[发明专利]一种基于深度学习的负荷建模与在线修正方法

权利要求书

1.一种基于深度学习的负荷建模与在线修正方法，其特征在于，包括以下步骤：

步骤1、从实际电力系统中获取待辨识负荷节点的历史数据样本，包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f；其中，P和Q是仿真计算的输入变量，依据P和Q对数据样本进行聚类，选取各个类别C中距离聚类中心M最近的样本作为典型样本，并计算同类别中各个样本与典型样本的变化量；

步骤2、构建离线计算样本；仿真计算之前，在取值范围内对负荷模型中各类参数随机取值，得到一系列参数不同的负荷模型，接着将步骤中聚类的历史数据代入负荷模型中进行仿真计算，得到大量离线样本；最后计算同类别各个样本的仿真输出与对应的典型样本仿真输出的变化量；

步骤3、利用深度学习网络，训练得到输入变化量与输出变化量同负荷模型参数变化之间的关联规则；

步骤4、从实际电力系统中获取当前时段的在线量测数据，包括负荷节点的有功功率P_t、无功功率Q_t、节点电压U_t以及母线频率f_t，判断是否需要进行模型参数修正；如是，根据离线数据聚类得到的结果，判断出当前量测数据所属的类别，接着计算与上一时刻量测数据的变化量，基于相应类别的关联规则，确定需要修正的模型参数。

2.根据权利要求1所述的一种基于深度学习的负荷建模与在线修正方法，其特征在于，步骤4中，模型参数修正的判断方法为：

根据获取到的实际电力系统PMU量测数据，将当前时段的负荷节点的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]作为仿真计算的输入量，计算得到对应的仿真计算输出量U_t’＝[U_t1’,U_t2’,U_t3’,…,U_tn’]和f_t’＝[f_t1’,f_t2’,f_t3’,…,f_tn’]；

然后对比仿真结果U_t’、f_t’和实际测量数据中的U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]之前的误差，当最大误差绝对值大于测量数据的5％时，则判断当前负荷模型需要进行参数修正；

判断当前数据所属类别的方法如下：

在判断样本所属类别时，应当根据当前时段的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]以及节点电压U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]母线频率分别进行判断，即分别判断P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j；

在线修正应用方法如下：

计算当前时刻数据与上一时刻数据之间的变化量，

即ΔP_t＝[ΔP_t1,ΔP_t2,ΔP_t3,…,ΔP_tn]，ΔQ_t＝[ΔQ_t1,ΔQ_t2,ΔQ_t3,…,ΔQ_tn]，ΔU_t＝[ΔU_t1,ΔU_t2,ΔU_t3,…,ΔU_tn]和Δf_t＝[Δf_t1,Δf_t2,Δf_t3,…,Δf_tn]，

然后,根据之前判断得到的类别P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j确定修正参数时用到的关联规则，

最后,应用该规则以及变化量ΔP_t，ΔQ_t，ΔU_t，Δf_t得到模型参数修正量并进行负荷仿真模型的修正。