[论文解读] Bayesian Estimation Based Load Modeling Report

Chang Fu, Zhe Yu+1 more|arXiv (Cornell University)|Oct 17, 2018

Power System Optimization and Stability参考文献 19被引用 5

一句话总结

该论文提出了一种基于贝叶斯估计的动态负荷建模方法，结合异步电动机（IM）和ZIP复合模型，利用吉布斯抽样迭代更新参数后验分布，基于实测数据进行参数估计。该方法在时变参数估计中表现出高精度，即使在1%测量噪声下，最大误差也低于6.25%，展现出对传统方法更强的鲁棒性和可靠性。

ABSTRACT

This report presents the detailed steps of establishing the composite load model in the power system. The derivations of estimation the ZIP model and IM model parameters are proposed in this report. This is a supplementary material for the paper submitted to PES GM 2019.

研究动机与目标

• 为克服传统基于测量和基于组件的负荷建模方法的局限性，这些方法对测量噪声敏感，且依赖于详细的负荷组成数据。
• 开发一种无需事先掌握各组件特性信息的时变、鲁棒参数估计框架，适用于复合负荷模型（ZIP + IM）。
• 验证基于吉布斯抽样的贝叶斯估计在不同测量误差条件下的可行性与精度，用于动态负荷参数识别。
• 为未来利用先进统计与机器学习技术进行多模型复合负荷识别与组成推断奠定基础。

提出的方法

• 该方法采用贝叶斯推断估计负荷模型参数的后验分布，使用共轭先验以实现高效计算。
• 应用吉布斯抽样，从参数（如 α_c、E、ω、I 和 τ）的全条件分布中迭代抽样，逐步更新后验估计。
• 关键方程包括 α_c 的后验正态分布以及由似然函数和先验信息推导出的精度参数 τ 的伽马分布。
• 模型以实测的有功功率、无功功率、电压、电流及转子磁链分量（E’d, E’q）作为输入，用于计算参数后验分布。
• 该方法假设模型残差服从正态分布，并通过迭代抽样实现后验分布的稳定收敛。
• 通过在控制测量误差（1%、2%、5%）条件下的仿真验证框架的估计精度与鲁棒性。

实验结果

研究问题

• RQ1 在测量噪声存在的情况下，基于吉布斯抽样的贝叶斯估计能否提供准确且鲁棒的时变参数估计，适用于复合负荷模型？
• RQ2 与经典的最大似然或最小二乘法相比，该方法在噪声测量条件下的误差水平与稳定性如何？
• RQ3 与基于组件的建模相比，贝叶斯框架在多大程度上降低了对详细负荷组成数据的依赖？
• RQ4 在实际负荷模型参数估计中，残差正态性假设是否成立？其对收敛性与精度有何影响？
• RQ5 该方法能否扩展至在并网复合系统中同时识别多个ZIP与IM模型？

主要发现

• 在1%测量误差下，所有参数的最大估计误差为6.25%，表明具有出色的精度与鲁棒性。
• 对于 α_c，估计均值为0.75，真实值为0.80，误差为6.25%，在实际应用中可接受。
• 在2%测量误差下，α_b 的误差上升至10%，表明对较高噪声水平较为敏感，但其他参数误差仍控制在5%以内。
• 在5%测量误差下，α_b 的误差为5%，α_c 的误差为2.5%，表明该方法在显著噪声下仍保持合理精度。
• 表2–4的仿真结果证实，基于吉布斯抽样的贝叶斯估计方法能收敛至准确的后验分布，均值估计值紧密跟踪真实值。
• 该方法成功避免了对详细负荷组件数据的依赖，在样本量充足时对测量异常具有强鲁棒性。