康忠健，田爱娜，王 平，訾淑伟

（1.中国石油大学（华东）电气工程系，山东东营 257061；2.承德石油高等专科学校电气与电子工程系，河北承德 067000）

0 引言

电力负荷作为能量的消耗者，在电力系统的设计、分析与控制中有着重要影响。负荷模型是决定仿真研究结果可信赖程度的关键因素之一。由于负荷自身的随机时变性、地域分散性、成分多样性、严重非线性等特点，建立完全精确的数学模型是十分困难的工作。负荷建模正成为电力系统仿真分析领域的具有挑战性的研究方向，引起了电力工程界与学术界的广泛关注。

现在一些较先进的参数辨识法大多适用于静态负荷模型[1]，而常用的输入输出模型——灰色预测模型预测程度依赖于专家的选取，精度不高[2]。目前讨论比较多的是基于元件的方法（统计综合法）和基于量测的方法（总体测辨法）2种基本建模方法。传统的统计综合法由于不能实时在线，难以在工程上推广应用[3]。而目前研究较多的基于量测的负荷建模方法即总体测辨法，其模型的精确度依赖于区域的负荷成分分析的精度以及模型的参数辨识[4]；基于元件的方法（统计综合法）建模中变电站负荷特性分类和行业典型用户精选具有一定的复杂性和主观性，很难精确、客观的建立负荷群模型[5]。

对此，本文提出了一种基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型。该方法通过神经网络学习掌握负荷群的暂态特性，用受控电流源替代原有负荷群，用神经网络控制受控源的输出。并对正常运行、单相短路、两相短路以及三相短路条件下进行模型仿真，仿真结果证明了所建立的负荷模型具有良好的稳定性和精确性。

1 理想变压器模型

对于任何一个简单的单相电路由戴维南等效定理或诺顿等效定律均可转化为如图1所示的电路

图1 简单单相负荷模型

图1中的电路模型中的负荷可以用理想变压器模型[6]转换为图2所示的模型。

图2 理想变压器模型下的等值电路

其中ZS是被检测负荷电阻值，ZL是仿真模拟网络的等效阻值[7]。

假设引起模型误差的原因只有时间延迟Δt，则该等效系统的闭环传递函数为：

2 基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型的建立

因为配电网现场的负荷成分不一，现有的负荷建模方法将负荷按照其特性进行动态和静态成分分析，从而模拟现场的负荷，但不能很好地反映负荷的暂态特性。为此，本文提出一种基于神经网络的配电网受控电流源的负荷模型建模方法。该方法通过学习稳态运行条件下的负荷群的暂态特性，根据作用电压大小控制受控电流源的输出，用受控电流源代替负载。

BP神经网络是目前在负荷建模中应用最多的一种神经网络，它具有很强的学习和自适应能力以及良好的非线性映射能力，可以逼近任意复杂的非线性关系[8]。基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型如图3所示。

图3 基于负荷实际暂态特性的受控电流源负荷模型

此模型建立的思想是将负荷看作是一个黑箱，并用受控电流源代替，通过实际负荷群的实测录波电压和电流数据对神经网络控制器进行训练，使所得的BP网络学到所代替负荷的负荷特性，在此基础上进行动态的系统仿真[9]。

神经网络受控电流源负荷模型的建立过程如图4所示。

图4 基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型建立过程图

负荷实际电压作为神经网络控制器的输入，实际电流作为神经网络的输出。用受控电流源代替原有的负荷模型，其控制规律由神经网络的输出控制。为了使神经网络BP模型[10]尽快收敛，在训练网络时将实际电压、电流训练数据进行归一化处理和低通滤波器处理，滤波器的截止频率为4 000 Hz。

3 模型仿真与分析

为了验证所提出的负荷模型建立方法的有效性和正确性，本文在Matlab/Simlink环境中将图5所示的配电网RLC模型用所提出的神经网络受控电流源模型进行替换，替换后的神经网络受控电流源模型配电网仿真模型[11]如图6所示。并在正常运行、单相接地、两相接地故障和三相接地故障条件下进行仿真对比分析。

图5 实际配电网负荷仿真模型

图6 基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型

3.1 正常条件下模型仿真分析

正常运行条件下，模型仿真的暂态电压、电流曲线与实际暂态电压、电流比较如图7和图8所示。

图7 正常运行时电压仿真值与实际值比较图

图8 正常运行时电流仿真值与实际值比较图

由图7和图8可以看出模型的精确性很高，基本上完全再现了负荷的电压、电流关系，很准确的掌握了所代替负荷的负荷特性。正常运行条件下模型仿真中的暂态电压、电流与实际暂态电压、电流误差曲线如图9和图10所示。

图9 正常运行时各相电压误差曲线图

图10 正常运行时各相电流误差曲线图

从图9和图10的误差曲线可以明显看出本文所建立的基于负荷实际暂态特性的配电网神经网络受控电流源模型在正常运行条件下是精确和稳定的。

3.2 单相短路条件下仿真分析

单相短路运行条件下模型仿真的暂态电压和电流与实际暂态电压、电流比较分别如图11和图12所示，电压和电流的误差分别如图13和图14所示。

图11 单相短路时电压仿真值与实际值比较图

图12 单相短路时电流仿真值与实际值比较图

图13 单相短路时各相电压误差曲线图

图14 单相短路时电流相对误差曲线图

3.3 两相短路条件下仿真分析

两相短路运行条件下模型仿真的暂态电压和电流与实际暂态电压、电流比较分别如图15和图16所示，电压和电流的误差分别如图17和图18所示。

图15 两相短路时电压仿真值与实际值比较图

图16 两相短路时电流仿真值与实际值比较图

图17 两相短路时各相电压误差曲线图

图18 两相短路时各相电流误差曲线图

3.4 三相短路运行条件下仿真分析

三相短路运行条件下模型仿真的暂态电压、电流与实际暂态电压、电流比较分别如图19和图20所示，电压和电流的误差分别如图21和图22所示。

图19 三相短路时电压仿真值与实际值比较图

图20 三相短路时电流仿真值与实际值比较图

图21 三相短路时各相电压误差曲线图

图22 三相短路时各相电流误差曲线图

模型中BP网络是在正常运行条件下的暂态数据训练的，而用在单相短路、两相短路和三相短路运行条件下也能达到很高的精度，3种运行条件下相对误差曲线更能说明模型的精确性很高，可以看出其精确地再现了负荷的电压、电流关系，很准确的掌握了所代替负荷的负荷特性。同时3种条件下的电压和电流误差曲线也说明了本文建立的基于负荷实际暂态特性的配电网神经网络受控电流源模型具有很好的精确度和稳定性。

4 结语

本文提出了基于负荷实际暂态特性的配电网神经网络受控电流源负荷模型。通过对小波分析和神经网络的学习建立了一个动态的基于神经网络控制的受控电流源模拟负荷仿真模型，此模型的出发点类似于输入输出模型，所不同的是控制输出的是一个神经网络控制箱。该网络通过对实际电压、电流数据的学习掌握了所要模拟负荷的负荷特性，最后通过在正常运行条件、单相短路条件、两相短路条件以及三相短路条件下对RLC负荷模型进行了验证。结果表明，所提出的负荷模型建立方法能很精确的掌握负荷的特性。电力系统负荷中有一大块为异步马达,在配电网中也不例外。

由于篇幅有限，本文只针对阻抗型负荷模型做了验证仿真，未对电热与动力类综合负荷模型进行处理，将在后续研究中对该类负荷进行研究。

[1]鞠平，马大强.电力系统负荷建模（2）[M].北京：中国电力出版社，2008:32-75.

[2]陈霞.灰色预测模型及其在电力负荷预测中的应用研究[D].南昌：南昌大学，2007.

[3]李成.电力负荷建模的在线统计综合方法研究及应用[D].南京：河海大学，2007.

[4]李培强.统计测辨法综合负荷建模研究[D].湖南：湖南大学，2009.

[5]李欣然，金席卷.基于元件的负荷建模理论与方法研究[D].湖南:湖南大学，2005.

[6]Wei Ren，Michael Steurer，Thomas L.Baldwin.Improve the Stability and the Accuracy of Power Hardware-in-the-Loop Simulation by Selecting Appropriate Interface Algorithms[J].IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS,8.2008,44（4）:1-8.

[7]Uffel R.K,Wierckx R.P,.Duchen H,et al..Digital Power System Simulators [C]//First International Conference.Expanding an Analogue HVDC Simulator’s Modelling Capability Using a Real-Time Digital Simulator（RTDS）.Proc.1st ICDS,Apr,1995,199-204.

[8]盛仲飙.BP神经网络原理及MATLAB仿真[D].渭南：渭南师范学院计算机科学系，2008.

[9]郑晓雨，马进，贺仁睦，等.基于模型激励响应的负荷分类及泛化能力[J].电工技术学报，2009，24（2）：28-31.

[10]李培强，李欣然，陈辉华，等.基于减法聚类的模糊神经网络负荷建模[J].电工技术学报，2006，21（9）.

[11]张德丰.MATLAB模糊系统设计[M].北京：国防工业出版社，2009.