基于统计综合法的电力负荷建模方法研究

【摘要】：作为电力系统数字仿真的重要组成部分之一,电力负荷数学模型的准确性会直接影响系统仿真的结果。而由于负荷自身所具备的非线性、时变性、分散性等特点,使得有关其建模的研究进展缓慢,尤其是有关基于统计综合法的建模研究,已经明显处于落后的地位。随着我国经济发展与社会进步,电力系统的规模越来越大,对电网稳定运行与可靠性的要求也越来越高,电力负荷的容量与构成也正发生着巨大的变化。在这样的大背景下,研究建立能真实准确反映实际电网负荷的模型就成为了负荷建模研究领域的重点问题。本文以典型感应电动机的负荷数据为基础,采用机器学习的有关算法作为技术支撑,进行了基于统计综合法的负荷建模研究。本文首先就传统统计综合法建模中存在的缺陷提出了改进,引入层次凝聚聚类算法对以感应电动机为代表的电力负荷分类问题进行了研究,研究结果表明该算法可以有效对电力负荷按其特性进行分类,分类效果良好,符合预期结果。然后研究了将人工神经网络应用于负荷建模的有关问题,提出了一种改进的BP算法对网络训练过程进行了优化。改进的方面主要有两点,一是改固定的学习率为自适应学习率,使得算法自身可以根据学习的情况自适应地调节学习率,以提升学习效率,二是引入新的神经元激活函数,改善网络性能。测试结果显示,这一改进策略有效提升了算法的计算速度与精度。本文还分析了多项式形式和幂函数形式负荷静态模型的特点,对同一静态负荷曲线进行参数辨识,发现幂函数形式具有更好的优越性,更适合作为静态负荷模型。基于时下流行的TensorFlow框架,编写实现了人工神经网络搭建动态负荷模型,在进行模型建立时,首先利用统计得到的负荷数据计算得出负荷的动态特性数据,再用这些数据作为网络训练的样本对神经网络进行训练,训练完成后的神经网络即可以作为真实负荷的模型进行其他相关的数字仿真计算。验证计算的结果表明,本文提出的改进BP神经网络可以较好地完成动态负荷建模,得到的模型动态特性与原始负荷十分接近,是一种可行的负荷建模方法。