本發(fā)明涉及電力系統(tǒng)運(yùn)行、仿真及分析技術(shù)，尤其涉及一種電力系統(tǒng)的負(fù)荷特性確定方法及系統(tǒng)。
背景技術(shù)：
：近年來(lái)，我國(guó)高速鐵路事業(yè)得到了迅猛的發(fā)展，高速鐵路牽引供電負(fù)荷具有沖擊性強(qiáng)、高次諧波豐富等特點(diǎn)。為了準(zhǔn)確描述其電力綜合負(fù)荷特性，可以通過(guò)尋求合理的負(fù)荷模型結(jié)構(gòu)并獲得準(zhǔn)確的模型參數(shù)，建立用于電力系統(tǒng)的運(yùn)行、仿真及穩(wěn)定分析的負(fù)荷模型。其中，參數(shù)辨識(shí)是負(fù)荷建模的關(guān)鍵步驟，其結(jié)果會(huì)直接影響模型的準(zhǔn)確性，因此探索出一種有效的參數(shù)辨識(shí)方法具有重要意義。目前所用的負(fù)荷模型參數(shù)辨識(shí)方法主要有常規(guī)的數(shù)學(xué)方法和智能優(yōu)化算法這兩大類(lèi)。常規(guī)的數(shù)學(xué)方法具有較快的計(jì)算速度，但它對(duì)函數(shù)的連續(xù)性、非凸性、可微性的計(jì)算具有較高要求，而且它還存在易于陷入局部最優(yōu)解等缺點(diǎn)。智能優(yōu)化算法在處理非線性、多變量、不連續(xù)、非凸等優(yōu)化問(wèn)題上體現(xiàn)出了很強(qiáng)的尋優(yōu)能力。其中，粒子群優(yōu)化算法(ParticleSwarmOptimization，簡(jiǎn)稱(chēng)PSO)是近年來(lái)發(fā)展起來(lái)的一種新的優(yōu)化算法，其采用并行搜索機(jī)制，通過(guò)最優(yōu)信息的傳遞，使種群快速收斂，最終找到最優(yōu)解，是一種基于群體智能的全局搜索方法。和其他啟發(fā)式算法(如遺傳算法、蟻群算法)相似，也是從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，并通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)，但PSO的規(guī)則更為簡(jiǎn)單，需要調(diào)整的參數(shù)較少，便于實(shí)現(xiàn)。然而，PSO也存在遍歷性不足、易陷入局部最優(yōu)等缺點(diǎn)，使得搜索精度不高。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例提供一種電力系統(tǒng)的負(fù)荷特性確定方法及系統(tǒng)，通過(guò)一種 改進(jìn)型的PSO提高負(fù)荷模型參數(shù)辨識(shí)的精度，辨識(shí)出最適合的負(fù)荷模型參數(shù)，從而可以建立準(zhǔn)確描述電力系統(tǒng)負(fù)荷特性的負(fù)荷模型進(jìn)行電力系統(tǒng)的負(fù)荷特性確定。本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法，包括：根據(jù)負(fù)荷模型參數(shù)的約束條件，隨機(jī)初始化一個(gè)粒子數(shù)目為N的粒子群G，其中每個(gè)粒子為一個(gè)包括d個(gè)負(fù)荷模型參數(shù)的數(shù)組；根據(jù)進(jìn)行粒子群搜索，其中，i＝1，2，……，N，和為進(jìn)行第k次粒子群搜索時(shí)粒子i的位置和速度，和為進(jìn)行第k次粒子群搜索后粒子i的位置和速度，為進(jìn)行第k次粒子群搜索時(shí)所述粒子群G的全局最優(yōu)值，為進(jìn)行第k次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值，c1為第一學(xué)習(xí)因子，c2為第二學(xué)習(xí)因子，r1、r2為[0,1]之間的隨機(jī)數(shù)，為進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值，且進(jìn)行粒子群搜索過(guò)程中，粒子群算法的慣性權(quán)重值w隨粒子群搜索次數(shù)k呈S型遞減；當(dāng)達(dá)到預(yù)設(shè)條件時(shí)，停止所述粒子群搜索，并根據(jù)搜索結(jié)果確定所述負(fù)荷模型參數(shù)；根據(jù)所述負(fù)荷模型參數(shù)建立電力系統(tǒng)的負(fù)荷模型；根據(jù)所述負(fù)荷模型確定所述電力系統(tǒng)的負(fù)荷特性。本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)，可以用于實(shí)現(xiàn)上述電力系統(tǒng)的負(fù)荷特性確定方法，該系統(tǒng)包括：負(fù)荷模型參數(shù)確定單元、負(fù)荷模型建立單元和負(fù)荷特性確定單元。其中，負(fù)荷模型參數(shù)確定單元可以用于：根據(jù)負(fù)荷模型參數(shù)的約束條件，隨機(jī)初始化一個(gè)粒子數(shù)目為N的粒子群G，其中每個(gè)粒子為一個(gè)包括d個(gè)負(fù)荷模型參數(shù)的數(shù)組；根據(jù)進(jìn)行粒子群搜索，其中，i＝1，2，……，N，和為進(jìn)行第k次粒子群搜索時(shí)粒子i的位置和速度，和為進(jìn)行第k次粒子群搜索后粒子i的位置和速度，為進(jìn)行第k次粒子群搜索時(shí)所述粒子群G的全局最優(yōu)值，為進(jìn)行第k次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值，c1為第一學(xué)習(xí)因子，c2為 第二學(xué)習(xí)因子，r1、r2為[0,1]之間的隨機(jī)數(shù)，為進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值，且進(jìn)行粒子群搜索過(guò)程中，粒子群算法的慣性權(quán)重值w隨粒子群搜索次數(shù)k呈S型變化；當(dāng)達(dá)到預(yù)設(shè)條件時(shí)，停止粒子群搜索，并根據(jù)搜索結(jié)果確定負(fù)荷模型參數(shù)。所述負(fù)荷模型建立單元可以用于：根據(jù)所述負(fù)荷模型參數(shù)建立電力系統(tǒng)的負(fù)荷模型。所述負(fù)荷特性確定單元可以用于：根據(jù)所述負(fù)荷模型確定所述電力系統(tǒng)的負(fù)荷特性?；谏鲜?，本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法和系統(tǒng)，通過(guò)一種改進(jìn)型的PSO提高負(fù)荷模型參數(shù)辨識(shí)的精度，辨識(shí)出最適合的負(fù)荷模型參數(shù)，從而可以建立準(zhǔn)確描述電力系統(tǒng)負(fù)荷特性的負(fù)荷模型進(jìn)行電力系統(tǒng)的負(fù)荷特性確定，提高了電力系統(tǒng)負(fù)荷特性研究的準(zhǔn)確性和有效性。同時(shí)，精確的負(fù)荷特性預(yù)測(cè)能有助于電網(wǎng)的調(diào)度進(jìn)行電力調(diào)配，由于電能難以做到大量的儲(chǔ)存，因此具有良好的負(fù)荷模型，即精準(zhǔn)的模型參數(shù)的匹配能節(jié)約大量的資源，能有效的進(jìn)行發(fā)電和配電的統(tǒng)籌，具有一定的經(jīng)濟(jì)效益。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為電力系統(tǒng)負(fù)荷模型的原理示意圖；圖2為感應(yīng)電機(jī)的等值電路示意圖；圖3為本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法的流程圖；圖4為負(fù)荷模型的參數(shù)辨識(shí)原理示意圖；圖5為線性遞減和S型遞減的慣性權(quán)重函數(shù)的圖像對(duì)比示意圖；圖6為本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)示意圖；圖7為電力系統(tǒng)負(fù)荷運(yùn)行時(shí)吸收的有功功率的特性仿真示意圖；圖8為電力系統(tǒng)負(fù)荷運(yùn)行時(shí)吸收的無(wú)功功率的特性仿真示意圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有付出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。電力系統(tǒng)的所有用電設(shè)備總稱(chēng)為負(fù)荷，按用途可分為工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷、商業(yè)負(fù)荷等，按用電設(shè)備的類(lèi)型可分為感應(yīng)電動(dòng)機(jī)、同步電機(jī)、照明設(shè)備、空調(diào)設(shè)備等。當(dāng)負(fù)荷運(yùn)行時(shí)，其吸收的有功及無(wú)功功率會(huì)隨著負(fù)荷母線上的電壓和頻率的波動(dòng)而改變，這稱(chēng)之為負(fù)荷的電壓、頻率特性，用以描述負(fù)荷這一特性的數(shù)學(xué)方程稱(chēng)之為負(fù)荷模型。通常會(huì)把負(fù)荷群看作一個(gè)整體，圖1為電力綜合系統(tǒng)負(fù)荷模型的原理示意圖，如圖1所示，將母線電壓U和系統(tǒng)頻率f作為系統(tǒng)輸入量，負(fù)荷吸收的有功功率P和無(wú)功功率Q作為其輸出量。由于感應(yīng)電機(jī)(又稱(chēng)異步電機(jī))是電力綜合負(fù)荷中最常見(jiàn)也是占比例最大的負(fù)載，因此通常會(huì)選擇感應(yīng)電機(jī)的模型作為電力系統(tǒng)的負(fù)荷模型。圖2為感應(yīng)電機(jī)的等值電路示意圖，如圖2所示，Rs和Xs分別為定子繞組的電阻和電抗，Xm為定子繞組和轉(zhuǎn)子繞組的互感抗(又稱(chēng)勵(lì)磁繞組的電抗)，Rr和Xr分別為轉(zhuǎn)子繞組的電阻和電抗。異步電機(jī)的數(shù)學(xué)模型可以表示為：方程中，為異步電機(jī)的母線電壓，為異步電機(jī)的暫態(tài)電勢(shì)，為異步電機(jī)的母線電流，為定子開(kāi)路暫態(tài)時(shí)間常數(shù)，X為異步電機(jī)的同步電抗，X′為異步電機(jī)的暫態(tài)電抗，H為異步電機(jī)的慣性時(shí)間常數(shù)，s為異步電機(jī)的滑差。Tm為電機(jī)的負(fù)載轉(zhuǎn)矩，Tm＝TL(A(1-s)2+B(1-s)+C)，TL異步電機(jī)的負(fù)荷系數(shù)，Te為電機(jī)產(chǎn)生的電磁轉(zhuǎn)矩，其中X＝Xs+Xm，A+B+C＝1。。在異步電機(jī)的研究過(guò)程中，基于不同坐標(biāo)系下產(chǎn)生的磁動(dòng)勢(shì)完全一致的原則，即電機(jī)的定、轉(zhuǎn)子磁場(chǎng)同步旋轉(zhuǎn)，可以建立一個(gè)具有同步旋轉(zhuǎn)速度的旋轉(zhuǎn)坐標(biāo)系，這個(gè)旋轉(zhuǎn)坐標(biāo)系稱(chēng)為dq旋轉(zhuǎn)坐標(biāo)系。在dq旋轉(zhuǎn)坐標(biāo)系上，所有電信號(hào)可以描述為常數(shù)，方便電機(jī)問(wèn)題的研究。在dq旋轉(zhuǎn)坐標(biāo)系上，Ud、Uq為d軸、q軸的母線電壓，E′d、E′q為d軸、q軸的暫態(tài)電勢(shì)，id、iq為d軸、q軸的定子電流。結(jié)合異步電機(jī)的等值電路和異步電機(jī)的數(shù)學(xué)模型，可以整理得出：在dq旋轉(zhuǎn)坐標(biāo)系上，異步電機(jī)的電壓方程可以表示為：異步電機(jī)的功率為：因此，根據(jù)負(fù)荷模型的輸入(母線電壓)的變化引起的有功及無(wú)功功率P、Q的變化，需要辨識(shí)的異步電機(jī)的模型參數(shù)共有8個(gè)，即[Rs,Xs,Xm,Rr,Xr,H,A,B]。本發(fā)明的下述實(shí)施例將通過(guò)異步電機(jī)的負(fù)荷特性的確定為例對(duì)本發(fā)明的技術(shù)方案做示例性說(shuō)明。圖3為本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法的流程圖。如圖3所示，該方法可以包括：S31，根據(jù)負(fù)荷模型參數(shù)的約束條件，隨機(jī)初始化一個(gè)粒子數(shù)目為N的粒子群G，其中每個(gè)粒子為一個(gè)包括d個(gè)負(fù)荷模型參數(shù)的數(shù)組。S32，進(jìn)行粒子群搜索。具體的，可以根據(jù)進(jìn)行粒子群搜索。其中，i＝1，2，……，N，和為進(jìn)行第k次粒子群搜索時(shí)粒子i的位置和速度，和為進(jìn)行第k次粒子群搜索后粒子i的位置和速度，為進(jìn)行第k次粒子群搜索時(shí)所述粒子群G的全局最優(yōu)值，為進(jìn)行第k次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值，c1為第一學(xué)習(xí)因子，c2為第二學(xué)習(xí)因子，r1、r2為[0,1]之間的隨機(jī)數(shù)，為進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值，且進(jìn)行粒子群搜索過(guò)程中，粒子群算法的慣性權(quán)重值w隨粒子群搜索次數(shù)k呈S型變化。S33，當(dāng)達(dá)到預(yù)設(shè)條件時(shí)，停止粒子群搜索，并根據(jù)搜索結(jié)果確定負(fù)荷模型參數(shù)；S34，根據(jù)負(fù)荷模型參數(shù)建立電力系統(tǒng)的負(fù)荷模型；S35，根據(jù)負(fù)荷模型確定電力系統(tǒng)的負(fù)荷特性。為了更清楚地說(shuō)明本發(fā)明的實(shí)施方案，可以結(jié)合負(fù)荷模型的參數(shù)辨識(shí)原理進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。圖4為負(fù)荷模型的參數(shù)辨識(shí)原理示意圖，請(qǐng)參照?qǐng)D4。首先獲取負(fù)荷系統(tǒng)的實(shí)測(cè)數(shù)據(jù)，如實(shí)際負(fù)荷系統(tǒng)的輸入量和輸出量。其中，實(shí)際負(fù)荷系統(tǒng)的輸入量包括母線電壓U和輸入頻率f，輸出量包括有功功率P和無(wú)功功率Q。如上所述，粒子群算法是一種從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，并通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)的優(yōu)化算法。因此，通過(guò)粒子群算法進(jìn)行負(fù)荷模型參數(shù)辨識(shí)時(shí)，首先要根據(jù)待辨識(shí)參數(shù)的約束條件，隨機(jī)初始化一個(gè)粒子數(shù)目為N的粒子群G，每個(gè)粒子為一個(gè)包括d個(gè)待辨識(shí)參數(shù)的數(shù)組。以待辨識(shí)參數(shù)的的個(gè)數(shù)d作為粒子群算法中粒子在搜索空間中的維度，并對(duì)粒子群算法中的種群數(shù)目N、第一學(xué)習(xí)因子c1、第二學(xué)習(xí)因子c2、最大迭代搜索次數(shù)kiter或粒子搜索精度δ進(jìn)行設(shè)置。一般的，c1＝c2＝2。以異步電機(jī)為例，在異步電機(jī)模型參數(shù)辨識(shí)時(shí)，每個(gè)粒子都對(duì)應(yīng)于8個(gè)待辨識(shí)參數(shù)[Rs,Xs,Xm,Rr,Xr,H,A,B]的取值。待辨識(shí)參數(shù)[Rs,Xs,Xm,Rr,Xr,H,A,B]的約束條件，例如可以是待辨識(shí)參數(shù)的取值范圍等。在實(shí)際應(yīng)用中，異步電 機(jī)的模型參數(shù)的取值范圍可以參見(jiàn)表1所示。表1感應(yīng)電機(jī)的模型參數(shù)的取值范圍參數(shù)RsXsXmRrXrHAB最大值0.81.05.00.81.03.01.01.0最小值0.10.11.00.050.010.5-0.5-0.5進(jìn)一步的，可以根據(jù)待辨識(shí)參數(shù)的取值范圍對(duì)粒子的粒子控制向量和粒子狀態(tài)向量進(jìn)行編碼，即對(duì)粒子的粒子位置和粒子速度進(jìn)行控制編碼。在粒子控制變量和粒子狀態(tài)變量的約束范圍之內(nèi)，隨機(jī)初始化一個(gè)種群數(shù)目為N的粒子群，即初始化粒子群中第i個(gè)粒子的粒子位置xid和粒子速度vid，以形成當(dāng)前種群，且作為第一代粒子的狀態(tài)用于第1次迭代計(jì)算，并設(shè)置最大速度限制vidmax，以確保粒子的速度不越限。可以理解的是，在本實(shí)施例中均有：i＝1，2，……，N。示例性的，在本實(shí)施例中，種群中的每個(gè)粒子的粒子位置xid和粒子速度vid分別可以按如下方式進(jìn)行初始化：其中，為一個(gè)在(0，1)之間均勻產(chǎn)生一組隨機(jī)數(shù)的函數(shù)，xidmax和xidmin分別表示粒子i的最大值和最小值，vidmax表示粒子i的最大速度限制。對(duì)于粒子群G中的每個(gè)粒子i，根據(jù)隨機(jī)初始化獲取的模型參數(shù)的取值xid，以及輸入的母線電壓值U和輸入頻率f，可以結(jié)合異步電機(jī)的數(shù)學(xué)模型對(duì)應(yīng)的微分方程求解粒子i對(duì)應(yīng)的異步電機(jī)模型的暫態(tài)電動(dòng)勢(shì)E′d、E′q，進(jìn)而根據(jù)異步電機(jī)的電壓方程計(jì)算相應(yīng)的定子電流id、iq，并最終計(jì)算粒子i對(duì)應(yīng)的異步電機(jī)模型吸收的有功功率Pi和無(wú)功功率Qi。然后，可以通過(guò)適應(yīng)度函數(shù)來(lái)評(píng)價(jià)初始化的每個(gè)粒子的適應(yīng)度。作為一種優(yōu)選的實(shí)施方式，對(duì)于每個(gè)粒子i，可以根據(jù)有功功率Pi和無(wú)功功率Qi與實(shí)測(cè)的有功功率P和無(wú)功功率Q之間的差值，確定該粒子i的適應(yīng)度f(wàn)i。示例性的，可以選擇函數(shù)來(lái)評(píng)價(jià)每個(gè)粒子的適應(yīng)度。當(dāng)k＝1時(shí)，得到N個(gè)粒子的適應(yīng)度后，確定N個(gè)粒子中具有最小適應(yīng)度f(wàn)min的粒子為隨機(jī)初始化的粒子群G的全局最優(yōu)值gbest，即進(jìn)行第1次粒 子群搜索時(shí)的gbest。并設(shè)定每個(gè)粒子的當(dāng)前位置xid為第1次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值pibest。根據(jù)公式進(jìn)行第1次粒子群搜索，即此時(shí)k＝1，通過(guò)迭代更新獲取每個(gè)粒子的位置和速度需要說(shuō)明的是，r1、r2為[0,1]之間的隨機(jī)數(shù)。另外需要說(shuō)明的是，w為進(jìn)行粒子群搜索時(shí)的慣性權(quán)重值。由于粒子群搜索過(guò)程中，較大的慣性權(quán)重傾向于向于全局搜索，而較小的慣性權(quán)重傾向于局部搜索。根據(jù)相關(guān)技術(shù)，采用線性遞減的慣性權(quán)重在PSO算法迭代中，一方面，只有在開(kāi)始迭代的較短時(shí)間內(nèi)，才具有較大慣性權(quán)重，這使得粒子群可能在最初的搜索中還沒(méi)有遍歷所有的區(qū)域就已經(jīng)開(kāi)始往局部收縮了；另一方面，在迭代過(guò)程中，慣性權(quán)重始終以相同的速率變化，不利于粒子群進(jìn)行局部搜索。為此，本實(shí)施例構(gòu)造了一個(gè)如圖5所示的S型遞減的慣性權(quán)重函數(shù)，在粒子群搜索中慣性權(quán)重值w隨粒子群搜索次數(shù)k呈S型遞減。圖5為線性遞減和S型遞減的慣性權(quán)重函數(shù)的圖像對(duì)比示意圖，如圖5所示，S型遞減的慣性權(quán)重函數(shù)使得有較大慣性權(quán)重的區(qū)域范圍有所擴(kuò)大，并在搜索末期，能保持較小的慣性權(quán)重進(jìn)行精細(xì)搜索。作為本實(shí)施例一種可選的實(shí)施方式，可以根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值其中，tanh為雙曲正切函數(shù)，kiter為最大搜索次數(shù)，a用來(lái)調(diào)整慣性權(quán)重函數(shù)在最大、最小值過(guò)渡區(qū)域的陡度，b用于調(diào)整函數(shù)曲線的位置，通過(guò)調(diào)整a、b的值可以獲得不同的函數(shù)曲線，以適應(yīng)不同的應(yīng)用場(chǎng)合。根據(jù)本實(shí)施例的應(yīng)用場(chǎng)景，慣性權(quán)重參數(shù)a，b可以分別設(shè)置為0.15和15。也就是，在本實(shí)施例中，具體可以根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值wk。作為本實(shí)施例另一種可選的實(shí)施方式，可以根據(jù)計(jì)算進(jìn)行第k次粒子群搜索時(shí)種群的平均適應(yīng)度將粒子i的適應(yīng)度與種群平均適應(yīng)度值進(jìn)行比較。如果則說(shuō)明該粒子未找到最優(yōu) 解，或已陷入局部最優(yōu)，應(yīng)增大其慣性權(quán)重，使其在更大范圍內(nèi)搜索或跳出局部最優(yōu)值；而如果則說(shuō)明該粒子比較靠近優(yōu)解區(qū)域，應(yīng)減小其慣性權(quán)重，使其在局部區(qū)域進(jìn)行精細(xì)搜索。為此，本實(shí)施例還提出一種自適應(yīng)調(diào)整慣性權(quán)重的搜索策略。示例性的，可以通過(guò)確定慣性權(quán)重的調(diào)整量。其中，c、d兩個(gè)參數(shù)為常值，其取值范圍為[0.1，0.6]。M為判斷向量，當(dāng)時(shí)，M＝1；當(dāng)時(shí)，M＝-1。因此自適應(yīng)慣性權(quán)重，可以根據(jù)確定。自適應(yīng)慣性權(quán)重策略能夠根據(jù)粒子自身的位置自動(dòng)調(diào)整飛行速度，從而可以提高種群的收斂速度。需要說(shuō)明的是，完成第1次粒子群搜索后，進(jìn)一步的，應(yīng)該檢查更新后的粒子的位置和速度是否在設(shè)定的范圍以?xún)?nèi)，即是否滿(mǎn)足粒子的約束條件。如果不滿(mǎn)足粒子的約束條件，則應(yīng)該對(duì)其進(jìn)行修正。作為一種可選的實(shí)施方式，當(dāng)更新后的粒子的位置和速度不滿(mǎn)足粒子的約束條件時(shí)，可以修正更新后的粒子的位置和速度等于約束條件的邊界值，例如或以及可以理解的是，由于粒子的位置的邊界值有兩個(gè)，進(jìn)行修正時(shí)，可以隨機(jī)選取其中任一邊界值作為粒子位置的修正值。進(jìn)一步的，根據(jù)粒子i的位置和速度以及輸入的母線電壓值U和輸入頻率f，計(jì)算粒子i對(duì)應(yīng)的異步電機(jī)模型吸收的有功功率和無(wú)功功率并根據(jù)有功功率和無(wú)功功率與實(shí)測(cè)的有功功率P和無(wú)功功率Q之間的差值，確定該粒子i的適應(yīng)度確定進(jìn)行第一次更新后的N個(gè)粒子中具有最小適應(yīng)度的粒子為第一次更新后的粒子群G的全局最優(yōu)值即進(jìn)行第2次粒子群搜索時(shí)的進(jìn)一步的，對(duì)于第2次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值可以根據(jù)以下方法確定：當(dāng)時(shí)，確定對(duì)應(yīng)的粒子的位置為第2次粒子群搜索時(shí)該粒子i的個(gè)體最優(yōu)值當(dāng)時(shí)，確定fi對(duì)應(yīng)的粒子的位置xid為該粒子i的個(gè)體最優(yōu)值同樣的道理，對(duì)粒子群進(jìn)行第3次、第4次、……粒子群搜索，直到達(dá)到預(yù)設(shè)的終止條件時(shí)停止粒子群搜索，并根據(jù)最后一次粒子群搜索結(jié)果來(lái)確定負(fù)荷模型參數(shù)?？梢岳斫猓罱K的負(fù)荷模型參數(shù)對(duì)應(yīng)于進(jìn)行最后一次粒子群搜索后，根據(jù)更新后的粒子的適應(yīng)度確定出的最小適應(yīng)度對(duì)應(yīng)的粒子的位置，即根據(jù)最后更新后的粒子群確定出的全局最優(yōu)值。需要說(shuō)明的是，預(yù)設(shè)的終止條件例如可以是預(yù)先設(shè)置的最大搜索次數(shù)kiter，或者預(yù)設(shè)的搜索精度。可以理解，搜索精度可以通過(guò)粒子群的最小適應(yīng)度值進(jìn)行描述。辨識(shí)出最適合的負(fù)荷模型參數(shù)后，進(jìn)一步的，可以根據(jù)辨識(shí)出的負(fù)荷模型參數(shù)建立電力系統(tǒng)的負(fù)荷模型，并通過(guò)該負(fù)荷模型對(duì)電力系統(tǒng)的負(fù)荷特性進(jìn)行準(zhǔn)確描述。最后值得一提的是，由于粒子群算法陷入局部最優(yōu)和早熟現(xiàn)象在種群的全局最優(yōu)值中體現(xiàn)的最為明顯。因此，在本發(fā)明的另一實(shí)施例中，進(jìn)一步的，在上述實(shí)施例的基礎(chǔ)上，在粒子搜索過(guò)程中，還可以對(duì)種群的全局最優(yōu)值進(jìn)行更新，引導(dǎo)種群中的粒子改變飛行方向，進(jìn)入搜索空間中的其他區(qū)域進(jìn)行搜索，使種群進(jìn)一步地發(fā)掘潛在的最優(yōu)解。示例性的，可以在粒子搜索過(guò)程中，在種群的全局最優(yōu)值中增加一個(gè)隨機(jī)擾動(dòng)量μ，根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)所述粒子群G的全局最優(yōu)值其中，μ為與具有相同維數(shù)、且服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)變量，為進(jìn)行第k次粒子群搜索時(shí)與對(duì)應(yīng)的粒子群G的初始全局最優(yōu)值。本發(fā)明上述實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法，通過(guò)一種改進(jìn)型的PSO提高負(fù)荷模型參數(shù)辨識(shí)的精度，辨識(shí)出最適合的負(fù)荷模型參數(shù)，從而可以建立準(zhǔn)確描述電力系統(tǒng)負(fù)荷特性的負(fù)荷模型進(jìn)行電力系統(tǒng)的負(fù)荷特性確定，提高了電力系統(tǒng)負(fù)荷特性研究的準(zhǔn)確性和有效性。同時(shí)，精確的負(fù)荷特性預(yù)測(cè)能有助于電網(wǎng)的調(diào)度進(jìn)行電力調(diào)配。由于電能難以做到大量的儲(chǔ)存，因此具有良好的負(fù)荷模型，即精準(zhǔn)的模型參數(shù)的匹配能節(jié)約大量的資源，能有效的進(jìn)行發(fā)電和配電的統(tǒng)籌，具有一定的經(jīng)濟(jì)效益。圖6為本發(fā)明實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)示意圖，該系統(tǒng)可以用來(lái)實(shí)現(xiàn)本發(fā)明圖3所示實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法，此處不再贅述。如圖6所示，本實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)可以包括：負(fù)荷模型參數(shù)確定單元61、負(fù)荷模型建立單元62和負(fù)荷特性確定單元63。其中，負(fù)荷模型參數(shù)確定單元61可以用于：根據(jù)負(fù)荷模型參數(shù)的約束條件，隨機(jī)初始化一個(gè)粒子數(shù)目為N的粒子群G，其中每個(gè)粒子為一個(gè)包括d個(gè)負(fù)荷模型參數(shù)的數(shù)組；根據(jù)進(jìn)行粒子群搜索；當(dāng)達(dá)到預(yù)設(shè)條件時(shí)，停止所述粒子群搜索，并根據(jù)搜索結(jié)果確定所述負(fù)荷模型參數(shù)。其中，i＝1，2，……，N，和為進(jìn)行第k次粒子群搜索時(shí)粒子i的位置和速度，和為進(jìn)行第k次粒子群搜索后粒子i的位置和速度，為進(jìn)行第k次粒子群搜索時(shí)所述粒子群G的全局最優(yōu)值，為進(jìn)行第k次粒子群搜索時(shí)粒子i的個(gè)體最優(yōu)值，c1為第一學(xué)習(xí)因子，c2為第二學(xué)習(xí)因子，r1、r2為[0,1]之間的隨機(jī)數(shù)，為進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值，且進(jìn)行粒子群搜索過(guò)程中，粒子群算法的慣性權(quán)重值w隨粒子群搜索次數(shù)k呈S型變化。負(fù)荷模型建立單元62可以用于根據(jù)負(fù)荷模型參數(shù)確定單元61辨識(shí)出的負(fù)荷模型參數(shù)建立電力系統(tǒng)的負(fù)荷模型。負(fù)荷特性確定單元63可以用于根據(jù)上述建立的負(fù)荷模型確定電力系統(tǒng)的負(fù)荷特性。作為一種具體的實(shí)施方式，在實(shí)際應(yīng)用中，負(fù)荷模型參數(shù)確定單元61具體可以用于：根據(jù)進(jìn)行第k次粒子群搜索時(shí)粒子i的位置確定粒子i的適應(yīng)度根據(jù)N個(gè)粒子的適應(yīng)度確定粒子群G的最小適應(yīng)度并根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)粒子群G的全局最優(yōu)值根據(jù)粒子i的適應(yīng)度當(dāng)時(shí)，確定對(duì)應(yīng)的粒子的位置為進(jìn)行第k次粒子群搜索時(shí)該粒子i的個(gè)體最優(yōu)值當(dāng)時(shí)，確定對(duì)應(yīng)的粒子的位置為進(jìn)行第k次粒子群搜索時(shí)該粒子i的個(gè)體最優(yōu)值根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)的慣性權(quán)重值其中，kiter為最大搜索次數(shù)。作為另一種具體的實(shí)施方式，在實(shí)際應(yīng)用中，負(fù)荷模型參數(shù)確定單元61具體還可以用于：根據(jù)進(jìn)行第k次粒子群搜索時(shí)粒子i的位置確定粒子i的適應(yīng)度根據(jù)N個(gè)粒子的適應(yīng)度確定粒子群G的最小適應(yīng)度并根據(jù)確定進(jìn)行第k次粒子群搜索時(shí)粒子群G的全局最優(yōu)值根據(jù)粒子i的適應(yīng)度當(dāng)時(shí)，確定對(duì)應(yīng)的粒子的位置為進(jìn)行第k次粒子群搜索時(shí)該粒子i的個(gè)體最優(yōu)值當(dāng)時(shí)，確定對(duì)應(yīng)的粒子的位置為進(jìn)行第k次粒子群搜索時(shí)該粒子i的個(gè)體最優(yōu)值根據(jù)N個(gè)粒子的適應(yīng)度確定N個(gè)粒子的平均適應(yīng)度當(dāng)時(shí)，根據(jù)確定進(jìn)行第k次粒子群搜索的慣性權(quán)重值當(dāng)時(shí)，根據(jù)確定進(jìn)行第k次粒子群搜索的慣性權(quán)重值其中，kiter為最大搜索次數(shù)，c、d為取值在[0.1,0.6]之間的常數(shù)。進(jìn)一步的，作為一種優(yōu)選的實(shí)施方式，在實(shí)際應(yīng)用中，負(fù)荷模型參數(shù)確定單元61具體還可以用于：確定對(duì)應(yīng)的粒子為進(jìn)行第k次粒子群搜索時(shí)粒子群G的初始全局最優(yōu)值根據(jù)公式確定進(jìn)行第k次粒子群搜索時(shí)粒子群G的全局最優(yōu)值其中，μ為與具有相同維數(shù)、且服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)變量。另外，作為一種可選的實(shí)施方式，在實(shí)際應(yīng)用中，負(fù)荷模型參數(shù)確定單元61具體還可以用于：獲取負(fù)荷系統(tǒng)的實(shí)測(cè)數(shù)據(jù)，例如母線電壓U、輸入頻率f、有功功率P和無(wú)功功率Q；根據(jù)粒子i的位置所述母線電壓U和輸入頻率f，確定粒子i對(duì)應(yīng)的有功功率和無(wú)功功率根據(jù)有功功率無(wú)功功率與有功功率P、無(wú)功功率Q之間的差值，確定粒子i的適應(yīng)度本實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)，可以用來(lái)實(shí)現(xiàn)本發(fā)明圖3所示實(shí)施例提供的電力系統(tǒng)的負(fù)荷特性確定方法，其實(shí)現(xiàn)原理和技術(shù)效果類(lèi)似，此處不再贅述。進(jìn)一步的，在本發(fā)明的又一實(shí)施例中采用圖6所示的電力系統(tǒng)的負(fù)荷特性確定系統(tǒng)進(jìn)行電力系統(tǒng)負(fù)荷特性仿真。將種群大小設(shè)置為30，即隨機(jī)初始化30組負(fù)荷模型參數(shù)；粒子的最大速度限制為參數(shù)取值范圍的0.1倍，最大 搜索次數(shù)設(shè)置為1500次。仿真時(shí)分別采用以下三種算法進(jìn)行負(fù)荷模型參數(shù)辨識(shí)：1)線性遞減慣性權(quán)重粒子群算法(LinearlyDecreasingInertiaWeightPSO，簡(jiǎn)稱(chēng)LDW-PSO)，即在PSO算法迭代中采用線性遞減的慣性權(quán)重；2)S型慣性權(quán)重粒子群算法(PSOWithS-CurveInertiaWeight，S-PSO)，即在PSO算法迭代中采用確定慣性權(quán)重；3)改進(jìn)的S型慣性權(quán)重粒子群算法(ImprovedPSOWithS-CurveInertiaWeight，簡(jiǎn)稱(chēng)S-IPSO)，即在PSO算法迭代中采用確定慣性權(quán)重，并采用更新全局最優(yōu)值。電力系統(tǒng)的負(fù)荷特性的仿真結(jié)果如表2所示：表2電力系統(tǒng)的負(fù)荷特性仿真結(jié)果圖7為電力系統(tǒng)負(fù)荷運(yùn)行時(shí)吸收的有功功率的特性仿真示意圖，圖8為電力系統(tǒng)負(fù)荷運(yùn)行時(shí)吸收的無(wú)功功率的特性仿真示意圖。請(qǐng)參照?qǐng)D7和圖8所示，雖然通過(guò)上述三種負(fù)荷模型的參數(shù)辨識(shí)算法辨識(shí)出的負(fù)荷模型參數(shù)，都能對(duì)實(shí)際電力系統(tǒng)負(fù)荷特性進(jìn)行大致的擬合，但顯而易見(jiàn)的，通過(guò)S-PSO和S-IPSO在系統(tǒng)的有功功率和無(wú)功功率上的特性確定精度上，相對(duì)于LDW-PSO有較大的改進(jìn)，尤其是在負(fù)荷突變時(shí)，通過(guò)本發(fā)明實(shí)施例提供的負(fù)荷特性確定方法能更準(zhǔn)確的描述其突變過(guò)程，擬合出的波形更接近實(shí)際的負(fù)荷運(yùn)行曲線，從而驗(yàn)證了本發(fā)明實(shí)施例提供的負(fù)荷特性確定方法在動(dòng)態(tài)負(fù)荷特性研究中的有效性。本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成。前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。該程序在執(zhí)行時(shí)，執(zhí)行包括上述各方法實(shí)施例的步驟；而 前述的存儲(chǔ)介質(zhì)包括：ROM、RAM、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。當(dāng)前第1頁(yè)1 2 3