專利名稱：基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力系統(tǒng)仿真領(lǐng)域，尤其是一種對外部系統(tǒng)進行動態(tài)等值，采 用小生境免疫算法對等值機參數(shù)進行辨識的基于小生境免疫算法的電力系統(tǒng) 動態(tài)等值方法。
背景技術(shù)：
目前，電力系統(tǒng)逐漸向大電網(wǎng)、電網(wǎng)間互聯(lián)、交直流混合發(fā)展，電力系 統(tǒng)的仿真和計算規(guī)模也在不斷地加大，對電力系統(tǒng)進行仿真、計算和分析研 究變得越來越困難，因此，在保證一定精度的前提下對電網(wǎng)進行一定程度的 簡化也就變得非常的迫切和有必要了。通常我們可以將系統(tǒng)劃分為研究系統(tǒng) (對系統(tǒng)影響較大的區(qū)域)和外部系統(tǒng)(對系統(tǒng)影響較小的區(qū)域)，這樣對外 部系統(tǒng)進行必要的簡化，即動態(tài)等值，動態(tài)等值不僅可以大大地簡化網(wǎng)絡(luò)， 減少計算的內(nèi)存和計算時間，也可以廣泛應(yīng)用在直流、交流以及風電場等網(wǎng) 絡(luò)。
動態(tài)等值方法主要有基于同調(diào)概念的同調(diào)等值法、基于特征值分析的模 式等值法和基于在線量測和參數(shù)估計的估計等值法。同調(diào)等值法是將滿足同 調(diào)條件的發(fā)電機等值成一臺發(fā)電機，其存在的問題是同調(diào)機群的劃分受網(wǎng) 絡(luò)結(jié)構(gòu)、擾動的地點以及類型等因素影響較大，具有很大的局限性。模式等 值法是將系統(tǒng)線性化后對系統(tǒng)進行特征根分析并保留其主特征根對應(yīng)的模 式，其存在的問題是等值后的系統(tǒng)是用狀態(tài)方程描述，并非實際的系統(tǒng)元 件模型，因此等值后的程序還需進行修改，而且當系統(tǒng)較大的時候，還存在 "維數(shù)災(zāi)"的問題。上述兩種方法都是基于知道外部系統(tǒng)的詳細結(jié)構(gòu)和參數(shù) 的基礎(chǔ)上來進行的，很難滿足日益增大的電力系統(tǒng)和實時市場的要求。
同上述兩種等值方法相比，估計等值法最大的優(yōu)點是不需要知道外部系 統(tǒng)的詳細結(jié)構(gòu)和參數(shù)，只需要知道聯(lián)絡(luò)線的信息即可實現(xiàn)動態(tài)等值，可以滿 足實時性和電力市場等的要求，適用于在線實時安全分析。估計等值法目前 采用的估計等值模型參數(shù)的方法主要有最小二乘法、遺傳算法，最小二乘法 解決非線性問題時受初始點影響大，收斂困難；遺傳算法存在全局收斂性差、容易產(chǎn)生個體退化等問題。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種估計速度快、等值 精度高的基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法。 本發(fā)明解決其技術(shù)問題是采取以下技術(shù)方案實現(xiàn)的
一種基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法，該方法包括下述步
(1) .在研究系統(tǒng)內(nèi)部設(shè)置擾動；
(2) .在擾動期間量測研究系統(tǒng)與外部系統(tǒng)的聯(lián)絡(luò)線的動態(tài)響應(yīng)，得到母線 電壓以及聯(lián)絡(luò)線輸送的有功功率和無功功率；
(3) .將與研究系統(tǒng)相連的外部系統(tǒng)等值成一臺發(fā)電機，采用量測得到的電 壓作為發(fā)電機的輸入數(shù)據(jù)，將有功功率和無功功率作為發(fā)電機的實際輸出數(shù) 據(jù)，建立待辨識的發(fā)電機模型；
(4) .使用小生境免疫算法對發(fā)電機模型進行辨識從而得到發(fā)電機模型參
數(shù)；
(5) .在同樣的激勵下，將量測得到的聯(lián)絡(luò)線的動態(tài)響應(yīng)與辨識得到的發(fā)電 機模型的動態(tài)響應(yīng)進行驗證校核，驗證等值結(jié)果，得到等值模型。
而且，所述的發(fā)電機模型為六階微分模型，其狀態(tài)向量方程為
《 -■
足-足
^+一
足-足
-e二+(《-々
兄—x
《oK =^ —《—(X/ —《X/ /^= -1.0
Y,為
mi"-力l，,A:)-酬2
其輸出方程為
其辨識的目標函數(shù)為 其中
1 =[ 《e:, e; 3 w]為狀態(tài)向量，a]為輸入向量，
0=[A 4 ;。 t;;。 r;。 z, x,《《《《r,]為待辨識的參數(shù)向:h[pe]為輸出向量，^為數(shù)據(jù)采集的點數(shù)，
y(W)為模型輸出值，J^)為量測數(shù)據(jù)。
而且，所述的使用小生境免疫算法對發(fā)電機模型進行辨識的方法為在傳 統(tǒng)免疫算法的基礎(chǔ)上，將小生境技術(shù)與免疫算法相結(jié)合，將目標函數(shù)作為抗 原，將待辨識的參數(shù)作為抗體，首先隨機生成一組滿足發(fā)電機要求的參數(shù)作 為初始的抗體，然后以初始的抗體為中心生成小生境并計算各抗體的親和度， 根據(jù)小生境進化原則對小生境內(nèi)部的抗體進行搜索，直至找到親和度最高的 抗體作為誤差最小的參數(shù)，從而得到發(fā)電機模型參數(shù)。
本發(fā)明的優(yōu)點和積極效果是
1. 本發(fā)明采用的小生境免疫算法在傳統(tǒng)免疫算法的基礎(chǔ)上，引入了小生 境技術(shù)，改善了傳統(tǒng)免疫算法的全局收斂性、收斂速度和保持物種的多樣性， 適用于發(fā)電機模型參數(shù)辨識。
2. 本動態(tài)等值方法采用魯棒性強、優(yōu)化速度快、精度高的小生境免疫算 法對發(fā)電機模型進行辨識，具有等值速度快、等值精度高的特點，解決了估 計等值法存在的速度和精度問題。
3. 本動態(tài)等值方法采用小生境免疫算法對發(fā)電機模型進行辨識后直接能 夠得到等值模型，而且該模型便是實際的系統(tǒng)元件模型，并且能夠?qū)Πl(fā)電機 的參數(shù)完整的進行辨識，辨識得到的模型可直接用在電力系統(tǒng)仿真、計算等 軟件。
4. 本動態(tài)等值方法將外部系統(tǒng)等值成一臺發(fā)電機，屬于估計等值法，只 需要知道聯(lián)絡(luò)線的電壓以及輸送的功率就可以估計發(fā)電機模型的參數(shù)，得到 等值模型，而且具有等值速度快、等值精度高的特點，解決了估計等值法存 在的速度和精度問題，非常適用于實時在線安全分析。


圖l是辨識原理框圖2是使用本發(fā)明等值的動態(tài)響應(yīng)與實際外部系統(tǒng)的動態(tài)響應(yīng)對比圖3是小生境免疫算法的流程圖。
具體實施例方式
以下結(jié)合附圖對本發(fā)明實施例做進一步詳述。
一種基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法是一種估計等值法，其 是將小生境技術(shù)引入免疫算法后得到的一種改進的免疫算法。該方法包括下 述步驟
61. 在研究系統(tǒng)內(nèi)部設(shè)置擾動在本實施例中，是在研究系統(tǒng)內(nèi)部設(shè)置三 相短路故障擾動，即在第ls時發(fā)生故障，在第3S時，故障切除。
2. 在擾動期間量測研究系統(tǒng)與外部系統(tǒng)的聯(lián)絡(luò)線的動態(tài)響應(yīng)，得到母線 電壓的角度和幅值以及聯(lián)絡(luò)線輸送的有功功率和無功功率。
3.將與研究系統(tǒng)相連的外部系統(tǒng)等值成一臺發(fā)電機，使用:
照
到的電
壓作為發(fā)電機的輸入數(shù)據(jù)，使用有功功率和無功功率作為發(fā)電機的實際輸出 數(shù)據(jù)，建立待辨識的發(fā)電機模型。圖1為辨識的原理框圖，利用待測系統(tǒng)的 原始的輸入、輸出動態(tài)數(shù)據(jù)，建立待測系統(tǒng)的模型，根據(jù)輸出誤差最小的準 則，不斷地修正模型參數(shù)，最后達到誤差無限小時，認為這時模型的參數(shù)即 為辨識得到的模型參數(shù)。
待辨識的發(fā)電機模型為六階微分模型 其狀態(tài)向量方程為-
乂-,義-,
9
9
9
其輸出方程為
其辨識的目標函數(shù)為:
其中
o"+(《-《>9
乂rfoP^ ^V ^十^v ^十a(chǎn),
r 「e:-(《-1.0
'為
X = eg《5 w]為狀態(tài)向量，『=[f/ "]為輸入向量，
0=《?！??！?。《。A A《《《《巧]為待辨識的參數(shù)向量，
y二[p2]為輸出向量，A為數(shù)據(jù)采集的點數(shù)， y(w)為模型輸出值，y的為量測數(shù)據(jù)。
在設(shè)定故障的情況下，量測得到聯(lián)絡(luò)線的響應(yīng)作為輸入和待擬合的數(shù)據(jù)，
然后采用小生境免疫算法對發(fā)電機模型進行辨識，即尋找一組最優(yōu)的發(fā)電機
參數(shù)使得等值機能夠最大程度地擬合聯(lián)絡(luò)線的動態(tài)響應(yīng)。
4.使用小生境免疫算法對發(fā)電機模型進行辨識從而得到發(fā)電機模型參數(shù)。其方法是將目標函數(shù)作為抗原，將待辨識的參數(shù)作為抗體，首先隨機 生成一組滿足發(fā)電機要求的參數(shù)作為初始的抗體，然后以初始的抗體為中心 生成小生境并計算各抗體的親和度，根據(jù)小生境進化原則對小生境內(nèi)部的抗 體進行搜索，直至找到親和度最高的抗體作為誤差最小的參數(shù)，從而得到發(fā) 電機模型參數(shù)，即目標函數(shù)為
min，" (1)
其中，^為發(fā)電機參數(shù)。
小生境免疫算法的具體流程如圖3所示，包括種群的產(chǎn)生與種群進化兩部 分，種群產(chǎn)生后進行種群的進化。
(1) 種群的產(chǎn)生
① 設(shè)定最低允許親和度、小生境初始半徑、各基因的取值范圍，待辨識
的參數(shù)為抗體對應(yīng)的基因。
② 隨機生成一個免疫細胞，若不合格繼續(xù)隨機生成，若合格則以它為中
心產(chǎn)生一個小生境并在小生境內(nèi)隨機產(chǎn)生其它合格的免疫細胞填充小生境， 直至生成種群。所有待辨識的參數(shù)對應(yīng)的基因就構(gòu)成一個免疫細胞，免疫細 胞中的各基因必須滿足發(fā)電機參數(shù)的不等式約束等。不滿足約束，則再隨機 生成，直至隨機生成的基因都滿足要求為止。
◎?qū)ΨN群按小生境內(nèi)親和度的高低降序排列，修改最低允許 小生境內(nèi)進行親和度排序，選取親和度最小的為最低允許親和度 計算公式為
/ = 1// (2)
(2) 種群的進化
① 生成交叉、突變次數(shù)列表。
② 對種群中的小生境作交叉和突變操作；隨機決定進行交叉操作還是突 變操作；對小生境內(nèi)部的免疫細胞進行交叉和變異，生成新的一代個體。
◎修改小生境的初始半徑，修改最低允許親和度，修改全局最高親和度。 對新個體分別計算親和度，親和度低于最低允許親和度的淘汰，高于最低的 親和度的則留下來，最后排序選取親和度最高的規(guī)定規(guī)模的個體。
判斷最高親和度小生境是否成熟，如果成熟則退出，否則轉(zhuǎn)①。成熟 的標志為全局最高親和度達到設(shè)定值。
5.在同樣的激勵下，將量測得到的聯(lián)絡(luò)線的動態(tài)響應(yīng)與辨識得到的發(fā)電
未和度:在 ，親和度的機模型參數(shù)進行驗證校核，驗證等值結(jié)果，得到等值模型。在本實施例中，首先采用小生境免疫算法應(yīng)用于單機帶無窮大系統(tǒng)的例子，進行發(fā)電機模型參數(shù)辨識。在BPA軟件中設(shè)置了三相故障后，得到發(fā)電機的動態(tài)響應(yīng)，根據(jù)發(fā)電機端測得的響應(yīng)數(shù)據(jù)，采用小生境免疫算法辨識發(fā)電機模型參數(shù)。對參數(shù)進行優(yōu)化辨識后，得到的發(fā)電機模型參數(shù)與實際的發(fā)電機參數(shù)比較如下
參數(shù)準確值辨識值參數(shù)準確值辨識值
Ra09.9E-6TdO—163.4563
Xd2.90242細6TqO_l0.540.3965
Xq2細02.8848TdOll0.0330.0254
Xd_l0.38520.4262TqO—110.0780.0796
0.63800.6030TJ6.66676.3997
Xd一ll0.28840.1947D02.3E-6
Xq_ll0.28840.1530
由上例應(yīng)用可見，小生境免疫算法具有很好的優(yōu)化辨識能力，辨識得到的參數(shù)與實際參數(shù)十分接近。
將本發(fā)明的動態(tài)等值方法應(yīng)用于某大電網(wǎng)的動態(tài)等值，如圖2所示是使用本發(fā)明得到的等值模型的動態(tài)響應(yīng)與實際外部系統(tǒng)的動態(tài)響應(yīng)對比圖，根據(jù)等值后得到的等值機響應(yīng)與實際響應(yīng)比較可見，基于小生境免疫算法的動態(tài)等值方法得到的等值機，能夠很好地擬合外部系統(tǒng)的動態(tài)響應(yīng)，精度較高，速度快，實用性強，解決了估計等值法的參數(shù)辨識難的問題。
需要強調(diào)的是，本發(fā)明所述的實施例是說明性的，而不是限定性的，因此本發(fā)明并不限于具體實施方式
中所述的實施例，凡是由本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的技術(shù)方案得出的其他實施方式，如使用本方法辨識發(fā)電機模型參數(shù)合并發(fā)電機等，同樣屬于本發(fā)明保護的范圍。
9
權(quán)利要求
1. 一種基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法，其特征在于該方法包括下述步驟(1). 在研究系統(tǒng)內(nèi)部設(shè)置擾動；(2). 在擾動期間量測研究系統(tǒng)與外部系統(tǒng)的聯(lián)絡(luò)線的動態(tài)響應(yīng)，得到母線電壓以及聯(lián)絡(luò)線輸送的有功功率和無功功率；(3). 將與研究系統(tǒng)相連的外部系統(tǒng)等值成一臺發(fā)電機，采用量測得到的電壓作為發(fā)電機的輸入數(shù)據(jù)，將有功功率和無功功率作為發(fā)電機的實際輸出數(shù)據(jù)，建立待辨識的發(fā)電機模型；(4). 使用小生境免疫算法對發(fā)電機模型進行辨識從而得到發(fā)電機模型參數(shù)；(5). 在同樣的激勵下，將量測得到的聯(lián)絡(luò)線的動態(tài)響應(yīng)與辨識得到的發(fā)電機模型的動態(tài)響應(yīng)進行驗證校核，驗證等值結(jié)果，得到等值模型。
2.根據(jù)權(quán)利要求1所述的基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法， 其特征在于所述的發(fā)電機模型為六階微分模型，其狀態(tài)向量方程為足—足，足—足<formula>formula see original document page 2</formula>其輸出方程為-其辨識的目標函數(shù)為 其中<formula>formula see original document page 0</formula>為待辨識的參數(shù)向: !^[pe]為輸出向量，^為數(shù)據(jù)采集的點數(shù)， y(W)為模型輸出值，r的為量測數(shù)據(jù)。.酬2
3.根據(jù)權(quán)利要求1所述的基于小生境免疫算法的動態(tài)等值方法，其特征 在于所述的使用小生境免疫算法對發(fā)電機模型進行辨識的方法為在傳統(tǒng) 免疫算法的基礎(chǔ)上，將小生境技術(shù)與免疫算法相結(jié)合，將目標函數(shù)作為抗原， 將待辨識的參數(shù)作為抗體，首先隨機生成一組滿足發(fā)電機要求的參數(shù)作為初 始的抗體，然后以初始的抗體為中心生成小生境并計算各抗體的親和度，根 據(jù)小生境進化原則對小生境內(nèi)部的抗體進行搜索，直至找到親和度最高的抗 體作為誤差最小的參數(shù)，從而得到發(fā)電機模型參數(shù)。
全文摘要
本發(fā)明涉及一種基于小生境免疫算法的電力系統(tǒng)動態(tài)等值方法，包括以下步驟在研究系統(tǒng)內(nèi)部設(shè)置擾動；在擾動期間量測研究系統(tǒng)與外部系統(tǒng)的聯(lián)絡(luò)線的動態(tài)響應(yīng)；將與研究系統(tǒng)相連的外部系統(tǒng)等值成一臺發(fā)電機并建立待辨識的發(fā)電機模型；使用小生境免疫算法對發(fā)電機模型進行辨識從而得到發(fā)電機模型參數(shù)；在同樣的激勵下，將量測得到的聯(lián)絡(luò)線的動態(tài)響應(yīng)與辨識得到的發(fā)電機模型的動態(tài)響應(yīng)進行驗證校核，驗證等值結(jié)果，得到等值模型。本發(fā)明采用小生境免疫算法對發(fā)電機參數(shù)進行辨識，改善了傳統(tǒng)免疫算法的全局收斂性、收斂速度和保持物種的多樣性，具有等值速度快、精度高的特點，解決了估計等值法存在的速度和精度問題，適于電力系統(tǒng)在線實時安全分析。
文檔編號G06N3/12GK101520812SQ20091006848
公開日2009年9月2日 申請日期2009年4月15日 優(yōu)先權(quán)日2009年4月15日
發(fā)明者劉麗霞, 岑海鳳, 李曉輝, 王西田, 敏 羅, 芊 艾 申請人:天津市電力公司;上海交通大學