CN110601174A - 一种基于深度学习的负荷建模与在线修正方法 - Google Patents

Abstract

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。

Description

一种基于深度学习的负荷建模与在线修正方法

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。

在进行仿真计算时，本发明采用中国电科院提出的考虑配网的综合负荷模型进行计算，具体模型如图所示。该模型考虑了负荷和高压母线之间配电网网等值阻抗，负荷可以同时考虑静态负荷、无功补偿、动态负荷、发电机；考虑到连接于配电网侧的负荷端电压，考虑配电网等值阻抗同时考虑了理想变压器，可以控制配电网电压

其中初始的模型参数的确定采用离线负荷辨识的方法，确保典型样本的输入输出数据能够满足误差要求。在初始模型参数确定之后，将模型的参数分为配电网结构类、电动机比例类、静态负荷模型类以及电动机内部参数类。在参数取值范围内，分别修改各类参数，每修改一类参数，将所有类别的输入数据P和Q输入模型进行仿真计算，得到每类参数模型修改后的各类输入所对应的输出U和f，将同类输入对应的输出归为一类。在得到输出结果U＝[U₁,U₂,U₃,…,U_n]和f＝[f₁,f₂,f₃,…,f_n]之后，找出典型样本输入P_s＝[P_s1,P_s2,P_s3,…,P_sn]和Q_s＝[Q_s1,Q_s2,Q_s3,…,Q_sn]仿真计算后得到的对应的典型样本输出U_s＝[U_s1,U_s2,U_s3,…,U_sn]和f_s＝[f_s1,f_s2,f_s3,…,f_sn]，接着计算同类别中的所有输出与样本输出之间的变化量ΔU＝[ΔU₁,ΔU₂,ΔU₃,…,ΔU_n]和Δf＝[Δf₁,Δf₂,Δf₃,…,Δf_n]。

(3)利用深度学习网络，训练得到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。根据步骤(2)和步骤(1)中所得到的输入变化量输出变化量以及模型参数改变量可得，在采用深度学习方法时，采用文献[2]中提到的基于深度学习框架下的深度置信网络的方法，将同类别的输入变化量和输出变化量作为学习算法的输入，将发生变化的参数作为输出标签，然后利用深度学习网络计算得到对应的关联规则。

(4)获取在线量测数据，判断是否需要进行模型参数修正；如是，判根据离线数据聚类得到的结果，判断出当前量测数据所属的类别，接着计算与上一时刻量测数据的变化量，基于关联规则，确定需要修正的模型参数.

根据获取到的实际电力系统PMU量测数据，将当前时段的负荷节点的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]作为仿真计算的输入量，计算得到对应的仿真计算输出量U_t’＝[U_t1’,U_t2’,U_t3’,…,U_tn’]和f_t’＝[f_t1’,f_t2’,f_t3’,…,f_tn’]；然后对比仿真结果U_t’、f_t’和实际测量数据中的U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]之前的误差，当最大误差绝对值大于测量数据的5％时，则判断当前负荷模型需要进行参数修正。

在判断需要进行模型修正之后，首先找到距离当前数据最近的聚类中心点M_i，将当前数据样本划分到该类别C_i中。在判断样本所属类别时，应当根据当前时段的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]以及节点电压U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]母线频率分别进行判断，即分别判断P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j。接着计算当前时刻数据与上一时刻数据之间的变化量，即ΔP_t＝[ΔP_t1,ΔP_t2,ΔP_t3,…,ΔP_tn]，ΔQ_t＝[ΔQ_t1,ΔQ_t2,ΔQ_t3,…,ΔQ_tn]，ΔU_t＝[ΔU_t1,ΔU_t2,ΔU_t3,…,ΔU_tn]和Δf_t＝[Δf_t1,Δf_t2,Δf_t3,…,Δf_tn]，然后根据之前判断得到的类别P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j确定修正参数时用到的关联规则，最后应用该规则以及变化量ΔP_t，ΔQ_t，ΔU_t，Δf_t得到模型参数修正量并进行负荷仿真模型的修正。

有益效果：

1、本发明解决了当前智能电网背景下，复杂电力系统的负荷建模问题，相较于传统的建模方法，本发明提出的方法摆脱了传统方法对大扰动数据的依赖，能够很好的利用WAMS系统采集得到的海量数据。

2、本发明提出的方案，也为电力负荷模型在线应用提供了技术支撑。通过离线学习在线修正的思路，将深度学习网络引入负荷模型的在线修正，在大数据平台上实现了负荷模型的在线修正。

附图说明：

图1是本发明流程图。

图2是本发明涉及现有配网的综合负荷模型示意图。

具体实施方式

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：

步骤一、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，选取各个类别中距离聚类中心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15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]。

步骤二、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。

在进行仿真计算时，本发明采用中国电科院提出的考虑配网的综合负荷模型进行计算。该模型考虑了负荷和高压母线之间配电网网等值阻抗，负荷可以同时考虑静态负荷、无功补偿、动态负荷、发电机；考虑到连接于配电网侧的负荷端电压，考虑配电网等值阻抗同时考虑了理想变压器，可以控制配电网电压其中初始的模型参数的确定采用离线负荷辨识的方法，确保典型样本的输入输出数据能够满足误差要求。在初始模型参数确定之后，将模型的参数分为配电网结构类、电动机比例类、静态负荷模型类以及电动机内部参数类。在参数取值范围内，分别修改各类参数，每修改一类参数，将所有类别的输入数据P和Q输入模型进行仿真计算，得到每类参数模型修改后的各类输入所对应的输出U和f，将同类输入对应的输出归为一类。在得到输出结果U＝[U₁,U₂,U₃,…,U_n]和f＝[f₁,f₂,f₃,…,f_n]之后，找出典型样本输入P_s＝[P_s1,P_s2,P_s3,…,P_sn]和Q_s＝[Q_s1,Q_s2,Q_s3,…,Q_sn]仿真计算后得到的对应的典型样本输出U_s＝[U_s1,U_s2,U_s3,…,U_sn]和f_s＝[f_s1,f_s2,f_s3,…,f_sn]，接着计算同类别中的所有输出与样本输出之间的变化量ΔU＝[ΔU₁,ΔU₂,ΔU₃,…,ΔU_n]和Δf＝[Δf₁,Δf₂,Δf₃,…,Δf_n]。

步骤三、利用深度学习网络，训练得到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。根据步骤二和步骤一中所得到的输入变化量输出变化量以及模型参数改变量可得，在采用深度学习方法时，采用文献[2]中提到的基于深度学习框架下的深度置信网络的方法，将同类别的输入变化量和输出变化量作为学习算法的输入，将发生变化的参数作为输出标签，然后利用深度学习网络计算得到对应的关联规则。

步骤四、获取在线量测数据，判断是否需要进行模型参数修正；如是，判根据离线数据聚类得到的结果，判断出当前量测数据所属的类别，接着计算与上一时刻量测数据的变化量，基于关联规则，确定需要修正的模型参数。

根据获取到的实际电力系统PMU量测数据，将当前时段的负荷节点的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]作为仿真计算的输入量，计算得到对应的仿真计算输出量U_t’＝[U_t1’,U_t2’,U_t3’,…,U_tn’]和f_t’＝[f_t1’,f_t2’,f_t3’,…,f_tn’]；然后对比仿真结果U_t’、f_t’和实际测量数据中的U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]之前的误差，当最大误差绝对值大于测量数据的5％时，则判断当前负荷模型需要进行参数修正。

在判断需要进行模型修正之后，首先找到距离当前数据最近的聚类中心点M_i，将当前数据样本划分到该类别C_i中。在判断样本所属类别时，应当根据当前时段的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]以及节点电压U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]母线频率分别进行判断，即分别判断P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j。接着计算当前时刻数据与上一时刻数据之间的变化量，即ΔP_t＝[ΔP_t1,ΔP_t2,ΔP_t3,…,ΔP_tn]，ΔQ_t＝[ΔQ_t1,ΔQ_t2,ΔQ_t3,…,ΔQ_tn]，ΔU_t＝[ΔU_t1,ΔU_t2,ΔU_t3,…,ΔU_tn]和Δf_t＝[Δf_t1,Δf_t2,Δf_t3,…,Δf_tn]，然后根据之前判断得到的类别P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j确定修正参数时用到的关联规则，最后应用该规则以及变化量ΔP_t，ΔQ_t，ΔU_t，Δf_t得到模型参数修正量并进行负荷仿真模型的修正。

参考文献：

[1]Sculley D.Web-scale k-means clustering[C]//InternationalConference on World Wide Web.DBLP,2010.

[2]杨智宇,刘俊勇.基于自适应深度信念网络的变电站负荷预测[J/OL].

Claims (2)

1.一种基于深度学习的负荷建模与在线修正方法，其特征在于，包括以下步骤：

步骤1、从实际电力系统中获取待辨识负荷节点的历史数据样本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，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；

步骤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；

步骤3、利用深度学习网络，训练得到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；

步骤4、从实际电力系统中获取当前时段的在线量测数据，包括负荷节点的有功功率P_t、无功功率Q_t、节点电压U_t以及母线频率f_t，判断是否需要进行模型参数修正；如是，根据离线数据聚类得到的结果，判断出当前量测数据所属的类别，接着计算与上一时刻量测数据的变化量，基于关联规则，确定需要修正的模型参数。

2.根据权利要求1所述的一种基于深度学习的负荷建模与在线修正方法，其特征在于，步骤4中，模型参数修正的判断方法为：

根据获取到的实际电力系统PMU量测数据，将当前时段的负荷节点的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]作为仿真计算的输入量，计算得到对应的仿真计算输出量U_t’＝[U_t1’,U_t2’,U_t3’,…,U_tn’]和f_t’＝[f_t1’,f_t2’,f_t3’,…,f_tn’]；

然后对比仿真结果U_t’、f_t’和实际测量数据中的U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]之前的误差，当最大误差绝对值大于测量数据的5％时，则判断当前负荷模型需要进行参数修正；

判断当前数据所属类别的方法如下：

在判断样本所属类别时，应当根据当前时段的有功功率P_t＝[P_t1,P_t2,P_t3,…P_tn]、无功功率Q_t＝[Q_t1,Q_t2,Q_t3,…,Q_tn]以及节点电压U_t＝[U_t1,U_t2,U_t3,…,U_tn]和f_t＝[f_t1,f_t2,f_t3,…,f_tn]母线频率分别进行判断，即分别判断P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j；

在线修正应用方法如下：

计算当前时刻数据与上一时刻数据之间的变化量，

即ΔP_t＝[ΔP_t1,ΔP_t2,ΔP_t3,…,ΔP_tn]，ΔQ_t＝[ΔQ_t1,ΔQ_t2,ΔQ_t3,…,ΔQ_tn]，ΔU_t＝[ΔU_t1,ΔU_t2,ΔU_t3,…,ΔU_tn]和Δf_t＝[Δf_t1,Δf_t2,Δf_t3,…,Δf_tn]，

然后,根据之前判断得到的类别P_t、Q_t所属的类别C_i以及U_t、f_t所属的类别C_j确定修正参数时用到的关联规则，

最后,应用该规则以及变化量ΔP_t，ΔQ_t，ΔU_t，Δf_t得到模型参数修正量并进行负荷仿真模型的修正。