[发明专利]一种电力负荷模型构建方法、装置和设备有效
| 申请号: | 201910049509.8 | 申请日: | 2019-01-18 |
| 公开(公告)号: | CN109638830B | 公开(公告)日: | 2022-03-22 |
| 发明(设计)人: | 曹华珍;高崇;吴亚雄;唐俊熙;李浩;李阳;张俊潇;陈荃;王天霖;黄烨;陈沛东;何璇 | 申请(专利权)人: | 广东电网有限责任公司;广东电网有限责任公司电网规划研究中心;广东电网发展研究院有限责任公司 |
| 主分类号: | H02J3/00 | 分类号: | H02J3/00 |
| 代理公司: | 北京集佳知识产权代理有限公司 11227 | 代理人: | 张春水;唐京桥 |
| 地址: | 510600 广东*** | 国省代码: | 广东;44 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 电力 负荷 模型 构建 方法 装置 设备 | ||
1.一种电力负荷模型构建方法,其特征在于,包括:
100、根据高频采集装置实时采集电力馈线的电力负荷信号并进行AD信号转换,其中,采集频率满足Shannon-Nyquist定理要求;
101、根据随机高斯测量矩阵对获取到的电力负荷信号进行实时压缩感知采样,得到的包含全部信号信息的低维信号并传输至接收端,其中,根据随机高斯测量矩阵对获取到的电力负荷信号进行实时压缩感知采样具体为:用随机高斯测量矩阵对应的列与每个经AD信号转换出来的数字信号相乘,叠加至压缩感知采样结果中;
102、若接收到的所述低维信号为稳态信号,执行步骤103和步骤104,若接收到的所述低维信号为暂态信号,则执行步骤105和步骤106;
103、根据傅里叶基稀疏矩阵恢复算法将所述低维信号恢复为压缩感知采样前的第一高维采样信号,其中,将所述低维信号转化为min||θ||0s.t.y=ACSθ,采用傅里叶基稀疏矩阵恢复算法进行求解,为随机高斯测量矩阵,φ为傅里叶基矩阵,θ为非零元向量;
104、根据所述第一高维采样信号获取信号电气量参数,所述信号电气量参数包括:信号电压有效值、信号电流有效值、信号有功功率、信号无功功率、频率和谐波,建立负荷静态模型,其中,负荷静态模型的一般表达式为:
式中,P、Q分别为有功功率和无功功率,U、f分别为电力馈线的电压幅值和频率,Fp(·)和Fq(·)为线性或非线性函数;
105、根据小波基稀疏矩阵恢复算法将所述低维信号恢复为压缩感知采样前的第二高维采样信号;
106、根据所述第二高维采样信号获取暂态信号电压和暂态信号电流,建立负荷动态模型,其中,负荷动态模型的一般表达式为:
式中,P、Q分别为有功功率和无功功率,U、f分别为电力馈线的电压幅值和频率,t为时间,Fp(·)和Fq(·)为线性或非线性函数。
2.根据权利要求1所述的电力负荷模型构建方法,其特征在于,步骤105和步骤106之后,还包括:
107、将所述负荷静态模型和/或所述负荷动态模型存入负荷模型数据库,并实时更新。
3.根据权利要求1所述的电力负荷模型构建方法,其特征在于,所述负荷静态模型为ZIP多项式模型。
4.根据权利要求1所述的电力负荷模型构建方法,其特征在于,所述负荷动态模型为三阶感应电机并联ZIP模型。
5.根据权利要求1所述的电力负荷模型构建方法,其特征在于,所述随机高斯测量矩阵为:
其中,为测量矩阵,N为均值为0方差为1/m的高斯正态分布,m为经压缩感知压缩后的数据点数目。
6.根据权利要求3所述的电力负荷模型构建方法,其特征在于,所述ZIP多项式模型为:
其中,P为有功功率,Q为无功功率,V为电压值,V0为电压基值,P0为有功功率基值,Q0为无功功率基值,ap为恒阻抗的有功功率在总的有功功率中占的百分比,bp为恒电流的有功功率在总的有功功率中占的百分比,cp为恒功率负荷的有功功率在总的有功功率中占的百分比,ap+bp+cp=1;aQ为恒阻抗的无功功率在总的无功功率中占的百分比,bQ为恒电流的无功功率在总的无功功率中占的百分比,cQ为恒功率负荷的无功功率在总的无功功率中占的百分比,aQ+bQ+cQ=1。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东电网有限责任公司;广东电网有限责任公司电网规划研究中心;广东电网发展研究院有限责任公司,未经广东电网有限责任公司;广东电网有限责任公司电网规划研究中心;广东电网发展研究院有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910049509.8/1.html,转载请声明来源钻瓜专利网。





