1 绪论
1.1 电力系统负荷建模的重要意义
电力系统负荷的数学模型在电力系统规划设计、调度运行与实验研究等各个领域有着广泛的应用[1]，它为电力部门指导电网运行提供基本依据。目前，发电机、励磁系统及原动系统的模型已较为完善和精确，而负荷模型却由于其时变性、分散性、非线性等特点而相对粗糙，通常都是从基本物理概念入手，采用典型模型和参数推荐值。大量事实和研究表明，负荷模型对潮流计算、暂态稳定性计算、小扰动稳定以及电压稳定的计算结果影响各不相同[2]。不恰当的数学模型会使仿真结果与实际情况存在较大出入，产生或“保守”或“冒进”的结论。前者会导致构成的系统存在潜在危险，而后者会造成资源不必要的浪费。在过去由于准确负荷模型的缺乏，仿真计算中常常会采用“保守”的模型，这种做法计算出的安全指标（比如输送功率极限）往往比实际系统要低，造成电网的传输出现瓶颈。近年来，国际上出现的一系列停电事故，以 2003 年“8·14”美加大停电，2006 年欧盟“11·4”停电事故为例，两起事故后的事故报告都提及了由于负荷模型的不够准确，事故特性难以复现。另一个案例是美国西部系统协调委员会（Western Systems Coordinating Council，WSCC）于 1996 年对美国西部电力系统大停电事故的仿真分析，采用的静态负荷模型却得到了稳定的结果，并不能复现事故时出现的弱阻尼震荡。后来，研究人员通过修改电力系统模型和参数，采用了 20%的感应电动机模型+80%的静态模型，才再现了事故中出现的弱阻尼震荡现象。长期以来，由于各生产部门获得的全网动态响应数据一直缺乏统一的统计口径，电力系统动态建模和仿真的精准度一直无法校核，加之尚未有相关机构或组织对模型和参数进行统一的管理，严重影响了负荷建模和仿真结果的可信度。随着我国“全球能源互联网”战略的提出，我国电网的规模和复杂程度进一步增加，电力系统安全稳定性问题已成为当前行业面临的突出问题。为保证电网的安全稳定运行，精确的仿真计算必不可少，而符合我国电网实际的电力负荷模型和参数则是影响仿真计算结果的直接因素。因此，依托高性能云计算平台和智能电网提供的海量数据，建立符合我国电网新形势下的综合负荷模型是当前负荷建模研究领域亟待解决的关键课题之一。
........
1.2 负荷建模的发展历程
电力系统建模的发展过程一直伴随着电力系统数字仿真的发展。早在 1935年，一些科学家就提出了有关确定负荷与电压扰动之间关系的要求，这是科学界第一次认识到电力系统分析的重要性。到了 20 世纪 60 年代，电力电子技术和控制理论发展迅猛，现代计算机的出现为电力系统这门学科注入了一针强心剂。借助计算机的高速运算能力，人们进行大量而复杂的电力仿真计算，负荷建模领域得到了空前的发展，负荷建模也是一样。在这一时期，恒阻抗、恒电流以及恒功率模型被相继提出，感应电动机、多项式和幂函数静态模型也被应用到计算当中[3]。但是当时这些理论尚不成熟，其中的一些参数还依靠定性估计，辅以静态函数拟合，所以并没有立即大范围推广。经过了十余年的探索，发电机、励磁系统及原动系统的仿真与建模工作都获得了长足的发展，而负荷建模工作却因其固有的困难而徘徊不前。为了打破这一窘境，1976 年，由美国电力科学院（Electric Power Research Institute，EPRI）主持开展，以美国德克萨斯大学为首的高校和 GE 为代表的多个电力企业共同参与的一项庞大的研究计划。研究团队采用统计综合法（Component-BasedModeling Approach）进行负荷建模的研究工作，并推出了基于此方法的软件包——EPRI LOADSYN[4]，该软件包的问世一举改变了负荷建模领域多年落后的局面，对负荷建模工作，尤其是综合统计法有着深远的影响。该软件包在使用时需要手动输入三类数据，即：每一种用电设备的平均特性、各类负荷中各种用电设备在该类负荷中的比重以及负荷组成。显然，对各类负荷的统计工作极为繁琐，三类数据的获得将耗费大量的人力、物力，好在 LOADSYN 软件为用户提供了前两类数据的缺省值，用户只需要输入第三类数据即可。除此之外，各地的电力公司还不断对其数据库进行更新或修正，使其更好地适应当地的实际情况。
.........
2 电力系统建模理论基础
2.1 统计综合法负荷建模
从数学建模的角度看，电力系统负荷建模主要包含三种方法：统计综合法、总体测辨法以及故障拟合法[28]。本小节主要对基于元件特性的综合统计法进行较为系统的介绍。统计综合法将变电站母线负荷（综合负荷）看作是多个用户的集合，每一用户又是各类元件的集合。先是获取区域负荷内的典型用电设备的平均电气特性，对元件建模；然后计算出每一类典型用电设备在该行业负荷中所占比重，即行业建模；最后统计出各类负荷所占比重，得出该点的综合负荷模型[9]。基于此方法开发的负荷建模分析程序——EPRI LOADSYN。程序的负荷建模框图如图 2.1 所示。运用综合统计法进行负荷建模需要获取以下三种数据[29~31]：（1） 单个用电设备的平均电气特性。其平均特性的获取可以由实验室或者仿真获取，也可以采用权威机构发布的推荐值。（2） 民用、工业等各类负荷中各用电设备所占比重。比如：居民负荷由空调、热水器等多种供电设备组成，我们需要统计出用电设备的类别并计算出各自所占容量的百分比。（3） 全部负荷中各类负荷所占比重。比如：综合负荷由居民、商业、工业等多种负荷构成，并统计出各类负荷在综合负荷中的比重。一般情况下，前两类数据相对稳定而后一类数据变化较大，所以计算时我们只需提供后一类数据即可。但是由于电网的规模不断扩大，使统计工作变得更加费时费力，因此不可能经常进行。由于负荷具有随机性和时变性，负荷的波动很大，我们根据调查得出的计算结果只能反映某个时间断面值。经过一段时间，负荷的组成比例发生改变，各种用电设备的随机投入都会对计算结果产生较大影响，得出的负荷模型与实际负荷产生较大出入。由此可见，这种方法有着明显的短板，在总体测辨法兴起后，该方法的发展一度停滞不前。随着大数据+云计算新时代的到来，各种智能化监测设备相继投入使用，电网信息化水平日益提高，依托电力大数据，综合负荷数据的实时获取已经成为现实。
..........
2.2 负荷的模型与结构
负荷特性是指负荷功率随系统电压和频率变化而变化的特性[33,34]。负荷模型是用于描述负荷特性的数学表达式，其分类方法有很多种，按照对时间的记忆效应可分为静态负荷模型和动态负荷模型，按照结构分又可分为机理模型和非机理模型[35]。静态负荷模型主要用来描述由节点电压和频率缓慢变化引起的负荷有功、无功功率发生相应变化的规律，是电网正常运行时或是小扰动情况下负荷的行为表现。静态负荷模型多用于潮流分析和静态稳定性分析中，常用的模型主要包括多项式模型和幂函数模型。依照负荷电压特性的区别，一般将其分为三类，即：恒定阻抗，恒定电流和恒定功率。其中，恒定阻抗负荷的取用功率与节点电压的平方呈正比，该部分负荷主要是静止负荷中的照明和电热等用电设备；恒定电流负荷的取用功率与该节点电压值呈正比；对于恒定功率负荷，认为其取用功率不随节点电压的变化而改变，一般由转动负荷（比如：各类电动机）组成[33]。
...........
3 云计算平台下的负荷建模...........31
3.1 负荷组成数据信息获取的现状及发展趋势......31
3.2 云计算平台下的负荷组成信息采集模块..........32
3.2.1 模块设计目标 ......32
3.2.2 构建思路 .....32
3.3 系统开发......34
3.3.1 Java 程序设计技术 .......34
3.3.2 模块数据管理 ......35
3.4 Hadoop 框架 ........36
3.5 电力负荷信息采集系统功能描述与界面展示..........47
3.6 本章小结......50
4 算例分析....51
4.1 基本参数的设置和方法确定......51
4.2 静态负荷模型仿真分析......53
4.3 动态负荷模型仿真分析......57
4.4 本章小结......60
5 结论与展望.......62
5.1 结论......62
5.2 展望......63
4 算例分析
长期以来，负荷规律难以把握、精确的负荷模型建立困难等问题一直是负荷建模领域发展的瓶颈。除此之外，负荷信息统计难，存储难，挖掘难的特点也困扰着电力工作者。为有效解决上述问题，本文提出了一种依托云计算平台，以综合统计法为基础的负荷建模方法。其中，云计算的核心是 MapReduce 算法，它能够快速有效地处理来自不同节点的负荷数据，归类合并供建模使用。本次程序采用 Java 语言，部分仿真和图形处理则使用了 Matlab。由于数据的获取、存储和挖掘涉及到不同操作系统间的通信，同时还存在分布式部署的问题。Java 语言简单安全、分布式安装以及“一次编译，到处运行”的特点能够很好地满足上述要求。选用 Matlab 则是因为其强大的数学运算与图形处理能力，能够方便地使用数据进行计算并生成图像。
4.1 基本参数的设置和方法
确定编写程序前，需要明确所要解决的问题。本文的主要目的就是从 D5000 系统以及电力用户用电信息采集系统的数据库中获取不同时间，不同用户的 U、P、Q、S 以及用电行业构成比例和地方电厂数据，应用 MapReduce 算法将数据筛选聚合，获取变电站用电行业构成比例以及地方电厂的分布与容量，再根据典型用户调查的结果和典型电力设备的参数，实现在线负荷建模工作。本次算例中，为模拟软件与数据库之间的通信，采用在物理机上搭建虚拟机的方法，模拟数据库服务器。物理机和虚拟机的硬件配置分配如表 4.1 所示。为了验证云计算的平台的快速性，我们将 Map worker 的数量设为 1，这样程序就不会触发并行处理机制，与普通的程序无异。重新计算上述过程，得到了相同的结果，而计算时间增加约 47s（原程序为 156s）。增加的不是很多是由于程序初始化耗费了大量时间，而数据量相对较小，数据处理时间相对较短。当数据规模庞大，Map worker 的数量较多时，MapReduce 算法的优势才会凸显出来。下面对本例采用的负荷建模方法求得的负荷模型，与文献 4 中所介绍的方法进行比较。如图 4.6-图 4.9 所示，其中实现为本次负荷建模所得的静态负荷模型，圆点是采用文献 4 中的方法通过 MATLAB 仿真得出的计算值。
..........
结论
电力系统数字仿真在电力系统调度运行、规划设计与实验研究等各个领域有着广泛的应用，它为电力部门指导电网运行提供基本依据。当前的负荷建模方法中，数据的统计工作多是由人工完成，这会消耗大量的人力物力，数据的准确性也无法保证。现在，智能电网的建设为解决这一难题提供了极大的便利，数据通过网络能够快速传输到需求侧，这就使得短期内完成对负荷特性数据的统计成为可能。因此，依托高性能云计算平台和智能电网提供的海量数据资源，建立符合我国电网新形势下的综合负荷模型是当前负荷建模研究领域具有重要的现实意义。本文在综合统计法负荷建模的基础上，根据实际调查得到的数据，在云计算平台上，引入了 MapReduce 算法和最小二乘法，使用 Java 语言和 Matlab 实现了整个负荷建模过程。具体工作如下：
（1） 对负荷建模工作进行了概括分析。首先从负荷的模型与结构入手，介绍了常用的静态和动态负荷模型，然后介绍了相应负荷特性的综合方法，最后介绍了系统辨识理论并讨论了各辨识方法的优缺点。
（2） 本文提出了在智能电网环境下，负荷组成数据获取的现有系统以及云平台下信息采集模块构建思路。首先介绍了整个模块的基本运行环境和编程基础。其次，介绍了此次数据采集、挖掘系统中的核心——MapReduce 算法。针对的算法中的 Map（映射）和 Reduce（化简）等关键步骤，本文还配以程序代码加以说明。最后，展示了模块良好的人机交互界面，为之后模块的运行和实际算例奠定了基础。
（3） 本文以获取到的数据为实验对象，选用 MapReduce 算法和综合负荷动态模型，对静、动态模型分别建模。其中，获得的静态负荷模型能够较好地反映变电站综合负荷的静态负荷特性，云计算平台能够快速地准确地完成大量负荷数据的汇集统计工作，展现了良好的兼容性；获得的动态模型验证了在对电力负荷进行有效分类的前提下，采用改进的加权平均方法建立的负荷模型能够较好地还原同类其他负荷的负荷特性。
..........
参考文献（略）