電力系統(tǒng)動態(tài)負荷建模與負荷動靜比例的提取.pdf

1、動態(tài)負荷建模是電力系統(tǒng)中公認的難題之一。本文從動態(tài)負荷模型結構的對比與選擇、動態(tài)負荷模型辨識算法的比較入手對電力系統(tǒng)動態(tài)負荷建模工作進行了探討。指出差分方程模型易辨識但物理意義不明確，感應電動機模型物理意義明確，但辨識相對復雜。非線性最小二乘法算法成熟，但只具有局部收斂性；遺傳算法具有全局收斂性，但工程化還有待考驗。并在動模試驗基礎上，利用編制的電力系統(tǒng)負荷建模軟件進行了負荷建模實踐。結果表明機理動態(tài)模型可以有效的對實測負荷進行建模，但

2、參數(shù)辨識結果分散性較大。 通過分析機理動態(tài)負荷模型各參數(shù)對波形變化的影響，討論了負荷模型參數(shù)辨識多值性的產(chǎn)生原因。辨識結果的多值性使簡化參數(shù)辨識成為可能。選取典型電動機參數(shù)，即固定部分參數(shù)，辨識其余參數(shù)。辨識結果表明，固定6個參數(shù)，只辨識一個參數(shù)是可以達到較好的擬合效果，即簡化參數(shù)辨識是可行的；對于實際的復雜負荷，調(diào)整一個參數(shù)如果效果不好，就要考慮調(diào)整兩個以至更多的參數(shù)，則參數(shù)的調(diào)整順序需要進一步研究；初始模型的選取對于簡化參數(shù)

3、辨識的效果有很大的影響，與單臺電動機相比，實測負荷的情況要復雜得多，則需要更多的典型電動機模型作為初始模型。 動靜負荷組成比例是計算暫態(tài)穩(wěn)定中的關鍵數(shù)字。不同的比例會產(chǎn)生不同的計算結果，嚴重時會影響穩(wěn)定計算的結論。本文提出了基于ADALINE人工神經(jīng)網(wǎng)絡的負荷動靜組成比例辨識方法，并利用典型模型的仿真數(shù)據(jù)仿真數(shù)據(jù)，驗證了方法的有效性。討論了ADALINE提取負荷動靜比例時各種因素對計算效果的影響：電壓擾動越大對ADALINE提取

4、負荷動靜比例越有利；噪聲越強，ADALINE提取負荷動靜比例越困難一些；過小的學習率可能會使ADALINE跟蹤不上負荷的變化，從而不能及時反映負荷系統(tǒng)動靜比例的變化，過大的學習率則可能使ADALINE學習過度，失去跟蹤負荷變化的能力，仿真結果表明學習率取在10附近對ADALINE提取負荷動靜比例比較適合。 上海作為負荷中心電壓穩(wěn)定問題顯得日益重要，而負荷特性尤其是負荷動態(tài)特性在電壓穩(wěn)定分析中起到關鍵作用。通過分析兩種常用的故障錄