朱建全 劉 鋒 梅生偉 劉明波

(1.華南理工大學(xué)電力學(xué)院 廣州 5106402.電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(清華大學(xué)電機(jī)系) 北京 100084)

?

基于證據(jù)推理的電力負(fù)荷建模

朱建全1劉 鋒2梅生偉2劉明波1

(1.華南理工大學(xué)電力學(xué)院 廣州 5106402.電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(清華大學(xué)電機(jī)系) 北京 100084)

從信息融合的角度提出一種新的電力負(fù)荷建模方法。首先，以證據(jù)推理算法為基本理論工具，在傳統(tǒng)分類(lèi)建模方法的基礎(chǔ)上提出一種面向不同應(yīng)用環(huán)境的電力負(fù)荷建模方法框架；其次，基于證據(jù)推理算法建立具體的電力負(fù)荷模型，通過(guò)對(duì)不同來(lái)源、不同層次、不同時(shí)間的電力負(fù)荷信息的融合利用，以更準(zhǔn)確地描述負(fù)荷特性的復(fù)雜變化規(guī)律；再次，詳細(xì)討論了證據(jù)體的選擇及基本信度分配等具體問(wèn)題；最后，通過(guò)算例說(shuō)明了所提方法在在線仿真分析和預(yù)測(cè)仿真分析兩種應(yīng)用環(huán)境下的有效性。

電力負(fù)荷模型 信息融合 證據(jù)推理 在線仿真 預(yù)測(cè)仿真

0 引言

隨著現(xiàn)代電網(wǎng)的快速發(fā)展，電力系統(tǒng)對(duì)仿真分析的要求越來(lái)越高，這給電力負(fù)荷建模帶來(lái)了全新的挑戰(zhàn)[1]。尤其是在智能電網(wǎng)環(huán)境下，為了應(yīng)對(duì)系統(tǒng)運(yùn)行過(guò)程中可能出現(xiàn)的各種故障，提高自愈能力，電網(wǎng)需要進(jìn)行在線仿真分析，甚至進(jìn)行預(yù)測(cè)仿真分析[2，3]。在這種情況下，如何根據(jù)不同的應(yīng)用環(huán)境提供相應(yīng)的電力負(fù)荷模型以提高仿真分析的準(zhǔn)確度，成為一個(gè)重要問(wèn)題。

目前，已有的電力負(fù)荷建模方法可歸為統(tǒng)計(jì)綜合法、故障擬合法和總體測(cè)辨法3類(lèi)[4]。統(tǒng)計(jì)綜合法的主要思想是根據(jù)負(fù)荷節(jié)點(diǎn)包含的各類(lèi)用電設(shè)備的平均特性及它們所占的比例，逐步折算出電力負(fù)荷模型的參數(shù)[5]。但由于綜合負(fù)荷節(jié)點(diǎn)包含的用電設(shè)備數(shù)量巨大，調(diào)查統(tǒng)計(jì)難度較大。故障擬合法通過(guò)對(duì)負(fù)荷模型參數(shù)的不斷修正，使仿真曲線與實(shí)測(cè)的故障軌跡相擬合[6]。該方法手動(dòng)修正參數(shù)，適用于事故后的仿真分析，但難以在在線仿真分析或預(yù)測(cè)仿真分析等其他環(huán)境下進(jìn)行應(yīng)用。總體測(cè)辨法以負(fù)荷模型的輸出功率與實(shí)測(cè)功率的誤差最小化為目標(biāo)，求解優(yōu)化方程后便可得到相應(yīng)的模型參數(shù)[7-9]?？紤]到電力負(fù)荷的時(shí)變性，在總體測(cè)辨法的框架下，一般可先對(duì)電力負(fù)荷特性進(jìn)行聚類(lèi)，再分別建立每類(lèi)典型特性的模型[10-12]。這可通過(guò)有限的幾種電力負(fù)荷典型特性模型描述其時(shí)變規(guī)律，比單一的電力負(fù)荷模型具有更高的準(zhǔn)確度。但目前的研究主要在離線的方式下進(jìn)行負(fù)荷聚類(lèi)與分類(lèi)建模，較少涉及模型在不同環(huán)境下的應(yīng)用問(wèn)題。在對(duì)電力系統(tǒng)進(jìn)行在線仿真分析或預(yù)測(cè)仿真分析時(shí)，電力負(fù)荷信息的種類(lèi)、數(shù)量和完備性等與離線時(shí)差異較大，難以再通過(guò)聚類(lèi)的方式選擇恰當(dāng)?shù)哪Ｐ?，一般通過(guò)經(jīng)驗(yàn)進(jìn)行選定。實(shí)際上，在線仿真分析或預(yù)測(cè)仿真分析情況下的負(fù)荷特性是未知的，考慮到電力負(fù)荷的時(shí)變性、隨機(jī)性、離散性等特點(diǎn)，這是一個(gè)較為復(fù)雜的問(wèn)題[13]，僅憑人的經(jīng)驗(yàn)很難準(zhǔn)確把握，必須探討一種更為有效的解決方法。

證據(jù)推理(Evidence Reasoning，ER)是信息融合的重要理論，能為電力負(fù)荷建模提供一種有效的工具。該方法能在統(tǒng)一的信度框架下將不同來(lái)源、不同時(shí)間、不同層次、不同形式的信息進(jìn)行融合處理，從而形成對(duì)某一問(wèn)題的一致性解釋[14]。這有利于從各種電力負(fù)荷信息挖掘出其變化規(guī)律。同時(shí)，證據(jù)推理具有處理概率不確定性和模糊不確定性問(wèn)題的能力，這也有利于處理和表達(dá)電力負(fù)荷在實(shí)時(shí)或預(yù)測(cè)等環(huán)境下的信息不完備問(wèn)題。

本文擬以證據(jù)推理算法為基本理論工具，從信息融合的角度進(jìn)行負(fù)荷建模，為不同應(yīng)用環(huán)境下電力負(fù)荷建模問(wèn)題的解決提供一種新的思路。

1 總體思路

電力負(fù)荷模型能否揭示負(fù)荷特性的變化規(guī)律，在很大程度上取決于信息的利用水平。為了提高信息利用水平，首先根據(jù)電力負(fù)荷信息的特點(diǎn)和相互關(guān)系，提出電力負(fù)荷建模的信息利用原則，具體為：①利用歷史信息明確電力負(fù)荷的各種典型特性及它們相互轉(zhuǎn)換、變化的條件和規(guī)律；②根據(jù)在線仿真分析或預(yù)測(cè)仿真分析等應(yīng)用環(huán)境下的各種影響因素描述的條件，確定電力負(fù)荷的實(shí)際變化特性(為與典型特性模型進(jìn)行區(qū)別，下文統(tǒng)一將各種應(yīng)用環(huán)境下的負(fù)荷特性模型稱為綜合特性模型)。

為了描述電力負(fù)荷的典型特性，采用傳統(tǒng)的離線負(fù)荷特性聚類(lèi)和分類(lèi)建模方法。即先根據(jù)以往的量測(cè)數(shù)據(jù)，對(duì)負(fù)荷隨電壓的變化特性進(jìn)行聚類(lèi)，再逐類(lèi)建立相應(yīng)的電力負(fù)荷典型特性模型。在數(shù)據(jù)較為全面的情況下，這些典型特性基本涵蓋了電力負(fù)荷特性的變化范圍。

進(jìn)一步將證據(jù)推理算法引入電力負(fù)荷建模中，為了解決不同應(yīng)用環(huán)境下的電力負(fù)荷建模問(wèn)題，在基本信度分配環(huán)節(jié)，利用電力負(fù)荷的影響因素的歷史信息，描述各種典型特性出現(xiàn)和相互轉(zhuǎn)化的規(guī)律；在證據(jù)合成環(huán)節(jié)，則是要將應(yīng)用環(huán)境下的各種信息進(jìn)行全面融合利用，進(jìn)而在已有電力負(fù)荷典型特性模型的基礎(chǔ)上建立綜合特性模型。具體思路如圖1所示。

圖1 基于證據(jù)推理的電力負(fù)荷建模的基本框架Fig.1 Framework of load modeling via evidence reasoning

上述電力負(fù)荷建?？蚣芗仁菍?duì)傳統(tǒng)的聚類(lèi)分析和分類(lèi)建模方法的發(fā)展，又能為各類(lèi)信息在電力負(fù)荷建模中的應(yīng)用提供一種重要途徑，還能適用于不同的仿真應(yīng)用環(huán)境，因而具有良好的開(kāi)放性。

2 證據(jù)推理算法

證據(jù)推理的基本理論可通過(guò)以下定義進(jìn)行描述[15]：

定義1 對(duì)于某一決策問(wèn)題，若Θ={θ1,θ2,…,θn}為命題的假設(shè)空間，θi滿足窮盡性、互斥性和獨(dú)立性，則稱Θ為該命題的辨識(shí)框架。2Θ為Θ的所有子集構(gòu)成的集合，稱為冪集。

定義2 假設(shè)Θ為辨識(shí)框架，如果集函數(shù)m∶2Θ→[0，1](2Θ為Θ的冪集)滿足

(1)

則稱m為框架Θ下的基本信度分配或BBA(Basic Belief Assignment，BBA)；?A?Θ，m(A)為A的基本信度分配函數(shù)或Mass函數(shù)。若m(A)>0，則稱A為證據(jù)的焦元，所有焦元的集合稱為核。

定義3 假設(shè)Θ為辨識(shí)框架，對(duì)給定的Mass函數(shù)，若

(2)

則稱Bel(A)為框架Θ下的信度函數(shù)。

定義4 假設(shè)Θ為辨識(shí)框架，對(duì)給定的Mass函數(shù)，若

(3)

則稱Pl(A)為框架Θ下的似真函數(shù)。

在上述定義中，辨識(shí)框架Θ表示問(wèn)題的決策空間；m(A)表示支持該決策空間下命題(或焦元)A成立的程度，但不支持A的真子集；(A，m(A))組成一個(gè)證據(jù)體。對(duì)于同一辨識(shí)框架下不同證據(jù)體的信度函數(shù)，可通過(guò)Dempster合成公式計(jì)算出一個(gè)總的信度，以表示綜合考慮多個(gè)證據(jù)體的信息后各命題成立的可能性。這能有效提高信息利用水平并改善決策效果。

定義5 設(shè)Bel1,Bel2,…,Beln是同一辨識(shí)框架Θ下的n個(gè)信度函數(shù)，對(duì)應(yīng)的Mass函數(shù)分別為m1,m2,…,mn，核分別為{B1,B2,…,Bs}、{C1,C2,…,Ct}、…、{D1,D2,…,Dr}，則m1,m2,…,mn的合成公式為

(4)

3 基于證據(jù)推理算法的負(fù)荷模型

3.1 辨識(shí)框架與模型結(jié)構(gòu)

為了對(duì)電力負(fù)荷綜合特性進(jìn)行建模，先將各類(lèi)負(fù)荷信息視為L(zhǎng)個(gè)證據(jù)體ei(i=1,2,…,L)，則相應(yīng)的證據(jù)體的集合可表示為

E={e1,e2, …,eL}

(5)

定義電力負(fù)荷的各類(lèi)典型特性模型為θn(n=1,2,…,N)， 則可得到所有典型特性模型的集合為

Θ={θ1,θ2, …,θN}

(6)

式中N為電力負(fù)荷典型特性模型的數(shù)量。

式(6)提供了完備的電力負(fù)荷典型特性模型。由于各個(gè)典型特性模型是有窮、互斥、獨(dú)立的，故Θ可作為電力負(fù)荷綜合特性建模過(guò)程中證據(jù)推理算法的辨識(shí)框架。在此辨識(shí)框架下，對(duì)電力負(fù)荷綜合特性y進(jìn)行建模實(shí)際上就是對(duì)如下的非線性問(wèn)題進(jìn)行辨識(shí)：

y=f(e1,e2, …,eL)

(7)

在式(7)所示的電力負(fù)荷綜合特性模型中，輸入變量ei(i=1,…,L)為證據(jù)體，應(yīng)先將其轉(zhuǎn)換為信度分布的形式。根據(jù)證據(jù)體ei與電力負(fù)荷典型特性模型θn的關(guān)系有

(8)

式中mi(θn)表示根據(jù)證據(jù)體ei將y推斷為θn的信度，即ei的基本信度分配。

利用證據(jù)推理算法對(duì)式(8)所示的各種證據(jù)體的信度分布形式的信息進(jìn)行有效融合，即可相應(yīng)得到信度分布形式下的電力負(fù)荷綜合特性模型為

O(y)={m(θn),m(Θ),n=1,…,N}

(9)

采用式(9)進(jìn)行信息融合后，O(y)描述了電力負(fù)荷綜合特性的總體情況，并提供電力負(fù)荷在某種應(yīng)用環(huán)境下處于何種典型特性以及相應(yīng)的信度分配情況。其中，m(θn)、(m(θn)+m(Θ))分別為電力負(fù)荷綜合特性模型y被推斷為典型特性模型θn的信度的下界和上界，這種置信區(qū)間的方式較好地表示了客觀存在的電力負(fù)荷信息的不完備性引起的不確定性。但對(duì)于實(shí)際電力系統(tǒng)而言，負(fù)荷模型應(yīng)能有效反映電壓變化情況下的負(fù)荷功率變化特性，這就需要通過(guò)數(shù)值的形式將式(9)中的O(y)進(jìn)行等價(jià)變換。

假定各類(lèi)電力負(fù)荷典型特性模型的輸出值為y(θn)(n=1,…,N)， 則式(9)可等效為

(10)

通過(guò)式(10)即可建立應(yīng)用環(huán)境下的電力負(fù)荷綜合特性模型。該模型能對(duì)多源信息進(jìn)行融合利用，有利于更好地描述電力負(fù)荷的復(fù)雜變化規(guī)律。

3.2 證據(jù)體的選擇與基本信度分配

理論上，與電力負(fù)荷特性及其影響因素相關(guān)的信息均可用作證據(jù)體。比如，季節(jié)類(lèi)型、氣溫、工作日類(lèi)型、時(shí)間段類(lèi)型、社會(huì)各行業(yè)的發(fā)展程度、政府節(jié)能減排政策等因素均會(huì)影響人們的用電行為，進(jìn)而改變電力負(fù)荷特性。電力系統(tǒng)拓樸結(jié)構(gòu)變化、供需互動(dòng)情況、負(fù)荷率、大負(fù)荷用電情況等與電力系統(tǒng)的狀態(tài)及運(yùn)行管理方式相關(guān)的因素也會(huì)在一定程度上影響電力負(fù)荷特性。這些因素是電力負(fù)荷特性變化的內(nèi)在動(dòng)力，在預(yù)測(cè)仿真環(huán)境下均可用作證據(jù)體。在在線負(fù)荷建模的情況下，除了電力負(fù)荷的相關(guān)影響因素外，各種電力負(fù)荷典型特性與實(shí)際負(fù)荷特性的誤差也可用作證據(jù)體，并提供重要信息。在應(yīng)用中，可結(jié)合電力系統(tǒng)的實(shí)際條件，以可用性、全面性、便利性為原則具體選擇。

在將電力負(fù)荷特性的各種影響因素的信息作為證據(jù)體時(shí)，各種證據(jù)體的基本信度分配可通過(guò)數(shù)據(jù)統(tǒng)計(jì)、專(zhuān)家經(jīng)驗(yàn)、概率密度分布函數(shù)等多種方式實(shí)現(xiàn)。本文采用的是數(shù)據(jù)統(tǒng)計(jì)的方式，即在電力負(fù)荷典型特性聚類(lèi)分析的基礎(chǔ)上，根據(jù)歷史負(fù)荷信息中每種證據(jù)體在各類(lèi)電力負(fù)荷典型特性中出現(xiàn)的頻數(shù)計(jì)算其基本信度分配情況，具體描述為

(11)

式中：mi(θn)為證據(jù)體ei賦予典型特性模型θn的信度；mi(Θ)為ei賦予整個(gè)辨識(shí)框架Θ的信度；pi為某一小于1的正數(shù)，用以描述根據(jù)證據(jù)體ei無(wú)法判斷何種典型特性模型成立的情況；ki,n為證據(jù)體ei在第n類(lèi)電力負(fù)荷典型特性中出現(xiàn)的次數(shù)。

在將在線量測(cè)信息用作證據(jù)體時(shí)，考慮到各類(lèi)電力負(fù)荷典型特性出現(xiàn)的可能性與其誤差情況具有緊密的關(guān)系，即若某類(lèi)電力負(fù)荷典型特性與實(shí)際負(fù)荷特性的誤差越小，該類(lèi)典型特性出現(xiàn)的可能性就越大；反之則該類(lèi)典型特性出現(xiàn)的可能性就越小，故其基本信度分配情況可描述為

(12)

其中

bj,n=‖ym-y(θn)‖2

(13)

式中：mj(θn)為在線量測(cè)得到的證據(jù)體ej賦予典型特性模型θn的信度；mj(Θ)為證據(jù)體ej賦予整個(gè)辨識(shí)框架Θ的信度；0≤pj≤1表示證據(jù)體ej的信息完備性；bj,n為第n類(lèi)電力負(fù)荷典型特性與實(shí)際負(fù)荷特性的誤差；ym為在線量測(cè)功率矢量；y(θn)為第n類(lèi)電力負(fù)荷典型特性模型的輸出功率矢量。

4 算例分析

采用傳統(tǒng)的電力負(fù)荷典型特性聚類(lèi)和建模方法，建立某一電力負(fù)荷的4種典型特性模型。給定相同的電壓激勵(lì)，這4種典型特性模型的功率響應(yīng)如圖2所示。其中，假定應(yīng)用環(huán)境下的實(shí)際電力負(fù)荷特性為典型特性2。將這4種典型特性模型作為證據(jù)推理算法的辨識(shí)框架，記為Θ={θ1,θ2,θ3,θ4}。選取日期類(lèi)型、時(shí)段類(lèi)型、負(fù)荷水平、氣溫4種影響因素的信息作為證據(jù)體，它們?cè)诓煌湫吞匦灾谐霈F(xiàn)的比例如表1所示，對(duì)應(yīng)的基本信度分配函數(shù)分別記為m1、m2、m3和m4?；谧C據(jù)推理算法建立電力負(fù)荷綜合特性模型，具體采用以下3種方式：

BOOST電路是一種升壓斬波型電路，它具有兩種工作模式：電感電流連續(xù)模式（CCM）和電感電流斷續(xù)模式（DCM）[11-12]。文中以CCM為設(shè)計(jì)對(duì)象，所以只分析在CCM模式下BOOST電路的工作狀態(tài)。

1)不考慮信息的完備程度，直接根據(jù)電力負(fù)荷各種影響因素建立面向預(yù)測(cè)仿真的綜合特性模型。此時(shí)pi直接置為0。

2)考慮預(yù)測(cè)信息的完備程度，從電力負(fù)荷的各種影響因素建立面向預(yù)測(cè)仿真的綜合特性模型。此時(shí)參數(shù)設(shè)置為：p1=p2=p3=0，p4=0.3。

3)將電力負(fù)荷的在線量測(cè)信息作為新的證據(jù)體，與其他影響因素的證據(jù)體進(jìn)行綜合應(yīng)用，建立面向在線仿真分析的綜合特性模型。在計(jì)算量測(cè)信息的基本信度時(shí)，選取擾動(dòng)發(fā)生后150 ms的數(shù)據(jù)。其他參數(shù)設(shè)置與方式2相同。

圖2 各種典型特性在同一電壓激勵(lì)下的功率響應(yīng)Fig.2 Power response of various typical characteristics with the same voltage

表1 各證據(jù)體在不同典型特性中出現(xiàn)的比例(%)Tab.1 Proportion of evidences in various typical characteristics(%)

為了更好地進(jìn)行對(duì)比，算例還計(jì)算了各種方式建立的負(fù)荷模型的最大誤差和平均誤差，其計(jì)算公式為

(14)

(15)

根據(jù)表1統(tǒng)計(jì)的各種證據(jù)體在不同典型特性中出現(xiàn)的比例以及pi的取值情況，利用式(11)便可計(jì)算得到這4種證據(jù)體的基本信度。在不同方式下采用式(4)對(duì)這些證據(jù)體的基本信度進(jìn)行合成，從而得到各種典型特性模型的信度，具體如表2所示。通過(guò)這種信度的方式，可較好地描述電力負(fù)荷特性在不同仿真應(yīng)用環(huán)境下的變化規(guī)律。

表2 證據(jù)推理結(jié)果Tab.2 Evidence synthesis results

在表2得到的各種典型特性模型的信度的基礎(chǔ)上，進(jìn)一步建立3種方式下電力負(fù)荷綜合特性模型，仿真分析結(jié)果如圖3～圖5和表3所示。由表3可見(jiàn)，按方式1建立的電力負(fù)荷綜合特性模型的誤差相對(duì)較大，其有功功率的最大誤差和平均誤差分別為5.182 7%和0.799 2%，無(wú)功功率的最大誤差和平均誤差也達(dá)到9.575 8%和1.712 7%。這是因?yàn)椋陬A(yù)測(cè)仿真分析情況下，部分證據(jù)體提供的信息并不能充分反映電力負(fù)荷特性的變化規(guī)律，尤其是證據(jù)體4以較低的信度支持典型特性2，這就使所建立的模型準(zhǔn)確度有所下降。

圖3 方式1的仿真分析結(jié)果Fig.3 Test results in way 1

圖4 方式2的仿真分析結(jié)果Fig.4 Test results in way 2

圖5 方式3的仿真分析結(jié)果Fig.5 Test results in way 3

表3 不同情況下的模型誤差Tab.3 Model errors in various conditions

方式2在方式1的基礎(chǔ)上進(jìn)一步考慮了信息完備性后，電力負(fù)荷綜合特性模型的有功功率的最大誤差與平均誤差分別下降為3.439 0%和0.517 8%，無(wú)功功率的最大誤差與平均誤差也相應(yīng)下降為6.204 8%和1.128 5%。這是因?yàn)?，在考慮了信息的完備性后，與實(shí)際負(fù)荷特性變化規(guī)律差異較大的證據(jù)體4被賦予了一定的未知信度，從而弱化了它對(duì)合成結(jié)果的影響。通過(guò)考慮信息完備性的方式，可對(duì)各種信息的可靠性進(jìn)行度量，并在信息融合過(guò)程中進(jìn)行區(qū)別處理，從而得到更為準(zhǔn)確的電力負(fù)荷綜合特性模型。

相對(duì)于方式1與方式2而言，方式3屬于在線建模的范疇，除了可利用各種影響因素的信息，還能利用在線量測(cè)信息。此時(shí)，電力負(fù)荷綜合特性模型的誤差又得到了進(jìn)一步的下降，其有功功率的最大誤差和平均誤差僅為0.054 7%和0.008 0%，無(wú)功功率的最大誤差和平均誤差也只有0.243 4%和0.041 4%。這說(shuō)明電力負(fù)荷在線量測(cè)信息對(duì)于提高電力負(fù)荷綜合特性模型的準(zhǔn)確度具有重要意義。

在線負(fù)荷建模對(duì)計(jì)算速度具有較高的要求。在本文所提的方法中，已通過(guò)離線方式建立了電力負(fù)荷典型特性模型，只需根據(jù)證據(jù)推理算法的信度合成結(jié)果便可形成相應(yīng)的綜合特性模型。這節(jié)省了較多的計(jì)算時(shí)間。在本算例中，采用CPU為1.83 GHz的電腦進(jìn)行電力負(fù)荷綜合特性建模，耗時(shí)僅為0.017 6 s，這能較好地滿足在線負(fù)荷建模的要求。

5 結(jié)論

本文提出了一種基于證據(jù)推理的電力負(fù)荷建模方法，得出主要結(jié)論如下：

1)本文所提方法將證據(jù)推理算法應(yīng)用于電力負(fù)荷建模，能夠在統(tǒng)一的信度框架下對(duì)多源信息進(jìn)行融合處理，從而形成對(duì)電力負(fù)荷特性的一致性解釋?zhuān)欣诿枋鲭娏ω?fù)荷的復(fù)雜變化規(guī)律。

2)本文所提方法通過(guò)對(duì)傳統(tǒng)的電力負(fù)荷聚類(lèi)分析和分類(lèi)建模方法的有效發(fā)展，能為在線仿真分析、預(yù)測(cè)仿真分析等不同的應(yīng)用環(huán)境建立相應(yīng)的電力負(fù)荷模型，有利于提高現(xiàn)代電力系統(tǒng)仿真分析的準(zhǔn)確度。

3)在預(yù)測(cè)仿真分析環(huán)境下，可根據(jù)電力負(fù)荷相關(guān)影響因素的信息建立負(fù)荷模型。由于證據(jù)推理算法能夠考慮不同信息的完備程度，有利于削弱可靠性較低的信息的影響，提高建模準(zhǔn)確度。

4)在在線仿真分析環(huán)境下，可利用在線量測(cè)信息進(jìn)行電力負(fù)荷建模，并獲得較高的準(zhǔn)確度。同時(shí)本文所提方法具有較快的計(jì)算速度，能滿足在線建模的要求。

[1] 鄭競(jìng)宏.暫態(tài)電壓穩(wěn)定分析中的負(fù)荷建模法研究[D].北京：清華大學(xué)，2009.

[2] 周孝信.智能電網(wǎng)與電網(wǎng)仿真分析[EB/OL].[2011-7-18].http：//wenku.baidu.com/link?url=lBVR8h FrxROlLe6XBMac5EvcNg5pberBFqxN7hD499el3_1r0W Zx55_vv7FSehIfBaXJ8NjDXGBIPkTLZ03ZNPyJ2eXog1ge zKIA33jpFba.

[3] 余貽鑫，欒文鵬.智能電網(wǎng)[J].電網(wǎng)與清潔能源，2009，25(1)：7-11. Yu Yixin，Luan Wenpeng.Smart grid[J].Power System and Clean Energy，2009，25(1)：7-11.

[4] 湯涌.電力負(fù)荷的數(shù)學(xué)模型與建模技術(shù)[M].北京：科學(xué)出版社，2012.

[5] 蘇天諾，鄒明軒，彭光強(qiáng)，等.基于統(tǒng)計(jì)綜合法和三電平特性的高速動(dòng)車(chē)組暫態(tài)負(fù)荷建模[J].電工技術(shù)學(xué)報(bào)，2014，29(6)：257-262. Su Tiannuo，Zou Mingxuan，Peng Guangqiang，et al.Transient load modeling of high speed multiple units based on the statistical syntheses method and three-Level characteristics[J].Transactions of China Electrotechnical Society，2014，29(6)：257-262.

[6] 鞠平，劉偉航，項(xiàng)麗，等.電力系統(tǒng)負(fù)荷建模的自動(dòng)故障擬合法[J].電力系統(tǒng)自動(dòng)化，2013，37(10)：60-64. Ju Ping，Liu Weihang，Xiang Li，et al.Automatic post-disturbance simulation based method for power system load modeling[J].Automation of Electric Power Systems，2013，37(10)：60-64.

[7] 王振樹(shù)，卞紹潤(rùn)，劉曉宇，等.基于混沌與量子粒子群算法相結(jié)合的負(fù)荷模型參數(shù)辨識(shí)研究[J].電工技術(shù)學(xué)報(bào)，2014，29(12)：211-217. Wang Zhenshu，Bian Shaorun，Liu Xiaoyu，et al.Research on load model parameter identification based on the CQDPSO algorithm[J].Transactions of China Electrotechnical Society，2014，29(12)：211-217.

[8] 黃玉龍，陳迅，劉明波，等.動(dòng)態(tài)負(fù)荷模型參數(shù)辨識(shí)的微分進(jìn)化算法[J].電工技術(shù)學(xué)報(bào)，2013，28(11)：270-277. Huang Yulong，Chen Xun，Liu Mingbo，et al.Differential evolution algorithm for dynamic load model parameter identification[J].Transactions of China Electrotechnical Society，2013，28(11)：270-277.

[9] 賀仁睦，葉靜，徐歡，等.計(jì)及頻率特性的實(shí)測(cè)負(fù)荷建模[J].電工技術(shù)學(xué)報(bào)，2011，26(5)：165-170，183. He Renmu，Ye Jing，Xu Huan，et al.Measurement- based load modeling considering frequency characteristics[J].Transactions of China Electrotechnical Society，2011，26(5)：165-170，183.

[10]Dong Han，Jin Ma，He Renmu，et al.A real application of measurement-based load modeling in large-scale power grids and its validation[J].IEEE Transactions on Power Systems，2009，24(4)：1756- 1763.

[11]林濟(jì)鏗，劉露，張聞博，等.基于隨機(jī)模糊聚類(lèi)的負(fù)荷建模與參數(shù)辨識(shí)[J].電力系統(tǒng)自動(dòng)化，2013，37(14)：50-58. Lin Jikeng，Liu Lu，Zhang Wenbo，et al.Load modeling and parameter identification based on random fuzziness clustering[J].Automation of Electric Power Systems，2013，37(14)：50-58.

[12]李培強(qiáng)，李欣然，陳輝華，等.基于模糊聚類(lèi)的電力負(fù)荷特性的分類(lèi)與綜合[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(24)：73-78. Li Peiqiang，Li Xinran，Chen Huihua，et al.The characteristics classification and synthesis of power load based on fuzzy clustering[J].Proceedings of the CSEE，2005，25(24)：73-78.

[13]鞠平.電力系統(tǒng)建模理論與方法[M].2版.北京：科學(xué)出版社，2010.

[14]Dempster A P.Upper and lower probabilities induced by a multivalued mapping[J].Classic Works of the Dempster-Shafer Theory of Belief Functions，2008，219：57-72.

[15]Shafer G.A Mathematical Theory of Evidence[M].Princeton：Princeton University Press，1976.

Electric Load Modeling Based on Evidence Reasoning

ZhuJianquan1LiuFeng2MeiShengwei2LiuMingbo1

(1.School of Electric Power Engineering South China University of Technology Guangzhou 510640 China 2.State Key Laboratory of Power Systems Department of Electrical Engineering Tsinghua University Beijing 100084 China)

A novel electric load modeling method is presented from the view of information fusion.First，the framework of electric load modeling is given with the evidence reasoning algorithm as a basic theoretical tool，which not only develops the traditional classification and modeling method in a new way，but also satisfies the needs of simulations in various environments.Secondly，the electric load model is built in detail based on the evidence reasoning algorithm.With the model，information of electric load from various sources，levels，and times can be fully utilized and the complex load characteristics are described accurately.The specific links，e.g.the choice of evidences and the assignment of basic reliability，are also analyzed.The simulation results demonstrate its effectiveness in the online simulation and predictive simulation，respectively.

Electric load model，information fusion，evidence reasoning，online simulation，predictive simulation

國(guó)家自然科學(xué)基金(51307064)，廣東自然科學(xué)基金(S2013040015586)，高等學(xué)校博士學(xué)科點(diǎn)專(zhuān)項(xiàng)科研基金(20130172120044)和中央高?；究蒲袠I(yè)務(wù)費(fèi)(2013ZM0022)資助項(xiàng)目。

2015-02-03 改稿日期2015-05-13

TM714

朱建全 男，1982年生，博士，研究方向?yàn)殡娏ο到y(tǒng)模型辨識(shí)與參數(shù)估計(jì)。

劉 鋒 男，1977年生，博士，副教授，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行、分析與控制。(通信作者)