[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

说明书

本发明公开了基于深度学习双深度Q网络二阶段WECC负荷建模方法，涉及负荷建模技术领域，针对现有的WECC CLM的详细模型结构、控制逻辑和参数设置受到大多数软件供应商的限制，因此对公众不透明，这影响了WECC CLM的推广应用和实用性，调查数据的粒度和准确性完全取决于调查机构，并且存在许多无法确定验证的假设，这些限制都给实际动态响应建模带来了不便的问题，现提出如下方案，包括。本发明的DDQN方法只需要几组瞬态记录即可进行负荷建模，有效克服了数据可用性问题，当WECC CLM使用新的负荷成分(如分布式能源(DER))进行更新时，可以轻松扩展该方法。

技术领域

本发明涉及负荷建模技术领域，尤其涉及基于深度学习双深度Q网络二阶段WECC负荷建模方法。

背景技术

发电系统通常位于偏远地区，产生的电力通过输电系统传输到配电系统。传输系统将电力传输到各种配电系统，这些配电系统可以进一步耦合到具有各种负载的一个或多个公用设施。发电系统、输电系统、配电系统与负载在结构上和运行上相互结合，形成一个复杂的电力网络。电力网络的复杂性和动态性需要一种有助于减少损失和提高可靠性的自动化方法；在过去的几十年里，工业界和学术界的研究人员已经广泛使用ZIP和感应电机(ZIP+IM)作为量化负荷特性的综合负荷模型(CLM)，其中ZIP模拟静负荷瞬态行为，IM模拟动负荷瞬态行为。事实证明，这种ZIP+IM负荷模型对于模拟电力系统中的许多动态非常有效；近年来，电力行业已经开始观察各种新的负荷成分，包括单相IM、分布式能源(DER)以及通过电力电子设备连接的负荷，这些负荷越来越多地集成到系统中。这类新型负荷的高度渗透给负荷端的瞬态特性带来了深刻的变化，这就提出了更高级负荷建模的必要性。例如，众所周知的故障引起的延迟电压恢复(FIDVR)事件是由低惯量单相感应电动机(IM)在故障电压低于其失速阈值时失速引起的。FIDVR事件会在电力系统中造成潜在的电压控制损失和连锁故障；然而，FIDVR无法通过传统CLM模型进行建模。在这些条件下，西部电力协调委员会提出综合负荷模型(WECC CLM)在各种稳定性研究和应急分析中有效地捕捉了传统负荷模型的动态负荷响应，所以亟需一种基于深度学习双深度Q网络二阶段WECC负荷建模方法。

但是，现有的WECC CLM的详细模型结构、控制逻辑和参数设置受到大多数软件供应商的限制，因此对公众不透明，这影响了WECC CLM的推广应用和实用性，调查数据的粒度和准确性完全取决于调查机构，并且存在许多无法确定验证的假设，这些限制都给实际动态响应建模带来了不便。

发明内容

本发明的目的是为了解决现有的WECC CLM的详细模型结构、控制逻辑和参数设置受到大多数软件供应商的限制，因此对公众不透明，这影响了WECC CLM的推广应用和实用性，调查数据的粒度和准确性完全取决于调查机构，并且存在许多无法确定验证的假设，这些限制都给实际动态响应建模带来了不便的缺点，而提出的基于深度学习双深度Q网络二阶段WECC负荷建模方法。

为了实现上述目的，本发明采用了如下技术方案：

基于深度学习双深度Q网络二阶段WECC负荷建模方法，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。

基于深度学习双深度Q网络二阶段WECC负荷建模方法，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；