基于SOM神經(jīng)網(wǎng)絡聚類的空調(diào)負荷聚合方法

許雅婧，黃小慶，曹一家，張志丹，戴麗麗

（湖南大學電氣與信息工程學院，長沙410082）

基于SOM神經(jīng)網(wǎng)絡聚類的空調(diào)負荷聚合方法

許雅婧，黃小慶，曹一家，張志丹，戴麗麗

（湖南大學電氣與信息工程學院，長沙410082）

空調(diào)類負荷的準確建模對電力系統(tǒng)暫態(tài)分析影響較大。為研究日益增多的空調(diào)集群特性，提出了基于自組織神經(jīng)網(wǎng)絡SOM（self-organizing feature map）聚類的空調(diào)負荷聚合建模方法。首先，通過靈敏度分析，提取對暫態(tài)分析最重要的幾個空調(diào)模型參數(shù)，利用層次分析法AHP（analytic hierarchy process）確定其權(quán)重；再通過帶權(quán)重訓練的SOM對空調(diào)負荷進行聚類；最后，簡化基于穩(wěn)態(tài)模型等效變換的方法，對每一類空調(diào)進行聚合。算例表明，相比不聚類直接聚合，采用先聚類后聚合的方法對配電網(wǎng)中的空調(diào)負荷聚合，既可顯著提高模型仿真的精度，又為研究其他負荷的聚合提供了一種新思路。

空調(diào)聚合；自組織神經(jīng)網(wǎng)絡；層次分析法；權(quán)重訓練

經(jīng)濟發(fā)展和氣候變暖使得空調(diào)類（空調(diào)、冰箱）負荷在中心城市電網(wǎng)中的比重迅速增長[1]。據(jù)統(tǒng)計，夏季高峰時中國大中城市的空調(diào)負荷比重超過了30%～50%[2]?？照{(diào)負荷具有特殊的無功-電壓特性，且啟、停時均會產(chǎn)生較大的功率沖擊，給城市電網(wǎng)的電壓穩(wěn)定帶來不利影響，如1987年發(fā)生在日本東京的一次令人震驚的電壓崩潰事故，研究表明空調(diào)類負荷在事故中起很大的負面作用。因此，研究空調(diào)負荷的建模方法對于揭示其自身特性及預防其對電網(wǎng)電壓的不利影響具有現(xiàn)實意義。夏季空調(diào)比例較多是造成用電高峰的一個重要原因，研究空調(diào)負荷能夠為有效的規(guī)劃有序用電[3]、削峰填谷、節(jié)約能源提供有價值的依據(jù)。微電網(wǎng)相對主網(wǎng)總負荷較少，空調(diào)負荷的精確建模對于微電網(wǎng)的穩(wěn)定運行與控制也有重要意義。

針對空調(diào)的特性及負荷模型，文獻[4]實測了單臺空調(diào)的停機、啟動特性及電壓擾動特性，對單臺空調(diào)采用Karlsson-Hill模型及指數(shù)函數(shù)建立非機理模型；文獻[5]針對空調(diào)未停機時及啟動時沿用文獻[4]中的模型分別建立空調(diào)群負荷的模型，但是Karlsson-Hill的非機理模型并不適用于暫態(tài)穩(wěn)定分析的要求；文獻[6]通過空調(diào)特性實驗研究了單臺空調(diào)的啟動等4種運行特性并分別建立了其運行特性模型。動態(tài)負荷的合理建模對提高電力系統(tǒng)數(shù)字仿真準確度具有重要意義，但受電力系統(tǒng)數(shù)字仿真規(guī)模等因素限制，在仿真時對所有空調(diào)逐一建模是不現(xiàn)實的[7]，因此，有必要研究空調(diào)的聚合模型以模擬空調(diào)的行為特性。

此外，在配電網(wǎng)中空調(diào)種類繁多，不同的空調(diào)其負荷特性具有一定的差異性，試圖建立一個所謂“通用”模型描述所有空調(diào)的特性是不切實際的[8]，因此，有必要對空調(diào)先聚類后聚合。電力系統(tǒng)負荷特性聚類可歸為模式識別的問題。人工神經(jīng)網(wǎng)絡具有學習速度快、分類精度高等優(yōu)點，廣泛的應用于經(jīng)典模式識別領域的聚類分析中[9-10]。由于過多的輸入?yún)?shù)會使計算產(chǎn)生冗余，且空調(diào)各參數(shù)對聚類的貢獻不同，故聚類的輸入向量的選取也很重要。文獻[11]提出基于滑差同調(diào)等值的理論對空調(diào)群負荷建模，但未涉及具體的分類過程。

針對上述不足，本文采用自組織神經(jīng)網(wǎng)絡解決空調(diào)負荷特性的聚類問題。首先通過靈敏度分析提取對暫態(tài)分析重要的空調(diào)參數(shù)作為輸入向量；再用層次分析法確定權(quán)重；通過帶權(quán)重訓練的SOM對空調(diào)聚類；最后，采用簡化計算的穩(wěn)態(tài)模型等效變換的方法將每一類空調(diào)進行聚合，并通過Simulink仿真驗證本文聚類及聚合方法的有效性。

1 空調(diào)基本特性及等值模型

空調(diào)啟動、運行時具有不同的動態(tài)特性，啟動時，空調(diào)的轉(zhuǎn)矩是初始轉(zhuǎn)矩的二次函數(shù)，而穩(wěn)態(tài)運行時，空調(diào)負荷具有恒轉(zhuǎn)矩的特性[12]。當空調(diào)的端電壓降到額定電壓的0.6 p.u.以下時，空調(diào)會發(fā)生堵轉(zhuǎn)[13]，直到堵轉(zhuǎn)前1.2 s，空調(diào)都相當于恒轉(zhuǎn)矩負荷[12]。

在空調(diào)負荷中，消耗功率最大的是壓縮機，通常占到空調(diào)總功耗的90%以上，而壓縮機的動力來源于驅(qū)動其往返運動的電動機，因此與電動機具有相似的特性。壓縮機具有較小的慣性時間和快的電磁動態(tài)特性，所以用三階及以上的三相異步感應電動機模型能很好地反映空調(diào)壓縮機的性能[13]。因此，本文采用Simulink中提供的三相異步電動機建立未堵轉(zhuǎn)前空調(diào)負荷的模型，并設置輸出轉(zhuǎn)矩為恒定值以模擬空調(diào)壓縮機的恒轉(zhuǎn)矩特性。三相異步電動機的穩(wěn)態(tài)等效電路如圖1所示。其中，定子阻抗Zs=Rs+jXs，轉(zhuǎn)子阻抗Zr=Rr/s+ jXr，勵磁阻抗Zm=jXm，s為轉(zhuǎn)差。

圖1 三相異步電動機穩(wěn)態(tài)等效電路Fig.1Steady-state equivalent circuit of three-phase asynchronous motor

2 空調(diào)負荷聚類-聚合建模的流程

本文提出的基于SOM聚類的空調(diào)負荷聚合建模的工作流程如圖2所示。

步驟1將各空調(diào)的參數(shù)x=[Rs，Xs，Rr，Xr，Xm，s0，T，H]根據(jù)各自電動機基準容量標幺化并標準化，即初始化。其中，Rs、Xs為定子電阻、電抗，Rr、Xr為轉(zhuǎn)子電阻、電抗，Xm為勵磁阻抗，s0為穩(wěn)定運行轉(zhuǎn)差，T為機械轉(zhuǎn)矩，H為慣性時間常數(shù)。

步驟2對空調(diào)負荷用SOM進行聚類。為減少參數(shù)冗余，提高神經(jīng)網(wǎng)絡訓練效率，提取對暫態(tài)穩(wěn)定分析重要的空調(diào)參數(shù)作為輸入向量x′，本文x′= [Rr，s0，H]；采用AHP法依據(jù)x′對聚類的貢獻大小，計算各輸入向量的權(quán)重向量w=[w1，w2，w3]；利用帶權(quán)重的SOM神經(jīng)網(wǎng)絡將空調(diào)負荷聚類識別為n類，考慮實際情況以及使用方便，輸出類別n不宜過多，一般2≤n≤5。

圖2 基于SOM聚類的空調(diào)負荷聚合方法流程Fig.2Flow chart of aggregation of air conditioner load based on SOM clustering

步驟3將屬于同一類的空調(diào)負荷分別聚合。特別地，對每一類的空調(diào)進行聚合時，本文提出利用穩(wěn)態(tài)模型等效變換的方法建立空調(diào)聚合模型。

3 基于SOM的空調(diào)聚類識別

3.1 自組織映射神經(jīng)網(wǎng)絡

自組織映射（SOM）神經(jīng)網(wǎng)絡是由芬蘭神經(jīng)網(wǎng)絡專家Kohonen在1981年提出的，采用無監(jiān)督的學習算法進行網(wǎng)絡訓練，具有學習速度快、分類準確、抗噪聲能力強等優(yōu)點，因此在國內(nèi)外的負荷聚類分析中得到廣泛應用[9-10]。

自組織映射神經(jīng)網(wǎng)絡由輸入和輸出層2層神經(jīng)元組成，輸入層中每一個神經(jīng)元通過可變權(quán)值與輸出層各神經(jīng)元相連，輸出神經(jīng)元形成一個二維平面陣列。SOM神經(jīng)網(wǎng)絡通過競爭算法完成學習過程，對競爭獲勝的神經(jīng)元C及其周圍鄰域Nc內(nèi)的神經(jīng)元的權(quán)值進行調(diào)整，使得輸出節(jié)點保持輸入向量的拓撲特征。

3.2 空調(diào)聚類識別輸入向量的提取

一般來說，聚類過程在特征空間進行，樣本特征向量的選取相當關(guān)鍵，將決定整個分類結(jié)果的好壞[9]。本文為了給SOM網(wǎng)絡提供合適的輸入特征向量，采用靈敏度法分析空調(diào)參數(shù)中對暫態(tài)分析比較重要的參數(shù)，并選取為特征向量。

通常電網(wǎng)的頻率較為穩(wěn)定，而電壓的變化受無功功率的影響較大，空調(diào)具有特殊的Q-V特性，當電壓明顯低于額定值時，無功功率隨電壓下降反而具有上升的趨勢，使電壓跌落更低?？照{(diào)在啟動時會對電網(wǎng)產(chǎn)生4～6倍的有功、無功沖擊，對電網(wǎng)產(chǎn)生不良的影響。因此，通過考察空調(diào)參數(shù)變化對空調(diào)有功和無功的影響，分析某一參數(shù)對暫態(tài)仿真的影響。

為了定量分析空調(diào)參數(shù)θ在某一取值附近微小變化對空調(diào)有功和無功功率的影響，通過求解參數(shù)θ在該值時對空調(diào)功率的靈敏度?P/?θ及?Q/?θ來衡量。其中，空調(diào)參數(shù)是指空調(diào)的電氣參數(shù)、轉(zhuǎn)差s0、慣性時間常數(shù)H。

根據(jù)文獻[14]，負荷參數(shù)中對無功功率有較大影響的是s0和H，對有功功率有較大影響的是s0、Rr、H?；诖私Y(jié)論，本文選取空調(diào)參數(shù)中對暫態(tài)穩(wěn)定分析影響較大的s0、Rr、H作為SOM的輸入特征向量，各輸入?yún)?shù)均依據(jù)各自電動機基準容量標幺化并標準化。特征向量的合理提取不但提高了空調(diào)分類的合理性，而且減少了SOM網(wǎng)絡的訓練時間。其拓撲結(jié)構(gòu)如圖3所示。

圖3 基于SOM的空調(diào)負荷聚類識別Fig.3Air conditioner load clustering recognition model based on SOM

3.3 神經(jīng)網(wǎng)絡權(quán)重的確定

由于各個特征向量對聚類的貢獻不同，因此有必要在訓練前確定各輸入向量的權(quán)重。層次分析法AHP（analytic hierarchy process）[15]是美國運籌學家Satty提出的一種對較為模糊或復雜決策問題使用定性與定量分析相結(jié)合的手段做出決策的簡易方法。本文用其確定準則權(quán)重。

比較m個元素對目標的影響，根據(jù)Satty判斷尺度建立m階判斷矩陣A，aij=Ci/Cj表示兩兩評價準則重要性的比，且aij〉0；aij=1/aij；aij=1。判斷矩陣的最大特征根λmax對應的特征向量歸一化后可作為權(quán)向量w=（w1，w2，…，wm）。

為了檢驗判斷矩陣的一致性，定義一致性指標為

為了衡量CI的大小，Saaty引入隨機一致性指標RI，見文獻[15]。定義一致性比率為

當一致性比率CR〈0.1時，認為判斷矩陣具有一致性，通過一致性檢驗，據(jù)此計算的權(quán)重值可以接受。

根據(jù)空調(diào)主導參數(shù)s0、Rr、H的靈敏度大小[14]確定其對暫態(tài)分析的重要度，則重要度的從高到低排序依次為：s0、H、Rr。同時，采用AHP中常用的9級標度法，由專家給它們形成的判斷矩陣的元素賦值。若求得的矩陣最大特征值可以通過一致性檢驗，則所得的特征向量即為表示參數(shù)s0、Rr、H重要性的權(quán)重向量w，具體結(jié)果為w=[w1，w2，w3]= [0.50.16670.3333]。在此，權(quán)重計算過程從簡，專家賦值見表1。

表1 隨機產(chǎn)生的8臺空調(diào)具體參數(shù)Tab.1Random parameters of 8 air conditioners

3.4 帶有權(quán)重的SOM網(wǎng)絡訓練

SOM網(wǎng)絡采用無監(jiān)督學習方式，在訓練過程中，能夠根據(jù)輸入樣本的特征自動進行聚類。帶權(quán)重的SOM訓練具體步驟如下：

步驟1確定神經(jīng)網(wǎng)絡結(jié)構(gòu)。本文選取SOM神經(jīng)網(wǎng)絡輸入層神經(jīng)元數(shù)為3，每一神經(jīng)元對應輸入特征向量的一個分量，即分別為空調(diào)負荷的3個輸入向量Rr、s0，H。輸出層神經(jīng)元數(shù)為k。

步驟2初始化。對N個輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)重矢量mj賦予隨機的權(quán)值，其中mj=（μ1j，μ2j，…，μnj），j=1，2，…，k。

步驟3提供新的輸入樣本，本文的輸入變量為空調(diào)負荷的主要參數(shù)[Rr、s0、H]T，樣本為N個。輸入變量的矩陣為x(3×N)。

步驟4對輸入變量x賦予權(quán)重w=（w1，w2，…，wm），每個輸入變量更新為wx=（w1x1，w2x2，…，wmxm），m=3。

步驟5計算每個輸入樣本與每個輸出神經(jīng)元j之間的歐式距離。

其中，距離最小的神經(jīng)元c即為獲勝神經(jīng)元。

步驟6對獲勝神經(jīng)元c所連接的權(quán)向量及其幾何鄰域Nc（t）內(nèi)的神經(jīng)元，修正其權(quán)向量，即

式中，η（t）為可變學習速度，η（t）和Nc（t）鄰域都隨著時間而衰減。

步驟7提供新的學習樣本，從步驟3開始重復上述學習過程，直至所有樣本訓練完成。

訓練結(jié)束后，輸出編號一樣的神經(jīng)元就代表了特征上相似的類別，可以劃分為同一類。

4 空調(diào)聚合模型

本文采用穩(wěn)態(tài)等值電路計算聚合空調(diào)的等效參數(shù)，仿真采用Simulink，所求參數(shù)滿足Simulink暫態(tài)仿真參數(shù)的需求，其中電動機采用6階模型。需要計算的空調(diào)參數(shù)有：定子電阻Rs、電抗Xs，轉(zhuǎn)子電阻Rr、電抗Xr，勵磁阻抗Xm，轉(zhuǎn)差s0，機械轉(zhuǎn)矩T，慣性時間常數(shù)H。

4.1 聚合空調(diào)的等效電氣參數(shù)

空調(diào)的穩(wěn)態(tài)等效電路如圖4所示。在保證同樣的電壓、電流時，等效電路可由圖4中3個阻抗的并聯(lián)代替[16]。

圖4 單臺空調(diào)的等效電路變換示意Fig.4Equivalent transformation circuit diagram of single air conditioner

考慮電機在堵轉(zhuǎn)時，轉(zhuǎn)差率s=1，則Zr=Rr+ jXr。由圖4的等效電路可得

式中：Zs、Zr、Zm分別為定子阻抗、轉(zhuǎn)子阻抗、勵磁阻抗；Zeq為等效阻抗，由式（5）可計算出Zeq的值。

將n臺空調(diào)并聯(lián)于同一母線上，則這些空調(diào)聚合后的等效電路如圖5所示。

圖5 聚合空調(diào)的等效電路Fig.5Equivalent circuit of aggregated air conditioner

由聚合空調(diào)的等效電路可得

式中：Zmi、Zri、Zeqi為單臺空調(diào)的勵磁阻抗、轉(zhuǎn)子阻抗、等效阻抗，Zmi=jXmi，Zrir=Rri+jXri；Zmagg、Zragg、Zeqagg為各聚合空調(diào)的阻抗值。進而根據(jù)聚合空調(diào)等效變換電路及式（5）～式（6），可求得聚合空調(diào)的定子阻抗Zeqagg。

4.2 聚合空調(diào)的額定轉(zhuǎn)差

聚合空調(diào)額定轉(zhuǎn)差的確定可用以下2種方法。

（1）單臺空調(diào)的額定轉(zhuǎn)差為sNi，則額定運行時，電機的額定定子線電流（星形連接）為

式中：UN為空調(diào)的額定電壓；φNi為單臺空調(diào)的額定功率因數(shù)角；Zsi為各空調(diào)的定子阻抗；Zsi=Rsi+ jXsi，Zri=Rri/sNi+jXri；進一步可得出各空調(diào)在額定運行時的功率因數(shù)為cos φNi。

根據(jù)式（7），單臺空調(diào)的額定輸入功率PNini為

根據(jù)聚合空調(diào)的輸入功率等于n臺空調(diào)的輸入功率之和，可得聚合空調(diào)的額定輸入功率PNinagg：

從等效電路的定子端看進去，聚合空調(diào)的總阻抗為

式中：Rragg、Xragg為聚合空調(diào)的轉(zhuǎn)子電阻、電抗；sNagg為待求的聚合空調(diào)額定轉(zhuǎn)差。

由式（10）計算聚合空調(diào)額定輸入功率PNinagg為

式中各值需取統(tǒng)一基準下的標幺值。

根據(jù)式（9）～式（11）可求聚合空調(diào)的額定轉(zhuǎn)差sNagg。此處相比文獻[16]簡化了額定輸入功率的計算過程。

（2）若已知單臺空調(diào)的額定容量為Sb，即

式中，Pin、Qin分別為單臺空調(diào)的額定輸入有功、無功功率。則有

根據(jù)式（13）可得

式中，Xp、Xsm、Xrm為引入阻抗，Xp=XsXr+XsXm+ XrXm，Xsm=Xs+Xm，Xrm=Xr+Xm。解式（14）就可求得聚合空調(diào)的額定轉(zhuǎn)差sNagg。需要說明的是，空調(diào)的額定容量Sb一般都是已知的，相比方法（1）中求PNinagg節(jié)省了復雜的計算過程，且通過對式（12）進行適當變形，只需解式（14）即可求得額定轉(zhuǎn)差，因此簡化了計算過程。

4.3 聚合空調(diào)的機械轉(zhuǎn)矩

單臺空調(diào)的額定輸出功率PNi為

式中：PNmi、PNei分別為單臺空調(diào)的額定機械功率和電磁功率；Rri為各轉(zhuǎn)子電阻。

空調(diào)在正常運行時具有恒轉(zhuǎn)矩特性，機械轉(zhuǎn)矩T等于額定負載轉(zhuǎn)矩。則聚合空調(diào)的額定輸出功率PNagg為

聚合空調(diào)輸出的額定負載轉(zhuǎn)矩為

式中，nNagg聚合空調(diào)額定轉(zhuǎn)速，nNagg=ns（1-sNagg），ns為同步轉(zhuǎn)速。

4.4 聚合空調(diào)的慣性時間常數(shù)

若已知量為單臺空調(diào)的慣性時間常數(shù)Hi，則根據(jù)以額定轉(zhuǎn)速旋轉(zhuǎn)時的動能守恒[16-17]可得

式中，Hagg為聚合空調(diào)的慣性時間常數(shù)。

5 空調(diào)聚合模型有效性的仿真與驗證

為了驗證本文所提聚合方法的有效性，利用本文先分類后聚合建立的空調(diào)負荷模型，討論其參與配電網(wǎng)暫穩(wěn)態(tài)的仿真結(jié)果。

考慮3種不同類型的空調(diào)負荷：變頻空調(diào)、商業(yè)中央空調(diào)、民用中央空調(diào)，其典型參數(shù)如表1所示[8]。本文假設配電網(wǎng)中空調(diào)的總數(shù)為8臺，其中這3種空調(diào)負荷比例分別為2∶1∶1，為符合實際情況，8臺空調(diào)的參數(shù)做如下隨機處理：由于實際空調(diào)的參數(shù)具有差異性，對主導電氣參數(shù)Rr取均勻隨機數(shù)，根據(jù)式（12）～式（17）計算每臺空調(diào)的轉(zhuǎn)差s0和轉(zhuǎn)矩T。因篇幅限制，這里僅給出典型參數(shù)。對空調(diào)依次編號，其中變頻空調(diào)編號為1～4，商業(yè)中央空調(diào)為5、6，民用中央空調(diào)為7、8。

不聚類時將所有空調(diào)聚合為1臺，參數(shù)見表2。為了計算方便，用本文分類方法將空調(diào)分為3類，結(jié)果為：1～4為第1類，5、6為第2類，7、8為第3類，與實際相符。

表2 三種類型的空調(diào)模型的參數(shù)及聚合空調(diào)模型的參數(shù)Tab.2Classic parameters of three types of air conditioners and aggregated air conditioners

將8臺空調(diào)并聯(lián)于同一母線，與聚合空調(diào)進行穩(wěn)態(tài)和暫態(tài)仿真對比，采用Simulink進行兩種場景的仿真。

場景1穩(wěn)態(tài)仿真，假設空調(diào)均運行于額定電壓380 V，從0 s正常啟動。圖6～圖7分別表示空調(diào)群和聚合空調(diào)模型穩(wěn)態(tài)時的有功和無功功率。從圖中可以看出，聚合的空調(diào)模型能很好地反映多臺空調(diào)的穩(wěn)態(tài)仿真結(jié)果，而聚合為3臺的結(jié)果與多臺空調(diào)的功率曲線基本重合，比直接聚合的結(jié)果更接近，提高了聚合模型的精度。

圖6 空調(diào)群及聚合空調(diào)穩(wěn)態(tài)時的有功功率Fig.6Active power of several air conditioners and aggregated air conditioner in steady state

圖7 空調(diào)群及聚合空調(diào)暫態(tài)時的無功功率Fig.7Reactive power of several air conditioners and aggregated air conditioner in steady state

圖8 空調(diào)群及聚合空調(diào)暫態(tài)時的有功功率Fig.8Active power of several air conditioners and aggregated air conditioner of transient state

圖9 空調(diào)群及聚合空調(diào)暫態(tài)時的無功功率Fig.9Reactive power of several air conditioners and aggregated air conditioner in transient state

場景2暫態(tài)仿真，空調(diào)均從0 s正常啟動，在2 s時所有空調(diào)都斷電約8 rap的時間最后達到穩(wěn)定。圖8～圖9分別表示空調(diào)群和聚合空調(diào)模型在暫態(tài)時的有功功率和無功功率。由圖可見，空調(diào)聚合模型能很好地反映多臺空調(diào)的暫態(tài)仿真結(jié)果，而分3類的聚合曲線與多臺空調(diào)的曲線基本重合，可以更好地模擬空調(diào)群的動態(tài)特性，提高了聚合模型的精度。

將空調(diào)負荷分為2～4類，依次進行暫穩(wěn)態(tài)仿真，采用穩(wěn)定后功率的相對誤差E對聚合結(jié)果進行評估，有功的相對誤差計算公式為

式中：Pagg為聚合空調(diào)的總有功功率；P為多臺空調(diào)的總有功功率。無功的相對誤差計算亦然。

穩(wěn)定后的有功和無功功率以及相對誤差E見表3。由表3可見，不聚類的仿真結(jié)果相對誤差較大，這是因為配電網(wǎng)中空調(diào)種類較多且不同種類之間差異較大。在使用SOM分類后，隨著分類的增多，無功的相對誤差逐漸減小，并在某一點附近達到平穩(wěn)。因本文采用有功功率平衡的原理進行聚合，所以有功功率的誤差很小，小于1%，無需單獨討論。本文分3類時相對誤差相比前幾類明顯的減少，分4類誤差減小的不多，故分3類在精度和計算復雜量上都有兼顧，是較理想結(jié)果?？梢姡诸惒⒎窃蕉嘣胶?，分類數(shù)需要在精度和計算復雜度之間取得平衡，經(jīng)大量的仿真驗證，一般分3～5類為宜。實際中，若負荷中包含幾組特性上相差不大、總?cè)萘勘容^相近的空調(diào)負荷，分類時不同類的類內(nèi)距相差不會很大，把它們等效為較少臺數(shù)的空調(diào)就可以滿足精度的要求，同時可以減小計算量。

表3 空調(diào)群及聚合模型達到穩(wěn)態(tài)后運行情況對比Tab.3Steady-state operating conditions comparison of air conditioner group and aggregated air conditioner

6 結(jié)語

空調(diào)無功特性對配電網(wǎng)電壓穩(wěn)定性影響較大，精確的空調(diào)負荷模型為電力系統(tǒng)仿真的精度提供保證。針對空調(diào)負荷的差異性，本文提出了基于自組織神經(jīng)網(wǎng)絡聚類的空調(diào)負荷聚合建模方法。首先，通過靈敏度分析，選取對暫態(tài)分析影響較大的空調(diào)參數(shù)作為輸入向量，利用帶權(quán)重訓練的SOM神經(jīng)網(wǎng)絡對空調(diào)負荷聚類；然后采用并簡化穩(wěn)態(tài)模型等效變換的方法將同一類空調(diào)聚合。仿真表明采用SOM聚類-聚合方法，相比不聚類直接聚合，顯著提高了空調(diào)聚合模型的精度，能更好地模擬空調(diào)群的動態(tài)特性。本文提出的空調(diào)負荷聚類-聚合方法為研究空調(diào)的集群特性及其對電壓穩(wěn)定性的影響奠定了基礎，為研究其他負荷的聚合提供一種新方法。

[1]李娜，褚曉東，張文，等（Li Na，Chu Xiaodong，Zhang Wen，et al）.考慮參數(shù)空間差異的多區(qū)域空調(diào)負荷聚合模型（Aggregation model of multi-zone air conditioning load considering spatial differences of parameters）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2012，24（5）：19-24.

[2]黎燦兵，尚金成，朱守真，等（Li Canbing，Shang Jincheng，Zhu Shouzhen，et al）.氣溫影響空調(diào)負荷的累積效應導致能耗的分析（An analysis of energy consumption caused by air temperature affected accumulative effect of the air conditioning load）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2010，34（20）：30-33.

[3]鐘海旺，夏清，黃媚，等（Zhong Haiwang，Xia Qing，Huang Mei，et al）.降低網(wǎng)損和消除阻塞的有序用電模式與方法（A pattern and method of orderly power utilization considering transmission loss reduction and congestion elimination）[J].電網(wǎng)技術(shù)（Power System Technology），2013，37（7）：1915-1921.

[4]徐群，劉剛，李育燕，等（Xu Qun，Liu Gang，Li Yuyan，et al）.單臺空調(diào)負荷動態(tài)特性分析與建模（Characteristic analysis and modeling of a single air conditioner load）[J].高電壓技術(shù)（High Voltage Engineering），2006，32（11）：127-130.

[5]李育燕，陳謙，黃文英，等（Li Yuyan，Chen Qian，Huang Wenying，et al）.空調(diào)群負荷動態(tài)特性分析與建模（Dynamic characteristics and modeling of air conditioner loads）[J].高電壓技術(shù)（High Voltage Engineering），2007，33（1）：66-69，77.

[6]鄭競宏，朱守真，王光，等（Zheng Jinghong，Zhu Shouzhen，Wang Guang，et al）.空調(diào)負荷運行特性研究及建模（Key characteristics and modeling of air conditioner load）[J].中國電機工程學報（Proceedings of the CSEE），2009，29（10）：67-73.

[7]張紅斌，湯涌，張東霞，等（Zhang Hongbin，Tang Yong，Zhang Dongxia，et al）.考慮配電網(wǎng)絡的感應電動機負荷模型聚合方法研究（Study on aggregation of induction motors with distribution network）[J].中國電機工程學報（Proceedings of the CSEE），2006，26（24）：1-4.

[8]章健.電力系統(tǒng)負荷模型與辨識[M].北京：中國電力出版社，2007.

[9]張紅斌，賀仁睦，劉應梅（Zhang Hongbin，He Renmu，Liu Yingmei）.基于KOHONEN神經(jīng)網(wǎng)絡的電力系統(tǒng)負荷動特性聚類與綜合（The characteristics clustering and synthesis of electric dynamic loads based on Kohonen neural network）[J].中國電機工程學報（Proceedings ofthe CSEE），2003，23（5）：1-5，43.

[10]代倩，段善旭，蔡濤，等（Dai Qian，Duan Shanxu，Cai Tao，et al）.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預測模型研究（Short-term PV generation system forecasting model without irradiation based on weather type clustering）[J].中國電機工程學報（Proceedings of the CSEE），2011，31（34）：28-35.

[11]鄭競宏，朱守真（Zheng Jinghong，Zhu Shouzhen）.基于滑差同調(diào)等值的空調(diào)群負荷建模（Slip coherency based approach for air conditioning load modeling）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2008，32（16）：11-15.

[12]Sanhueza S M R，Tofoli F L，de Albuquerque F L，et al.Analysis and evaluation of residential air conditioners for power system studies[J].IEEE Trans on Power Systems，2007，22（2）：706-716.

[13]Shaffer J W.Air conditioner response to transmission faults [J].IEEE Trans on Power Systems，1997，12（2）：614-621.

[14]鄭競宏，李康，朱守真（Zheng Jinghong，Li Kang，Zhu Shouzhen）.暫態(tài)穩(wěn)定分析中負荷模型主導參數(shù)研究（Dominant parameters of load model in transient stability analysis）[J].電力自動化設備（Electric Power Automation Equipment），2009，29（9）：1-6.

[15]陳慶前，余暢，章激揚，等（Chen Qingqian，Yu Chang，Zhang Jiyang，et al）.層次分析法在孤島微網(wǎng)綜合評價中的應用（Application of analytic hierarchy process in comprehensive evaluation of island microgrid）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2013，25（3）：133-137.

[16]Franklin D C，Morelato A.Improving dynamic aggregation of induction motor models[J].IEEE Trans on Power Systems，1994，9（4）：1934-1941.

[17]Karakas A，F(xiàn)angxing Li，Adhikari S.Aggregation of multiple induction motors using MATLAB-based software package[C]//IEEE/PES Power Systems Conference and Exposition.Seattle，USA，2009.

Aggregation of Air Conditioner Load Based on Self-organizing Feature Map Neural Network

XU Yajing，HUANG Xiaoqing，CAO Yijia，ZHANG Zhidan，DAI Lili
（College of Electrical&Information Engineering，Hunan University，Changsha 410082，China）

The accurate modeling of air conditioner loads has significant effect on the transient analysis of power systems.To investigate the modeling and characteristics of a group of air conditioners，this paper presents a new method for aggregation of air conditioners，taking into account load clustering based on self-organizing feature map（SOM）.First，several load parameters are chosen by sensitivity analysis as input vectors which are important in transient stability analysis；weight to each vector is assessed by analytic hierarchy process（AHP）；and air conditioners are classified into different types via SOM.Last each type of air conditioners is aggregated with simplified steady state model equivalent method.The results indicate that the method in this paper can not only improve the simulation precision of air conditioners in distribution network obviously，but also contribute to the investigation of other load aggregation.

air conditioner aggregation；self-organized neural network；analytic hierarchy process（AHP）；assess weight

TM74

A

1003-8930（2015）11-0026-08

10.3969/j.issn.1003-8930.2015.11.005

許雅婧（1990—），女，碩士研究生，研究方向為空調(diào)負荷的建模、配電網(wǎng)仿真。Email：deliaxyj@163.com

2014-04-04；

2014-07-14

國家高科技研究發(fā)展計劃（863計劃）資助項目（2012AA050217）；國家電網(wǎng)公司重大項目（KJ[2011489]）

黃小慶（1981—），女，通信作者，博士，講師，研究方向為彈性負荷與電網(wǎng)的相互關(guān)系研究、微電網(wǎng)。Email：huang_xq@126.com

曹一家（1969—），男，教授，博士生導師，研究方向為電力系統(tǒng)優(yōu)化與控制、進化計算與計算智能、智能控制系統(tǒng)與決策。Email：yijiacao@zju.edu.cn