电力负荷整体建模的并行计算研究.docx

51015202530354045电力负荷整体建模的并行计算研究曾自清(河海大学能源与电气学院，南京市，210000)摘要:电力负荷建模在电力系统规划、运行与控制中具有重要的作用，同时也是电力系统中 公认的难题之一。负荷建模研究既具有非常重要的理论意义，又具有十分显著的工程实用 价值。在以往的电力负荷建模研究及实际工程应用中，研究成果基本上都是节点级规模 的。随着广域测量系统(WAMS)逐步得到广泛应用，广域电力系统负荷整体建模成为可 能。本文在研究广域电力系统负荷整体建模策略和广域电力系统负荷整体建模基本步骤的基础 上，提出了广域电力系统负荷整体建模并行化的方案以及设计了基于粒子群算法的并行优 化算法，并编写了相关程序。同时，本文将这一方案应用于IEEElo机39节点系统进行仿真。结果证明了广域电力系统 负荷整体建模的可行性与有效性，显示了并行化方法在整体建模计算时间上的优越性，表 明了电力负荷整体建模的并行计算方案具有较强的工程实用价值。关键词：负荷整体建模；参数辨识；广域测量系统；并行计算；粒子群算法中图分类号：TM7The Parallel Computing Research of Global Load Modelingfor Power SystemZENG Ziqing(College of Energy and Electrical Engineering5Hohai University9Nanjing 210000) Abstract: Load modeling plays important role in planning, operating and controlling of power system. It has also been recognized as a difficult problem in the domain. The study on load modeling is valuable not only in theory but also in practice. Previously, the research of load modeling theory and practical engineering application is mainly limited in node scale. As long as the wide-area measurement system (WAMS) has been applied widely, the global modeling for the loads of wide-area power system can be possible.Based on the research of the global modeling method for the loads of wide-area power system and the specific steps of global modeling, this paper proposes one method of global modeling, designs a parallel computing algorithm according to particle swarm optimization and writes the program related.The IEEE39 system (10 generators and 39 buses) is used as an example and the simulation results demonstrate the effectiveness of the global modeling method, the superiority of parallel method in computing time of global modeling and the strong engineering practicability of the two methods, combination.Key words: Global Modeling Method of Electric Load; Parameter Identification; Wide-area Measurement System; Parallel Computing; Particle Swarm Optimization0引言在大区域电网互联的情况下，随着电力系统规模的不断扩大，负荷节点的数量和分布区 域急剧扩大。如果针对这样成百上千节点中的每一个都单独采用一种模型参数，将给建模和 计算都带来极大的困难。相反如果对任何一个节点都不加区分地采用同一种模型参数，建模 和计算将变得十分简单，可是会带来较大的误差，不能符合工程实际的运用。因此，有专家作者简介：曾自清(1986),男，硕士研究生，电力系统负荷建模.E-mail:学者在对全系统节点分类成功的基础上，提出了广域电力系统建模的两种方案。505560657075广域电力系统建模的第一种方案川对原有的节点级负荷建模进行了改良，通过近年来对 于电力系统广域测量系统(WAMS)的运用，利用其基于GPS同步时钟的特性，可以测量取 得全系统的各种实时动态广域数据，其中包括节点电压相量、发电机相对功角、区域之间的 相对摇摆、联络线功率等等。这种建模方案的思路是对于原先节点建模方案的推广，比较容 易实施，但是并不能保证各个元件模型拼接到一起之后，总的模型能够模拟电力系统的整体 动态行为。同时以前由于缺乏全系统的同步时钟，测量的是节点标量。所以，以往电力负荷 建模在技术上也只能是节点级的建模。广域电力系统建模的第二种方案为整体建模，为了使模型能够模拟电力系统的整体行 为，采用广域测量信息进行多节点的整体建模。1负荷整体建模与节点级建模的区别比较直观地来看，广域电力系统负荷整体建模的研究对象是整个电力系统，包含系统中 所有负荷节点。针对全部负荷节点开展负荷建模研究，通过WAMS系统测量的系统广域动态 量(例如发电机功角，联络线功率等)，建立系统的负荷模型参数。节点负荷建模仅针对某 一个负荷节点，通过该节点测量装置测得的实测数据建立该负荷节点的负荷模型参数。两者 的区别如表1所示：表1整体负荷建模与节点负荷建模的比较Tab.l Comparison of Global Load Modeling and Node Load Modeling整体建模节点建模采用信息广域向量信息节点标量信息参数确定广域多点确定节点逐个确定模型有效性整体全局有效节点局部有效2负荷整体建模的并行化2.1粒子群优化算法粒子群优化算法是一种进化计算技术，1995年由Eberhart博士和KemIedy博士提出，源 于对鸟群捕食行为的研究。PSO算法求解优化问题时，问题的解就是搜索空间中的一只鸟的位置，称这些鸟为“粒 子”。所有的粒子都有一个被优化函数决定的适应值(候选解)和一个决定它们飞翔方向与 距离的速度。在优化过程中，每个粒子记忆、追随当前的最优粒子，在解空间中进行搜索。 PSO算法初始化为一群随机粒子(随机候选解)，然后通过迭代找到最优解。在每一次迭代过 程中，粒子通过追逐两个极值来更新自己的位置。一个是粒子自身所找到的当前最优解，这 个解称为个体极值pbest；另一个是整个群体当前找到的最优解，这个解称为全局极值gbest。 PSO算法数学表示如下：D维搜索空间中，有M个粒子，其中第，个粒子的位置是 Xi = (x,xz2,.9¾),其速度为M) , z = l,2,.,M , 0 记第，个粒子搜索到的最优位置为4=(QrP2,»)，也称为Pbest,整个粒子群搜索到的最优位置为80859095100105Pg=(Pg0Pg2,Pg。)，也称为gbset。粒子状态更新操作如下：Vid( +1) =(0 + c1(pid -xid(0) + C2r2(pgd-xgd(0)(2-1)Q+i) = (%) + %(%+i)其中。为非负常数，称作惯性权重；也为非负常数，称作学习因子；不G是介于 0, 1之间的随机数；V-Vma,+Vma; VmaX是设定的最大速率(边界值)；/为当前的 迭代次数。PSo算法的具体实现过程如下：1 .设置当前代数为=1,确定粒子数加，在特定范围内随机产生M个初始解与初始速 度。2 .计算每个粒子的适应值。3 .将每个粒子的当前适应值与其自身的个体极值PbeSt和群体的全局极值gbest进行比 较，如果某个粒子的适应值优于其个体极值pbest,则设置PbeSt等于此粒子的当前适应值； 如果其当前适应值还优于gbest,则重设gbest等于此粒子的当前适应值。4 .根据式(2-1),更新每个粒子的速度与新的当前位置，并把它们限制在一定范围内。5 . t = t + l,返回到步骤2,直到获得一个预期的适应值或/达到设定的最大迭代次数。2.2 PSO参数设置PSo中并没有许多需要调节的参数。通过阅读和研究一些改进的粒子群优化方法， 本文针对电力系统负荷建模工作中的大规模、多参数以及存在多个局部最优解等特点，对标 准粒子群优化算法做出了调整。下面列出了这些参数以及其经验设置o1 .粒子数："一般取40以下。其实对于大部分的问题10个粒子已经足够取得好的结 果。不过对于广域电力系统负荷整体建模这样大规模的困难问题，粒子数需要设定的比较大 一些，本文设为80。2 .粒子的范围：在本文所设计的程序中，首先需要根据不同负荷类型的节点上采集到 的电网扰动数据，进行负荷模型参数的节点级辨识。然后对节点级辨识的结果数值上进行一 定的扩大，作为整体建模时的参数搜索范围。3 .最大速度：决定粒子在一个循环中最大的移动距离，通常设定为小于等于粒子的范 围宽度。本文设为粒子取值范围的1/10。4 .学习因子：g,02分别代表了粒子向PbeSt和gbest推进的随机加速权值。一般两个因子 数值相同并且范围在0和4之间，通常取为2. 05。本文设计的算法为加强前期的全局搜索能力 和后期的局部搜索能力，将Cl设为在区间(2. 75, 1.25)内递减，Q设为在区间(05, 2.25) 内递增。6 .终止条件：最大循环数以及最小误差的要求。本文设置的最大循环数为IOO次，并且当误差指标连续10次变化程度小于O. OOI时，提前退出循环并输出结果。1151201251301357 .惯性权重：指粒子在调整飞行方向时引入全局最优解的比例，控制速度前一变化110量对当前变化量的影响。大，全局搜索能力强；反之亦然。研究表明，让随迭代次数 的增加在（1.4, 0）区间内递减可以取得很好的效果。本文中设为经验值0.729。在基本的PSO算法搜索的后期，粒子群会向局部最小或全局最小收敛，此时，每个粒子 的历史最优、所有粒子的历史最优中的最优、每个粒子的当前位置都会趋向于同一点，而每 个粒子的运动速度则趋于零。在这种情况下，如果不通过变异措施来重新初始化粒子群，则 粒子群所趋向的那个点即为粒子群算法的最终求解结果的极限值。由于需要用演化算法来求 解的问题往往存在多个局部最小，PSO算法的求解结果为局部最小的概率远大于为全局最小 的概率，则微粒群算法对这样的目标函数的求解会陷入局部最优。为了提高解的质量，当粒 子群收敛到一定程度就要进行变异。本文采用的一种比较通常的变异措施是：围绕粒子群的 当