電力負荷模型參數(shù)辨識與分類算法研究.pdf

1、隨著電網(wǎng)規(guī)模的不斷擴大，電網(wǎng)結構越來越復雜，人們逐漸認識到了電力負荷模型在電力系統(tǒng)分析、運行與控制中的重要性。由于總體測辨法建模具有直接、真實、實用性好的特點，很快就受到了多數(shù)研究者的青睞。但是它也存在一些問題，如參數(shù)的平穩(wěn)性和模型實用化問題。本文以這兩個問題為出發(fā)點，對參數(shù)辨識和負荷模型分類兩個方面進行了重點研究。
　　 總體測辨法負荷建模的兩個主要問題是基于實測負荷特性數(shù)據(jù)的模型結構和模型參數(shù)的辨識。本文首先介紹了目前存在的

2、三種負荷模型，指出無論采用靜態(tài)模型還是動態(tài)模型，均不能對實測負荷很好地詮釋，最后選用了能夠很好地解決時變性問題的TVA綜合負荷模型，并對其相應參數(shù)進行了辨識研究。
　　 辨識算法對參數(shù)的平穩(wěn)性有著非常重要的影響，如果算法不能夠很好的全局收斂，不能很好的控制參數(shù)分散性，那么辨識出的模型參數(shù)就不具有實用性。本文針對傳統(tǒng)蟻群算法容易陷入局部最優(yōu)的缺點和混沌算法的遍歷性和隨機性的優(yōu)點，把混沌算法引入到了蟻群算法中，提出了一種適用于負荷模

3、型參數(shù)辨識的算法一混沌蟻群混合算法。算例結果表明該方法克服了傳統(tǒng)蟻群算法的局部收斂，有效減少了收斂代數(shù)，加速了收斂速度，能夠較好的控制參數(shù)分散性，具有較好的魯棒性。
　　 在參數(shù)辨識的基礎上，研究了基于辨識參數(shù)空間的負荷模型分類，這也是負荷模型實用化中一個重要的、必須要解決的問題。本文選用辨識參數(shù)作為模型聚類分析的特征向量，分別用HCM算法和FCM算法進行了分類研究。結果表明FCM算法相比于HCM算法在初值敏感性和聚類準確性方面