基于擴展卡爾曼濾波的動態(tài)負荷建模與參數(shù)辨識.pdf

1、負荷建模的重要性已經(jīng)被廣大電力工作者所認識和重視，負荷建模是電力系統(tǒng)中公認的難題之一。本文從負荷建模的基本概念出發(fā),對負荷建模的現(xiàn)狀，負荷模型的結(jié)構(gòu)，負荷建模對電力系統(tǒng)計算的影響，以及負荷建模的方法作了全面的綜合和概括。其中不僅對經(jīng)典的算法作了闡述，并對當前比較新的人工智能方法，主要包括遺傳算法，人工神經(jīng)網(wǎng)絡和免疫算法，以及基于這幾種算法的改進算法作了詳細的介紹,并對它們與經(jīng)典算法的優(yōu)越性和不足作了比較。 論文指出,差分方程模型

2、易辨識，但物理意義不明確，感應電動機模型物理意義明確，但辨識相對復雜。非線性最小二乘法算法成熟，但只具有局部收斂性，人工智能算法理論上具有全局收斂性，通過運算可以得到全局最優(yōu)解，其對模型結(jié)構(gòu)要求甚少，但由于它是一種模擬進化的方法，運算時間大大超過非線性最小二乘法，工程化應用還有待考驗。 在本論文中，擴展卡爾曼濾波被用來實現(xiàn)電力參數(shù)辨識，實際上，這種方法適用于任何形式的綜合負荷。論文中我們把它應用到動態(tài)負荷——由等價的感應電機并聯(lián)

3、靜態(tài)負荷組成以及差分方程模型。這種算法只需要獲得從現(xiàn)場試驗中很容易測量的數(shù)據(jù)：感應電機電壓與電流即可實現(xiàn)。試驗結(jié)果表明擴展卡爾曼濾波能很快實現(xiàn)動態(tài)負荷的辨識，最后通過比較估計值與測量值來驗證算法的準確性。論文在動模試驗基礎上，利用編制的電力系統(tǒng)負荷建模軟件進行了負荷建模實踐，結(jié)果表明機理動態(tài)模型可以有效的對實測負荷進行建模。 作為負荷中心，上海電網(wǎng)電壓穩(wěn)定問題顯得日益重要，而負荷特性尤其是負荷動態(tài)特性在電壓穩(wěn)定分析中起到關(guān)鍵作用