基于模型自组织原理的电力负荷自动建模的研究

【摘要】：负荷模型的准确性是影响电力系统稳定分析和数字仿真的重要因素，好的负荷模型既能准确的描述负荷行为又尽可能的具有相对简单的模型结构。目前模型结构的选择往往是建模者根据现场实测数据、负荷的组成成分、一些典型的用电设备负荷特性和数学模型，通过人工的方法确定的。这种方法对建模者的经验和理论水平要求很高，面对有成千上万种可能的模型结构组合方案，靠人工方法选择优化的模型结构也是十分困难的。 本文以电力系统采集负荷数据为研究对象，针对现有负荷建模方法的不足，通过科学的分析首次将自组织原理应用于负荷建模，利用计算机自动组织、寻找优化的模型结构并且辨识模型参数。 在传统负荷建模中，对于模型的选择以模型或函数对实测数据的逼近程度作为选择模型的准则，往往会得到“模型越复杂越精确”的结论，这与事实不符。基于自组织原理的负荷建模表述为：内部准则建立模型，外部准则筛选模型，通过内外准则选取具有最优复杂度的模型，实现建模过程的自动化。 理论方法需要与实际系统紧密相连。在电力系统中负荷种类多种多样，面对大量的模型结构组合方案，所有可能方案一一列出不切实际。通过对遗传算法基本理论和操作方法的研究，建立了遗传算法作为外部优化框架、自组织原理作为负荷建模的内部标准的实现方法，对于负荷模型建模有实际价值。 本课题最后以动模实验为例，在MATLAB中进行基于自组织原理的负荷建模程序开发，通过内外准则筛选出具有最优复杂度的负荷模型，该模型与实际模型结构一致。为了验证该方法建立负荷模型的泛化能力，选取变化范围较大的激励数据，仿真结果表明该负荷模型能够较好的描述负荷行为。通过以上分析证明基于自组织原理的这一全新的建模方法具有有效性和可行性。