1项目背景

　　目前已有研究中，基于总体测辨法的负荷模型的辨识主要利用扰动后响应所激发的负荷模型特性来进行。扰动后响应辨识方法的主要缺点在于，系统中的短路故障等大扰动不是经常出现的。因此，扰动后响应的辨识方法是一种依赖于系统中大扰动是否存在的方法，如果没有大扰动的存在，扰动后响应的辨识方法就无法执行。

　　负荷模型本身具有随机性与时变性。如果完全按照扰动后响应的方法来进行辨识，那么无法完全跟踪负荷模型参数随时间的变化与随机的波动，辨识所得的模型也就只能对应扰动所发生的时刻系统的负荷特性，并不能够用来表示其他时刻该地点的负荷特性，甚至可能会与其他时刻的负荷特性存在很大的差异。这样，也就没有达到利用广域量测信息进行动态负荷模型辨识的目的。因此，需要一种不依赖于扰动是否存在的负荷模型参数辨识方法来更频繁地进行负荷模型参数辨识。　

2论文所解决的问题及意义

　　本文提出了针对类噪声小扰动信号进行负荷模型参数辨识的算法，可以实现对负荷模型参数的周期性多次辨识，而不需要考虑系统中是否有扰动存在，可以实现对负荷模型参数时变性的跟踪，改善了扰动后响应辨识方法不能随时进行辨识的问题。　　　

3论文重点内容

　　辨识的量测数据与流程

　　在负荷模型辨识的过程中，假设可以得到的量测量为母线的电压幅值、电压相角、有功功率、无功功率四个变量。负荷模型辨识的过程，就是把电压幅值、电压相角两个变量作为系统输入，有功功率、无功功率两个变量作为系统输出。辨识的目的，就是找到一个负荷模型，使得在相同的系统输入下，辨识得到的模型的系统输出尽可能接近量测得到的系统输出。

　　辨识的主要流程包括：

　　1.提取用于负荷模型参数辨识的电压幅值、电压相角、有功功率、无功功率四个电磁量测的数据段。

　　2.对一组给定的电磁参数数值，计算出在相同的电压幅值、电压相角输入信号的作用下，有功功率、无功功率两个输出信号的预测值，并且计算与实测值的偏差平方和作为下一步优化的目标函数。

　　3.采用差分进化算法，对有功功率和无功功率两个输出信号的偏差平方和进行优化，使目标函数达到最小值的一组模型参数作为电磁参数辨识结果；

　　4.利用电磁参数辨识结果，计算每一时刻的转差率s，用于下一步机电参数的辨识。

　　5.对一组给定的机电参数数值，计算出在相同电磁功率输入信号的条件下，转差率s的预测值，并与上一步中计算得到的计算值进行比较计算偏差平方和作为下一步优化的目标函数。

　　6.采用差分进化算法，对转差率的偏差平方和进行优化，使目标函数达到最小值的一组模型参数作为机电参数辨识结果。

　　辨识目标函数计算

　　本文采用预测值与实测值之间的预报误差作为辨识的目标函数。从电动机的状态方程中，利用功率和电压的量测数据以及模型参数在优化过程中的取值，就可以计算出每一时刻状态变量的数值。根据求解出来的状态变量，可以根据状态方程预测下一时刻的状态变量以及输出变量。把预测的输出变量与实测的输出变量作比较，计算输出变量预测值与实测值之间的偏差，就可以得到辨识的目标函数。

　　在本文针对综合负荷模型参数的辨识过程中，由于电动机的机电状态方程与电磁状态方程是可以解耦的，因此本文的研究中首先从功率和电压的量测数据中计算直轴和交轴两个感应电动势的状态变量的数值并辨识电动机的电磁参数，随后利用电磁参数的辨识结果结合量测数据辨识电动机的机电参数与输入转矩。

　　差分进化算法

　　本文采用差分进化算法来对目标函数进行优化。差分进化算法（Differential Evolution, DE）与遗传算法、粒子群算法等优化方法一样，也属于通过种群生成、进化、选择而实现优化的进化算法。进化算法与传统的梯度类算法相比，最吸引人的地方在于可以不依赖于初值选取而得到全局最优解。差分进化算法的基本流程是在参数取值范围内随机进行种群初始化，然后在每一代的进化过程中对每个个体进行变异和交叉，进而把进化后的个体与上一代个体进行比较，选择更好的个体作为这一代的进化结果。

　　负荷参数辨识对全局最优解的要求较高，因此要首先确保全局最优然后再提升计算时间。为此，设计了如下对差分进化算法的改进，以便更好地应用于负荷模型参数的辨识。首先，在进化终止代数的选择上，不再简单地对总的进化终止代数进行计数，而是等待进化过程趋于静止、进化几乎完成之后，再开始启动对进化终止的判断。其次，在交叉率与变异因子的选择上，根据进化过程与上面的终止计数进行动态调整。最后，在初始种群的选择上进行改进。

　　南方电网实测数据辨识结果

　　本部分结果采用2016年3月18日下午15:48分-15:49分在南方电网富宁-武平段（位于广西省）发生的一次三相短路接地故障，在珠海220kV变电站所采集的PMU量测数据文件来进行辨识。这一段的录波数据中，既有系统日常运行伴随的类噪声信号，又有在15:48:23发生的故障后响应信号。由于珠海站距离故障点的地理距离较远，因此故障的恢复过程较快，大扰动仅仅持续了10秒左右。由于故障在15:48:23发生，因此可以采用23秒之前的某一段数据来进行辨识，采用整个一分钟的数据来进行数据校验。

图1  南方电网实际测量数据辨识结果（珠海站有功曲线）

图2  南方电网实际测量数据辨识结果（珠海站无功曲线）

　　辨识所得到的预测值与实测值的对比如图1与图2所示，可以看出，整个一分钟的有功功率、无功功率都可以被很好地拟合，说明了本文所提出的方法的有效性，即采用某一段类噪声信号数据进行辨识所得到的负荷模型参数的结果可以用于描述整个时间段、包括小扰动和大扰动在内的负荷模型的动态响应，无论有功功率还是无功功率都具有较好的拟合度。　

4结论

　　（1）介绍了采用类噪声信号进行负荷模型辨识所采用的量测数据与流程。

　　（2）设计了基于优化方法的辨识方法以及从量测数据中计算优化目标函数的方法。

　　（3）介绍了差分进化算法及选择差分进化算法用于负荷模型参数辨识的原因，针对负荷模型参数辨识的具体要求对差分进化算法进行了改进。

　　（4）通过南方电网实测数据算例，验证了本章所设计的模型参数辨识方法的有效性。