[发明专利]基于深度学习双深度Q网络二阶段WECC负荷建模方法

权利要求书

1.基于深度学习双深度Q网络二阶段WECC负荷建模系统，其特征在于，包括电力系统600、负荷集603、母线集606、相量测量装置(PMU)612、网络信息615、事件信息617、负荷建模系统620与负荷模型集630。

2.根据权利要求1所述的基于深度学习双深度Q网络二阶段WECC负荷建模方法，其特征在于，包含以下步骤：

步骤710：从各种来源获取输入信息，例如存储网络信息615和事件信息617的PMU、监控和数据采集(SCADA)系统和数据库；

步骤720：负荷建模系统确定要建模的负荷母线，此类确定可以由系统操作员控制，或者基于预设条件来实施，例如负荷母线上的电力需求量和/或负荷母线的位置；

步骤730：负荷建模系统从预选模型池中选择负荷模型结构，预选模型池包括WECC CLM和ZIP+IM。在WECC CLM中有六种负荷类型：ZIP、电子、电机A、电机B、电机C和电机D。在ZIP+IM中只有两种负荷类型：ZIP和IM，选择过程可基于使用调查或过去经验所获得的电力需求信息；

步骤740：负荷建模系统在第1阶段操作中确定所选综合负荷模型结构的最终负荷成分构成，当选择的负荷模型结构是ZIP+IM时，负荷建模系统确定ZIP型负荷和IM型负荷的百分比，当选择的负荷模型结构是WECC CLM时，负荷建模系统确定ZIP型负荷、电子型负荷、电机A型负荷、电机B型负荷、电机C型负荷和电机D型负荷的百分比；

步骤750：负荷建模系统通过第一阶段的最终负荷成分构成确定，且使用第二阶段操作中的计算机模拟，来决定所选负荷模型结构的最终的负荷参数值集，在决定最终负荷成分参数过程中，来自PMU和SCADA的输入测量数据，是基于对输入的训练事件记录进行曲线拟合，并且作为参考，蒙特卡罗模拟示例性地用于确定最终负荷参数；

步骤760：负荷建模系统将通过步骤710-750生成的负荷模型和相关参数输出到计算机用户接口和数据库，如果需要，可以将相同过程重新应用于其他负荷母线，以生成具有相关负荷成分构成和负荷参数的相应模型，然后生成的负荷模型可用于电网的运行稳定性分析、事故分析和规划分析。

3.根据权利要求2所述的基于深度学习双深度Q网络二阶段WECC负荷建模方法，其特征在于：所述步骤740中负荷建模系统在第一阶段操作包括以下步骤：

步骤810：对所选综合负荷模型结构的负荷成分构成进行初始化，当选择的负荷模型结构是ZIP+IM时，ZIP型负荷的初始化可以设置为50％，IM型负荷可设置为50％，当选择的综合负荷模型结构是WECC CLM时，ZIP、电子、电机A、电机B、电机C和电机D每个负荷类型的初始化可以设置为1/6；

步骤820：负荷建模系统使用机器学习智能体优化负荷成分构成，并以输入的训练事件记录作为指导；

步骤830：负荷建模系统计算每个最高负荷成分构成的分位数损失；

步骤840：负荷建模系统选择具有最低分位数损失的最高负荷成分构成之一作为最终负荷成分构成。