报告简介
本报告由清华大学沈沉教授团队完成,针对平稳工况下电力系统负荷特性参数辨识中的内生性问题,提出了一种基于工具变量(IV)的创新辨识方法。研究聚焦于新能源与电力电子设备占比上升背景下,系统惯量下降、频率动态加速等挑战,探索如何利用随机响应数据实现负荷电压指数与频率特性参数的无偏、可靠辨识。
核心数据
研究通过IEEE 3机9节点系统仿真验证了方法有效性,数据显示:在强内生性条件下,传统OLS方法存在显著偏差,而IV方法能有效消除偏差并保持稳健性;在弱内生性场景下,OLS方法表现更优;在不同动静态负荷比例下,IV方法在电压指数辨识中优势明显,但在频率系数辨识中受弱工具问题限制。
主要趋势
随着新能源与电力电子设备在电力系统中占比持续上升,系统惯量下降,频率动态加速,多时间尺度耦合特性愈加突出。传统依赖大扰动或实验激励的辨识方法难以满足实际运行需求,而非干预式参数辨识成为重要研究方向。研究指出,在强内生性条件下,基于工具变量的辨识方法将成为提升参数准确性的关键技术路径。
关键结论
- 揭示了闭环系统中内生性的形成机理,指出在强内生性条件下,传统OLS方法虽具较低波动性,但存在显著偏差;
- 构建了完整的IV辨识框架,明确了滞后工具变量的构造原则与滞后阶数选取准则;
- 提出在动态扰动环境中发展快速在线方法,实现负荷特性参数的实时跟踪与更新。
...












