导　　师： 朱建全

授予学位： 硕士

作　　者： ;

机构地区： 华南理工大学

摘　　要： 电力负荷建模是电力系统领域最为困难的问题之一,电网的快速发展又给这一传统难题带来了全新的挑战。针对电力负荷的时变性和离散性问题,本文从目标跟踪的角度提出了一种新的电力负荷在线建模思路,并分别对其参数和模式变化情况进行跟踪辨识。主要工作如下:(1)针对电力负荷的时变性问题,从参数跟踪的角度提出了一种基于不敏卡尔曼粒子滤波(Unscented Kalman Particle Filter,UKPF)算法的在线负荷建模方法。选定一种常用的指数型动态负荷模型结构,利用UKPF算法对其参数进行在线跟踪辨识。通过这种方式,可以根据实时采集的量测数据在线修正动态负荷模型的参数,从而追踪电力负荷的实时变化特性。分别利用动态仿真平台和实际电力系统的量测数据进行仿真分析,结果表明了所提方法具有较高的在线参数辨识精度,并能对实际电力负荷的实时变化特性进行准确的描述。(2)针对特殊情况下电力负荷的强非线性离散变化问题,从模式跟踪的角度提出一种基于交互多模型(interactive multiple model,IMM)算法的在线负荷建模方法,并分别从子模型以及在线模型的建立两个环节进行研究。在子模型的建立环节,提出一种基于改进的人工蜂群(artificial bee colony,ABC)算法,并将其用于电力负荷子模型的参数辨识。引入混合蛙跳算法的核心思想对ABC算法的最差蜜源组进行处理,同时结合ABC算法寻优特点,提出最差蜜源组更新替换策略,从而提高蜂群整体适应度和算法的优化性能。将所提算法用于电力负荷子模型的离线参数辨识,所得结果表明该方法建立的子模型可以较好地描述电力负荷特性的典型变化模式。在在线模型的建立环节,基于IMM算法对各个子模型所代表的典型特性模式进行跟踪辨识,并通过输入交互、条件滤波、概率更新和融合估计的方式实现电力负荷的在线建

关 键 词： 在线负荷建模 目标跟踪 不敏卡尔曼粒子滤波 离散性 交互多模型

领　　域： []