[发明专利]一种基于深度学习的负荷建模与在线修正方法

说明书

本发明公开了一种基于深度学习的负荷建模与在线修正方法，包括：(1)历史样本数据的聚类以及变化量的计算；(2)离线仿真样本的构建以及仿真输出变化量的计算；(3)利用深度学习网络计算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；(4)在线数据的获取以及模型在线修正；本发明在现有电力系统负荷模型研究的基础上，采用离线学习在线应用的思路，基于深度学习方法，解决了智能电网背景下复杂电力系统负荷模型的构建与在线修正问题，为电力系统负荷模型的构建与在线应用提供了一种切实可行的方案，进一步提升了复杂情况下电力系统仿真模型准确性和计算精度，并为后续电力系统负荷建模研究提供了新的研究思路。

技术领域

本发明涉及一种基于深度学习的负荷建模与在线修正方法，具体涉及一种基于深度学习的负荷建模与在线修正方法。

背景技术

负荷作为电力系统中重要的组成部分之一，其对电力系统静态、动态和暂态特性和稳定性的分析与仿真计算都有着较大的影响。然而广泛使用的负荷模型仍然相对过分简化和粗糙，如恒定阻抗、功率等静负荷模型。负荷模型的过分粗糙已成为制约电力系统分析和仿真计算精度的关键因素，建立符合实际、能够准确反映实际重要特性的动态负荷模型具有十分重要的现实意义。

随着电力系统的不断发展，电网结构日趋复杂，电力负荷的类型也逐渐多样化，传统的负荷模型和研究方法渐渐的无法满足运行调度人员的需要。近些年来相量量测单元(PMU)以及广域量测系统(Wide Area Measurement System，WAMS)在电力系统中逐渐普及和发展，海量的量测数据被汇总到电网的调度系统中，这就为复杂电网形式下进一步的负荷建模以及参数测辨研究提供了相应的数据基础。在负荷建模和参数测辨方面，采用基于人工智能思想的深度学习方法进行测辨是一种高效可行的手段。深度学习方法能够较为合理地利用大量的量测数据，通过不断的学习和校正，实现负荷模型参数的辨识。不仅如此，深度学习算法还对于复杂情况下的电力负荷有着较好的辨识能力，这就很好的弥补了传统分析方法的不足，也为能够适应今后不断发展的电网形式，为仿真计算提供更为精确的负荷模型。

发明内容

本发明要解决的技术问题为：基于WAMS量测数据的负荷建模和负荷模型参数在线修正基本理论，提供一种能够在复杂电力系统情况下应用的电力负荷建模与在线修正方法，克服了传统建模方法故障数据依赖程度高、建模算法无法在线应用的缺点，为电网运行人员进行仿真计算分析提供了负荷模型上的准备。

为了实现上述发明目的，本发明采取的技术方案具体为：一种基于深度学习的负荷建模与在线修正方法，包括以下步骤：

(1)获取待辨识负荷节点的历史数据样本，依据其中的仿真计算输入变量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；

获取的节点历史数据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是仿真计算的输入量，U和f是仿真计算的输出量。聚类时采用4分钟内连续变化的P和Q波形曲线作为样本进行聚类，聚类方法采用Mini Batch K-Means算法。算法的具体步骤可见参考文献[1]。在聚类结束后，从各个类别中选取一条距离聚类中心最近的样本作为典型样本，然后计算各个类别中每个样本的P和Q与典型样本的变化量ΔP＝[ΔP₁,ΔP₂,ΔP₃,…,ΔP_n]，ΔQ＝[ΔQ₁,ΔQ₂,ΔQ₃,…,ΔQ_n]。

(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1中聚类的历史数据代入仿真模型中进行计算，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。