技术特征：
1.一种多工况场景下的冶炼负荷谐波发射水平的建模方法，其特征在于，包括：s1、获取冶炼负荷电能质量监测数据；s2、利用主成分分析法对冶炼负荷电能质量监测数据的谐波特征进行筛选；s3、根据筛选得到的谐波特征，进行冶炼负荷运行工况的检测；s4、构建多工况场景下的bp神经网络模型，并采用实测数据对模型参数进行辨识；s5：得到多工况场景下的冶炼负荷谐波发射水平的bp神经网络模型。2.根据权利要求1所述的方法，其特征在于，步骤s1为：采用电能质量监测系统中时间间隔为3min的采样数据展开研究，包括有功功率(p)、无功功率(q)、总谐波电压畸变率(thd
u
)、总谐波电流畸变率(thd
i
)、各次谐波电流有效值(i
h
)、各次谐波电压有效值(v
h
)。3.根据权利要求2所述的方法，其特征在于，步骤s1包括以下步骤：电能质量监测数据清洗：包括缺失数据处理、噪声数据处理、异常数据处理；根据清洗后的电能质量监测数据，构建冶炼负荷功率特征集s和谐波特征集x，其中，公式中，n表示总采样点数，s中p表示有功功率，q表示无功功率，i
hj
(h＝2，3，
……
，n，j＝1，2，
……
，n)表示h次谐波电流的第j个采样值。4.根据权利要求3所述的方法，其特征在于，所述缺失数据处理包括数据删除和数据填充；如果缺失数据超过90％，则删除数据的集合，否则采用3次牛顿插值法对缺失数据进行填充处理，填充处理的表达式为：n3(x
i
)＝f[x0]+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)f[x0]＝f(x0))公式中，n3(x
i
)表示当x＝x
i
时，牛顿多项式的插值结果，f[.]表示均差，f[x0]为零阶均差，f[x0，x1]为一阶均差，f[x0，x1，x2]为二阶均差。5.根据权利要求4所述的方法，其特征在于，所述噪声数据处理采用小波阈值去噪法；所述异常数据处理的方法为：通过人工检查的方式，将明显偏离实际测量值的数据用数据填充的方式替换。6.根据权利要求5所述的方法，其特征在于，步骤s2的实现过程如下：s61、对谐波电流特征集x进行零均值化处理，公式中，i
hj
(h＝2，3，
……
，n，j＝1，2，
……
，n)表示h次谐波电流的第j个采样值；s62、计算零均值化谐波电流特征集x的协方差矩阵cov(x)，
公式中，e[(x-e(x))(x-e(x))
t
]表示协方差矩阵，cov(i
n
,i
n
)表示两个元素之间的协方差，n表示谐波的频次；s63、计算协方差矩阵cov(x)的特征值λ
i
和特征向量μ
i
，cov(x)μ
i
＝λ
i
μ
i
，每个特征值λ
i
对应一个特征向量μ
i
，共n1个特征值，将特征值λ
i
按照从大到小的顺序进行排序，选取前k个特征值对应的特征向量，得到原始谐波电流特征降维后的投影特征矩阵，其中k的取值应满足如下表达式：s64、利用投影矩阵求出降维后的谐波电流特征子集x'，公式中，μ
i
表示特征向量，x
t
表示谐波特征集x的转置，[μ1,μ2,
…
μ
k
]
t
表示特征向量矩阵，x
′
kn
表示谐波电流特征子集x'的第k行第n列元素。7.根据权利要求6所述的方法，其特征在于，步骤s3中，通过变点检测算法对功率曲线进行分段，然后对每段功率区间内的谐波电流特征进行聚类，得到的每类聚类结果具有相似的谐波发射水平，即属于同一运行工况，具体步骤为：s71、对功率特征集s中功率曲线进行平滑处理；s72、分别计算有功功率曲线和无功功率曲线的cusum统计函数g
k
，，公式中，μ0表示变点发生前的平均值，σ为外界引起的噪声，p表示有功功率，q表示无功功率，下标k表示第k个采样时刻，分别表示第k个采样时刻的cusum统计函数值，分别表示无功功率和有功功率cusum统计函数的初始值，步骤s72中的公式表示只有当功率变化量大于噪声时，才有可能引起功率曲线发生大的突变；当cusum统计函数g
k
都大于设置的阈值h，即g
k
>h时，意味着功率突变点被检测出来，由
于检测可能存在延迟，将延迟因子记作d，则当0<gk≤h时，令延迟因子d＝d+1，直至g
k
>h，此时突变时刻记为t＝k-d，最终得到由d个突变时刻组成的功率曲线突变发生时刻序列t：t＝[t1,t2,
…
t
d
,t
d+1
]
t
公式中，t1表示功率曲线的起始时刻，t
d+1
表示功率曲线的结束时刻；s73、提取时间区间[t
n
，t
n+1
]内谐波特征子集x'中的谐波特征，得到d个谐波特征子矩阵x
n
：公式中，a
n
表示时间区间[t
n
，t
n+1
]内各谐波特征的总个数；s74、采用典型的k-means聚类方法对d个谐波特征子矩阵进行聚类，得到对应用户的运行工况数，并记录其时间区间，此时每个工况具有相似的谐波发射水平。8.根据权利要求7所述的方法，其特征在于，步骤s73中，由于不同突变点之间的时间间隔可能不同，因此得到的d个谐波特征子矩阵列向量长度可能会不同，为了统一矩阵维度，采用牛顿插值法对数据特征进行向后补差，将其统一补充为a
×
k的谐波特征子矩阵x
n
，a＝max(length(x
n
)),n＝1,2,
…
d，公式中，a表示谐波特征子矩阵列向量中最长列向量的维度，length(.)用于计算向量的长度。9.根据权利要求1所述的方法，其特征在于，步骤s4中，通过步骤s3得到的冶炼负荷的运行工况结果，得到i
h
＝f
h
(v2,v3,
…
,v
n
),h＝1,2,
…
n公式中，i
h
为h次谐波电流有效值，f
h
为负荷吸收的第h次谐波电流有效值，v2、v3、
…vn
为各次谐波电压有效值；其中，各次谐波电流的幅值与各次谐波电压的幅值的非线性映射关系通过训练bp网络建立，通过利用不同运行工况下的实测数据进行参数辨识，得到适合不同工况场景下的谐波模型，其过程如下：s91、训练数据的整理：提取步骤s3聚类得到的不同运行工况下的谐波电压特征集v，以及谐波电流特征集i，
公式中，k表示谐波频次，j＝1，2，
…
，a，表示采样点数，如i
kj
表示k次谐波电流的第j个采样值；在数据处理过程中可用matlab自带的premnmx()函数将这些数据归一化处理；s92、bp神经网络模型的设计：神经元表示的输入与输出的关系式为：公式中，μ
i
为第i个神经元的内部状态，x
i
为该神经元模型的输入信号，为神经元连接的权值，s
i
为某一外部输入的控制信号，θ
j
为阈值，y
i
该神经元模型的输出信号，f(x)为神经元的激励函数；其中，bp神经网络模型设计过程为：s921、以谐波电压特征集v为输入，输入层的神经元节点数为谐波电压特征集v的列向量个数，即有k个节点；s922、隐含层的设置为1层，隐含层中神经元数目的计算表达式如下：公式中，k为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数；s923、每次训练选择谐波电流特征集i一个特征作为输出，因此输出层神经元节点为1，传递函数采用s型对数函数；s924、网络采用梯度下降法进行学习，通过反向传播不断调整网络的权值和阈值，以满足网络的误差平方和最小的要求，网络输出层的误差函数为：公式中，y
i
表示神经网络的目标输出，d
i
表示神经网络实际输出值；s93、模型的训练与参数辨识：利用不同工况下的训练数据对模型进行训练，以实现该工况场景下谐波模型的参数辨识，其中网络参数设置为：网络迭代次数epochs为5000次，期望误差goal为0.00001，学习速率lr为0.01；s94、模型的性能评估：利用训练好的谐波模型生成不同工况下的各次谐波电流幅值的预测结果，并计算其均方根误差ε
rmse
，用于评估谐波模型的计算精度，
公式中：i
h
'为该模型的计算结果，i
h
为实际测量结果。10.根据权利要求9所述的方法，其特征在于，步骤(1)中，在数据处理过程中，用matlab自带的premnmx()函数将谐波电压特征集v和谐波电流特征集i归一化处理。
技术总结
本发明公开了一种多工况场景下的冶炼负荷谐波发射水平的建模方法，包括：S1、获取冶炼负荷电能质量监测数据；S2、利用主成分分析法对冶炼负荷电能质量监测数据的谐波特征进行筛选；S3、根据筛选得到的谐波特征，进行冶炼负荷运行工况的检测；S4、构建多工况场景下的BP神经网络模型，并采用实测数据对模型参数进行辨识；S5、得到多工况场景下的冶炼负荷谐波发射水平的BP神经网络模型。本发明实现了对冶炼负荷不同工况的准确辨识，准确地刻画了不同工况场景下冶炼负荷的谐波发射水平；基于该结果可以准确的评估和分析不同运行工况下冶炼负荷接入对电力系统电能质量特征的影响，有益于为分析谐波交互影响提供理论依据。为分析谐波交互影响提供理论依据。为分析谐波交互影响提供理论依据。
技术研发人员：马兴 何永胜 陈咏涛 廖玉祥 张友强 董光德 杨爽 匡红刚 付昂 朱小军 王瑞妙 易鹏飞 汪颖 周为 邹平 赵小娟 胡文曦 喻梦洁 周敬森 朱晟毅 方辉
受保护的技术使用者：国网重庆市电力公司 国家电网有限公司
技术研发日：2021.11.03
技术公布日：2022/2/6