静态负荷建模最小二乘法和遗传进化算法应用比较.docVIP

静态负荷建模最小二乘法和遗传进化算法应用比较 　　 【摘 要】本文综述了静态负荷建模的研究现状及相关理论，在对最小二乘法的辨识过程进行初步研究的基础上，指出其存在的不足，针对这一问题，采用了一种用于电力系统负荷建模和参数辨识的遗传进化算法 ,该方法具有全局有哪些信誉好的足球投注网站优化特点 ,适用于非线性、不连续或微分不连续的各种负荷模型。同时将该方法成功用于静态负荷建模。仿真结果表明，辨识结果略优于传统的最小二乘法 ,且通用性更好 ,只需做极小的修改就可以用于各种形式的静态负荷模型。 　　 【关键词】负荷建模;静态负荷模型;参数辨识;遗传进化算法;最小二乘法 　　 　　 0.引言 　　在对最小二乘法的辨识过程进行初步研究的基础上，指出其存在的不足，针对这一问题，采用了一种用于电力系统负荷建模和参数辨识的遗传进化算法 ,该方法具有全局有哪些信誉好的足球投注网站优化特点 ,适用于非线性、不连续或微分不连续的各种负荷模型。 　　 1.最小二乘法 　　最小二乘法大约是1795年高斯在星体运动轨道预报工作中提出的。后来，最小二乘法就成了估计理论的奠基石，由于最小二乘法结构简单，编制程序也不困难，所以它颇受人们重视，应用相当广泛。最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。是用最简单的方法求得一些绝对不可知的真值，而令误差方法之和为最小，通常用于曲线拟合。 　　1.1幂函数模型 　　其形式为P=a■V■Q=a■V■ （1-1） 　　其中，P，Q，V均为额定运行参数的标么值。 　　1.2辨识准则及目标函数 　　将式1.1两边取对数，转化成线性形式，即 　　lnP=lna■+b■lnVlnQ=lna■+b■lnV (1-2) 　　幂函数模型构造的目标函数如下： 　　minJ■(p■,α)=■[■(V■)-■m(V■)]■ minJ■(Q■,β)=■[■(V■)-■m(V■)]■ （1-3） 　　其中N为每一负荷记录的数据长度。■，■是与系统有功和无功的模型响应。 　　p■Q■为V=V■时的有功和无功实测响应，待辨识的参数为a■,a■,b■,b■。 　　 2.应用实例 　　2.1实验数据来源 　　实验数据取自2008年12月19日-20日由某变电站对110kV变电站35kV侧进行的负荷特性的稳态实验。该次实验分别??早高峰，晚高峰及深夜低谷时进行测试，并记录下主变压器35kV侧的电压、有功功率及无功功率。 　　2.2数据处理 　　在进行负荷静态模型参数估计之前，需将各测量值除以额定值化成标么值。如表2-1所示，为某变电站35KV侧的负荷特性实测数据（表中数据为有名值） 　　表2-1 12月19日晚高峰20日早高峰1#35kv侧主变压器 　　2.3模型参数结果 　　将表2-1中的测量数据化为标么值，运用前面所述的参数辨识方法，即可分别得到各个测试点的幂函数模型。计算结果列于表2-2 　　表2-2变电站35KV综合负荷的数学模型计算结果 　　2.4有功和无功偏差结果 　　将实测电压代入个模型，计算得到有功功率及无功功率，并与实测有功功率及无功功率进行比较。下面列出12月19日晚高峰时，12月20日早高峰时1#主变压器35KV侧负荷特性部分结果。其中测试的计算值和实测值如表2-3和2-4所示，模型有功功率和无功功率的计算值与实测值的偏差如表2-5和2-6所示。 　　表2-3 12月19日晚高峰1#主变压器35KV侧负荷 　　基准值PB=5.951MW QB=2.203MVA VB=35KV 　　表2-4 12月20日早高峰1#主变压器35KV侧负荷 　　基准值 PB=7.95MW QB=3.8MVA UB=35KV 　　2.5结果分析及讨论 　　（1）比较表2-3、2-4中的数据可知，当电压变化时，对负荷无功功率的影响很大，而对有功功率的影响相对较小。 　　（2）当电压变化范围较小时，模型的计算值与实测值都比较接近。 　　（3）该次实验所需负荷特性数据是在人为干扰下对负荷点进行调压使之不超过额定值的正负10%的范围而获取的。这是通过进行稳态实验传统静态模型模拟负荷特性的一个最基本的条件。在这个条件下进行实验时，模型的拟合精度相对较高。 　　 3.遗传进化算法 　　遗传进化算法的应用研究己经从早期的组合优化问题扩展到现在广泛应用于神经网络、机器学习、智能控制、非线性优化、系统辨识、信号处理及故障诊断等问题,尤其是遗传进化算法在许多工程实际中的成功应用,更引起了专家学者的极大的研究兴趣。 　　3.1遗传进化算法的定义 　　遗传算法是目前用于动态负荷模型参数辨识较为成功的方法。根据模式定理：在选择、交叉和变异的作用下，具有低阶、短定义距以及平均适应度高于群体平均适应度的模式在后代