[發明專利]一種負荷建模的模糊邏輯強跟蹤方法

有效

• 申請號: 202110050535.X
• 申請日: 2021-01-14
• 公開（公告）號: CN112733372B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 王振樹;李中強
• 申請（專利權）人: 山東大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/15;G06F17/16;G06N7/02;G06Q50/06;G06F111/10;G06F119/10
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張慶騫

本發明屬于電力負荷建模領域，提供了一種負荷建模的模糊邏輯強跟蹤方法。其中，該跟蹤方法包括監測電壓幅值和新息的變化，確定噪聲協方差矩陣；所述新息為當前負荷模型輸出預測負荷特性數值與實測負荷特性數值之差；利用模糊邏輯自適應調整噪聲協方差矩陣，確定強跟蹤濾波器的漸消因子，使強跟蹤濾波器的過程參數與當前負荷模型參數保持一致；利用強跟蹤濾波器對當前負荷模型進行狀態估計，判斷新息是否達到預設精度，若是，則輸出修正后的模型，并利用該模型進行預測負荷特性；否則，繼續修正負荷模型，直至新息達到預設精度。

技術領域

本發明屬于電力負荷建模領域，尤其涉及一種負荷建模的模糊邏輯強跟蹤方法。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

電力負荷模型是電力系統規劃設計、調度運行和分析研究的基礎，模型是否恰當直接關系到結果的準確程度。在以往的研究中常采用經典的模型和參數，不準確的負荷模型往往會導致計算的結果與實際的情況不一致，造成系統潛在的危險或不必要的浪費。隨著分布式電源(如光伏、風電等)、電動汽車大量增加，負荷的成分更加復雜、負荷建模的難度進一步加大。

負荷模型包括靜態模型和動態模型。仿真中所使用的負荷模型結構大多是單一的和固定的，往往不能準確地描述負荷特性。為了更好地反映負荷的靜態特性和動態特性，采用綜合負荷模型描述電力負荷。確定模型結構之后，采用辨識算法識別出負荷模型的參數。然而，當采用的負荷模型與描述的實際負荷之間的誤差較大時，負荷模型不能準確地反映出實際的負荷特性。

交互多模型(Interacting Multiple Model,IMM)算法為解決上述負荷建模中的問題提供了重要的理論基礎。IMM算法的思想是將被觀測系統所有可能的運動狀態映射到模型集，模型集中的子模型代表不同的運動模式。采用歸一化新息平方和來選擇模型集中的最優子模型參與交互，利用馬爾可夫過程描述子模型之間的變換關系。每個模型各自匹配一個濾波器進行狀態估計，根據估計的誤差更新模型權重，并根據更新后的權重融合狀態估計結果，從而跟蹤機動目標。

IMM濾波穩定、一致收斂的前提是假定的模型是無偏的；當對目標的先驗知識了解較少或者目標本身出現機動時，建立的模型就會存在固定偏差，影響負荷建模的準確性。由于電力負荷的隨機性、強非線性等特點，提高交互多模型的魯棒性就顯得尤為重要。

發明內容

為了解決上述背景技術中存在的至少一項技術問題，本發明提供一種負荷建模的模糊邏輯強跟蹤方法，其將強跟蹤算法與模糊邏輯相結合，構造交互式模糊邏輯強跟蹤濾波器，以對負荷模型進行狀態估計，同時根據測量噪聲自適應調整漸消因子，使濾波器的過程參數與模型參數保持一致，提高了負荷建模的精度和計算速度，解決了現有電力負荷模型魯棒性差的問題。

為了實現上述目的，本發明采用如下技術方案：

本發明提供一種負荷建模的模糊邏輯強跟蹤方法。

一種負荷建模的模糊邏輯強跟蹤方法，包括：

監測電壓幅值和新息的變化，確定噪聲協方差矩陣；所述新息為當前負荷模型輸出預測負荷特性數值與實測負荷特性數值之差；

利用模糊邏輯自適應調整噪聲協方差矩陣，確定強跟蹤濾波器的漸消因子，使強跟蹤濾波器的過程參數與當前負荷模型參數保持一致；

利用強跟蹤濾波器對當前負荷模型進行狀態估計，判斷新息是否達到預設精度，若是，則輸出修正后的模型，并利用該模型進行預測負荷特性；否則，修正負荷模型，直至新息達到預設精度。

其中，所述負荷特性數值為負荷的有功功率和無功功率。

作為一種實施方式，模糊化定義如下：