn:由式(17)知,当ζ一定时,调节时间与 ωn成反比,而由图2可知,光伏发电系统的调节时间在0.02~0.06s之间,则

由于本文参数辨识用的遗传算法采用常数编码,为了利于算法中的交叉操作,需将ωn换算到与其他参数在同一数量级,为此定义:Kω=ωn2/10 000,即,模型中只要辨识Kω即可,Kω的取值范围为[0.603,225]。

Ku:是一个比例环节的调节系数,由于模型中采用标幺值,而暂态中电网电压的跌落在10% ~60%之间,综合考虑Ku的取值范围为[0,1.5]。

3.3 辨识验证

为了检验本文提出的等效模型的适用性,同样采用G取G1=400 W/m2,G2=800 W/m2,G3=1 200 W/m2,G4=1 600 W/m2情况下的4组样本数据,采用改进遗传算法[18]来辨识等效模型的参数。模型对于不同光照强度下的光伏发电系统外特性的拟合效果如图4所示。辨识参数及其残差Er如表1所示。

由表1可知,模型参数相对稳定,其中Ku的参数稳定在1.0左右可以将其固定为1.0,这样等效模型的待辨识参数只有2 个,Kω的变化量Kωmax-Kωmin为0.367,其对ωn的影响较小可以视为稳定,ζ的变化量ζmax-ζmin为0.562 2,其直接影响着二阶系统的调节时间ts和超调量σ,因此其对模型的动态特性影响较大,但其与光照强度G有类似线性函数变化趋势,可以通过线性拟合的方法来确定两者之间的关系,并进行预测。

基于MATLAB的线性拟合函数polyfit,对已有的4组参数(G,ζ)进行线性拟合,经多次试验发现二次函数能有效描述两者之间的关系。拟合关系如式(20)所示,拟合效果如图5所示。

由图5可知,二次函数模型能够很好地描述ζ与G的关系,为了验证此结论,将G取500,1 000,1 400 W/m2下的3 组数据辨识所得的ζ值与式(20)所预测的值进行比较,且地球上的光照强度值在0~1 600 W/m2之间[19],结合图5可知,ζ是关于G的二次函数。而由于不同光伏发电系统控制参数及电池板参数不同,二次函数的系数取值不尽一致,本文给出的关系式仅供思路参考。

由图4 可知,尽管光照强度从400 W/m2到1 600 W/m2变化,但是模型对光伏发电系统外特性拟合效果很好,表1中残差数据也印证了这点,同时与图2比较可知,本文提出的简单等效模型与三阶等效模型相比,能够更有效描述不同光照强度下的光伏发电系统外特性。

4 含光伏发电的广义负荷模型及参数辨识

4.1 模型结构

含分布式电源的广义负荷建模需要在综合负荷模型的虚拟母线上增加分布式电源的等效模型[20,21]。随着光伏发电系统接入配电网的容量的不断增大,光伏发电系统的动态特性必须考虑到综合负荷模型中。为此本文提出含光伏发电系统的广义综合负荷模型,即在传统综合负荷模型(感应电动机并联ZIP模型)上并联本文建立的等效模型,结构如图6所示。

图6中PIM,PZIP,PD.eq分别表示感应电动机负荷、静态负荷和等效动态负荷的有功功率;系统供给负荷的有功功率为Psys。图中的箭头表示各有功功率的参考方向,功率传动与参考方向相同则为正值,否则为负;感应电机模型采用经典的三阶机电暂态模型,且由于模型中参数Rm,A,B对模型响应的灵敏度较低[2,22],故取典型值即Rm=0,A=1,B=0;静态负荷模型采用ZIP模型,由于本文仿真系统中采用的静态负载是阻感性负载,因此ZIP模型中的有功恒定阻抗/电流/功率部分比重Zp/Ip/Pp及无功恒定阻抗/电流/功率部分比重Zq/Iq/Pq取固定值,即Ip=Iq=Pp=Pq=0,Zp=Zq=1。光伏发电系统的模型采用式(15)所示的简单等效模型,增加等效模型本身的两个参数ζ和Kω(其中Ku=1)和光伏电池的比重Kpv=Ppv/(PIM+PZIP)。因此广义综合负荷模型的独立待辨识参数共10个,分别是Xs,Rs,Xr,Rr,Tj,Xm,Km,Kω,ζ,Kpv,其中Xs,Rs,Xr,Rr分别为感应电机定子感抗、定子电阻、转子感抗、转子电阻;Tj为惯性时间常数;Km为电动机负荷的比例,定义为PIM/(PIM+PZIP)。

4.2 辨识建模

为了获得不同负荷水平和不同工况下含光伏发电系统的综合负荷外特性数据,在表2中所列出的3种负荷水平下,按1.3 节所构建仿真系统进行仿真,并在配电网母线处设置短路故障使电压依次下降20%,40%,60%,以获取各种工况下的实测数据样本,利用上述数据分别对图6所示的广义负荷模型进行辨识建模。

广义综合负荷模型对3种负荷水平下电压下降40%的数据样本的拟合效果如附录A图A4至A6所示,由3种负荷水平下的拟合效果图可知,光伏发电系统在配电网中的比重越大,其对配电网综合负荷特性的有功部分影响越大,而对于无功部分的影响不大。3 种负荷水平下在电压依次下降20%,40%,60% 时,参数辨识结果及其残差如附录A表A1所示。

4.3 模型检验

为了检验上述广义综合负荷模型的有效性,分别对模型的描述能力、泛化能力和辨识参数的稳定性进行了验证。

1)模型描述能力

从附录A图A4 至图A6 可以看出,尽管负荷水平不同,但模型仍能够较好地拟合含光伏发电系统的广义综合负荷的外特性数据,由附录A表A1的残差值(均在(3.731~7.021)×10-3之间)可知,模型的拟合残差较小,故该综合负荷模型具有良好的描述能力。

2)模型的泛化能力

为了验证模型的泛化能力,在3种负荷水平下,分别对电压跌落40%的数据样本辨识所得参数确定的模型在电压跌落20%的数据样本的激励作用下的模型响应和实测响应进行对比,以验证广义综合负荷模型的内插能力,并对电压跌落40%的数据样本辨识所得参数确定的模型在电压跌落60%的数据样本的激励作用下的模型响应和实测响应进行对比,以验证广义综合负荷模型的外推能力,各拟合残差如表3所示。

由表3可知虽然电压扰动的幅度相差较大,但是广义综合负荷模型对内插、外推数据样本的拟合残差较小,因此广义综合负荷模型的泛化能力较好。

3)参数的稳定性分析

标准差是评价参数集散性和稳定性的重要指标,由附录A表A1的标准差可以看出:除Tj,Xm,Kpv之外,其他参数的标准差(均在0.002 7~0.047 3之间)都较小,参数的稳定性好,而Kpv是随着光伏电池的渗透率增加而变化的;Tj和Xm其本身的灵敏度不高,对模型的影响较小。因此模型参数总体的稳定性较好。

5 结语

本文基于MATLAB/Simulink建立了含光伏发电系统的仿真模拟系统,比较了现有光伏发电系统等效模型的优劣,验证了三阶机理模型的适用性和局限性,在此基础上从光伏发电系统逆变器的控制机理出发,构建了适合综合负荷建模的光伏发电系统简单等效模型,该模型以传递函数的形式描述,具有参数少、易于辨识、结构简单且能够模拟光伏发电系统的出力极限等优点,同时为电力系统其他元件的建模提供了一个新的思路。提出了用本文的等效模型并联传统的综合负荷模型的广义综合负荷模型,以描述含光伏发电系统的广义综合负荷特性。3种典型的负荷水平下的仿真结果表明本文提出的广义综合负荷模型能有效描述含光伏发电系统的广义综合负荷特性,有很好的内插外推能力,能够满足工程仿真的需要。

综合负荷 篇2

【关键词】 氯吡格雷；不同负荷剂量；急性冠脉综合症 PCI 风险率

氯吡格雷（波立维）是常用的抗血小板药物之一，是新一代的二磷酸腺苷(ADP)受体拮抗剂，它特异而强有力抵制ADP诱导的血小板聚集，对抑制心、脑及其他外周血管动脉粥样硬化的形成均有疗效。具有起效快、副作用少的特點。为评价不同负荷剂量氯吡格雷的临床作用效果,我们收集了就诊于我院的急性冠脉综合征患者80例，给予不同负荷剂量氯吡格雷治疗，观察比较疗效与安全性，具体阐述如下。

1 资料与方法

1.1 一般资料 收集2008年1月～2094年1月就诊于我院，且诊断明确的急性冠脉综合症患者共80例，其中男患者46例（57.5%），女患者34例（42.5%）；年龄在41～75岁之间，平均年龄为57.1岁。所有患者诊断标准均依照 1999 年ACC/AHA和WHO诊断标准,所有患者均同意接受PCI介入治疗［1］。

其中非ST段抬高型心肌梗死32例（40.0%）,不稳定型心绞痛48例（60.0%）,患者用药前查血小板、出凝血时间及凝血酶原时间均在正常范围，无严重的凝血障碍，近期无活动性出血、手术或外伤史。两组患者年龄、性别、易患因素、基础疾病、临床治疗方面差异无统计学意义,但具有可比性。

1.2 方法 收集就诊于我院诊断明确的急性冠脉综合症患者80例，随机分为两组，高剂量组40例在行在PCI术前至少6h给予600mg负荷剂量的氯吡格雷口服，然后150mg剂量维持7天；低剂量组40例在PCI术前至少6h给予300mg负荷剂量的氯吡格雷口服，然后75mg剂量维持30天［2］，所有患者均于PCI术后给予标准的抗凝、抗血小板及降脂等基础治疗。患者采用经桡动脉或经股动脉入路行 PCI 术, PCI术均按规范完成。

1.3 观察指标 观察所有患者PCI术后，在1个月之内支架血栓风险率、心肌梗死发作率、大出血率和死亡率。

2 结果

低剂量组中支架再血栓者18例（20.0%），发展为心肌梗死者19例（47.5%），大出血患者例2（5.0%），死亡1例（2.5%）；高剂量组中支架再血栓者6例（15.0%）使PCI术后支架血栓风险率下降31.0%、发展为心肌梗死者4例（10.0%）心肌梗死发作率降低35.1%、大出血患者3例（7.5%）大出血率增加2.0%、死亡3例（7.5%），死亡率无变化，与低剂量组相比较支架血栓风险率、心肌梗死发作率显著降低（P<0.05）有统计学意义，大出血率、死亡率无显著变化（P＞0.05）无统计学意义。

3 讨论

急性冠脉综合症是以冠状动脉粥样硬化斑块破裂(rupture)或糜烂(erosion)，继发完全或不完全闭塞性血栓形成为病理基础的一组临床综合征，其病理基础是冠状动脉粥样硬化斑块由稳定转为不稳定，继而破裂导致血栓形成［3］。动脉粥样硬化血栓形成是导致临床心脑血管不良事件的病理基础，因此急性冠脉综合征的抗血小板治疗是非常重要的，尤其在非ST段抬高型ACS中更是如此。氯吡格雷是一种血小板聚集抑制剂，它选择性也抑制二磷酸腺苷（ADP）与它的血小板受体的结合及继发的ADP介导的糖蛋白GPlllb/llla复合物的活化，因此可抑制血小板聚集［4］。

氯吡格雷在减少PCI围术期血栓形成方面起着不可替代的作用，300mg氯吡格雷负荷剂量一直被视为降低PCI患者围术期血栓事件的常规剂量，本文进一步观察不同负荷剂量氯吡格雷对ACS患者进行PCI的临床疗效和安全性。在600mg氯吡格雷负荷剂量组，患者的再梗等不良事件显著降低，疗效显著，且无增加出血风险。

总之，高负荷剂量的氯吡格雷可以显著降低PCI术后的心血管并发症，效果较低负荷剂量显著，且无增加不良事件的风险。

参考文献

［1］国际心脏病学会及世界卫生组织临床命名标准化联合专题组．缺血性心脏病的命名及诊断标准［Ｊ］.中华心血管病杂志,2006，9(1):75-77.

［2］Geiger J，Brich J，Honig-Liedl P，et al.Specific impairment of human platelet P2Y（AC） ADP receptor-mediated signaling by the antiplatelet drug clopidogrel.Arterioscler Thromb Vasc Biol''1999''19（8）:2007-2011.

［3］杜大勇，李国璜.急性冠脉综合征中不稳定斑块的发病机制研究进展［J］.临床医学实践杂志，2008，11（12）：883-885.

［4］ 李勇.氯吡格雷预防动脉粥样硬化血栓形成的作用及临床意义［J］.世界临床药物，2007，25（4）：234-235.

综合负荷 篇3

在电力系统暂态稳定仿真的综合负荷模型中,恒定阻抗(或恒阻抗-恒电流-恒功率负荷)并联一定比例感应电动机的机理模型是最为常见的一种,其中的负荷动静比例是一个很重要的模型参数,获得该参数的基本途径有基于量测的总体测辨方法和基于元件的统计综合方法2种。总体测辨建模可以获得综合负荷动静比例[1],但原则上只能对应于被辨识的实测样本,将之应用于不同变电站乃至同一变电站的不同时段时,会面临模型覆盖能力不够的问题,这是总体测辨法负荷建模亟待解决的工程实用化难题,其解决的有效途径之一就是负荷动特性的分类与综合[2,3,4,5,6,7,8,9,10,11,12]。统计综合法通过负荷构成特性的调查统计以获取负荷动静比例,但传统的统计综合方法在实际应用中面临两大亟需解决的难题:一是调查统计花费的时间及人力巨大,况且由于众多条件的局限,很难保证调查结果的准确性;二是用电行业的负荷构成及变电站的用电行业构成调查只能是静止的,实际综合负荷的构成特性则随时间变化且具有随机性,基于调查统计所得结果很难反映其随时间变化的特点。上述问题是传统统计综合法的固有缺陷,尽管可以通过典型用户精选基础上的重点用户精细调查、变电站负荷构成特性分类综合等方法提高统计综合法的准确性和工程实用性[13,14,15,16],但仍然很难从根本上克服这种缺陷。

综合负荷构成成分的随机时变是其负荷特性具有随机时变性的本质原因。这种时变性必然导致电力用户和变电站的日负荷曲线具有时变性。因此,用户和变电站的日负荷曲线必然含有反映负荷构成特性的丰富信息。通过对用户和变电站日负荷曲线的特征分析,就能确定与之对应的各个典型用电行业用电设备构成比例及变电站的用电行业构成比例。由于数据采集与监控(SCADA)系统及负荷控制管理系统(简称负控系统)能够分别提供实时的变电站综合负荷的日负荷曲线和电力用户的日负荷曲线,因此,由此确定的综合负荷构成比例将具有在线、实时建模的性质,从而能够从根本上克服传统统计综合法负荷建模的固有缺陷。因此,文献[17]提出了基于日负荷曲线进行负荷分类的思想,并得到成功的实际应用[18,19]。

将SCADA系统及负控系统实时的日负荷曲线应用于综合负荷在线建模,需解决一系列理论与技术问题。关键问题如下:一是如何对覆盖全网的负荷控制装置获得的数量巨大的用户日负荷曲线进行有效分类与综合,以得到反映各用电行业负荷构成特性的行业综合日负荷曲线及其描述特征参数;二是如何建立变电站综合负荷的日负荷曲线与行业综合日负荷曲线之间的有效关联关系,以确定各变电站综合负荷的实时用电行业构成比例。

本文针对上述第1个问题,运用模糊C均值聚类原理,提出一种对电力用户日负荷曲线进行行业归属分类及行业等效日负荷曲线综合的系统方法,并采用负控系统采集的大量实际用户日负荷曲线进行应用检验。

1整体思路与实现方法

1.1 整体思路

对用户日负荷曲线进行用电行业分类及综合的思路如下:一是将从负控系统获得的众多用户日负荷曲线按照一定的特征进行分类,所得每个类的用户将具有相似的负荷特性,它们归属为一个用电行业(本文称为用户的行业归属分类);二是对每个用户类即行业的所有用户日负荷曲线进行综合,得到一个对应此类(行业)的等效日负荷曲线(本文称为行业综合日负荷曲线)。

整体思路如图1所示。

1.2 方法描述

本文根据图1所提出的整体思路,采用模糊C均值聚类原理[20]进行用户日负荷曲线的行业归属分类及行业综合日负荷曲线等效综合;运用模式识别原理对行业综合日负荷曲线进行合理性检验。基本的实现方法描述如下。

1)选取原始样本特征向量,构成用户日负荷曲线的样本特征向量集。

样本特征向量的选取要求能完全代表样本的本质特征,将负控系统采集到的每天的48点(0.5 h1个采样点)负荷有功功率作为特征向量。因为各时间点负荷功率反映了用户不同时段的用电情况,且同行业用户具有相似的负荷特性,所以在不同行业用户之间其日负荷曲线具有较强的区分性;而对于同行业用户,为了避免负荷水平差异较大时归属分类不准确,必须对每时间点功率进行如下的标准化处理。设U=U1,U2,…,Ui,…,UNT∈RN×n,为N个用户每天n点负荷功率构成的原始功率矩阵,其中Ui=∈R1×n 为第i个用户的n点功率值。将Ui 元素根据式(1)进行归一化处理即得相应的标准值

$u{}_{ij}´=\frac{u{}_{ij}}{u{}_{i\text{m}\text{a}\text{x}}}(1)$

式中:j=1,2,…,n,为用户负荷功率采样点的编号;i=1,2,…,N,为被采集用户的编号;uimax=max(ui1,ui2,…,uin),为第i个用户的n点实时功率最大值;uij′为第i个用户标准化处理后的功率值,uij′∈[0,1]。

2)初始化。

令U′=U1′,U2′,…,Ui′,…,UN′T,给定聚类个数即用电行业数L(2≤L≤N)和初始值聚类中心矩阵C=C1,C2,…,Ck,…,CLT∈RL×n,Ck=∈R1×n,则Ui′属于第k个聚类中心的隶属度Vik′如下:

$V{}_{ik}´=\frac{\parallel \mathit{U}{}_{i^{\prime }}-\mathit{C}{}_k\parallel }{{\displaystyle \sum _{k=1}^L\parallel }\mathit{U}{}_{i^{\prime }}-\mathit{C}{}_k\parallel }(2)$

式中:$V{}_{ik}´＜1‚{\displaystyle \sum _{i=1}^{{\rm N}}V}{}_{ik}´=1$。

3)根据下式构建目标函数F(V,C):

$F(\mathit{V},\mathit{C})={\displaystyle \sum _{i=1}^{{\rm N}}{\displaystyle \sum _{k=1}^L(}}V{}_{ik}´){}^m\parallel \mathit{U}{}_{i^{\prime }}-\mathit{C}{}_k\parallel (3)$

式中:m∈[0,2],为加权指数。

判断目标函数F(V,C)是否达到最小值,若未达到最小值,按式(4)更新聚类中心矩阵C,重新计算隶属度,直至F(V,C)达到最小值为止。

$\mathit{C}{}_k=\frac{{\displaystyle \sum _{i=1}^{{\rm N}}(}V{}_{ik}´){}^m\mathit{U}{}_{i^{\prime }}}{{\displaystyle \sum _{i=1}^{{\rm N}}(}V{}_{ik}´){}^m}(4)$

F(V,C)达到最小值时的隶属度矩阵V和聚类中心矩阵C即为聚类结果,它给出了各聚类中心及其包含的样本,即各分类的行业综合日负荷曲线及每类行业所含用户。

4)根据式(5)定义计算各聚类中心(行业综合日负荷曲线)的特征参数,分析检验分类与综合结果的合理性。

$\{\begin{array}{l}k{}_1=\frac{{\rm P}{}_{\text{a}\text{v}\text{e}}}{{\rm P}{}_{\max }}\\ k{}_2=\frac{{\rm P}{}_{\max }-{\rm P}{}_{\min }}{{\rm P}{}_{\max }}\\ k{}_3=\frac{{\displaystyle \int {\rm P}}(t)\text{d}t}{{\rm P}{}_{\max }}\end{array}(5)$

式中:Pave为日平均负荷;Pmax为日最大负荷;Pmin为日最小负荷;k1,k2,k3分别为日负荷率、日峰谷差率和日最大负荷利用时间。

实践表明,特征参数k1,k2,k3能较充分地描述不同行业类的综合日负荷曲线的基本特征,并具有良好的行业区分度。

2 应用实例分析

2.1 原始数据样本来源

为检验本文方法的有效性,在某省全网范围内选取80家用户作为研究对象。用户选取时,以负控系统给定的用户名为初始依据,使所选用户覆盖市政生活、第三产业、重工业、轻工业等4类用电行业,每类行业用户20个,负控系统无专供农业用户。从负控系统选取上述用户2009年8月22日(夏季最大负荷日)的48点日负荷曲线数据作为原始数据样本。所选用户列于附录A表A1,表中依次用Ⅰ～Ⅳ表示上述4类用户(下同)。

2.2 分类与综合结果

根据原始样本及其所涵盖的用电行业类,令:N=80,n=48,L=4。

首先对80个初选用户进行初始分类,结果列于附录A表A2。由表可知:归属市政生活类用户18个,含第三产业类7个,占39%;归属第三产业类用户21个,含市政生活类9个,占43%;归属重工业类用户20个,含轻工业类6个,占30%;归属轻工业类用户21个,含其他3类的用户共8个,占38%。由此可见,每个行业类中均含有一定(乃至较大)比例的非本类用户。导致此现象的主要原因如下:一是负控系统给出的用户名称不一定与该用户的实际行业归属一致,因此依原始用户名称的行业归属分类结果无法反映所有用户的实际负荷特性;二是某些不占主导地位又无显著行业特点的用户不可避免地有误分情况。若直接以上述初始分类结果为依据进行行业综合,得到的行业综合日负荷曲线将可能难以最大限度地反映同行业用户的共同本质特征。从而有必要进行行业用户精选。

行业用户精选结果列于附录A表A3,相对于初始分类的用户数比例统计列于表1。由此可见,精选后用户共62个,更加突出了重要用户的主导地位。

以精选结果为依据进行行业综合即可获得各聚类中心的日负荷曲线,即各用电行业的综合日负荷曲线,分别见图2～图5,功率P为标准化后的值。

图2～图5所示结果表明,所获得的各行业综合日负荷曲线具有较显著的区分特点:市政生活用电和第三产业用电白天变化比较平缓,晚间00:00后显著减小,凌晨05:00左右出现全天的用电低谷。这是因为这类用户白天各用电时间段具有互补性(如居民生活用电和市政办公类用电)。重工业用户白天(07:00至19:00)和晚间(19:00至次日07:00)用电负荷变化较平缓,且晚间为负荷高峰,07:00左右和19:00左右为负荷低谷,这时因为所选重工业用户多为高能耗冶炼和采矿类负荷,一般三班作业,且受分段电价政策影响,夜间负荷很大,同时该类负荷具有明显的冲击性。轻工业类负荷多为单班制和两班制企业,白天除午间出现相对负荷低谷外总体变化较平缓,晚间(20:00至次日08:00)负荷大大降低。上述特点完全符合所选各类用户的实际用电情况,较好地反映了各行业的用电特点和负荷特性。

2.3 行业日负荷曲线特征分析

对2.2节的归属分类及综合等效结果,采用式(5)进行日负荷曲线特征分析,可得附录A表A3所对应的精选后各类行业用户日负荷曲线特征参数的变化范围以及对应的各行业综合日负荷曲线的特征参数,见表2、表3。

2.4 讨论

基于2.2节、2.3节所得结果,对应用本文方法值得注意的若干问题简要讨论如下。

1)分类特征量选择问题。

表2结果表明,尽管各类同行业用户通过初始分类和精选的2次筛选基本保证了其用电特性的相似性,但各自的特征参数变化范围仍然较大且各行业类别间有交叉现象,如果用户归属分类时以上述参数作为分类特征量,很难保证用电特性相近的用户归属为同一行业类。因此,本文直接采用各采样时间点对应的负荷功率空间作为分类特征空间量,能最大限度地保证归属分类的准确性。

表3结果表明,对于各行业用户,聚类后的行业综合日负荷曲线特征参数具有足够的行业区分度(市政生活类与第三产业类除外),其结果完全支持2.2节的分析,因而可作为各行业用电特性,行业综合负荷特性的描述特征量是合理且有效的,它便于后续的变电站综合负荷构成的行业分析。

2)行业类别划分问题。

由图2、图3及表2、表3可见,市政生活用电和第三产业用电不仅其行业综合日负荷曲线相似,且特征参数区分度也很小,这说明所选时间段内二者的用电特性是接近的。由附录A表A3可知,由于原始样本的限制,所选第三产业用户主要是商场、宾馆和餐饮服务业,市政生活主要是机关、学校等办公用电和少量居民生活用电,这些用户的用电特点及其负荷特性(尤其在夏季大负荷方式)是接近的,且在一天的不同时段(上班工作时段和下班时段)其负荷大小具有互补性。但是,这种特点在不同季节、特别是在气候条件不同的区域(如南北方)不一定具有普遍规律性。因此本文认为,作为一般原则,市政生活用电和第三产业用电作为2种不同的用电行业划分是合理的,况且在电力营销部门是分别计量的。

3)初始样本选择问题。

一般而言,负控系统的监控对象是10 kV～35 kV电压等级的专供用户,其装机容量较大(如不小于4 MW)且用户数量巨大(在一个省级电网中可能数以万计)。为了节约在线分析时间,从工程角度考虑,没有必要将所有用户都作为分类初始样本,可以依据经验选择各行业中最有代表性的部分典型用户(如本文方法在应用于实际工程问题时选择的用户数为80个)。就本文应用实例而言,所选择的用户是省网全网范围的,其目的是更好地检验方法的可行性和有效性。在实际应用中,可以根据电网规模、应用要求和用户的多样性程度合理地选择样本区域。同时,各行业综合日负荷曲线的特征参数一般也将因时段、地区、季节的不同而异。但本文所提出的方法具有普遍适应性,既可以解决用户日负荷曲线的行业归属分类与综合问题,也可应用于变电站的分类与综合。

4)日负荷曲线归属分类中的用户精选问题。

负控系统所给用户名称只是在选择用户时作为其行业覆盖情况的参考,初始行业归属分类则完全由分类算法决定而不能以用户名称为依据。实践表明,在初始分类基础上再对每行业类进行用户精选,可以大大提高归属分类的准确性以及不同行业综合日负荷曲线之间的特征区分度。用户精选仍然可以采用1.2节所描述的方法,只需对每个初选用户类(行业)令其聚类数L=2即可。

3 结语

将SCADA系统及负控系统的实时日负荷曲线应用于综合负荷在线建模,需解决2个关键问题:用户日负荷曲线的正确分类与有效综合以及变电站综合日负荷曲线的行业构成比例分析。本文基于模糊C均值聚类和模式识别原理,提出了一种根据电力用户日负荷曲线进行用户用电行业归属分类及行业等效综合的方法。本文工作是基于日负荷曲线数据的变电站综合负荷用电行业构成成分在线分析的基础。实际应用表明,本文所提出的方法是有效的且应用简便。基于本文方法开发的实际系统已经应用于在线综合负荷建模。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

城市空间负荷预测 篇4

【关键词】负荷预测；负荷密度法；空间负荷；电网规划

负荷预测是在掌握大量地区发展数据的基础上，运用各种负荷预测方法对地区各水平年的电力负荷进行预测。负荷预测是城市电网规划的重要依据，是电网规划的基础。在电网规划中，合理的负荷预测结果非常重要，负荷预测滞后于电力需求，将限制地区的经济发展；负荷预测过于超前，将导致设备的利用率不高，造成浪费。因此，运用合理的方法进行负荷预测有重要的实际意义。

1.负荷预测的方法

由于负荷预测在电力规划设计中的中的重要作用，国内外专家对负荷预测的技术也进行了广泛和深入的研究。有许多预测方法应用于实际工作中，《城市电力规划规范》也介绍了电力弹性系数法、回归分析法、增长率法、人均用电指标法、横向比较法、负荷密度法、单耗法等负荷预测方法[1]。下文对在电网规划中常用的几种方法进行简单介绍。

1.1电力弹性系数法

电力弹性系数是指用电量的年均增长率与国内生产总值的年均增长率的比值。在一定的发展阶段，反映电力需求与国民经济的发展关系。电力弹性系数法需要的基础数据量较少，数据也较容易获得，是电力规划中较为常用的简单方法。这种方法的优点是计算简单，缺点是预测结果精度较低。

1.2回归分析法

回归分析法是在掌握大量历史数据的基础上，利用数理统计方法，建立因变量与自变量之间函数[2]。该方法能较好拟合历史数据，但随着时间推移预测会随着时间增加而精度降低。

1.3人均用电指标法

通过对与本地区发展相似的其他地区的横向比较，对照本地区在规划期内的人口和国内生产总值情况，预测出人均用电水平。

1.4单耗法

单耗法是根据产品用电单耗和产品数量来推测电量。该方法主要应用于中短期规划，对基础数据要求比较高。

1.5负荷密度法

负荷密度是指在单位面积上的平均负荷值。负荷密度法以前一般应用于工业园区电力专题规划中，但近年多个城市也在尝试使用负荷密度法来做区域负荷预测。负荷密度法能充分利用城市建设规划成果，结合城市发展计划等，对城市的各地块的负荷需求进行详细分析和预测。不仅能汇总得出城市的负荷总量，还能得到负荷的空间分布情况[3]。

由于城市的发展，土地的价值水涨船高，变电站的选址和线路走廊的选定日益困难。电网规划纳入城市总体规划，进行超前布局和电力用地预控非常有必要。负荷密度法能较为明确地得出负荷的空间分布，也能结合各地块发展情况得出水平年的负荷，为电力选址选线提供有力支撑。

2.基于负荷密度的空间负荷预测原理

在土地利用规划的基础上，根据地块的用地性质，对地块各水平年的负荷进行预测，通过各类负荷的特性曲线，对不同用地性质地块的负荷进行叠加，得出全局的负荷总量。

从数学角度来讲，空间负荷预测存在以下3中映射关系：

式中，m为地块编号，λ为地块负荷发展程度，P为该地块的负荷密度，S（x，y）为第i地块面积和Q（x，y）为k片区的负荷。

3.负荷密度法的优点

基本上每个市级城市都有城市总体规划，负荷密度法的基础数据可以直接引用城市总体规划中的土地规划成果。新建片区没有历史数据，可以参考新建园区或片区的专项规划。相比其他的负荷预测方法，负荷密度法有自身独特的优势。

（1）新规划建设区域，没有历史数据支撑，不能使用其他时间序列方法预测，负荷密度法可以根据区域专项规划对地块的规划，参考其他相似园区的负荷密度，能够较为合理地预测负荷。

（2）负荷密度法能够紧密结合城市的土地规划。负荷密度法依据城市的用地规划来预测负荷，负荷预测结果与土地规划密切相关，能够充分反映土地对城市和负荷需求的影响。

（3）负荷密度法得出的空间负荷分布有利于把电网规划纳入城市总体规划。负荷密度是从每个小地块着手，进行地块的负荷预测，能详尽地反应各地块对负荷的需求，体现出负荷的空间分布，对于电网规划的变电站站址和线路走廊提供有力支撑。

4.对清城区中长期负荷预测

清城区现辖源潭、龙塘、石角、飞来峡四个镇，凤城、东城、洲心、横荷四个街道，全区总面积1296平方公里。2011年国内生产总值为364亿元，2007年至2011年年均增长16.58%。最大负荷739MW，全社会用电53亿千瓦时。随着社会经济的发展，城市用地日益紧张，迫切需要对城市进行饱和负荷预测，提前规划电网的饱和网架。

4.1地块面积统计

清城区变电站主要是根据行政片区进行供电范围的划分，本次饱和负荷预测也以行政片区域为片区，片区内的规划地块为最小的负荷预测单位。在城市规划中，均对每个地块的用地性质、负荷密度和容积率等作出规划。本次规划的主要依据也是来之清城区的城市规划。根据清城区城市土地规划成果，统计各种类型用地的面积见表1。

4.2 负荷密度选择

根据地区现状负荷密度，对典型地区进行负荷密度调查，初步得出符合本地区的负荷密度取值范围。横向类比佛山市的发展规划和产业结构，发现清城区的发展路径与佛山相似。综合现状负荷密度和横向比较先发展地区的负荷密度，清城区负荷密度的取值见表2。

4.3片区负荷预测

从地区用地规划中获得地块的面积，根据地块的用地特性选取相应的负荷密度，代入公式（2），得出各地块的负荷。分析地块的发展程度和政府的产业规划，赋予负荷发展程度系数λ在0.1～1之间的值。算出片区各类地块的负荷结果见表3。

4.4 利用地区负荷特性曲线叠加

在电网中存在着多负荷，负荷曲线不一致，也就是说存在同时率的问题。各类地块的负荷不能直接相加。本规划通过调查以上9类用地的日负荷曲线[4]，把负荷曲线进行归一化处理，然后通过叠加各类负荷曲线得出地区负荷最高点，最后通过负荷最高点反推出对应的各类负荷叠加系数。叠加汇总的地区负荷预测结果见表4。

5.结论

在清城区的饱和负荷预测中使用了负荷密度法进行远景负荷预测，其结果得到评审专家的认可。负荷密度法在城市饱和负荷预测中，能充分体现负荷的空间特性，为饱和网架规划等提供依据，使得变电站布点和出线走廊的规划更科学和合理。

【参考文献】

[1]程浩忠.电力系统规划[M].北京：中国电力出版社，2008.

[2]刘先虎.负荷密度法在城市远景负荷预测中的应用[J].供用，2007（12）：13-15：

[3]陈盛燃.区域电网规划负荷预测实例[J].技术与管理，35-38.

综合负荷 篇5

电力系统负荷短期预测,主要是针对月周日时负荷进行预测。它是制定运行方式和调度策略,发电机组检修计划和确定系统网上最优容量的依据。直接关系到电力系统的运行效率和经济效益。由于其具有很强的非线性特点,多种影响因素难以确定影响权重等导致预测困难。

目前电力负荷短期预测方法主要有线性回归、灰色理论、时序分析法等传统方法和现代的智能方法如神经网络、模糊集、支持向量机等。传统方法主要运用线性模型进行预测,对负载非线性多扰动的电力负荷预测效果很难保证,同时无法考虑气象等因素的影响。智能方法能较好地解决电力负荷预测的非确定性,非线性性的特点。随着研究的深入,基于统计学习理论的预测方法具有更好的预测效果。文献[1]运用SVM进行了短期电力负荷预测,这种方法是不等式约束,推广运算量大。LS-SVM将不等式约束改为等式约束,降低了运算量,但同时丧失了解的稀疏性。文献[2]将LS-SVM与序列最小优化算法相结合,采用剪枝算法进行稀疏化处理,进一步降低运算量。支持向量机应用时其预测效果与参数有密切的关系,参数调整是一个难点。文献[3]采用了PSO算法来优化鲁棒支持向量回归机的参数平衡参数,不敏感参数和核参数分别是C,ε,σ。文献[4]应用模糊理论对负荷的非线性、模糊性和强扰动的特点,采用模糊支持向量核回归方法进行电力系统负荷预测,提高了系统的鲁棒性。文献[5]采用增量约简算法对影响电力负荷预测精度的输入因素进行确定,以保证输入参数的合理性。

现有关于SVM方法都是针对支持向量回归算法得到的[1,2,3,4,6,7,8,9,10],没有考虑在线预测能力。运用PSO优化的成果也主要集中的支持向量回归机,即优化的参数为C,ε,σ,算法本身运算量大,预测精度有待提高。

本文采用嵌入维最小二乘支持向量机ELS-SVM算法,降低了运算成本,并运用PSO算法对ELS-SVM参数进行寻优。在处理不确定性影响因素时采用了模糊集理论,同时提出一种消除积累误差的在线算法,提高预测精度。提出了综合滤波器的设计思想,将输入参数确定、数据更新和预测融合为自适应滤波器(IAF)。滤波器在时间轴上滑动即完成建模和预测,便于工程运用。

1 综合自适应滤波器原理

现有的自适应回归滤波器设计通常采用式(1)的形式[11]:

这种滤波器问题在于采用预测输出的前n个状态预测下一个状态,使预测误差进行了积累。为此,本文在进行下一个数据预测时,考虑准确性和实现在线算法,用实测值进行在线更新,以消除预测中的累积误差。对式(1)改进后得到式(2):

其中:ŷ(k+1)为当前预测输出;r(k)为前一次实测值。

本文设计自适应滤波器主要包含四部分,模型训练和预测,PSO优化,输入特征提取和数据更新。四部分融为一体,见图1。整个滤波器将采集的数据分块批量更新,调用IAF程序就可得到预测结果。

图2表明在线预测器原理:建模窗宽度回定,现有的自适应回归滤波器设计通常采用式(1)沿数据的时间轴滑动,用新采样的真实值填充前时刻的预测值位置,保证预测的精度,减少预测和建模的累积误差。对数据进行分块预测更新,每一小格代表一个预测时间段,假设2 h更新一次数据,则一个就是2 h的数据量。预测数据量小,既保证预测精度又减少运算量,克服了LS-SVM不具有稀疏性而产生预测运算量大的问题。

2 粒子群优化ELS-SVM参数

2.1 最小二乘支持向量机原理

支持向量机(SVM)是由Vapnik根据统计学习理论提出的新一代机器学习方法,主要用于解决小样本的学习问题如模式识别,函数估计和密度估计[8]。SVM是根据结构风险最小化理论(SRM)对模型的复杂性和学习能力进行了折中,以获得最佳的推广能力。算法是凸二次寻优,所以是全局最优,避免了神经网络等易陷入局部最优问题。但是SVM模型寻找困难,计算量大。Suykens等在1999年提出了最小二乘支持向量机(LS-SVM)算法,用等式约束代替了SVM中的不等式约束,大大简化了运算。

假设SVM的回归等式为

式中:x∈Rn是输入向量;y∈R是输出值;w∈H是特征向量;φ(⋅):是从输入到特征空间的非线性映射,通过该映射将输入空间中的非线性回归转变为特征空间的线性回归。

假设训练集,回归问题的LS-SVM表示为

约束:yi=wTφ(xi)+b+ei,i=1,…,N

式中:γ是规则化参数,反映学习误差与模型复杂度的关系,在之间的折中;ei是第i点的预测偏差。运用Lagrangian系数法解式(4)满足KKT条件的最优问题,得到全局最优解式(5)。

式中:K是一个N×N的核矩阵,α=[α1,α2,…,αn]T是Lagrange系数向量。用核技法可以得到LS-SVM的回归模型为

式中,K(X,Xi)是核矩阵。核矩阵的选择必须满足Mercer`s条件,并且与数据特征有很大关系。通用的核有线性核、多项式核和高斯核。多项式核随维数增高计算量明显增大,结合数据特点,这里选用高斯核函数,即K(x,xi)=exp(-‖x-xi‖2/σ2)。用核函数取代高维空间的内积运算。

2.2 时间序列预测的嵌入维理论

假设初始的序列是s(t),用时间序列重构相空间,假设嵌入维数是m,延时τ,得到式(7)。

这里f(i)是光滑映射函数,输出Y(t)仅与前时刻输出有关。所以,令m是嵌入维数,τ是1。根据式(7)通过宽度为m的时窗沿时间轴滑动重构相空间为

预测输出表示为

式中:X是输入训练矩阵;Y是输出矩阵;n是训练输入矩阵维数;m是重构相空间维数。于是可以获得混沌预测和训练模型f(i)。于是重写式(7)得式(10)。

即第i行的输出Y(i)是由重构相空间的第i行输入X(i)的前m个数据确定的。因此,随着窗口沿时间轴的滑动,就能遍历各个采样值,实现建模和预测。

2.3 粒子群算法(PSO)原理

PSO算法是近十几年发展起来的智能仿身算法,其基本思想是模拟自然界生物群体行为来构造优化算法。具有收敛快,不易陷入局部最优和易实现的特点,得到广泛运用[3,6,12]。PSO算法原理:假设在一个N维空间中,第i个粒子的空间表示为xi=[xi1,xi2,,xin]的相量。xi代表了粒子在N维空间中的位置。从而可以算出各个点适应度的大小,以此判定其优劣。假设粒子在xi的飞行速度用vi,同样速度也是相量vi=[vi1,vi2,,vin]。第i个粒子目前为止搜索到的最优位置pi=[pi1,pi2,,pin],整个粒群搜索到的最优位置pg=[pg1,pg2,,pgn]。

式中:c1,c2是非负常数的学习因子;r1,r2是在[0,1]的随机数;ω是速度的惯性权重,可以设计成线性减小或指数衰减等。

为提高前期的收敛速度和后期的稳定性,我们采用指数衰减的惯性权重方式。

d(t)是微粒对最优解的测度。d(t)=|pbesti-gbest|。vi的随机性使粒子保持惯性,即实现搜索空间的扩大,实现全局搜索能力,引入惯性权重ω实现局部搜索和全局搜索之间的平衡。通常先全局搜索后局部搜索,以加快搜索过程,避免陷入局部最优。

2.4 粒子群优化ELS-SVM参数的方法

粒子群优化嵌入维最小二乘支持向量机(ELS-SVM)参数算法。

ELS-SVM算法中影响学习能力和推广性的参数主要有:正则化系数γ,重构相空间维数m,和核参数σ2。这些参数相互间有不明确的关系,很难写出显示式子。这是典型的多参数组合寻优问题,根据经验很难调整到最优组合。粒子群方法是最有效的。假设

vi和xi分别是第i个粒子的速度和位置,每个粒子维数是3,分别对应优化参数γ,m,σ2。N是整个粒子群的规模。

优化算法:

第一步,确定粒子维数,种群规模,待优化参数的上下界,初始值。随机初始化粒子初始位置和速度,初始化种群的最优位置和速度。

第二步,根据适应度函数计算粒子的适应度值。适应度函数采用通用的平均绝对值百分偏差(Mean Absolute Percentage Error,MAPE)式(13)。

式中:r(k)是实际值;ŷ(k)是预测值;fdi是适应度函数。

第三步,将新的个体适应度值与其最小适应度值进行比较,如果fdi

第四步,根据第三步更新粒子的位置和速度。

第五步,重复第二步至第四步,直到达到最大迭代次数或者是满足终止条件。全局最优gbest中位置三维量就对应着待寻优参数。完毕。

3 数据的选取及处理

对于短期负荷的影响,可以忽略产业发展因素,且负荷变化具有连续性。本文在建模和预测时,尽量运用数据内在的连续性,根据数据驱使进行建模和预测。对小时负荷的影响主要因素是气温和湿度。首先对输入数据进行模糊化处理。

由于测量和噪声等随机影响,所测数据中存在奇异点。在进行异常值处理时运用相似日特性,采用“近大远小”的原则,距离预测点最近则起的作用最大。文献[1]进行了奇异点的定义和替代。假设x(i,n)表示负荷序列,i为一天的测量点,n为测量日。E(i)为连日内该测量点的均值,σ(i)为方差。定义偏差率ρ(i,n)=x|(i,n)-E(i)|/σ(i)。如果ρ(i,n)大于1.1则为奇点。并用其前一日的点和后一日的点取平均值替代。考虑到建模和预测时所用数据都是最邻近的数据影响最大。所以对文献[1]中的替代方法进行改进,,k∈[0,1],既体现了数据本身的连续性,又很好地处理了拐点问题。

在气温达到一定值时,湿度越大人对热或冷的感受越强,从而导致空调负荷的增加,如图3。H0是人体感受最佳湿度假设为40%,Hmax是最大湿度,Ht是湿度的时间变化值。当湿度大于Hmax时这种影响达到饱和。

根据湿度对负荷的影响,可以得到某时刻的湿度相对最大湿度的模糊化隶属度描述,

根据人体对气温的感受能力,最佳气温在24℃左右。当气温超过33℃或低于15℃都将导致空调负荷的急剧增长。而当气温上升到一定值时,这种影响将趋于饱和,如图4。为此采用如下方法对气温影响负荷进行模糊化。

设人体最适宜气温为T0,在类[T0±ΔT0]中人体感到舒适,此时对负荷影响视为零。则气温对负荷影响的隶属度为式(15)。

输入子空间的划分如图5所示。

输入空间的模糊化处理,隶属度是描述输入对负荷影响指数最大的隶属程度。假设相对湿度的正常范围是[30%,80%],并将输入空间分为3个子空间,分别是:A1、A2和A3。同时假设温度的正常范围是[-30℃,40℃],同样分为3个子空间:B1、B2和B3,见图5。两个变量三个子空间就可以得到9条模糊规则,如式(16)。由这9条规则推理出气温和湿度联合作用对负荷的影响。

假设湿度和温度联合作用的输出为C。由于目前没有文献给出这种关系的明确表达式。我们认为,当气温达到负荷最大影响程度即隶属度为1时,湿度的影响将不起作用,联合输出隶属度为1。而隶属度在[0,1]段,湿度会加强温度对负荷影响的作用,而这种作用并非两者直接求和。所以,这里采用代数和形式的s-范数进行描述

式中:h是湿度变量;t是温度变量;μc是湿度温度联合作用的输出隶属度;μa是根据式(14)计算出的湿度隶属度值,μb是根据式(15)计算出的温度隶属度。根据模糊规则和式(17)就可以推导出μc,将其代入(4)得式(18)。

约束:yi=wTφ(xi)+b+ei,i=1,…,N

运用Lagrangian系数法解上式满足KKT条件的最优问题,得到全局最优解式(19)。

4 PSO优化ELS-SVM的小时负荷预测实例

以http://www.nemmco.com.au/ase XML/schemas公布的48点数据为例,时间是从2009年8月23日到2009年8月29日。实测数据如图6。假设这期间当地温湿度数据如表1所示。

假设澳洲某市在8月23日到8月29日的温度和湿度如表1所示。根据式(10)、(11)和式(13)的模糊化算法,并假设T0=24℃,H0=40%,则可以计算出温度和湿度相互作用后的综合模糊隶属度值μc,见表2。再根据式(14)用μc去调整规则化系数γ。

总数据量是336个,用前200个进行学习,后136个进行测试。学习过程见图7,测试结果见图8。由于SVM是一种小样本学习算法,所以尽管学习的数据量比较小,但从结果中可以看出经过PSO优化,无论是学习还是测试都有很好的效果,充分体现了智能学习的价值。评价标准采用通用的平均绝对值百分偏差(Mean Absolute Percentage Error,MAPE)和MSE。。其中,yi为真实值,yi为预测值。应用PSO优化ELS-SVM得到最优参数组合是:正则化系数γ=100,重构相空间维数m=25,和核参数σ2=40,此时的预测MAPE值是1.29%,MSE=1.71%。由于大多文献均采用MAPE作为评价指标,所以就该项与其他智能方法相比有了较大提高。结果比较如表3所示。预测时的相对偏差如图9。

RDF方法是文献[10]采用回归数字滤波器对小时负荷预测结果。文献[11]用简单SVM预测结果2.54%,采用无优化的LS-SVM结果2.1%。文献[13]采用多分变率M-SVM回归,预测结果2.16%。

5 结论

小时负荷预测是实施电网优化控制和动态安全分析的前提。在智能电网的发展建设中,电网的安全性、自趋优和自愈性是重要目标。准确掌握电网的小时负荷变化,并有效地对发电部分进行调控实现网容动态平衡,并留有容限这是至关重要的。本文采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测。对影响负荷的因素进行模糊化处理。应用粒子群(PSO)优化算法解决ELS-SVM学习过程中规则化系数γ,嵌入维数m和核参数σ2的组合调整问题。提出分段小批量学习和更新的方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度。将上述多种理论融合一体成为综合自适应滤波器(IAF)。该方法简单易行,只需要将采集到的输入数据分块读入到IAF中,就可得到需要的预测结果,便于实际应用。通过实例验证,该方法能有效提高预测精度,具有较宽的预测范围。

综合负荷 篇6

本工程为莆田市第三医院门诊综合楼。地下一层 (内设消防水泵房、防排烟风机房、发电机房、汽车位等) , 地上十二层 (地面一层为大厅、架空层、非机动车停车处、变配电房、消防控制中心及监控中心、电信间、电视间等, 二~五层为主要由门诊、医技、治疗室、各种功能的检查室, 六层为百万洁净手术室, 七~八层为住院病房、9~10层为美容、激光治疗, 十~十二层为办公会议室) 。工程总建筑面积为9769.5㎡。主体建筑高度49.500m, 该建筑为一类高层公共建筑。医院等级按一类建筑, 医院级别为一级。

2 负荷等级

根据设计规范JGJ 16-2008《民用建筑电气设计规范》 (以下简称民规) 中附录A民用建筑中各类建筑物的主要用电负荷分级表格要求, 本工程消防控制中心、消防电梯、消防水泵、防排烟设备、火灾自动报警设备、火灾疏散照明、消防电梯集水坑等消防用电、一般电梯、生活水泵、排污水泵等为一级负荷;急诊部、手术部、血液病房净化室、治疗室和走道的照明、培养箱冰箱、恒温箱的用电、百万洁净度手术室空调用电、挂号处、划价处、药房、各护士站等为一级负荷;主要计算机系统、监控系统、电子信息设备等对医院影响较大停电将造成医院工作瘫痪主要部门等为一级负荷;一般空调用电、一般诊断用的CT及X光机用电等为二级负荷;其他照明动力用电均按三级负荷供电。另本工程设计的重症监护室和百万洁净手术室 (重要手术室) 为一级负荷中特别重要的负荷。

负荷容量:总计算负荷为835KVA, 其中照明插座等计算负荷为415KVA, 空调计算负荷为420KVA, 一级负荷为290.83KVA, 二级负荷为108KVA。本楼中门诊、医技等用房用电主要为日用负荷, 住院病房用电负荷主要为夜用负荷。

3 配电系统:本次强电配电主要从以下几个方面考虑本楼配电设计

3.1 电源

本工程从10KV市政高压管网引接两路高压电源, 采用埋地方式敷设到本楼一层的变配电房。高压接线采用单母线分段, 并设断路器联络的接线形式。为了满足节能要求, 采用照明和动力分开设置变压器。要求两台变压设置联络互锁装置。任何一台变压器断开时均能满足一、二级负荷的用电要求。变配电房内设有容量为500KVA、变压比例为10/0.4KV的SCB11型照明变压器和空调变压器各一台, 负载率分别为:83%, 和为84%。高压柜采用具有短路及过负荷保护的真空高压断路器。与当地供电局沟通后, 因虑到当地市政双高压电力系统不够稳定健全, 无法满足一、二级级负荷供电要求。故在地下室另设一台500KW自启动柴油发电机组。根据《工业与民用配电设计手册》中P939页中第十五章:低压电气装置的防电击和特殊环境的电气安全章节的九、6、 (1) 的对医院的要求:当市电停电时柴油发电机供电时间要求不得小于24小时。变配电室应急母线段由低压母线与自启动柴油发电机母线经双电源互投后配出。故本次设计的柴油发电机要求持续供电时间不小于24小时。

3.2 供电方式

本工程低压配电主要采用放射式和树干式配电相结合的供电方式。普通负荷采用树干式配电点, 重要负荷采用放射式供电。低压供电电压为380/220V。接地保护采用TN-S系统。消防设备和重要的医疗场所用电采用双电源末端互投。一路引自应急母线段, 一路自普通母线段。对于一般的一二级负荷采用从应急母线段引接电源。三级负荷直接由普通母线段引接电源。电源均引自变配电房低压母线, 要求断路器最大整定开关小等于400A。所有非消防均采用C级无卤低烟阻燃型电缆、电线。消防均采用C级无卤低烟阻燃耐火型电缆、电线。

根据规范要求对于百万洁净手术室、ICU等关系到患者生命安全设备等应增设UPS不间断电源以保证其供电的可靠性和连续性。其用电需从本建筑物配电中心专线供给。手术室主要选用TN—S系统和IT系统两种形式。同时洁净手术部的总配电柜, 应设于非洁净区内。供洁净手术室用电的专用配电箱不得设在手术室内, 每个洁净手术室应设有一个独立专用配电箱, 配电箱应设在该手术室的外廊侧墙内。

应急照明和备用照明除采用双电源外, 灯具还应自带可充式蓄电池方式供电, 保证照明的可靠性和连续性。其中消防控制中心和消防水泵房及变配电房、监控中心、防排烟风机房等要求蓄电池供电时间大等于45分钟 (蓄电池作为发电机发电到正常投入使用的过渡电源, 柴油发电机作为主要的第二电源) 。其他疏散区域照明灯具蓄电池供电时间要求大等于45分钟。

3.3 从医院的供电时间要求方面考虑医疗配电

除按以上方式配电外, 医院的不同场所的不同配电设备的配电时间要求也是大有特殊之处。

依据《民用建筑电气设计规范实施指南》中第9.7.1条要求:根据医院电气设备工作场所分类要求进行配电系统设计。在医疗用房内禁止采用TN-C系统。备用电源的投入应满足医疗工艺的要求。

医院电气设备工作场所分为:0类场所 (为不使用接触部件的医疗场所) ;1类场所 (为接触部件接触躯体外部及除2类场所规定外的接触部件侵人躯体的任何部分) ;2类场所 (为将接触部件用于诸如心内诊疗术、手术室以及断电将危及生命的重要治疗的医疗场所) , 具体详见下列表格《民用建筑电气规范实施通则》表1医院电气设备工作场所分类及自动恢复供电时间

X:表示医疗场所以及设备所归属类型a:照明及生命支持电气设备;b:不作为手术室;c:恢复供电时间可在15s以上, 但需要持续3-24h提供电力;d:患者2.5m范围内的电气设备。

作为普通的一类高层柴油发电机作为第二电源时, 只要求自启动电源投入使用在30秒内即可。但是根据上表列出的医院不同场所自动恢复供电时间来看, 不同场所停电时的自动复电时间要求还是比较高的。医院大部分场所要求在自动恢复供电时间0.5s<t≤15s内, 还有些场所要求自恢复供电时间小等于t≤10.5S。

根据《工业与民用配电设计手册》中P63页第六节应急电源章节中第一点:应急电源种类。

(1) 快速自启动的发电机组适用于允许中断供电时间为15S以上的供电。

(2) UPS不间断电源。适用于允许中断供电时间为毫秒级的负荷。

(3) EPS应急电源。一种把蓄电池的直流电能逆变成交流电能的应急电源。适用于中断供电时间为0.25s以上的负荷。

根据以上要求, 仅仅靠柴油发电机作为第二电源, 是无法满足医院各个场所的医疗设备的供电时间的要求。这样就将大量使用UPS或者EPS才能满足要求自动恢复供电时间在t≤0.5s和0.5s<t≤15s的场所的供电时间要求。鉴于目前市场上大量EPS电源的转换时间为小于等于5S, UPS电源的切换时间小于10ms。有些医疗设备需要小于0.5S的切换时间, 采用EPS无法满足要求, 应采用UPS电源才能保证患者的治疗和生命安全。为此本工程医疗设备恢复供电时间要求t≤0.5s和0.5s<t≤15s场所的医疗设备, 本工程均采用UPS作为第二电源的过渡保证电源。当在柴油发电机在正常投入运行前, 靠UPS供电。当柴油发电机正常运行后供电后, 切换到柴油发电机供电回路。这样UPS的蓄电池就可以很大程度上减少。根据以上要求本工程中手术室、术前准备室、术后复苏室、麻醉室、抢救室、等照明及生命支持电气设备要求恢复供电时间要求t≤0.5s;手术室、术前准备室、术后复苏室、麻醉室、抢救室等其它用电要求恢复供电时间0.5s<t≤15s;治疗室、培养箱冰箱、恒温箱、各护士站护士站、麻醉师办公室、石膏室、冰冻切片室、敷料制作室、消毒敷料室、心电图室、X光室、电子显微镜、医院收银计算机系统等用电要求恢复供电时间0.5s<t≤15s。以上场所除采用双电源外另增设UPS以保证其用电的可靠性和连续性。要求UPS自动恢复供电时间t小等于0.5秒, UPS供电时间大于60分钟。本工程中一般电梯、生活水泵、排污水泵、百万洁净度的手术室空调系统、挂号处、划价处、药房、主要计算机系统、监控系统、电子信息设备系统、手术室空调系统用电均采用双电源供电。其中电梯、生活泵、消防电梯、消防水泵、防排烟设备、百万洁净度手术室及其空调系、重要计算机系统、监控系统、电子信息设备系统、急诊部均采用双电源末端互投。

3.4 对医院放射线设备的配电考虑

医院配电除应注意供电时间的特殊性, 还注意对放射线设备的供电要求。依据规范民规第中9.7.2条:

根据医疗工作的不同特点, 医用放射线设备的工作制可按下列情况划分:

(1) X射线诊断机、X线CT机和ECT机为断续工作用电设备。

(2) X射线治疗机、电子加速器及NMR-CT机 (核磁共振) 为连续工作用电设备。

同本规范第9.7.5医用放射线设备的供电线路设计, 应符合下列规定:

(1) X射线管的管电流大于或等于400m A的规格射线机, 应采用专用回路供电;

(2) CT机、电子加速器应不少于两个回路供电, 其中主机部分应采用专用回路供电;

(3) X射线机不应与其它电力负荷共用同一回路供电;

(4) 多台单相、两相医用射线机, 应接于不同的相导体上, 并宜三相负荷平衡;

(5) 放射线设备的供电线路应采用铜芯绝缘电线或电缆;

(6) 当为X射机设置配套的电源开关箱时, 电源开关箱应设在便于操作处, 并不得设在射线防护墙上。

本工程的X光室的X射线机经与院方确认为临时短时间工作设备, 且X射线管的管电流大于或等于400m A的规格射线机。故对于本工程X光室配电采用双回路由变电所引出单独回路供电。并在X射线机室的入口处, 设置红色工作警示灯。警示灯的开闭应受X光设备的操做台控制。

3.5 从医疗设备安全校对考虑电源总开的设置

规范《民用建筑电气设计规范实施指南》第9.7.4条指出:放射科、核医学科、功能检查室、检验科等部门的医疗装备的电源, 应分别设置切断电源的总开关。

根据上面规定本工程中的心电图室、血液检验室、体液检验室、B超室等均单独设置配电箱, 以满足规范要求。

4 结束语

以上是笔者对于本次医院设计强电部分的负荷等级、配电方式及不同场所不同医疗设备配电时间和供电要求的设计及依据的阐述。还有许多不足之处希望各位专家及同仁给以提出宝贵的意见和指导。当然医院电气设计还有很多应该注意的地方比如:医院电气照明、医院产所的安全保护、医院洁净手术电气设计、医院病房护理呼应信号系统设计等在此就不做详细说明。

参考文献

[1]中国建筑学会建筑电气分会.民用建筑电气设计规范实施指南[M].北京:中国电力出版社, 2007.

[2]中国建筑东北设计研究院.JGJ 16-2008民用建筑电气设计规范[S].北京:中国建筑工业出版社, 2008.

[3]中华人民共和国住房和城乡建设部.GB 50333-2013医院洁净手术部建筑技术规范[S].北京:中国计划出版社出版, 2014.

[4]上海市民用建筑设计院.JGJ 49-88综合医院建筑设计规范[S].北京:中国建筑工业出版社, 1989.

综合负荷 篇7

随着国内电网规模的日益增大,电力系统的稳定性问题日益突出,负荷模型准确与否直接影响电力系统仿真计算结果[1]。分布式电源(distributed generator,DG)具有污染少、可靠性高、能源利用率高、安装地点灵活等优点,在电网中所占比例日益增加。而各种分布式电源自身特性、功率出力水平、分布位置等因素都可能对配电网的综合负荷特性产生不同程度的影响,因此,如何准确描述分布式电源接入后的配电网综合负荷特性,建立考虑分布式发电系统影响的配电网广义综合负荷模型(generalized synthesis load model,GSLM)具有重要的理论与实际意义。相关研究成果时有报道,文献[2,3]提出当配电网侧含有发电机时可采用异步电机并联恒阻抗—恒电流—恒功率(ZIP)的广义负荷模型;文献[4]则指出在潮流计算中分布式电源可以作为PV节点处理。

燃料电池(fuel cell,FC)具有模块化程度高、噪声低、安装及维护简便等优点,是一种很有潜质的可再生能源[5],相应的等效建模问题也受到研究者关注。如文献[6]指出FC系统基本为静特性;文献[7,8,9]建立了固体氧化物燃料电池(solid oxide fuel cell,SOFC)反应堆的动态模型。但由于研究目的不同,有的只注重FC本体特性而未计及其并网变流系统的影响[6,7,8,9];有的尽管研究了含逆变器的FC发电系统并网运行时的整体动态特性[2,3],但未关注其对配电网综合负荷特性的影响。

根据电解质的不同,FC有不同的类型,其中SOFC的发电效率最高。本文以SOFC为具体研究对象,基于MATLAB/Simulink平台,构建了含SOFC发电系统的配电网仿真系统;利用仿真系统获得在大量短路故障扰动条件下的实验数据样本,系统地研究FC发电系统及含分布式FC发电系统的配电网综合等效特性。在构建恒电压源、电阻和电感串联的组合电路(U-R-L等效电路)表示的FC发电系统动态特性模型的基础上,提出了一种考虑FC发电系统影响的配电网GSLM,其具有感应电动机并联FC和静态负荷的模型结构,能够描述含不同比例FC分布式电源的配电网广义综合负荷的动态特性,是一种适应电网暂态稳定仿真需求的广义综合负荷的机电暂态模型。

1 仿真系统

图1为仿真系统的电气接线图,虚线框部分为由SOFC发电系统、感应电动机和静态负荷共同组成的GSLM。G1代表无穷大电源,IM代表感应电动机。

1.1 感应电动机和静态负荷模型

感应电动机动态负荷采用同步坐标下的三阶机电暂态模型,其中机械负载特性取为转速的二次函数[10];静态负荷采用ZIP模型,其具体表达式从略[11]。

1.2 FC模型

FC的反应原理是利用氢和氧之间的电化学反应生成水,同时释放能量[12]。SOFC是一个电压受电流控制的受控电压源,由于固体FC的重整器和反应堆动态时间常数一般达到数十秒甚至百秒级,相对电力系统暂态过程毫秒级的时间常数而言,其输出电压USOFC可认为是常数,由稳态条件决定。SOFC动态模型及各参数物理意义和典型取值见文献[12]。

2 FC的动特性模型

FC发电系统一般由FC反应堆、DC/AC逆变控制模块等构成[4]。FC反应堆输出的是直流电,必须经过逆变、滤波之后通过隔离变压器并网。本文使用的逆变器是三相电压型桥式逆变电路,采用电流滞环比较方式的脉宽调制(PWM)来控制逆变器晶闸管的开断[13]。滞环比较方式硬件电路简单,电流响应快,对负载的适应能力强,而且输出电压中不含特定频率的谐波分量;此控制方式还可提高直流电压利用率,增大逆变器的输出能力。

基于Simulink工具箱搭建如图1所示的仿真系统,通过在配电网侧设置故障,在1.2～1.3 s时,SOFC并网点母线B4(即公共连接点)的电压分别跌落10%,20%,30%,40%,60%,得到SOFC发电系统出口侧的电压、电流,以及与之对应的有功功率和无功功率。以电压降20%为例,公共连接点处母线B4的U,P,Q和单相电流Ia的暂态特性如图2所示。

由图2可知,在公共连接点电压突然下降的大扰动作用下,SOFC发电系统表现出明显的暂态过程——对应于ΔV=-20%,ΔP接近20%,ΔI达25%。

因此,不能把SOFC系统看做广义上的静态恒功率负荷来处理,而必须考虑其动态过程。基于此种认识并考虑FC发电系统并网回路的电气结构特点,本文用U-R-L等效电路作为FC发电系统的等效模型,如图3所示。

图3中:IL为逆变器的输出电流(即SOFC发电系统注入电网的电流);Ugrid为SOFC的上网电压;Uinv为SOFC发电系统中逆变器的出口电压;Rf和Lf分别为并网回路的等值电阻和电感。

由图3的U-R-L等值电路可以得到动态微分方程,如式(1)所示。

$\frac{\text{d}i{}_{\text{L}.\text{a}\text{b}\text{c}}}{\text{d}t}=\frac{1}{L{}_{\text{f}}}(u{}_{\text{i}\text{n}\text{v}.\text{a}\text{b}\text{c}}-u{}_{\text{g}\text{r}\text{i}\text{d}.\text{a}\text{b}\text{c}}-i{}_{\text{L}.\text{a}\text{b}\text{c}}R{}_{\text{f}})(1)$

式中:iL.abc,uinv.abc,ugrid.abc分别对应图3中有关电流、电压的三相瞬时值。

对式(1)进行简单的Park变换,可得到以SOFC入网电流dq轴分量为状态变量的二阶动态微分方程,如式(2)所示。

$\{\begin{array}{l}\frac{\text{d}{\rm I}{}_{\text{L}.d}}{\text{d}t}=\frac{1}{L{}_{\text{f}}}(U{}_{\text{i}\text{n}\text{v}.d}-U{}_{\text{g}\text{r}\text{i}\text{d}.d}-{\rm I}{}_{\text{L}.d}R{}_{\text{f}})-\omega {\rm I}{}_{\text{L}.q}\\ \frac{\text{d}{\rm I}{}_{\text{L}.q}}{\text{d}t}=\frac{1}{L{}_{\text{f}}}(U{}_{\text{i}\text{n}\text{v}.q}-U{}_{\text{g}\text{r}\text{i}\text{d}.q}-{\rm I}{}_{\text{L}.q}R{}_{\text{f}})+\omega {\rm I}{}_{\text{L}.d}\end{array}(2)$

在给定模型激励并确定初始条件后,求解式(2),即可得IL.d和IL.q,然后对之进行Park反变换,即可求出同步坐标下的电流IL.x和IL.y,进而得到SOFC的上网功率,即模型响应,如式(3)所示。

$\{\begin{array}{l}{\rm P}=U{}_{\text{g}\text{r}\text{i}\text{d}.x}{\rm I}{}_{\text{L}.x}+U{}_{\text{g}\text{r}\text{i}\text{d}.y}{\rm I}{}_{\text{L}.y}\\ Q=U{}_{\text{g}\text{r}\text{i}\text{d}.y}{\rm I}{}_{\text{L}.x}-U{}_{\text{g}\text{r}\text{i}\text{d}.x}{\rm I}{}_{\text{L}.y}\end{array}(3)$

式(2)和式(3)构成了SOFC发电系统的动特性模型,Rf和Lf为模型独立辨识参数。

通过测得各种电压故障扰动条件下SOFC发电系统端口母线B4的U,P,Q,并对上述U-R-L等效电路的动态模型进行参数辨识,辨识所得结果如表1所示(表中Er为相对误差)。

表1中的Er按式(4)进行计算,其大小反映了拟合效果的优劣程度。

$\begin{array}{l}E{}_{\text{r}}=\\ \frac{1}{{\rm N}}{\displaystyle \sum _{k=0}^{{\rm N}}\sqrt{({\rm P}{}_{\text{S}}(k)-{\rm P}{}_{\text{Ι}}(k)){}^2+(Q{}_{\text{S}}(k)-Q{}_{\text{Ι}}(k)){}^2}}(4)\end{array}$

式中:PS(k)和QS(k)为仿真系统实测响应;PI(k)和QI(k)为辨识模型响应;N为实测数据记录长度。

限于篇幅,本文只给出电压跌落20%的拟合效果,如图4所示。图4中同时给出了传统综合负荷模型(synthesis load model,SLM)的辨识效果,以便对比分析。

上述辨识结果表明,对于纯FC而言,本文提出的基于U-R-L等值电路的二阶微分方程动态模型不仅拟合效果好,且不同电压扰动下辨识所得模型参数比较稳定;采用SLM时的拟合效果远次于U-R-L模型。

3 GSLM结构

基于上述仿真分析,当配电网侧含有FC发电系统时,可以用二阶微分方程模型来拟合FC发电系统,进而用感应电动机并联FC和静态负荷的GSLM来等效描述含有FC的配电网系统,模型结构如图5所示。其中:PFC,PIM,PS分别为FC发出的有功功率、感应电动机吸收的有功功率和静态负荷吸收的有功功率;PD.eq为等效动态负荷;Psys为系统供给整个配电网负荷的有功功率。各功率的参考方向如图5箭头所示。

定义KIM和KFC分别为感应电动机和FC占总负荷(感应电动机和静态负荷之和,下同)的比例:

$\{\begin{array}{l}{\rm K}{}_{\text{Ι}\text{Μ}}=\frac{{\rm P}{}_{\text{Ι}\text{Μ}}}{{\rm P}{}_{\text{Ι}\text{Μ}}+{\rm P}{}_{\text{S}}}=\frac{{\rm P}{}_{\text{Ι}\text{Μ}}}{{\rm P}{}_{\text{F}\text{C}}+{\rm P}{}_{\text{s}\text{y}\text{s}}}\\ {\rm K}{}_{\text{F}\text{C}}=\frac{{\rm P}{}_{\text{F}\text{C}}}{{\rm P}{}_{\text{Ι}\text{Μ}}+{\rm P}{}_{\text{S}}}=\frac{{\rm P}{}_{\text{F}\text{C}}}{{\rm P}{}_{\text{F}\text{C}}+{\rm P}{}_{\text{s}\text{y}\text{s}}}\end{array}(5)$

定义Km为影响广义负荷特性的关键参数,即广义动态负荷所占比例(广义动静比):

${\rm K}{}_{\text{m}}=\frac{{\rm P}{}_{\text{D}.\text{e}\text{q}}}{{\rm P}{}_{\text{s}\text{y}\text{s}}}=\frac{{\rm P}{}_{\text{Ι}\text{Μ}}-{\rm P}{}_{\text{F}\text{C}}}{{\rm P}{}_{\text{s}\text{y}\text{s}}}(6)$

由式(5)可求出感应电动机和FC的初始有功功率,如式(7)所示。

将式(7)代入式(6)中,可以得到:

${\rm K}{}_{\text{m}}=\frac{{\rm K}{}_{\text{Ι}\text{Μ}}-{\rm K}{}_{\text{F}\text{C}}}{1-{\rm K}{}_{\text{F}\text{C}}}(8)$

在传统SLM中,动态负荷所占比例Km作为独立的待辨识参数,其取值范围为[0,1]。当考虑FC的配电网GSLM时,Km应变为非独立辨识参数,并且可由另外2个独立待辨识参数KFC和KIM按式(8)求得,其取值范围发生了变化,根据实际运行方式分下列3种情况。

情况 1:PFC≤PIM,即FC的出力不足以供给感应电动机负荷,PD.eq>0,Psys>0,则有0≤KFC<1,0<KIM≤1,且KFC<KIM,从而0≤Km≤1。

情况2:PIM<PFC<PIM+PS,即FC的出力足以供给感应电动机负荷但不足以供给全部负荷,PD.eq<0,Psys>0,则有0≤KFC≤1,0≤KIM≤1,且KFC>KIM,从而Km<0。

情况3:PFC≥PIM+PS,即FC的出力足以供给全部负荷,即完全满足感应电动机和静态负荷消耗的功率时,PD.eq≤0,Psys≤0,则有KFC≥1,0≤KIM≤1,且KFC>KIM,从而Km>1。

由上述分析可知,在考虑FC的配电网GSLM中,非独立参数Km取值范围应当由在SLM中的[0,1]扩展为任意实数。但一般情况下,FC作为小容量的分布式电源接入配电网中,因此前2种运行方式最为普遍,且第1种运行方式居多。

4 建模实例与辨识检验

为了研究SOFC发电系统对配电网侧负荷建模的影响,下面针对SOFC发电所占比例及负荷水平设计了3种仿真实例进行系统仿真和参数辨识,对比了GSLM和SLM这2种模型对系统仿真数据的拟合效果,以验证本文提出的GSLM有效性。

在GSLM辨识中,由于感应电动机特性参数Rm,Tj,A,B对模型响应的灵敏度低[14],故取典型参数值(Rm=0,Tj=1.5,A=1,B=0);静态负荷取为ZIP模型。因此,考虑FC的配电网GSLM的独立待辨识参数为13个,分别是:Rs,Xs,Xm,Rr,Xr,ap,bp,aq,bq,Xf,Rf,KFC,KIM。为尽量减小优化算法多值性对辨识结果的影响,本文采用综合改进的遗传算法[15]。

4.1 仿真实例

设计表2所列3种负荷水平组合(以100 MVA为基准)的典型实例进行仿真实验。表中,PZIP为静态负荷出力。设计实例时,感应电动机和静态负荷占总负荷的比例分别为60%和40%。

仿真实验系统如图1所示。扰动条件为在网络中设置故障,在1.25～1.35 s时,使配电网母线B1的电压分别跌落10%,15%,20%,25%,30%,得到母线B1的电压、有功功率、无功功率数据样本,对图5所示GSLM进行辨识建模。限于篇幅,仅列出在SLM基础上的新增参数辨识结果,如表3所示。其中的3种类型分别对应于表2所列的3种负荷水平。详细的参数辨识结果见附录A表A1。

类型1对应于PFC≤PIM(情况1),配电网的等效动态负荷和静态负荷功率都由外部系统供给,此时0≤Km≤1;当PFC=PIM时,Km=0;当PZIP=0时,Km=1。由表2负荷组合1可以得到KFC,KIM,Km的理论值分别为0.44,0.67和0.40。

类型2对应于PIM<PFC<PIM+PS(情况2),SOFC发电功率能完全满足感应电动机动态负荷吸收的功率,但不能完全满足总的感应电动机和静态负荷吸收的功率,这时Km<0;对应的KFC,KIM,Km的理论值分别为0.82,0.67和-0.84。

类型3对应于PFC≥PIM+PS(情况3),SOFC发电功率能完全满足总负荷所需功率,这时的Km>1;KFC,KIM,Km理论值分别为1.33,0.67和2.00。

限于篇幅,本文只给出第1种负荷水平在母线B1电压跌落20%时的仿真实验实测响应及其GSLM响应曲线,如图6所示。同时,图6中给出了SLM对含有FC的广域负荷描述能力。SLM中采用三阶感应电动机并联静态ZIP负荷模型。

4.2 模型可辨识性及适应性检验与讨论

基于上述建模结果,现对本文所提出的“任意动态负荷比例的感应电动机并联FC和静态负荷的GSLM”的可辨识性、自身描述能力、泛化能力和参数稳定性进行分析。

1)可辨识性。

首先,考查FC独立动特性模型(式(2)、式(3))的可辨识性。根据文献[16]介绍的基于参数轨迹灵敏度曲线是否同时过零的方法进行参数可辨识分析,2个参数(Rf和Lf)的轨迹灵敏度曲线不同时过零,故模型的2个参数唯一可辨识。其次,分析GSLM的可辨识性。GSLM的参数由感应电动机、静态负荷和FC发电系统3个部分组成。感应电动机和FC发电系统的动态微分方程是独立的,而静态负荷模型部分由于结构简单、参数较少,容易辨识得到接近真值的值。根据文献[17]可知,感应电动机的Rs,Xs,Xm,Rr,Xr这5个参数灵敏度较高,基本可以唯一辨识。由前述分析可知:Xf和Rf可唯一辨识;KFC和KIM只是FC发电系统和感应电动机所占总负荷的比例,类似SLM中Km不同的负荷水平,为独立辨识参数。综上所述,模型的独立辨识参数Rs,Xs,Xm,Rr,Xr,ap,bp,aq,bq,Xf,Rf是可以唯一辨识的。

2)模型的自身描述和泛化能力。

图6所给出的模型拟合效果及其对应的综合残差(表3)表明,本文所提出的GSLM具有良好的自描述能力。同时,针对3种典型的运行方式,分别作对样本20%下辨识所得参数模型在样本10%激励作用下的模型响应曲线(内插能力验证)和对样本20%下辨识所得参数样本在30%激励作用下的模型响应曲线(外推能力验证)。限于篇幅,外推内插检验的模型响应曲线从略。从拟合效果来看,GSLM在自身模型描述和内插外推能力中,有功功率的拟合效果均大大优于SLM;而在无功功率的描述方面,由于FC发电系统本身没有无功输出,因此在含有FC的配电网负荷建模时,SLM和GSLM两者无明显区别。表4列出了不同情况下SLM和GSLM的内插外推响应残差数据,由此也可充分表明本文提出的含有FC的GSLM较SLM有良好的泛化能力。模型内插外推能力测试响应曲线见附录B图B1。

3)模型参数稳定性。

由表1的SOFC模型参数辨识结果可以看出,在配电网负荷水平及其构成不变且FC电源容量比例不变时,不同电压扰动对应的各同名参数基本保持稳定。表3也表明,对广义综合负荷而言,其每相同类型(同一负荷组合及FC容量比例)同名参数对不同电压扰动实验的数值比较稳定;特别是KFC,KIM,Km这3个参数的辨识结果非常稳定,均很接近理论值。这也验证了上文关于模型参数可辨识性分析结论的正确性。

应当指出,表3中不同类型(不同负荷组合及FC容量比例)之间的同名参数结果不同。这主要是因为即使完全相同的仿真条件,在不同扰动下所表现的等效动态特性总存在不同程度的差异。

5 结语

本文首先指出SOFC发电系统可以用基于U-R-L等效电路的二阶微分状态方程等效模型来描述;在此基础上,构建了具有任意动态负荷比例的GSLM来等效描述含SOFC的配电网综合负荷特性。通过3种典型实例下系统受到的不同扰动强度进行仿真建模分析,证明了这种考虑FC发电系统的配电网GSLM较常规SLM具有较好的自描述能力和泛化能力,模型的参数稳定性较好。

随着分布式电源应用的越来越广泛,其在配电网侧所占比例日益增加且类型多样,其不同的地理位置与运行方式等因素对配电网侧综合负荷特性的影响将更加复杂。因此,多类型分布式电源接入配电网侧后的综合负荷建模和综合模型性能评价标准的建立应当是下阶段的重要研究方向。

综合负荷 篇8

近年来, 许多电网出现仿真计算与实际不符、稳定问题不能正确预测、事故追忆无法正确再现等问题, 其多与负荷模型的确定相关。然而电力负荷自身的随机性、非线性、时变性、分散性和地域特征, 使得负荷建模工作远没有电力系统其他设备建模工作那么完善[1]。

遗传算法 (Genetic Algorithm, 简称GA) 是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型, 是一种通过模拟自然进化过程搜索最优解的方法, 由于遗传算法的整体搜索策略和优化搜索方法在计算中是不依赖于梯度信息或其他辅助知识, 而只需要影响搜索方向的目标函数和相应的适应度函数, 所以遗传算法提供了一种求解复杂系统问题的通用框架, 它不依赖于问题的具体领域, 对问题的种类有很强的鲁棒性, 所以在电力系统的诸多研究领域得到了广泛应用[2]。

但基本GA存在易早熟和收敛速度慢的缺陷, 本文针对综合负荷建模设计了比例选择策略和线性自适应交叉策略, 将遗传算法用于负荷模型辨识, 建立了基于改进遗传算法的综合负荷模型。

1 综合负荷模型

目前在负荷建模中, 按照是否反映负荷的动态特性, 负荷模型一般分为两种类型, 即静态和动态负荷模型。由于机理型负荷模型具有比较明确的物理意义, 本文采用能够反映负荷静特性和动特性的综合负荷模型——感应电动机并联ZIP的负荷模型[3,4]。

TVA负荷模型结构如图1所示。

感应电动机模型采用3阶机电暂态模型, 采用的是电动机惯例, 公式如下:

undefined

式中:E′d、E′q—暂态电动势;ω—电动机功角;Id、Iq—电动机电流。

其中:

undefined

感应电动机待辨识的参数有8个, [RS, XS, Xm, Rr, Xr, H, A, B]T, 它们都是电动机容量基值下的标么值, 各个参数的含义分别为定子电阻、定子电抗、激磁电抗、转子电阻、转子电抗、转子惯性时间常数 (s) 、转速平方的阻力矩系数, 与转速成正比的阻力矩系数。

静态部分采用负荷静特性ZIP模型结构, 公式如下:

undefined

式中:P″0、Q″0—负荷静态性的初始有功功率和初始无功功率;kPZ、kPI、kPP—负荷的有功比例系数, 系数的和均为1;kQZ, kQI, kQP—分别为负荷的无功比例系数, 系数的和均为1。

ZIP模型部分待辨识的参数有4个, [kPP, kPZ, kQP, kQZ]T。除以上12个参数外, 为了将所有模型参数标么化, 还定义了参数Kpm和Mlf。其中, Kpm用来分配初始有功功率, Mlf为额定初始负荷率系数。则定义Kpm为:

Kpm=P′0/P0 (4)

定义Mlf为:

undefined

可推导出:

P′0=Kpm·P0 (6)

undefined

一般取U0=UB, 所以:

undefined

式中:P′0—感应电动机的初始有功功率;SMB为感应电动机的额定容量。

设感应电动机的吸收有功功率为Pim, 无功功率为Qim, 综合负荷模型总的负荷特性方程为:

undefined

2 遗传算法

GA是一种非线性优化方法, 其基本思想是按一定规则生成基因编码初始群体, 再从这些代表问题的可能潜在解的初始群体出发, 挑选适应度强的个体进行交叉和变异, 以期发现适应度更佳的个体, 如此一代代地演化, 直到得到一个最优个体, 即对应问题的最优解或近似最优解。

2.1 GA进行负荷建模主要步骤

(1) 初始种群设定。

在待辨识参数的取值区间内, 随机产生N组初始数据, 每组数据称为一个个体, N个个体构成了一个群体, GA以这N组数据作为初始点开始迭代。

IEEE在推荐标准动态负荷模型参数表时也一并推荐了电动机的典型参数, 如表1所示。

注:Typel—小感应电动机;Type2—大感应电动机;Type3—水泵;Type4—电厂辅助设备;Type5—居民负荷感应电动机的加权聚合;Type6—居民负荷和工业负荷的加权聚合;Type7—空调负荷。

在基于量测的建模方法中, 借鉴上述成果及相关文献, 确定了适合我国电网情况的参数区间, 具体取值范围如表2所示。

负荷静特性的ZIP模型参数的取值区间为 (0, 1) , 约束条件为kPZ+kPI+kPP=1;kQZ+kQI+kQP=1不变。还有一个很重要的参数, 就是感应电动机所占的比例Kpm。这个参数在不同地区不同时间有很大不同, 所以, 只能给出一个大概区间, 如 (0.15, 0.95) 。

(2) 选择操作。

选择是根据各个个体的适应度, 按照一定的规则或方法, 从第t代群体P (t) 中选择出一些优良的个体遗传到下一代群体P (t+1) 中, 目的是为了从当前群体中选出优良的个体, 使它们有机会作为父代为下一代繁殖子孙。

本文采用比例选择策略是根据各个个体的适应度占所有个体适应度之和的比例, 确定每个个体被复制的个数, 适应度大的个体复制的次数多。同时考虑到种群多样性问题, 适应度小的个体也有可能被选中, 其选中概率取决于被复制个体个数的小数部分。其操作过程为:

a.每代中各个个体的适应度之和, 用适应度之和去除各个个体的适应度, 进而求出各个个体的适应度和每个个体理论上被复制的次数Numi。

Sn=∑fi (10)

undefined

式中:Sn—种群个体适应度集合;fi—每个个体的适应度;size—种群个体的个数;Numi—理论上每个个体应该被复制的次数, i=1, 2…size。

b.Numi取整, 得到每个个体应该复制的个数Ni, 计算size个Ni之和与Numi的差。设Numi与Ni之差为resti, 对resti排序, 选择较大的r个resti对应的个体, 使这r个个体的复制次数加1。

Ni=int (Numi) (12)

resti=Numi-Ni (13)

undefined

式中:int—表示取整。

由于适应度较大个体的理论复制次数的小数部分不一定大, 而一些适应度较小个体的理论复制次数的小数部分可能较大, 这样, 就有可能选择适应度较小的个体进入下一代, 以增加种群的多样性。同时, 借鉴精英策略, 让适应度最大的个体直接进入下一代, 防止损失最优个体。

(3) 交叉操作。

交换操作是遗传算法中最主要的遗传操作, 将群体内的各个个体随机搭配成对, 对每一对个体, 以某个概率 (称为交叉概率) 交换它们之间的部分染色体。通过交换操作可以得到新一代个体, 新个体组合了其父辈个体的特性。

交叉策略保证种群性态的多样性。遗传算法实现交叉的方法主要有一点交叉法、k点交叉法、k点杂乱交叉法、均匀交叉法等。本报告权衡操作复杂程度与交叉效果, 采用两点交叉法。

(4) 变异操作。

变异首先在群体中随机选择一个个体, 对于选中的个体以一定的概率随机地改变某个参数的值。同生物界一样, GA中变异发生的概率很低, 通常取值在0.001～0.01。变异为新个体的产生提供了机会。

传统的突变策略是固定突变概率pm, 这种方法简单易于实现, 但不能反映种群中个体的变化趋势。还有文献提出随时间改变突变概率的策略, 在遗传算法前期突变概率较大, 在后期突变概率较小。此外还有利用适应度生成的早熟指标, 用早熟指标作为指数函数的幂, 自适应调整变异概率。

本文采用的线性自适应突变策略则是根据每个个体适应度的大小确定每个个体的突变概率pm, 适应度较大的个体突变概率较小, 适应度较小的个体突变概率较大, 适应度最大的个体不发生突变, 适应度最大的个体突变概率最大。将个体适应度按从小到大的顺序排序, 各个个体的突变概率为:

pmi=0.1-0.1i/size (15)

式中:i—个体数。

这种策略考虑了个体自身的适应度, 具有一定的灵活性, 且实现比较简单。

(5) 适应度函数。

各个个体对环境的适应程度叫做适应度。为了体现个体的适应能力, 引入了对问题中的每一个染色体都能进行度量的函数, 叫适应度函数。适应度越大, 说明该个体的适应度越好。

负荷模型的输入量为电压U, 输出量为Y=[P, Q]T, 待辨识参数为:

θ=[Rs, Xs, Xm, Rr, Xr, H, A, B, Kpm, Mlf, kpp, kPI, kQP, kQl]T

目标函数定义为:

undefined

式中:J—目标函数;

undefinedi (k) —负荷模型在第k个采样点的响应;

yi (k) —实测负荷在第k个采样点的响应;

W (k) —第k个采样点的权重。

适应度函数为:

f=1/J (17)

使用改进的遗传算法辨识综合负荷模型参数的步骤如下:

a.在给定的θ取值范围内, 随机生成100个初始个体。

b.求出目标函数J及各个个体的适应度函数f。如果最优个体的适应度满足误差要求或迭代次数大于最大迭代次数, 迭代结束。

c.根据比例选择策略和各个个体的适应度, 选择优良个体进入下一代, 最优个体不参与选择, 直接进入下一代。

d.根据两点交叉策略, 对经过选择的个体进行交叉操作。

e.根据线性自适应变异策略, 进行变异操作。至此, 由父代个体得到子代个体, 转入b继续进行。

2.2 负荷模型动态修正方法研究

电力系统中实际负荷从系统中吸收的功率不仅与电压频率有关, 还与季节、气候、生活习惯等因素有关。仅仅把电压和频率作为负荷模型的输入量, 其他的不确定因素必然使这样的负荷模型的参数随时间的变化而变化, 这就是负荷的时变性。负荷建模问题作为一个区别于其他建模问题的特殊的电力系统难题, 其关键在于负荷的时变性。

某次扰动后的电压、有功、无功数据, 经辨识系统辨识将得到一组模型参数。此为单曲线辨识。很显然, 单曲线辨识得到的仿真模型只能反映一次扰动的负荷动态特性, 并不能很好的反映出负荷的时变特性。能够用于实际的负荷模型则需要能够涵盖同一负荷在所有时间段的负荷动态特性模型。因此需要对负荷模型进行修正。

本文中模型修正是通过多曲线模型参数辨识来实现的。多曲线辨识是单曲线辨识的扩展。辨识的输入不再是一次扰动时的动态数据, 而是多次扰动的多条动态数据。因此辨识的得到的模型能够反映多条负荷数据的特性, 并具有一定的泛化能力。

多曲线参数辨识与单曲线参数辨识在优化算法上的区别在于目标函数的定义, 除此之外, 并无本质区别。多曲线辨识的目标函数是多条实测响应与模型响应的误差之和, 即:

undefined

其中, i=1, 2, …, m, m为曲线的条数, 其他参数的含义同式 (16) 。

3 仿真实验

本文使用改进的遗传算法, 根据故障仿真数据, 辨识PSASP中的综合负荷模型参数[5] (见图2) 。

将负荷建模软件辨识得到的模型参数导入PSASP中进行计算。使用综合程序中自带的典型算例进行计算, 目的是为了验证整个计算流程 (见图3) 。

算例的详细元件参数及说明见综合程序基础数据库, 在这里只列出负荷模型的参数。其中, 母线9、20、23、29上的负荷均为恒功率负荷 (PQ节点) ;母线16、18、19、21、22上的负荷均为感应电动机+恒阻抗, 恒阻抗比例为50%, 感应电动机参数为综合程序中的典型参数1。

暂态稳定网络故障数据为:0时刻母线30处发生三相短路, 0.12 s时切除故障。将母线23处的负荷模型改为综合负荷模型, 进行暂态稳定计算。计算的发电机功角曲线如图4所示。

从拟合曲线可见, 辨识得到的模型能较好拟合现场实测数据。将模型应用于暂态计算时也得到了正确的结果。

4 结论

阐述了负荷实测建模方法的主要流程, 并介绍了本文选择的遗传算法及采用遗传算法进行实测负荷建模的过程。根据确定的负荷建模方法, 自主开发了山东电网负荷建模软件, 并采用本项目开发的负荷建模软件, 基于实验数据进行了建模, 验证了算法的有效性;将辨识得到的模型参数导入PSASP中, 使用综合程序中自带的典型算例, 对整个计算流程进行了验证, 证实该方法的有效性。

参考文献

[1]周文, 贺仁睦, 章建, 等.电力负荷建模问题研究综述[J].现代电力, 1999, 16 (2) :83-88.

[2]李欣然, 刘艳阳, 陈辉华, 等.遗传算法与传统优化方法应用于电力负荷建模的比较研究[J].湖南大学学报, 2005, 32 (2) :29-32.

[3]张东霞, 汤涌, 张红斌, 等.负荷模型的应用与研究调查报告[J].电网技术, 2007, 31 (4) :16-23.

[4]石景海, 贺仁睦.动态负荷建模中的负荷时变性研究[J].中国电机工程学报, 2004, 24 (4) :85-90.

浅析城市电网负荷预测 篇9

关键词:城市电网;负荷预测;电网规划

中图分类号:TM714 文献标识码:A 文章编号:1674-7712 (2012) 12-0035-01

一、负荷预测概述

负荷预测主要是指通过观察负荷本身的变化情况以及经济气象等因素的影响,对有效的历史数据进行精密的分析与研究,从中寻找出一定的规律,掌握其间存在的内在联系,逐渐的熟悉其发展变化的规律,这样我们就可以很好的掌握电力的需求量,并根据此做出事先的预测估计,减少用电恐慌。经过充分的、慎重的考虑,这些重要的电力系统的运行特点、增加用电容量的决策以及存在的一些的自然因素和社会因素的前提下,能够完美的研究出并加以利用的一套方法,使其能够很好的系统地处理过去与未来负荷的问题。

二、重庆地区负荷现状

近几年来,重庆市的电网用电量以及用电负荷持续的快速增长,其主要的原因是多方面的,首先是高温干旱造成的全网重点水库缺水,加上上游来水量偏少、汛末蓄水不足等种种原因,于此同时,还有火电厂的电煤供应量逐渐的日趋紧张,再加上这个区域内的六省(市)以及相邻华北、西北的电网中均存在着严重的电力供应不足的缺口,跨省区的电量调剂的电力资源是非常的有限。2011年在确保用电网内机组满发的前提下,重庆市电力公司投入大笔资金增加临时的外购电力。在外购计划中,外购电在达到306万kw这一基础上的同时,又临时的从江西增加了购买电量35万kw,这才保证了当日最大可调集电量勉强达到1133万kW。在全国其他的省市逐渐的陆续出现了用电负荷高涨这一情况之后,重庆市电力公司从湖北购得20万kW,这才解决了用电的燃眉之急。重庆市的电网最高用电量负荷打破了历年来的历史纪录——主电网负荷高达到900万kW。这一新纪录比去年最高负荷886万kw高出14万kw,增长15.7%。

三、重庆市电网负荷预测的主要方法

(一)单耗法

我们在进行具体的预测时,我们依据重庆市自身的经济发展状况,切实的制定符合重庆市本身的规划目标,经过对规划期内每年的工、农业的综合产值的综合指标进行分析,主要针对工业的用电规划指标以及统计往年的国民经济产品在生产过程中所产生的单位耗电量、亿元产值耗电量等等相关的条件,结合产业结构调整的节本规律,最终分析出每种产品以及产值的综合单耗;接下来再根据国民经济相关部门所编制的产量指标、经济指标预测出单耗。

(二)电力弹性系数法、平均增长率法

电力弹性系数E是指重庆市总用电量的平均年增长率以及工、农业总产值平均年增长率之比。平均增长率法是以时间T(年)为自变量,用电量A(kWh或万kwh)为因变量,根据历史规律和国民经济发展规划,估算出今后电量的平均增长率K,若计算选用基准年实际用电量为A0(kWh或万kwh)则n年后用电量为:A=A0(1+K)?。

(三)负荷密度法

负荷密度法主要是指对负荷密度的确定,通过数据的统计分析找出重庆市的各分区以及小区目前所存在的用电负荷密度,然后根据重庆市的电网的用电总体规划和分区规划的相关的部分,依据这些现有的条件确定出各区的负荷密度的现有预测值。各区负荷总值是将各区的负荷密度预测值乘以各区面积。将各区负荷总值乘以同时系数(或除以分散系数)就可以计算出总的用电负荷量。即 ,式中Pi是各区计算负荷;KT是同时系数;P2为总计算负荷。

(四)回归分析法

按照重庆市现有的历史资料,从而建立起的与用电负荷相关的数学模型,再对该模型作数学分析。我们主要采用的手段就是利用统计学中回归分析法分析变量、观测数据,最终预测出未来的负荷值。在进行预测中期负荷的时候一般采用线性回归法,再这一时期采用这一方法主要是由于预测的精度而言是相对较高的,但不可否定它也存在一定的不足。

四、结语

传统规划负荷预测的软件只是一个桌面形式的负荷预测工具,他是单一的,甚至于是无效的,它完全没有整个供电公司以及整个工作电压序列电网负荷的采集、整理和管理维护基本的能力,其预测的原始数据还仅仅是人工输入,不能满足用电负荷规划的日常需要。我国城市电网建设需求正在与日俱增的不断扩大,重庆市依据自身的电网负荷特点以及负荷预测的现有条件,研究符合重庆市发展方向的城市电网负荷预测方法十分必要的。

参考文献:

[1]侯磊.城市电网规划总量负荷预测系统的开发与应用[D].天津大学电气与自动化工程学院研究生论文,2008,5

[2]宋宝利.电力系统负荷预测[D].西安理工大学硕士学位论文,2003,10

[3]刘志瀚.电力系统负荷预测的应用分析[J].电气时空,2011,11

[4]刘思远.城市电网的负荷预测和计算[J].内蒙古石油化工,2009,5

综合负荷 篇10

电力系统本质上是非线性的高阶复杂系统,通常用降阶的模型系统来动态拟合原系统。非线性系统的参数辨识方法目前大多以优化为基础。在负荷参数辨识中目标函数不可能写出其解析关系,其解空间相当复杂,有多个极值点,且有些极值点之间差异细微。因此,优化搜索方法相当重要。常用的优化搜索方法有最小二乘法、卡尔曼滤波法、爬山类方法、随机类方法等。前2种方法适用于线性系统,爬山类方法基于梯度,因而只能收敛到起始点附近的局部最优点,多峰问题难以搜索到全局最优点,在峡谷则会出现振荡,且要求存在一阶导数甚至二阶导数,故很少用于电力系统参数辨识。微粒群优化(PSO)算法是由James Kennedy和R.C.Eberhart提出的,本质上也属于随机类方法,具有并行处理特征,鲁棒性好,易于实现,原理上可以以较大的概率找到优化问题的全局最优解,且计算效率比传统的随机类方法要高得多[2]。本文将其应用到电力负荷动态参数辨识并收到了良好效果。

1 综合负荷模型

综合负荷模型结构采用三阶感应电动机并联负荷静特性的模型结构[3]。静态特性负荷模型的结构采用扩展ZIP模型或者幂函数模型。扩展ZIP模型部分可以表示为:

式中:Ps,Qs,Ps0,Qs0为静态负荷部分所消耗的有功功率与无功功率及其初始稳态值;PZ,PI,PP为有功电压特性参数;QZ,QI,QP为无功电压特性参数,系数满足PZ+PI+PP=1,QZ+QI+QP=1;U,U0为母线电压及其初始稳态值。

该综合负荷模型结构中定义了2个参数Kpm与Mlf,使得负荷模型具有了容量自适应特性,实现了模型参数与负荷幅值大小无关的特点。

Kpm用来表示等值电动机在综合负荷中所占的比例,定义为:

式中:P0为负荷测点的初始有功功率;P0'为等值电动机的初始有功功率。

Mlf为额定初始负荷率系数,定义为:

式中:SMB与UB分别为负荷模型中等值电动机的额定容量与额定电压;U0为负荷测点的初始电压。

感应电动机部分采用三阶感应电动机模型,其状态方程和输出方程为:

式(4)为感应电动机三阶机电暂态模型状态方程,式(5)为输出方程。式中U是系统的输入,Id,Iq是系统的输出,w为系统运行频率,Rs,Xs为定子绕组的等值电阻和漏抗,Rr,Xr为转子绕组的等值电阻和漏抗,Xm为定子转子互感抗,X=Xs+XmT0'+(Xr+Xm)/Rr,X'=Xs+XmXr/(Xm+Xr),ωr为转速,T0'为定子开路暂态时间常数,H为电动机惯性时间常数,Tm=TL(Aωr2+Bωr+C)为电动机机械转矩,Te=Ed'Id+Eq'Iq为电磁转矩,TL为负载系数,A,B,C为电动机的机械转矩中与转速平方、转速成线性关系及与转速无关部分的比例系数,A+B+C=1。

综合负荷模型待确定的参数有电动机的8个参数:Rs,Xs,Xm,Rr,Xr,H,A,B,加上Kpm,Mlf;对于静态特性部分,如果采用扩展ZIP模型,则有PZ,PI,QZ,QI共4个参数;如果采用幂函数模型,则有PV,QV共2个参数(功率电压特性系数)。

2 参数辨识的PSO算法

以优化为基础的非线性系统的参数辨识方法其主要过程是寻找一组最优的参数向量Z*,使预定的误差目标函数E(Z)值达到最小。在负荷参数辨识中,Z=[pv,qv,Tm,β,M,T',C,X'],目标函数为有功和无功的误差平方和函数:

式中:N为测点数;Pm(k)和Qm(k)分别为有功和无功的第k个测量值;Pc(k)和Qc(k)分别为有功和无功的第k个计算值。

E(Z)是很复杂的,可能存在多优化解,所以优化方法必须十分有效。PSO算法是从生物的群体行为规律和社会心理学中得到启发,与其他进化算法不同的是,个体成员在参数定义的多维空间内游走,在个体随机初始化后,将会被随机给定一个增量,在每一代中每个个体(也称为粒子)的增量,是朝着该个体所在的群体的全局最佳位置(具有历来的最大适应度)和它所在的社区最佳位置(即该个体所处的社区中具有最大适应度的个体的位置)的方向前进的。PSO算法从个体行为的评价、比较、模仿三大原则出发,其具体步骤为:(1)在定义域n维空间内随机产生个体群。(2)将它们分为多个社区,社区成员的个数可按需调整,要注意的是社区的划分是网络拓扑意义上的,而不是各个个体在空间的实际位置相近的划在一起,否则会导致容易陷入局部最优。(3)计算每个个体的适应度。取现有群体中具有最大适应度的个体为Pi,取第i个个体所在社区中具有最大适应度的个体为Pg。则第t代第i个个体的迭代增量为:

式中:w,a1,a2均为(0,1)区间上的随机数。

(4)产生下一代个体:

若Xid>Xid,max,则取Xid=Xid,max;若Xid

(5)转向执行步骤(2),直到每代最大适应度变化小于给定值,即G(pi(t))-G(pi(t-1))<ε。

3 算例分析

3.1 故障数据的获取

以EPRI-36节点系统为例,如图1所示。使用PSASP进行仿真,获取负荷建模数据[4,5,6]。

其中,BUS20采用考虑配电网络的综合负荷模型[5],电动机参数采用表1中电科院推荐参数,电动机比例Kpm=0.6,负载率Mlf=0.468。静态部分采用4-6模型,配网阻抗ZD=0+j0.061。

BUS21采用考虑配电网络的综合负荷模型,电动机参数采用表1中IEEE-6参数,电动机比例Kpm=0.5,负载率Mlf=0.6。静态部分采用3-3-4模型,配网阻抗ZD=0+j0.06。

故障设置如下。

故障1:1 s时BUS19-BUS30支路100%处发生三相金属接地故障,1.12 s故障切除,系统稳定。

故障2:1 s时BUS31-BUS33支路100%处发生三相金属接地故障,1.12 s故障切除,系统稳定。

故障3:1 s时BUS9-BUS22支路100%处发生单相金属接地故障,1.12 s故障切除,系统稳定。

通过PSASP仿真,获取3种故障下母线BUS20和BUS21的负荷数据,运用粒子群优化算法对该2条母线的负荷模型进行辨识。误差评价指标[7]采用均方百分比误差,避免了均方误差在有功无功数值上相差较大时辨识不合理的缺点:

3.2 综合负荷模型辨识

静态特性部分可以采用扩展ZIP模型或者幂函数模型,幂函数模型对有功功率及无功功率都适用;ZIP模型对于有功功率一般是合适的,但是对于无功功率不一定适合[7];而其幂函数模型待辨识的参数较少。鉴于此,本文采用幂函数模型。故待辨识参数有Rs,Xs,Xm,Rr,Xr,H,A,B,Kpm,Mlf,PV,QV共12个参数。但若同时辨识这12个参数,一方面会增加计算量,另一方面也会影响辨识精度。本文采用摄动法对参数的灵敏度进行了分析[8,9],得出灵敏度较大的参数有Xs,Rr,Kpm,Mlf,PV,QV共6个参数。

从表2可以得出这么几点结论:(1)对于同一母线负荷,相同故障形式下的辨识结果基本完全一致;不同故障形式下的辨识结果有一定差异。(2)对于不同母线负荷,在各种故障形式下的参数都存在较大分散性。(3)三相短路故障下的辨识结果比单相故障下的辨识结果更接近真实值。

图2为BUS20母线负荷不同故障下的三组辨识结果与实测负荷有功无功的比较。可以看出,虽然同一母线负荷在各种故障形式下的辨识结果存在参数分散性,但是都能对实测有功无功很好的拟合。同样,BUS21母线负荷也得到相同的结论。

图3为BUS20母线负荷辨识出的3组数据对BUS21母线负荷的拟合。可以看出,尽管这3组数据对BUS20母线负荷的拟合效果很好,但是对BUS21母线负荷的拟合很差。

4 结束语

本文提出了一种基于微粒群辨识算法的综合负荷模型辨识方法,该方法能够有效的辨识出负荷模型的参数,并通过数字仿真实验进行了验证,实验结果能够很好的拟合负荷的有功和无功曲线,证实了该辨识算法的有效性。

参考文献

[1]周文,贺仁睦,章建,等.电力负荷建模问题研究综述[J].现代电力,1999,16(2):83-88.

[2]程颖,鞠平,吴峰.负荷模型参数辨识的粒子群优化法及其与基因算法比较[J].电力系统自动化,2003,27(11):25-29.

[3]张东霞,汤涌,张红斌,等.负荷模型的应用与研究调查报告[J].电网技术,2007,31(4):16-23.

[4]石景海,贺仁睦.动态负荷建模中的负荷时变性研究[J].中国电机工程学报,2004,24(4):85-90.

[5]鞠平,卫志农.电力负荷特性的在线测辨—模型及辨识[J].电力系统自动化,1992,16(4):15-21.

[6]PSASP7.0图模平台用户手册[S].北京:中国电力科学研究院,2007.

[7]武朝强.电力系统动态仿真误差评价指标研究[C].华北电力大学硕士学位论文,2008.

[8]鞠平,马大强.电力系统负荷建模(第二版)[M].北京:中国电力出版社,2008.