【技術前沿】基于類噪聲信號的負荷參數辨識算法
2017-5-30 11:07:32??????點擊：
1項目背景
目前已有研究中，基于總體測辨法的負荷模型的辨識主要利用擾動后響應所激發的負荷模型特性來進行。擾動后響應辨識方法的主要缺點在于，系統中的短路故障等大擾動不是經常出現的。因此，擾動后響應的辨識方法是一種依賴于系統中大擾動是否存在的方法，如果沒有大擾動的存在，擾動后響應的辨識方法就無法執行。
負荷模型本身具有隨機性與時變性。如果完全按照擾動后響應的方法來進行辨識，那么無法完全跟蹤負荷模型參數隨時間的變化與隨機的波動，辨識所得的模型也就只能對應擾動所發生的時刻系統的負荷特性，并不能夠用來表示其他時刻該地點的負荷特性，甚至可能會與其他時刻的負荷特性存在很大的差異。這樣，也就沒有達到利用廣域量測信息進行動態負荷模型辨識的目的。因此，需要一種不依賴于擾動是否存在的負荷模型參數辨識方法來更頻繁地進行負荷模型參數辨識。
2論文所解決的問題及意義
本文提出了針對類噪聲小擾動信號進行負荷模型參數辨識的算法，可以實現對負荷模型參數的周期性多次辨識，而不需要考慮系統中是否有擾動存在，可以實現對負荷模型參數時變性的跟蹤，改善了擾動后響應辨識方法不能隨時進行辨識的問題。
3論文重點內容
辨識的量測數據與流程
在負荷模型辨識的過程中，假設可以得到的量測量為母線的電壓幅值、電壓相角、有功功率、無功功率四個變量。負荷模型辨識的過程，就是把電壓幅值、電壓相角兩個變量作為系統輸入，有功功率、無功功率兩個變量作為系統輸出。辨識的目的，就是找到一個負荷模型，使得在相同的系統輸入下，辨識得到的模型的系統輸出盡可能接近量測得到的系統輸出。
辨識的主要流程包括：
1.提取用于負荷模型參數辨識的電壓幅值、電壓相角、有功功率、無功功率四個電磁量測的數據段。
2.對一組給定的電磁參數數值，計算出在相同的電壓幅值、電壓相角輸入信號的作用下，有功功率、無功功率兩個輸出信號的預測值，并且計算與實測值的偏差平方和作為下一步優化的目標函數。
3.采用差分進化算法，對有功功率和無功功率兩個輸出信號的偏差平方和進行優化，使目標函數達到最小值的一組模型參數作為電磁參數辨識結果；
4.利用電磁參數辨識結果，計算每一時刻的轉差率s，用于下一步機電參數的辨識。
5.對一組給定的機電參數數值，計算出在相同電磁功率輸入信號的條件下，轉差率s的預測值，并與上一步中計算得到的計算值進行比較計算偏差平方和作為下一步優化的目標函數。
6.采用差分進化算法，對轉差率的偏差平方和進行優化，使目標函數達到最小值的一組模型參數作為機電參數辨識結果。
辨識目標函數計算
本文采用預測值與實測值之間的預報誤差作為辨識的目標函數。從電動機的狀態方程中，利用功率和電壓的量測數據以及模型參數在優化過程中的取值，就可以計算出每一時刻狀態變量的數值。根據求解出來的狀態變量，可以根據狀態方程預測下一時刻的狀態變量以及輸出變量。把預測的輸出變量與實測的輸出變量作比較，計算輸出變量預測值與實測值之間的偏差，就可以得到辨識的目標函數。
在本文針對綜合負荷模型參數的辨識過程中，由于電動機的機電狀態方程與電磁狀態方程是可以解耦的，因此本文的研究中首先從功率和電壓的量測數據中計算直軸和交軸兩個感應電動勢的狀態變量的數值并辨識電動機的電磁參數，隨后利用電磁參數的辨識結果結合量測數據辨識電動機的機電參數與輸入轉矩。
差分進化算法
本文采用差分進化算法來對目標函數進行優化。差分進化算法（Differential Evolution, DE）與遺傳算法、粒子群算法等優化方法一樣，也屬于通過種群生成、進化、選擇而實現優化的進化算法。進化算法與傳統的梯度類算法相比，最吸引人的地方在于可以不依賴于初值選取而得到全局最優解。差分進化算法的基本流程是在參數取值范圍內隨機進行種群初始化，然后在每一代的進化過程中對每個個體進行變異和交叉，進而把進化后的個體與上一代個體進行比較，選擇更好的個體作為這一代的進化結果。
負荷參數辨識對全局最優解的要求較高，因此要首先確保全局最優然后再提升計算時間。為此，設計了如下對差分進化算法的改進，以便更好地應用于負荷模型參數的辨識。首先，在進化終止代數的選擇上，不再簡單地對總的進化終止代數進行計數，而是等待進化過程趨于靜止、進化幾乎完成之后，再開始啟動對進化終止的判斷。其次，在交叉率與變異因子的選擇上，根據進化過程與上面的終止計數進行動態調整。最后，在初始種群的選擇上進行改進。
南方電網實測數據辨識結果
本部分結果采用2016年3月18日下午15:48分-15:49分在南方電網富寧-武平段（位于廣西省）發生的一次三相短路接地故障，在珠海220kV變電站所采集的PMU量測數據文件來進行辨識。這一段的錄波數據中，既有系統日常運行伴隨的類噪聲信號，又有在15:48:23發生的故障后響應信號。由于珠海站距離故障點的地理距離較遠，因此故障的恢復過程較快，大擾動僅僅持續了10秒左右。由于故障在15:48:23發生，因此可以采用23秒之前的某一段數據來進行辨識，采用整個一分鐘的數據來進行數據校驗。
圖1 南方電網實際測量數據辨識結果（珠海站有功曲線）
圖2 南方電網實際測量數據辨識結果（珠海站無功曲線）
辨識所得到的預測值與實測值的對比如圖1與圖2所示，可以看出，整個一分鐘的有功功率、無功功率都可以被很好地擬合，說明了本文所提出的方法的有效性，即采用某一段類噪聲信號數據進行辨識所得到的負荷模型參數的結果可以用于描述整個時間段、包括小擾動和大擾動在內的負荷模型的動態響應，無論有功功率還是無功功率都具有較好的擬合度。
4結論
（1）介紹了采用類噪聲信號進行負荷模型辨識所采用的量測數據與流程。
（2）設計了基于優化方法的辨識方法以及從量測數據中計算優化目標函數的方法。
（3）介紹了差分進化算法及選擇差分進化算法用于負荷模型參數辨識的原因，針對負荷模型參數辨識的具體要求對差分進化算法進行了改進。
（4）通過南方電網實測數據算例，驗證了本章所設計的模型參數辨識方法的有效性。
