[论文解读] Ambient Signals based Load Modeling with Combined Gradient-based Optimization and Regression Method.

Xinran Zhang, David J. Hill+2 more|arXiv (Cornell University)|Feb 20, 2020

Energy Load and Power Forecasting被引用 2

一句话总结

该论文提出了一种结合梯度优化与回归的新型方法，用于基于环境信号的负荷建模，提升了计算效率并降低了模型复杂度。通过回归识别静态负荷参数，通过基于残差的梯度优化识别感应电动机参数，实现准凸性以确保高效收敛，已在广东电网中验证，性能显著提升。

ABSTRACT

Load modeling has been an important issue in modeling a power system. Ambient signals based load modeling approach has recently been proposed to better track the time-varying changes of load models caused by the increasing uncertain factors in power loads. To improve the computation efficiency and the model structure complexity of the previous approaches, a combined gradient-based optimization and regression method is proposed in this paper to identify the load model parameters from ambient signals. An open static load model structure in which various static load models can be applied, together with the induction motor as the dynamic load model, are selected as the composite load model structure for parameter identification. Then, the static load model parameters are identified through regression, after which the induction motor parameters can be obtained through optimization with the regression residuals being the objective function. After the transformation of the induction motor model, the objective function is quasiconvex in most of the feasible region so that the gradient-based optimization algorithm can be applied. The case study results in Guangdong Power Grid have shown the effectiveness and the improvement in computation efficiency of the proposed approach.

研究动机与目标

• 解决由于不确定性增加，现代电力系统中时变负荷动态建模的挑战。
• 提升基于环境信号的负荷识别中计算效率，并降低模型结构复杂度。
• 开发一种复合负荷模型，采用开放静态结构与感应电动机动态模型，实现全面表征。
• 实现从环境信号中准确识别静态与动态负荷分量的参数。
• 通过利用目标函数的准凸性，确保参数优化的收敛性与效率。

提出的方法

• 采用由开放静态负荷结构与感应电动机模型组成的复合负荷模型，以表征多样的负荷行为。
• 利用环境信号数据通过回归方法识别静态负荷模型参数。
• 在静态模型拟合后，计算实测响应与预测响应之间的残差。
• 将感应电动机参数识别问题表述为以残差为目标函数的优化问题。
• 对感应电动机模型进行变换，以确保目标函数在可行区域的大部分范围内具有准凸性。
• 由于目标函数的准凸性，应用基于梯度的优化算法高效求解参数识别问题。

实验结果

研究问题

• RQ1 结合回归与基于梯度的优化方法是否能提升基于环境信号的负荷建模中的计算效率？
• RQ2 在复合负荷模型中，如何有效从环境信号中识别静态与动态负荷参数？
• RQ3 感应电动机模型的变换是否能使目标函数呈现准凸性，从而适用于基于梯度的优化？
• RQ4 所提出方法在保持时变负荷条件下精度的同时，能在多大程度上降低模型复杂度？
• RQ5 该方法在真实电力系统数据（如广东电网）中的表现如何？

主要发现

• 与以往基于环境信号的方法相比，所提方法实现了更高的计算效率。
• 经过模型变换后，感应电动机参数识别的目标函数变为准凸函数，从而可有效进行基于梯度的优化。
• 基于回归的静态负荷参数识别为后续优化提供了稳定的初始估计。
• 广东电网的案例研究证实了该方法在跟踪时变负荷动态方面的有效性。
• 复合负荷模型结构成功整合了多种静态负荷类型与感应电动机动态，实现了精确表征。