一种基于神经网络的综合负荷模型参数的自动修正方法与流程

本发明涉及电力系统，具体涉及到一种基于神经网络的综合负荷模型参数的自动修正方法。

背景技术：

1、随着分布式发电规模的迅速扩展，传统负荷模型已经难以跟上时代的步伐，迫切需要构建适应新型电力系统发展的新一代负荷模型。这种新需求的背后是电力系统运行环境的显著变化，传统模型的局限性日益凸显，无法充分反映当前复杂的电力负荷特性。然而，新一代负荷模型的准确性仍然面临验证手段不足的挑战。由于缺乏有效的验证手段，模型的可靠性和准确性难以保证。这一问题的存在使得在实际应用中，电网运行的安全性和稳定性可能受到影响。因此，开发和完善针对新一代负荷模型的验证手段，是当前研究和应用的重点之一。

2、目前负荷模型修正的方法主要有三种：统计综合法、总体测辨法和故障拟合法。其中统计综合法的基本思想是将连接到变电站母线节点上的负荷看作是多个电力用户的集合，而每一个用户同时又是各类电力负荷设备的集合。总体测辨法基本思想是将综合负荷看作一个黑箱，在确定了负荷模型结构的前提下，结合采集获得的动态量测数据和优化算法进行辨识，以获得负荷模型参数。故障拟合法通过调整仿真系统中的负荷模型参数值，拟合实际系统故障情况，直到得到与实际故障曲线最接近的仿真曲线，即对应最优负荷模型参数,但是实际操作中传统的故障拟合法主要是通过人工手动修正参数，并通过人工修改负荷参数来计算系统的动态响应来拟合目标。然而，这种方法的目标较为单一，且参数的调整与拟合效果的评估都依赖于人工经验，这不仅效率低下，而且所建立的模型难以满足大型电网分析计算对负荷模型的严格要求。

3、因此，有必要设计一种基于神经网络的综合负荷模型参数的自动修正方法。

技术实现思路

1、本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于神经网络的综合负荷模型参数的自动修正方法。

2、为实现上述目的，本发明采用的技术方案如下：一种基于神经网络的综合负荷模型参数的自动修正方法，包括以下步骤：

3、步骤1，获取综合负荷系统实际的故障录波数据，以提取暂态电压的实际值；

4、步骤2，模拟综合负荷模型在参数变化时的系统状态数据，并提取暂态电压的仿真值；

5、步骤3，基于辛普森1/3法则，计算仿真的暂态电压变化曲线与原始故障录波暂态电压变化曲线之间的辛普森积分面积差,并构建数据集；

6、步骤4，基于levenberg-marquardt算法优化的神经网络，建立负荷参数与面积差之间的变化响应关系；

7、步骤5，通过训练好的神经网络建立归一化后的误差函数；

8、步骤6，基于误差函数，利用顺序二次规划算法以辛普森积分面积差最小为目标，求出反归一化后的综合负荷模型参数。

9、进一步的，在所述步骤1中，从故障录波数据中提取故障发生后每0.01s母线的暂态电压值，以作为原始故障录波暂态电压变化曲线。

10、进一步的，在所述步骤2中，具体包括：

11、选取综合负荷模型的参数包括：

12、xl={x1,x2,x3,x4,x5,x6,x7 }={定子电阻,定子电抗, 激磁电抗，转子电阻，转子电抗，惯性时间常数，初始有功负载率}；

13、按原始参数大小的±20%的形式逐步修改综合负荷模型的参数值，以此得到不同综合负荷模型参数变化情况下，系统故障时节点的暂态电压变化曲线。

14、进一步的，在所述步骤3中，具体包括：

15、步骤3.1，假设综合负荷模型参数变化情况下暂态电压变化曲线为，原始故障录波暂态电压变化曲线为；计算每个点上的差值，得到差异曲线：

16、        （1）；

17、步骤3.2，将看作一个新的曲线，对进行积分；假设有个点，其中是偶数，以使得点数为奇数，每个点对应的差值为；那么使用辛普森 1/3 法则计算两条曲线之间的面积差公式为：

18、（2）；

19、其中，是在每个位置上两条曲线的差值；是相邻点之间的距离；

20、步骤3.3，根据步骤2中综合负荷模型参数，在仿真软件中随机改变这些负荷参数作为神经网络的输入，所对应的暂态电压变化曲线与原始故障录波暂态电压变化曲线的辛普森积分面积差作为神经网络的输出，构建数据集，并取80%作为训练集，20%作为测试集。

21、进一步的，所述步骤4具体包括以下步骤：

22、步骤4.1，创建一个初始化的神经网络，包含输入层、隐藏层和输出层；

23、步骤4.2，输入层的输入神经元数量为步骤2中选取的综合负荷模型参数数量，隐藏层的神经元数量设置为，输出层为步骤3中对应的仿真值与实际值之间的辛普森积分面积差，神经元数量设置为1；

24、步骤4.3，假设输入向量为，隐藏层的输出通过以下方式计算：

25、        (3)；

26、式中，是输入层第个神经元到隐藏层第个神经元的权重，是隐藏层第个神经元的偏置，为激活函数；

27、步骤4.4，输出层的输出由以下公式计算得出：

28、        (4)；

29、式中，是隐藏层到输出层的权重，是输出层的偏置；

30、步骤4.5，采用均方误差衡量神经网络的输出与训练集中的辛普森面积差之间的差异；

31、步骤4.6，计算输出层权重和偏置的偏导数，首先均方误差对权重和偏置的偏导数分别为：

32、    (5)；

33、      (6)；

34、式中，；是激活函数的导数；

35、步骤4.7，计算均方误差对权重和偏置的偏导数：

36、      (7)；

37、      (8)；

38、步骤4.8，从输出层开始，通过步骤4.7逐层计算误差对每个参数的偏导数，利用这些偏导数更新权重和偏置；levenberg-marquardt算法结合了梯度下降法和高斯-牛顿法，levenberg-marquardt算法优化神经网络的权重和偏置更新遵循以下公式：

39、       (9)；

40、式中，是权重和偏置的更新量，是jacobian矩阵，表示对每个神经网络参数的偏导数，是jacobian矩阵的转置，是调节参数，是单位矩阵；是误差向量，表示实际输出与网络输出之间的差异；

41、步骤4.9，如果当前迭代减少了误差，则减小的值，更加接近高斯-牛顿法，如果当前迭代增加了误差，则增大的值，更加接近梯度下降法；在迭代中反复调整，直到均方误差达到一个预设极小值时，结束运算；

42、步骤4.10，对训练后的神经网络模型进行评估，使用决定系数和均方误差进行评价神经网络模型；决定系数记作，其定义为：

43、          (10)；

44、是残差平方和，表示模型预测值与实际值之间的差异平方和：，这里是测试集中的辛普森面积差，是神经网络输出的辛普森面积差；

45、是总平方和，表示实际值与均值之间的差异平方和：，这里是神经网络输出的辛普森面积差的平均值。

46、进一步的，所述步骤5具体包括以下步骤：

47、步骤5.1，在建立误差函数之前，先对输入输出参数进行归一化处理，假设输入参数向量为，其各特征的最小值和最大值分别为和，使用以下公式将输入特征向量归一化到范围：

48、        （11）；

49、步骤5.2，根据步骤4中训练好的神经网络的权重和偏置确定网络的输出：

50、    （12）；

51、其中，是第层的权重矩阵，是第层的偏置向量；是激活函数；是网络的层数；

52、步骤5.4，通过调整输入向量，使得神经网络的输出的辛普森面积差尽可能接近0，定义误差函数：

53、        （13）。

54、进一步的，所述步骤6具体包括以下步骤：

55、步骤6.1，基于步骤5中误差函数定义优化目标为；其中，为输入参数向量，目标是最小化神经网络输出的辛普森面积差，从而找到最优的输入参数；

56、步骤6.2，将输入参数统一初始化为0.5；

57、步骤6.3，在每次迭代过程中，基于当前参数，对误差函数进行泰勒展开，并取其二次近似：

58、       （14）；

59、其中，是目标函数在处的梯度向量，是目标函数在的hessian 矩阵或其近似值；

60、步骤6.4，在顺序二次规划算法中，为了找到最优的步长向量，需要求解以下二次规划问题：

61、             （15）；

62、求解结果是在当前迭代点处应该移动的方向和步长；

63、步骤6.5，设置步长的边界约束为：

64、         （16）；

65、步骤6.6，构造拉格朗日函数：

66、 （17）；

67、其中，和是拉格朗日乘子；

68、步骤6.7，对拉格朗日函数关于，，求导并设为零，可以得到以下条件：

69、关于的一阶条件：

70、           （18）；

71、关于约束的可行性条件：

72、      （19）；

73、关于步长d的边界约束的满足：

74、         （20）；

75、求解最优条件,得到下一个迭代点:

76、          （21）；

77、步骤6.8，验证当前解是否满足收敛准则；收敛准则为目标函数值的容忍度，即相邻两次迭代参数更新的变化量；缺省为，函数评估的最大次数，缺省为5000次；

78、步骤6.9，当收敛准则满足时，即结束评估，将得出的归一化后的输入参数转换回原始尺度, 定义反归一化公式为：

79、                （22）；

80、其中，是优化后的输入参数向量反归一化后的原始尺度值。

81、由上述对本发明的描述可知，与现有技术相比，本发明的综合负荷模型参数的自动修正方法，在综合负荷模型在模拟参数变化时，提取暂态电压的仿真值，得出仿真值与负荷系统的实际值之间的辛普森积分面积差；基于levenberg-marquardt算法的神经网络建立变化响应关系；通过训练好的神经网络建立归一化的误差函数；基于顺序二次规划算法以偏差值最小为目标，求出反归一化后的综合负荷模型参数。以自动修正综合负荷模型参数，本发明不依赖人工经验，参数修正效率高，能够满足大型电网分析计算对综合负荷模型的严格要求。