戴嘉祺，郝麗麗（南京工業(yè)大學(xué)電氣工程與控制科學(xué)學(xué)院，江蘇南京　211816）

?

負(fù)荷模型辨識(shí)中廣域電網(wǎng)負(fù)荷空間分類

戴嘉祺，郝麗麗
（南京工業(yè)大學(xué)電氣工程與控制科學(xué)學(xué)院，江蘇南京211816）

KEY W0RDS：1oad mode1；sPace c1assification；fuzzy means c1ustering；1oad nature

摘要：提出了負(fù)荷模型辨識(shí)中廣域電網(wǎng)負(fù)荷的空間分類方法，基于工業(yè)、商業(yè)、農(nóng)業(yè)、居民及其他負(fù)荷的典型值數(shù)據(jù)，通過(guò)模糊均值聚類（FCM）算法對(duì)負(fù)荷按負(fù)荷性質(zhì)空間分類，輔以靈敏度計(jì)算公式確定重點(diǎn)辨識(shí)參數(shù)，進(jìn)而以遺傳優(yōu)化算法并結(jié)合暫態(tài)過(guò)程各種擾動(dòng)設(shè)置中電壓響應(yīng)曲線的交互計(jì)算，以全網(wǎng)母線電壓跌落最為嚴(yán)重的母線作為觀察變量，辨識(shí)修正負(fù)荷模型參數(shù)，并以不分類、區(qū)域分類兩種方法與文中所提出方法作對(duì)比，仿真結(jié)果表明，按負(fù)荷性質(zhì)分類具有合理性與有效性。

關(guān)鍵詞：負(fù)荷模型；空間分類；模糊均值聚類；負(fù)荷性質(zhì)

電力系統(tǒng)負(fù)荷模型是電力系統(tǒng)仿真分析的基礎(chǔ)，對(duì)電力系統(tǒng)動(dòng)態(tài)仿真結(jié)果有重要影響。然而在實(shí)際工程中多次發(fā)現(xiàn)仿真結(jié)果無(wú)法重現(xiàn)真實(shí)的動(dòng)態(tài)過(guò)程，仿真的有效性問(wèn)題亟待解決[1-2]，負(fù)荷模型直接影響到電力系統(tǒng)靜態(tài)、動(dòng)態(tài)和暫態(tài)特性的分析計(jì)算。廣域電力系統(tǒng)涵蓋的負(fù)荷節(jié)點(diǎn)較多，若對(duì)每個(gè)負(fù)荷節(jié)點(diǎn)都采用不同的模型參數(shù)，則不管是建模還是計(jì)算，都十分困難。但如果對(duì)所有節(jié)點(diǎn)都采用相同的模型參數(shù)，雖然簡(jiǎn)單，卻不符合實(shí)際。負(fù)荷自身的時(shí)變性、多樣性、地域分散性問(wèn)題為負(fù)荷建模帶來(lái)不小的困難。研究發(fā)現(xiàn)，若依據(jù)負(fù)荷特性的相似性，將具有同類特性的負(fù)荷點(diǎn)歸結(jié)為一類，則可極大地提高負(fù)荷建模的準(zhǔn)確性與有效性。國(guó)內(nèi)外電力工作者一直致力于研究適用于負(fù)荷建模的各種負(fù)荷分類策略[3-5]。負(fù)荷點(diǎn)分類涉及特征向量的選取與數(shù)據(jù)聚類，選取的樣本特征向量應(yīng)能完全代表樣本的本質(zhì)特征。而聚類方法的選擇具有廣泛性，一般分為硬聚類和軟聚類，基于不同的聚類原則與實(shí)際需要，選擇合適的聚類方法[6-8]。

本文考慮到負(fù)荷的時(shí)變特性提出大區(qū)電網(wǎng)負(fù)荷的空間分類及統(tǒng)一辨識(shí)方法，以負(fù)荷用電性質(zhì)構(gòu)成比例為特征向量，用模糊C均值聚類（fuzzy C means，F(xiàn)CM）作為負(fù)荷節(jié)點(diǎn)分類方法，從空間層面對(duì)負(fù)荷節(jié)點(diǎn)進(jìn)行分類，以靈敏度分析確定重點(diǎn)辨識(shí)參數(shù)，用遺傳算法實(shí)現(xiàn)負(fù)荷模型參數(shù)的優(yōu)化辨識(shí)。最后，本文在IEEE 39節(jié)點(diǎn)系統(tǒng)上仿真驗(yàn)證該分類方法的有效性與實(shí)用性。

1　廣域電網(wǎng)負(fù)荷模型

廣域電網(wǎng)節(jié)點(diǎn)負(fù)荷面廣量大，負(fù)荷分散，具有隨機(jī)和時(shí)變性，對(duì)廣域系統(tǒng)所有負(fù)荷節(jié)點(diǎn)逐一精確建模，難度很大也沒(méi)有必要[9]。為了兼顧仿真計(jì)算的高效性和準(zhǔn)確性，一般按負(fù)荷的所屬區(qū)域統(tǒng)一設(shè)置負(fù)荷模型參數(shù)，雖然便于管理，但忽視了區(qū)內(nèi)各節(jié)點(diǎn)負(fù)荷特性的不同[5]。本文建議在整個(gè)電網(wǎng)按負(fù)荷特征分類，或在較大的負(fù)荷所屬區(qū)內(nèi)進(jìn)一步按特征將負(fù)荷分類，令同一類負(fù)荷節(jié)點(diǎn)具有相同的負(fù)荷模型參數(shù)，同步確定負(fù)荷模型參數(shù)。一般來(lái)說(shuō)，商業(yè)負(fù)荷、居民及其他負(fù)荷大都為靜態(tài)用電設(shè)備，包含一部分的電動(dòng)機(jī)，農(nóng)業(yè)負(fù)荷以灌溉馬達(dá)為主，而工業(yè)負(fù)荷則以電動(dòng)機(jī)為主。本文采用感應(yīng)電動(dòng)機(jī)并聯(lián)靜態(tài)模型的綜合負(fù)荷模型來(lái)表示各負(fù)荷節(jié)點(diǎn)的模型，其中在靜態(tài)負(fù)荷模型中，頻率影響相對(duì)較弱，只考慮電壓影響，靜態(tài)負(fù)荷模型的多項(xiàng)式表達(dá)式為

式中：P，Q為負(fù)荷的有功和無(wú)功功率；P0，Q0，U0，f0為負(fù)荷穩(wěn)態(tài)值；Ap，Bp，Cp和Aq，Bq，Cq分別為有功、無(wú)功電壓特性參數(shù)，滿足Ap＋Bp＋Cp＝1，Aq＋Bq＋Cq＝1。動(dòng)態(tài)負(fù)荷選取IEEE協(xié)會(huì)推薦的三階感應(yīng)電動(dòng)機(jī)模型。

2　基于負(fù)荷用電性質(zhì)比例的節(jié)點(diǎn)分類

2.1分類特征的選取

就用電性質(zhì)而言，負(fù)荷一般可分為工業(yè)、商業(yè)、農(nóng)業(yè)、居民及其他負(fù)荷。電力系統(tǒng)仿真中，負(fù)荷節(jié)點(diǎn)一般集中反映了該節(jié)點(diǎn)所接各類負(fù)荷的匯總特征。為了能更直接快速地提取負(fù)荷特征，本文用以上4種不同用電性質(zhì)負(fù)荷占所接入負(fù)荷節(jié)點(diǎn)總負(fù)荷量的比例作為該負(fù)荷節(jié)點(diǎn)的特征Xk（k＝1，2，…，n），即第k個(gè)負(fù)荷點(diǎn)上第i類負(fù)荷所占的比重記作χki，Xk＝χk1＋χk2＋…＋χki。統(tǒng)計(jì)表明，各種性質(zhì)負(fù)荷的恒阻抗、恒電流、恒阻抗參數(shù)Ap0，Aq0，Bp0，Bq0，Cp0，Cq0，Kpm0，Kqm0具有較為固定的分布規(guī)律[10]。因此，可以根據(jù)各節(jié)點(diǎn)用電性質(zhì)負(fù)荷比例得到近似的負(fù)荷模型參數(shù)Ap，Aq，Bp，Bq，Cp，Cq，Kpm，Kqm。

2.2基于FCM算法的負(fù)荷節(jié)點(diǎn)分類

本文采用模糊C均值聚類算法（FCM），依據(jù)2.1節(jié)中所選負(fù)荷節(jié)點(diǎn)特征，用隸屬度函數(shù)判斷負(fù)荷節(jié)點(diǎn)的分類情況。把n個(gè)負(fù)荷節(jié)點(diǎn)的特征Xk分為c個(gè)模糊類，并求取每類的聚類中心，使得類內(nèi)加權(quán)誤差平方和函數(shù)達(dá)到最小。各類的聚類中心組成隸屬度矩陣U，每個(gè)給定數(shù)據(jù)點(diǎn)用[0，1]間的隸屬度μik來(lái)確定其屬于各組的程度，一個(gè)負(fù)荷點(diǎn)各行業(yè)的隸屬度總和為1。即：

式中：c為聚類數(shù)；n為樣本個(gè)數(shù)；μik為隸屬度值。根據(jù)負(fù)荷特征進(jìn)行分類，分類個(gè)數(shù)可根據(jù)FCM的算法提出者Bezdek給出的經(jīng)驗(yàn)表達(dá)式確定，其中c為分類的個(gè)數(shù)，n為樣本數(shù)。c的取值使得內(nèi)中距最小，類間距最大。內(nèi)中距是指同類中與其類中心的離差平方和，函數(shù)表達(dá)式如下：

不同類的類間距的函數(shù)表達(dá)式是：

式中：m為權(quán)值，1≤m≤∞，隸屬度μik，i＝1，2，…，c；k＝1，2，…，n，定義樣本元素Xk＝（χ1，χ2，…，χn），k＝1，2，…，n；聚類中心的向量表達(dá)式Vi如下：

3　各類負(fù)荷節(jié)點(diǎn)的統(tǒng)一辨識(shí)

3.1參數(shù)的選取與目標(biāo)函數(shù)確定

為簡(jiǎn)化問(wèn)題，本文假設(shè)各節(jié)點(diǎn)感應(yīng)電動(dòng)機(jī)參數(shù)已明確，僅考慮負(fù)荷節(jié)點(diǎn)上各類靜態(tài)負(fù)荷和動(dòng)態(tài)負(fù)荷占總負(fù)荷大小的比例參數(shù)以及靜態(tài)多項(xiàng)式負(fù)荷模型參數(shù)，其中Cp＝1-Ap-Bp，Cq＝1-Aq-Bq。故所需辨識(shí)的參數(shù)為Ap、Aq、Bp、Bq、Kpm、Kqm，根據(jù)2.2節(jié)所述將樣本聚類，將每類負(fù)荷的聚類中心作為該類負(fù)荷參數(shù)辨識(shí)的初始值。

同一組模型參數(shù)，對(duì)于不同負(fù)荷模型其響應(yīng)是不同的，在進(jìn)行模型辨識(shí)的過(guò)程中，目標(biāo)函數(shù)的返回值都是模型響應(yīng)與實(shí)測(cè)響應(yīng)的誤差值。在以往的文獻(xiàn)中，選用有功無(wú)功值的均方差公式作為目標(biāo)函數(shù)，當(dāng)有功無(wú)功數(shù)值上相差較大時(shí)，會(huì)出現(xiàn)辨識(shí)不合理的情況。本文選用的目標(biāo)函數(shù)是基于模型電壓響應(yīng)與實(shí)測(cè)電壓響應(yīng)的電壓均方百分比誤差函數(shù)，誤差值收斂精度為10-3級(jí)，當(dāng)誤差值Jm小于等于10-3時(shí)，則認(rèn)為模型響應(yīng)與實(shí)測(cè)響應(yīng)擬合情況較好。不考慮參數(shù)的物理意義，其極小化目標(biāo)函數(shù)可以表示為：

式中：N為動(dòng)態(tài)響應(yīng)變量采樣點(diǎn)數(shù)；Vm（k）為實(shí)測(cè)電壓動(dòng)態(tài)響應(yīng)變量第k個(gè)點(diǎn)的采樣值；V（k）為模型電壓動(dòng)態(tài)響應(yīng)變量第k個(gè)點(diǎn)的采樣值。

3.2基于差異靈敏度減少辨識(shí)參數(shù)

在實(shí)際過(guò)程中，每類負(fù)荷節(jié)點(diǎn)采用相同的負(fù)荷模型，如果廣域系統(tǒng)中共M類負(fù)荷，每類負(fù)荷需要辨識(shí)的參數(shù)是β個(gè)，那么整個(gè)系統(tǒng)需要辨識(shí)的參數(shù)共為Mβ個(gè)，待辨識(shí)參數(shù)過(guò)多會(huì)增加計(jì)算量，需要盡量減少參數(shù)優(yōu)化的維數(shù)。本文以參考系統(tǒng)電壓跌落最嚴(yán)重的母線電壓作為觀察變量，基于本節(jié)的差異靈敏度的方法對(duì)模型待辨識(shí)參數(shù)進(jìn)行篩選，若變量關(guān)于負(fù)荷模型參數(shù)的靈敏度越大，表明該參數(shù)對(duì)變量的影響越大，即可以優(yōu)先辨識(shí)這些靈敏度大的參數(shù)，使模型系統(tǒng)響應(yīng)更快地接近參考系統(tǒng)軌跡；反之，對(duì)于那些靈敏度小的參數(shù)，可以用典型值替代。

任何參數(shù)的攝動(dòng)都會(huì)影響功角穩(wěn)定裕度和電壓可接受裕度，進(jìn)而影響受擾軌跡的差異度，因而據(jù)此原理可以反向指導(dǎo)參數(shù)識(shí)別。靈敏度函數(shù)的表達(dá)式為：

在對(duì)參數(shù)進(jìn)行第i步迭代時(shí)，用數(shù)值攝動(dòng)法求出一階靈敏度系數(shù)Li，進(jìn)而得出校正后的參數(shù)αi＋1，式中ΔJi代表上述的模型系統(tǒng)與參考系統(tǒng)誤差，Li的絕對(duì)值的大小反映靈敏度的強(qiáng)弱，Li的絕對(duì)值越大，表明所作出的調(diào)整越大，說(shuō)明得到的模型響應(yīng)與參考響應(yīng)擬合效果越差。Li的正負(fù)號(hào)代表參數(shù)調(diào)整的方向。

3.3基于遺傳算法的參數(shù)優(yōu)化

廣域負(fù)荷模型的參數(shù)辨識(shí)，其主要過(guò)程就是通過(guò)一定的優(yōu)化算法，尋找獨(dú)立待辨識(shí)參數(shù)向量α，使得模型電壓響應(yīng)與實(shí)際電壓響應(yīng)的誤差值最小，滿足目標(biāo)函數(shù)J達(dá)到最小值。選用遺傳算法作為優(yōu)化算法，遺傳算法進(jìn)行辨識(shí)的步驟如下：

1）輸入待辨識(shí)重點(diǎn)參數(shù)的聚類中心作為初值，其余參數(shù)賦予典型值。

2）由綜合程序得到電壓降落最為嚴(yán)重的母線的電壓V、有功功率P和無(wú)功功率Q，同時(shí)確定負(fù)荷的靜態(tài)負(fù)荷模型和動(dòng)態(tài)負(fù)荷模型。

3）對(duì)實(shí)際數(shù)據(jù)進(jìn)行染色體編碼，將實(shí)際值轉(zhuǎn)化為二進(jìn)制串，產(chǎn)生s個(gè)個(gè)體的初始種群，同時(shí)設(shè)置算法運(yùn)行的相關(guān)參數(shù)，迭代進(jìn)化次數(shù)最大值Genmax、交叉概率Pc以及變異概率Pm。

4）對(duì)種群進(jìn)行評(píng)價(jià)，比較實(shí)測(cè)值與模型輸出值，求得適應(yīng)函數(shù)的結(jié)果，將式（6）目標(biāo)函數(shù)作為種群的適應(yīng)度函數(shù)。

5）判斷是否滿足收斂準(zhǔn)則（連續(xù)迭代10次最優(yōu)個(gè)體適應(yīng)值基本保持不變），交叉運(yùn)算操作采用單點(diǎn)交叉算子，變異運(yùn)算操作采用基本位變異算子，生成新的群體，Gen＝Gen＋1，轉(zhuǎn)第3步。

6）求得負(fù)荷模型參數(shù)的最優(yōu)解。

4　算例仿真

4.1負(fù)荷節(jié)點(diǎn)空間分類辨識(shí)研究

本文采用電力系統(tǒng)分析綜合程序PSASP，選用IEEE 39節(jié)點(diǎn)系統(tǒng)進(jìn)行分析，選擇負(fù)荷節(jié)點(diǎn)3，15，16，18，21，25，26，27，28，29為研究對(duì)象，它們的各性質(zhì)用電負(fù)荷構(gòu)成比例如表1所示。由表1結(jié)合文獻(xiàn)[6]所述的負(fù)荷典型值數(shù)據(jù)計(jì)算得到這些節(jié)點(diǎn)的模型比例參數(shù)，并將系統(tǒng)仿真結(jié)果作為參考系統(tǒng)的實(shí)測(cè)值。

表1　待研究負(fù)荷節(jié)點(diǎn)上各用電性質(zhì)負(fù)荷組成Tab. 1 Proportlon of load consumptlon components of the load nods to be studled

本文分類方法得到的辨識(shí)參數(shù)賦值的仿真系統(tǒng)為模型系統(tǒng)I。為檢驗(yàn)本文所提分類辨識(shí)方法的優(yōu)劣，除本文方法外，還選取了另外2種負(fù)荷分類方法。其一為按節(jié)點(diǎn)所屬區(qū)域分類，以負(fù)荷節(jié)點(diǎn)間電氣距離的遠(yuǎn)近來(lái)模擬負(fù)荷的所屬區(qū)域特征，用該方法得到的辨識(shí)參數(shù)賦值的仿真系統(tǒng)記為模型系統(tǒng)II；其二為負(fù)荷節(jié)點(diǎn)不分類，即在研究區(qū)域內(nèi)所有負(fù)荷節(jié)點(diǎn)具有完全相同的模型參數(shù)，用該方法得到的辨識(shí)參數(shù)賦值的仿真系統(tǒng)記為模型系統(tǒng)III。設(shè)定三類分類方法的共同擾動(dòng)場(chǎng)景1為線路16-19故障距I側(cè)母線20%處發(fā)生三相短路，0 s開(kāi)始，0.04 s故障切除，I側(cè)母線為BUS16。

方法一：負(fù)荷用電性質(zhì)分類。

以計(jì)算得到的負(fù)荷模型比例參數(shù)為實(shí)驗(yàn)依據(jù)，基于FCM算法對(duì)以上10個(gè)負(fù)荷點(diǎn)均值聚類，依據(jù)前述2.2節(jié)的聚類算法及公式，使得Jm值最小，d（c）值最大，得出將10個(gè)負(fù)荷節(jié)點(diǎn)分為3類較為合適。根據(jù)隸屬度矩陣表U，得出聚類結(jié)果：第I類負(fù)荷為3，15，16，26，主要為工業(yè)負(fù)荷；第II類負(fù)荷為18，21，28，商業(yè)負(fù)荷比重較大；第III類負(fù)荷為25，27，29，農(nóng)業(yè)負(fù)荷占主導(dǎo)地位。

以各類負(fù)荷的聚類中心為初始值，進(jìn)行參數(shù)辨識(shí)，每類負(fù)荷待辨識(shí)參數(shù)為Ap，Bp，Aq，Bq，Kpm，Kqm，設(shè)定擾動(dòng)場(chǎng)景2為線路4-14首端三相短路故障，并作為擾動(dòng)場(chǎng)景，T s切除該線路，分別取擾動(dòng)持續(xù)時(shí)間T 為0.02 s、0.025 s、0.03 s，運(yùn)用靈敏度的方法，以每類負(fù)荷的電壓值作為觀察變量，經(jīng)過(guò)計(jì)算，參數(shù)Ap，Aq，Kpm，Kqm電壓軌跡的影響明顯大于其他幾個(gè)參數(shù)，其靈敏度絕對(duì)平均值列于表2。由表2可見(jiàn)，其中Ap，Bp，Kpm的靈敏度最高，所以是最主要參數(shù)。三類負(fù)荷節(jié)點(diǎn)中，第III類影響最大，第I類影響最小。綜合考慮靈敏度的大小及可辨識(shí)性，選擇需辨識(shí)的重點(diǎn)參數(shù)為Api、Bpi、Kpmi（i＝1，2，3），則3類負(fù)荷節(jié)點(diǎn)共有9個(gè)參數(shù)需辨識(shí)。

表2　靈敏度Li值Tab. 2 Sensltlvlty value of Li

基于遺傳算法對(duì)簡(jiǎn)化后的靈敏度較大的9個(gè)參數(shù)進(jìn)行參數(shù)辨識(shí)，遺傳算法的交叉概率為Pc＝0.8，變異概率Pm＝0.01，迭代次數(shù)T＝100，選用擾動(dòng)場(chǎng)景3為線路24-23首端瞬時(shí)性三相短路，分別取擾動(dòng)持續(xù)時(shí)間T為0.05 s、0.15 s、0.25 s，以全網(wǎng)電壓跌落最為嚴(yán)重的母線BUS16作為觀察對(duì)象，因?yàn)榫€路24-23在所需分類的負(fù)荷區(qū)域之外，對(duì)參數(shù)識(shí)別的影響較小。表3給出了這9個(gè)負(fù)荷參數(shù)的辨識(shí)結(jié)果。辨識(shí)結(jié)果表明，需辨識(shí)的各參數(shù)的辨識(shí)值與初值的誤差均較小，其最大誤差為-4.57%。選用擾動(dòng)場(chǎng)景1作為故障情景，由仿真數(shù)據(jù)得知，BUS16為電壓跌落最為嚴(yán)重的母線，誤差值J為0.000 183。

表3　負(fù)荷參數(shù)辨識(shí)結(jié)果Tab. 3 Load parameter ldentlflcatlon results

方法二：負(fù)荷區(qū)域分類。

依據(jù)電氣距離對(duì)上述的10節(jié)點(diǎn)進(jìn)行分類，分類結(jié)果如下：3，15，16，18，21，26，27為第I類，25為第II類，28，29為第III類。將分類好的負(fù)荷節(jié)點(diǎn)以每類負(fù)荷的聚類中心作為待辨識(shí)參數(shù)的初始值，辨識(shí)結(jié)果的最大誤差為14.97%，選用擾動(dòng)場(chǎng)景1作為故障情景，由仿真數(shù)據(jù)得知，BUS16為電壓跌落最為嚴(yán)重的母線，誤差值J為0.001 492。

方法三：不分類。

本文的不分類方法在選取一套通用的負(fù)荷模型之后（本文取計(jì)算值均值），進(jìn)行參數(shù)辨識(shí)，辨識(shí)結(jié)果的最大誤差為19.77%。為保證在同一觀測(cè)平臺(tái)，繼續(xù)選用擾動(dòng)場(chǎng)景1作為故障情景，由仿真數(shù)據(jù)得知，BUS16為電壓跌落最因?yàn)閲?yán)重的母線，得到參考系統(tǒng)與模型系統(tǒng)誤差J值為0.077 693。

4.2分類效果比較

為直觀表現(xiàn)3類方法的差異以及分類效果，圖1給出了3個(gè)模型系統(tǒng)與參考系統(tǒng)的電壓響應(yīng)曲線。

結(jié)合圖1以及模型I～模型III的誤差值J，前述的3種分類方法電壓響應(yīng)變化結(jié)果表明在一片區(qū)域內(nèi)選用通用模型，即不分類方法會(huì)帶來(lái)較大的誤差，而以電氣距離劃分負(fù)荷點(diǎn)的區(qū)域分類方法雖然誤差值J較不分類情況要小很多，但是仍然不能夠滿足負(fù)荷模型準(zhǔn)確性的需要。而方法一，即以負(fù)荷用電性質(zhì)劃分負(fù)荷點(diǎn)的分類方法，當(dāng)故障切除后，在接近5 s的仿真時(shí)間里，與參考系統(tǒng)的電壓變化軌跡有著較好的擬合度。大量的試驗(yàn)和計(jì)算表明：負(fù)荷模型對(duì)電力系統(tǒng)動(dòng)態(tài)行為的定量模擬結(jié)果影響較大，對(duì)潮流計(jì)算、短路計(jì)算、安全分析、電壓穩(wěn)定性等也均有不同程度的影響。觀察模型系統(tǒng)III在故障切除后線路16-19的潮流是否也能夠與參考系統(tǒng)有較好的擬合度，對(duì)評(píng)判模型的適用性具有指導(dǎo)意義。圖2及圖3給出了線路16-19的有功功率及無(wú)功功率變化趨勢(shì)圖。由圖觀察得知，模型系統(tǒng)III無(wú)論是有功還是無(wú)功與參考系統(tǒng)的響應(yīng)曲線幾乎一樣，說(shuō)明本文的分類方法對(duì)于負(fù)荷模型的建立具有一定的合理性。

圖1　3種分類方法母線電壓響應(yīng)差異Flg. 1 Voltage response dlfferences of bus wlth three classlflcatlon methods

圖2　線路16-19的有功功率Flg. 2 Actlve power of llne 16-19

圖3　線路16-19的無(wú)功功率Flg. 3 Reactlve power of llne 16-19

5　結(jié)論

本文基于負(fù)荷性質(zhì)典型數(shù)據(jù)，采用FCM算法對(duì)負(fù)荷參數(shù)聚類分析，基于靈敏度計(jì)算結(jié)合GA算法自動(dòng)尋優(yōu)重點(diǎn)辨識(shí)參數(shù)值，以PSASP仿真實(shí)驗(yàn)為平臺(tái)，將IEEE 39節(jié)點(diǎn)電網(wǎng)以負(fù)荷性質(zhì)分類，區(qū)域分類及不分類3種方法做暫態(tài)仿真分析研究。實(shí)驗(yàn)結(jié)果表明，在擬定的故障場(chǎng)景下，以全網(wǎng)絡(luò)母線電壓跌落最為嚴(yán)重的母線電壓值作為觀察變量，綜合比較參考系統(tǒng)母線電壓值，按負(fù)荷性質(zhì)分類方法適合于空間負(fù)荷分類研究，并取得了較好的擬合效果，充分說(shuō)明按負(fù)荷性質(zhì)分類方法的準(zhǔn)確性與有效性。目前，本文僅對(duì)廣域電網(wǎng)負(fù)荷進(jìn)行空間分類研究，對(duì)于時(shí)間軸上的分類需要進(jìn)一步研究。

參考文獻(xiàn)

[1]郝麗麗，岳浩永，張恒旭，等.分類策略對(duì)廣域系統(tǒng)負(fù)荷識(shí)別結(jié)果適應(yīng)性的影響分析[J].電網(wǎng)技術(shù)，2014，38 （2）：381-387. HAO Li1i，YUE Haoyong，ZHANG Hengxu，et a1. Inf1uence ana1ysis of c1assification strategy on wide area system 1oad identification resu1t adaPtab1ity[J]. Power System Techno1ogy，2014，38（2）：381-387（in Chinese）.

[2] WANG Zhengshu，BIAN Shaorun. The 1oad characteristics c1assification and synthesis of substations in 1arge area Power grid[J]. Internationa1 Journa1 of E1ectrica1 Power and Energy Systems，2013，48（1）：71-82.

[3] CHICCO G. Overview and Performance a ssessment of the c1ustering methods for e1ectrica1 1oad Pattern grouPing[J]. Energy，2012，42（1）：68-80.

[4]鞠平，金艷，吳峰，等.綜合負(fù)荷特性的分類綜合方法及其應(yīng)用[J].電力系統(tǒng)自動(dòng)化，2004，28（1）：64-68. JU Ping，JIN Yan，WU Feng，et a1. Studies on c1assification and synthesis of comPosite dynamic 1oads[J]. Automation of E1ectric Power Systems，2004，28（1）：64-68（in Chinese）.

[5] MAHMOUDI - KOHAN N . An annua1 framework for c1ustering-based Pricing for an e1ectricity retai1er[J]. E1ectric Power Systems Research，2010，80（9）：1042-1048.

[6]黃志剛，鄭衛(wèi)洪.天津電網(wǎng)負(fù)荷模型及適應(yīng)參數(shù)[J].電網(wǎng)與清潔能源，2011，27（2）：32-36. HUANG Zhigang，ZHENG Weihong. Load mode1 and ProPriety Parameters of Tianjin Power grid[J]. Power Systemand C1ean Energy，2011，27（2）：32-36（in Chinese）.

[7]趙丹丹，郭潔，項(xiàng)陽(yáng)，等. 750 kV敞開(kāi)式變電站和輸電線路避雷器配置的優(yōu)化研究[J].電瓷避雷器，2010，233 （1）：38-46. ZHAO Dandan，GUO Jie，XIANG Yang，et a1. Reaserch on oPtimization of arrester arrangement for 750 kV AIS substation and transmission 1ine[J]. Insu1ators and Surge Arresters，2010，233（1）：38-46（in Chinese）.

[8]張琪祁，徐政.考慮配網(wǎng)電壓暫態(tài)的大型光伏電站接入選點(diǎn)仿真研究[J].高壓電器，2010，46（12）：54-58. ZHANG Qiqi，XU Zheng. Simu1ation study on integration siting of 1arge-sca1e PV P1ant considering vo1tage f1uctuation in distribution network[J]. High Vo1tage APParatus，2010，46（12）：54-58（in Chinese）.

[9]羅曼，朱磊.區(qū)域電網(wǎng)無(wú)功優(yōu)化控制系統(tǒng)的研究和應(yīng)用[J].電力電容器與無(wú)功補(bǔ)償，2014，35（6）：29-34. LUO Man，ZHU Lei. Research and aPP1ication of reactive Power oPtimization and contro1 system in regiona1 grid[J]. Poomwer CaPacitor & Reactive Power ComPensation，2014，35（6）：29-34（in Chinese）.

[10]鞠平.電力系統(tǒng)負(fù)荷建模理論與方法[M].北京：科學(xué)出版社，2010：355-360.

戴嘉祺（1982—），男，碩士研究生，主要研究領(lǐng)域?yàn)殡娏ο到y(tǒng)負(fù)荷建模；

郝麗麗（1979—），女，副教授，碩士研究生導(dǎo)師，主要研究領(lǐng)域?yàn)殡娏ο到y(tǒng)安全穩(wěn)定與控制。

（編輯馮露）

Nationa1 Natura1 Science Foundation of China（51307078）.

Wlde Area Grld Load Space Classlflcatlon ln Load Model Identlflcatlon

DAI Jiaqi，HAO Li1i
（Schoo1 of Contro1 Science & E1ectrica1 Engineering，Nanjing University of Techno1ogy，Nanjing 211816，Jiangsu，China）

ABSTRACT：This PaPer ProPoses the sPace c1assification method of the wide area grid 1oad in 1oad mode1 identification. Based on tyPica1 va1ues of the industria1，commercia1，agricu-1tura1 and residentia1 1oads and other 1oads，the fuzzy means c1ustering（FCM）a1gorithm is used for the sPace c1assification of 1oads according to the 1oad nature，and for the determination of key identification Parameters with he1P of the sensitivity ca1cu1-ation formu1a. Furthermore，the genetic oPtimization a1gorithm combined with the interactive comPuting of the vo1tage resPonse curve in setting the various disturbances in the transient Process is used to identify and correct the 1oad mode1 Parameters，with the bus of the 1argest vo1tage droP in the who1e grid as the observation variab1e. The method ProPosed is comPared resPective1y with no-c1assification and regiona1 c1assification methods and the simu1ation resu1t shows that the c1assification by the 1oad nature is both reasonab1e and effective.

作者簡(jiǎn)介：

收稿日期：2015-10-19。

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（51307078）。

文章編號(hào)：1674-3814（2016）01-0036-06

中圖分類號(hào)：TM743

文獻(xiàn)標(biāo)志碼：A