一种适用于边缘计算的负荷模型参数轻量化辨识方法

摘要: 本技术涉及电力系统负荷建模,具体涉及一种适用于边缘计算的负荷模型参数轻量化辨识方法。背景技术:1、随着配电网自动化与数字化水平的提升,配电台区侧的量测与计算能力...
一种适用于边缘计算的负荷模型参数轻量化辨识方法

本技术涉及电力系统负荷建模,具体涉及一种适用于边缘计算的负荷模型参数轻量化辨识方法。

背景技术:

1、随着配电网自动化与数字化水平的提升,配电台区侧的量测与计算能力不断增强,电压、有功功率、无功功率等运行数据能够通过端侧采集设备持续获取。为了开展电压评估、无功优化、设备运行分析以及仿真校核等工作,通常需要建立能够反映负荷电压特性的机理式负荷模型,并对模型参数进行辨识,使模型输出与现场量测相一致。边缘计算设备在配电台区得到部署,为负荷参数的就地化、在线辨识提供了硬件基础,实现对负荷特性的快速响应。

2、将边缘计算应用于复杂的综合负荷模型参数辨识面临严峻的技术挑战。在参数辨识算法方面,工程实践中常采用遗传算法、粒子群优化算法等智能优化算法进行负荷模型参数寻优。该类方法无需梯度信息,具有一定的全局搜索能力,适用于非线性、多参数的辨识问题。然而,智能优化算法通常需要较大的种群规模与较多的迭代次数以保证收敛质量,导致函数评估次数高、计算时延长、存储与处理资源占用大。当参数辨识计算需要在边缘设备上完成时,受限于边缘侧算力、内存与能耗预算,往往难以兼顾辨识精度与实时性,在处理多参数耦合的综合负荷模型时,极易陷入局部最优解,导致辨识参数失真。蜣螂优化算法虽然具备滚球、繁殖、觅食等多种行为模式,具有较强的全局搜索潜力,但其原始结构采用基于种群数量比例的僵化分工策略,缺乏对粒子实时运动状态的自适应响应,且搜索过程缺乏速度动量的记忆机制,导致收敛精度低、迭代次数多,难以在算力受限的边缘终端上实现高效运行。

技术实现思路

1、本技术针对现有技术存在的问题,提供了一种适用于边缘计算的负荷模型参数轻量化辨识方法,通过融合粒子群算法的改进蜣螂优化算法与线性种群削减策略,显著降低了算法的时间复杂度与空间复杂度,并利用改进莱文伯格-马夸特方法实现了参数的快速准确收敛,能够在资源受限的边缘计算设备上实现综合负荷模型参数的高精度、轻量化辨识。

2、为实现上述目的,本技术采用的技术方案如下:一种适用于边缘计算的负荷模型参数轻量化辨识方法,包括:

3、获取实时数据;获取第一参数值集,第一参数值集为负荷模型待辨识参数的初始参数值集;

4、采用第一算法、根据第一参数值集和实时数据获得第二参数值集,第一算法基于粒子群算法、改进蜣螂优化算法、线性种群削减策略和种群多样性指数获得;

5、采用第二算法、根据第二参数值集和实时数据获得第三参数值集,第二算法基于物理边界约束和改进莱文伯格-马夸特方法获得,物理边界基于待辨识参数获得,第三参数值集为负荷模型轻量化辨识参数值集。

6、在其中一些实施例中,令第一粒子群为当前粒子群,第一粒子群为第一参数值集对应的粒子群,当前粒子群为进行当前群体迭代的粒子群;

7、采用粒子群算法,分别获得当前粒子群的个体最优解和全局最优解,以及获得每一个当前粒子的速度矢量,当前粒子为当前粒子群中的粒子;

8、根据速度矢量分别获得每一个当前粒子的归一化动能状态;

9、基于归一化动能状态获得每一个当前粒子的执行模式,执行模式基于改进蜣螂优化算法获得;

10、基于执行模式、个体最优解、全局最优解和实时数据分别更新每一个当前粒子获得至少一个第二粒子;

11、基于线性种群削减策略处理至少一个第二粒子获得至少一个第三粒子;

12、根据至少一个第三粒子获得种群多样性指数;

13、根据种群多样性指数判断群体迭代是否终止;

14、当群体迭代继续时,令第三粒子为当前粒子,并重复执行:采用粒子群算法,分别获得当前粒子群的个体最优解和全局最优解,以及获得每一个当前粒子的速度矢量;

15、当群体迭代终止时,根据至少一个第三粒子获得第二参数值集。

16、在其中一些实施例中,执行模式包括滚球搜索模式、繁殖开发模式和修复重置模式;

17、当归一化动能状态不小于第一动能阈值时,判定当前粒子的执行模式为滚球搜索模式;

18、当归一化动能状态小于第一动能阈值、且不小于第二动能阈值时,判定当前粒子的执行模式为繁殖开发模式;

19、当归一化动能状态小于第二动能阈值时,判定当前粒子的执行模式为修复重置模式;

20、当前粒子群包括第一部分当前粒子、第二部分当前粒子和第三部分当前粒子,第一部分当前粒子表征执行模式为滚球搜索模式的当前粒子,第二部分当前粒子表征执行模式为繁殖开发模式的当前粒子;第三部分当前粒子表征执行模式为修复重置模式的当前粒子;

21、至少一个第二粒子包括第一部分第二粒子、第二部分第二粒子和第三部分第二粒子,第一部分第二粒子表征执行模式为滚球搜索模式时获得的第二粒子,第二部分第二粒子表征执行模式为繁殖开发模式时获得的第二粒子,第三部分第二粒子表征执行模式为修复重置模式时获得的第二粒子。

22、在其中一些实施例中,当判定当前粒子的执行模式为滚球搜索模式时,获得第一部分第二粒子,包括:

23、根据第一当前粒子位置、个体最优解和全局最优解计算第一部分当前粒子的惯性速度动量,第一当前粒子位置为第一部分当前粒子的粒子位置;

24、采用正余弦算法的螺旋更新机制,根据惯性速度动量和个体最优解更新第一当前粒子位置获得中间粒子位置;

25、当群体迭代继续时,基于中间粒子位置和实时数据判断中间粒子的适应度,中间粒子为位于中间粒子位置的粒子;

26、若中间粒子的适应度未优化,则基于认知型避障处理中间粒子位置获得避障后粒子位置,根据避障后粒子位置获得第一部分第二粒子;

27、若中间粒子的适应度优化,则根据中间粒子位置获得第一部分第二粒子。

28、在其中一些实施例中,基于认知型避障处理中间粒子位置获得避障后粒子位置,包括:

29、计算第一夹角,第一夹角表征速度矢量与第一矢量的夹角,第一矢量表征第一当前粒子位置指向全局最优解的矢量;

30、根据第一夹角确定偏转方向;

31、根据偏转方向驱动中间粒子发生偏转获得避障后粒子位置。

32、在其中一些实施例中,当判定当前粒子的执行模式为繁殖开发模式时,获得第二部分第二粒子,包括:

33、根据第二当前粒子位置获得动能抑制因子,第二当前粒子位置为第二部分当前粒子的粒子位置;

34、根据个体最优解和全局最优解获得认知缩放因子;

35、采用高斯采样方法,根据全局最优解、认知缩放因子和动能抑制因子更新第二当前粒子位置获得第二部分第二粒子。

36、在其中一些实施例中,当判定当前粒子的执行模式为修复重置模式时,获得第三部分第二粒子,包括:

37、若归一化动能状态小于第二动能阈值且大于时,为正的小常数,根据势能场引导模式和个体最优解处理第三当前粒子位置获得第三部分第二粒子,第三当前粒子位置为第三部分当前粒子的粒子位置;

38、若归一化动能状态大于0且不大于时,根据维度解耦偷窃模式处理第三当前粒子位置获得第三部分第二粒子。

39、在其中一些实施例中,根据种群多样性指数判断群体迭代是否继续,包括:

40、当种群多样性指数不低于预设熔断阈值时,群体迭代继续;

41、当种群多样性指数低于预设熔断阈值时,群体迭代终止。

42、在其中一些实施例中,采用第二算法、根据第二参数值集和实时数据获得第三参数值集,包括:

43、根据第二参数值集和实时数据获得雅可比矩阵;

44、获取精修迭代最大值和初始化的阻尼因子;

45、令,为当前精修迭代次序,根据第二参数值集、实时数据、物理边界约束、雅可比矩阵和阻尼因子分别获得参数更新向量和当前参数值集、并更新阻尼因子;

46、令参数更新向量为第一向量,第一向量表征上一次精修迭代的参数更新向量;

47、令;

48、当时,为精修迭代最大值,根据当前参数值集、雅可比矩阵和阻尼因子获得第二向量,第二向量表征本次精修迭代的参数更新向量;

49、根据第一向量和第二向量获得余弦相似度;

50、根据余弦相似度更新雅可比矩阵、或根据余弦相似度和负荷模型更新雅可比矩阵;

51、根据实时数据、物理边界约束和第二向量分别更新阻尼因子和当前参数值集,并令第二向量为第一向量;

52、重复执行令;

53、当时,根据当前参数值集获得第三参数值集。

54、在其中一些实施例中,根据余弦相似度更新雅可比矩阵、或根据余弦相似度和负荷模型更新雅可比矩阵,包括:

55、当余弦相似度大于预设正交阈值时,不更新雅可比矩阵,或采用布罗伊登公式的秩1更新方式更新雅可比矩阵;

56、当余弦相似度不大于预设正交阈值时,基于负荷模型进行数值差分仿真计算更新雅可比矩阵。

57、相对于现有技术,本技术具有以下有益效果:

58、1.本技术显著降低了边缘计算的算力开销。通过引入线性种群削减策略,在迭代过程中动态剔除劣质粒子,使得算法后期运算次数大幅减少;配合改进莱文伯格-马夸特方法中的正交性检测机制,有效避免了非必要的雅可比矩阵重算,解决了在资源受限的边缘终端上运行复杂机理模型辨识算法容易导致计算超时或内存溢出的难题。

59、2.针对负荷模型参数强耦合导致的局部极值问题,本技术摒弃了传统蜣螂算法僵化的分工模式,提出了基于归一化动能状态的自适应调度策略,并深度融合了粒子群算法的核心机制,有效克服了负荷模型参数辨识中的多峰陷阱问题,大幅提升了辨识精度。

60、3.本技术保证了辨识结果的物理有效性。通过在精修迭代阶段引入物理边界约束,强制约束参数在合理的物理范围内,避免了纯数学优化可能产生的负电阻、负惯量等无物理意义的虚假解,提升了负荷模型参数在电力系统稳定性分析中的可用性与置信度。