|
通常, 获取电网负载的详细模型比对特定的电网系统组件建模更具复杂性. 因此, 电网运行中的负载模型必须能够反映负载的机理性质, 并能够用简单的低阶模型来表征.
特别地, 负载模型可以分为静态负载模型和动态负载模型. 获得简洁的负载模型并确保模型的合理性是负载建模的核心问题.
本文着重解决以下两个关键问题: 1) 协调负载模型结构的合理性和简洁性; 2) 负载模型参数的校准. 与常规负载建模方法不同, 本文提出了一类数据驱动建模方法以同时实现负载模型结构选择和参数校准.
具体地, 该方法从量测数据中稀疏学习静态负载模型和动态负载模型, 其关键方法分别来自于稀疏贝叶斯学习方法和交替方向方法, 即从一组备选非线性字典函数中稀疏学习最主要的非线性项以平衡数据拟合度并实现模型学习. 所提出的方法将机器学习与稀疏表示相结合, 旨在对负载模型从物理角度提供机理解释并向配电网系统操作员提供有关负载的动态信息.
该图引自于X. Yu, C. Cecati, T. Dillon and M. G. Simoes. The New Frontier of Smart Grids. IEEE Industrial Electronics Magazine, 2011, 5(3): 49-63 01 数据驱动稀疏建模方法 我们结合机器学习和稀疏表示去选择负载动力学中最主要的项来拟合数据, 以学习具有物理解释的负载模型. 对于静态负载和动态负载, 我们分别提出稀疏贝叶斯学习方法和交替方向法进行稀疏建模, 在图1和图2中分别进行了阐明. 图1 静态负载建模 图2 动态负载建模 02 试验结果及分析 通过在孤岛微电网测试系统中进行仿真验证以说明负载稀疏建模算法的有效性. 孤岛微电网测试系统中有四个分布式发电装置, 四个局部负载和三条输电线路. 表1和表2分别列出静态负载和动态负载的稀疏辨识结果. 表1 ZIP负载稀疏辨识结果 表2 动态负载稀疏辨识结果 平作为, 何维, 李俊林, 杨涛. 基于稀疏学习的微电网负载建模. 自动化学报, 2020, 46(9): 1798−1808 文章链接 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200154?viewType=HTML 作者简介 平作为 华中科技大学人工智能与自动化学院博士研究生. 主要研究方向为智能电网, 系统辨识与非线性控制.本文通信作者. E-mail: pingzuowei@hust.edu.cn 何 维 华中科技大学电气与电子工程学院博士后. 主要研究方向为电力电子装备建模, 稳定分析与控制. E-mail: hewei5590@hust.edu.cn 李俊林 华中科技大学人工智能与自动化学院博士研究生. 主要研究方向为系统辨识, 稀疏信号恢复, 非凸优化与高维统计. E-mail: jlli@hust.edu.cn 杨 涛 东北大学流程工业综合自动化国家重点实验室教授. 主要研究方向为工业人工智能, 信息物理系统, 分布式协同控制和优化. 本文通信作者. E-mail: yangtao@mail.neu.edu.cn
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-4-26 19:39
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社