CN111725804B - 一种综合负荷模型参数辨识方法和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种综合负荷模型参数辨识方法和计算机可读存储介质根据对负荷模型设定的待辨识参数区间，对待辨识参数随机生成头鲸初始位置；若迭代次数未达到预设的最大迭代次数，则随机生成选择概率，根据生成的选择概率与预先设定的选择概率阈值，更新头鲸当前位置，其中第一次迭代头鲸当前位置为头鲸初始位置；迭代次数增加一次；循环直至迭代次数达到预设的最大迭代次数，根据最终的头鲸当前位置获得负荷模型参数辨识结果。本发明针对负荷结构复杂、待辨识参数多的特点，将鲸鱼优化算法引入电力系统参数辨识领域，利用该算法具有全局、局部交替寻优，不易陷入局部最优的特点，使本方法更为有效地辨识出综合负荷模型的参数。

Description

一种综合负荷模型参数辨识方法和计算机可读存储介质

技术领域

本发明属于电力系统领域，具体涉及一种综合负荷模型参数辨识 方法和计算机可读存储介质。

背景技术

目前电力系统数字仿真已成为电力系统设计、规划、运行的主 要工具，相应的决策无不以数字仿真结果为依据。仿真结果的准确性 对电力系统的安全、可靠、经济运行具有重要的影响。电力系统各元 件的数学模型以及由其构成的全系统数学模型是数字仿真的基础，其 准确与否直接影响着仿真结果和以仿真结果为基础而产生的决策方 案。

负荷模型作为电力系统中的重要组成部分，它对系统潮流、暂态 稳定、电压稳定等影响较大。现如今随着电网中直流的不断馈入以及 负荷模型结构的变化，电网受电比例越来越高，系统网架结构发生了 重大变化。负荷模型的参数多由调度人员经验决定而偏于保守，并且 模型结构多采用ZIP静态模型或带有一定比例的电动机模型较为简 单，系统仿真受到了传统负荷模型的局限。

因此，如何对研究区域的负荷模型参数进行辨识是一个十分值得 研究的问题。

发明内容

本发明旨在针对现有负荷模型参数辨识方法存在的技术问题，提 出一种收敛性更好、精度更高的负荷模型参数辨识方法和系统。

本发明采用以下技术方案。

一方面，本发明提供了负荷模型参数辨识方法根据对负荷模型设 定的待辨识参数区间，对待辨识参数随机生成头鲸初始位置；

若迭代次数未达到预设的最大迭代次数，则随机生成选择概率， 根据生成的选择概率与预先设定的选择概率阈值，更新头鲸当前位置， 其中第一次迭代头鲸当前位置为头鲸初始位置；迭代次数增加一次； 循环直至迭代次数达到预设的最大迭代次数，根据最终的头鲸当前位 置获得负荷模型参数辨识结果。

进一步地，根据生成的选择概率与预先设定的选择概率阈值，更 新头鲸当前位置具体包括以下步骤：

若随机生成的选择概率大于等于选择概率阈值，利用以下的公式 更新头鲸当前位置，表达式如下：

X(t+1)＝D^*e^bl cos(2Πl)+X^*(t)

D^*＝|X^*(t)-X(t)|

其中D^*表示头鲸到当前最优解的距离，b是对数螺旋线形状的常 数，l为[-1,1]中的随机数，X^*(t)为当前最优解，X(t)为头鲸当前位置， X(t+1)为更新后的头鲸当前位置；

若随机生成的选择概率小于选择概率阈值，则判断系数矢量A 是否小于1，若小于1，进入局部搜索状态执行以下方程得到更新后 的头鲸当前位置，

X(t+1)＝X^*(t)-AD^*，

D^*＝|CX^*(t)-X(t)|，

否则，寻找猎物执行以下方程得到头鲸当前位置，

X(t+1)＝X_r(t)-AD'，

D'＝|CX_r(t)-X(t)|

A＝2ar-a

C＝2r

其中t表示当前的迭代次数；X_r是从当前种群中随机选择的位置向量 也就是随机鲸的位置；D’是头鲸到X_r的距离；a是一个从2到0线性 降低的数值；r是0—1区间的随机数。

进一步地，所述方法还包括：利用更新后的头鲸当前位置对负荷 模型进行混合动态仿真获得仿真功率数据。

再进一步地，在对负荷模型进行混合动态仿真获得仿真功率数据 之后还包括获得仿真功率数据与实测功率数据的均方差，所述均方差 就算方法如下：

其中n为待辨识参数个数，P_si为对第i个参数获得的仿真有功功率； Q_si为对第i个参数获得的仿真无功功率；P_mi为对第i个参数获得的实 测有功功率，Q_mi为对第i个参数获得的的实测无功功率。

再进一步地，实测功率数据的获得方法为：选择电网实测电压扰 动数据，对于负荷模型，通过变阻抗法将实测电压扰动数据的注入， 得到实测功率数据。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上 技术方案所提供的一种综合负荷模型参数辨识方法的步骤。

有益技术效果：本发明针对负荷结构复杂、待辨识参数多的特点， 将鲸鱼优化算法引入电力系统参数辨识领域，利用该算法具有全局、 局部交替寻优，不易陷入局部最优的特点，使本方法更为有效地辨识 出综合负荷模型的参数。

本发明还提出利用实测录波的电压扰动曲线，通过变阻抗电压注 入实测数据的方法对综合负荷模型进行计算得到实测功率数据，可以 根据当地电网的实际情况，利用本地区负荷的实测数据来完成其模型 的构建和评价参数的辨识结果，提高其仿真精度。

附图说明

图1是发明具体实施例中鲸鱼优化算法流程；

图2是发明具体实施例中混合仿真示意图；

图3是发明具体实施例中电压数据注入原理图；

图4是发明具体实施例中IEEE9系统；

图5是发明具体实施例中电压扰动波形；

图6是发明具体实施例中有功拟合曲线；

图7是发明具体实施例中无功拟合曲线；

图8是发明具体实施例有功效果对比；

图9是发明具体实施例无功效果对比；

图10是发明具体实施例多算法适应度值变化曲线对比。

具体实施方式

以下结合附图和具体实施例对本发明作进一步说明。

实施例一、一种综合负荷模型参数辨识方法，包括以下步骤：

步骤1：根据对负荷模型设定的待辨识参数区间，对待辨识参数 随机生成头鲸初始位置X₀；

步骤2：若迭代次数未达到预设的最大迭代次数，则随机生成选 择概率p₀，根据生成的选择概率p₀与预先设定的选择概率阈值，更 新头鲸当前位置，其中第一次迭代头鲸当前位置为头鲸初始位置X₀； 迭代次数增加一次；循环步骤2直至迭代次数达到预设的最大迭代次 数，根据最终的头鲸当前位置获得负荷模型参数辨识结果。

预先设定鲸鱼优化算法的选择概率阈值以及搜索元维数n(n为 待辨识参数个数)。根据负荷模型待辨识参数的典型值区间，确定参 数优化范围即待辨识参数区间。

本实施例中根据生成的选择概率与预先设定的选择概率阈值，更 新头鲸当前的位置具体包括以下步骤：

若随机生成的选择概率大于等于选择概率阈值，利用以下的公式 更新头鲸当前位置，表达式如下：

X(t+1)＝D^*e^bl cos(2Πl)+X^*(t)

D^*＝|X^*(t)-X(t)|

其中D^*表示头鲸个体当前位置到当前最优解的距离，b是对数螺 旋线形状的常数，l为[-1,1]中的随机数，X^*(t)为当前最优解，X(t)为 当前头鲸当前位置，X(t+1)为头鲸更新后的当前位置。

若随机生成的选择概率小于选择概率阈值，则判断系数矢量A 是否小于1，若小于1，进入局部搜索状态执行以下方程得到头鲸当 前位置，

X(t+1)＝X^*(t)-AD^*，

D^*＝|CX^*(t)-X(t)|，

否则，寻找猎物执行以下方程得到头鲸当前位置，

X(t+1)＝X_r(t)-AD'，

D'＝|CX_r(t)-X(t)|

A＝2ar-a

C＝2r

其中t表示当前的迭代次数；X_r是从当前种群中随机选择的位置向量 也就是随机鲸的位置；D’是头鲸个体到X_r的距离；a是一个从2到0 线性降低的数值；r是0—1区间的随机数。

本发明针对负荷结构复杂、待辨识参数多的特点，将鲸鱼优化算 法引入电力系统参数辨识领域，利用该算法具有全局、局部交替寻优， 不易陷入局部最优的特点，使本方法更为有效地辨识出综合负荷模型 的参数。

实施例二、在实施例一的基础上，为了进一步评价本发明提供的综合 负荷模型参数辨识方法的性能，本实施例提供了一种综合负荷模型参 数辨识方法，包括利用更新后的头鲸当前位置对负荷模型进行混合动 态仿真获得仿真功率数据。

其中混合仿真方法介绍如下：电网广域测量系统(WAMS)能够 提供实时的相量测量数据，这一数据独立于元件的模型和参数，因此 可用安装于发电厂、变电所或系统枢纽节点上PMU实测数据代替实 际的元件模型用于电网仿真中。这样等值系统对研究系统的影响可以 用动态测量数据的形式表现，利用这种方法可以实现对复杂电力系统 的解耦，将所研究对象从大系统中解耦出来，而不考虑研究对象外部 系统模型对仿真的影响。这种利用WAMS实测数据将网络简化的技 术叫做系统解耦，将这种基于实测扰动数据和计算机仿真相结合的仿 真技术叫做混合动态仿真。

如图2所示，将A点实测数据注入到仿真系统中的a点，可以实 现对仿真系统的解耦，而利用A点实测数据和仿真系统实现的交互 仿真即为混合动态仿真。

虽然电力系统规模庞大、元件众多、动态过程复杂，但在为每个 元件建立了数学模型之后，系统的所有动态特性均可以用一系列的微 分和代数方程进行描述。

式中，x＝(x1,x2,…xN)用来表示系统的状态变量，y＝(y1,y2,…yM) 用来表示系统的代数变量。其中f包含了N个方程，g包含了M个 方程。

令yi＝y*(t)表示已知的边界条件代数变量，则可以将式(12)重新改 写如下：

以下式(13)中y＇＝(y1,y2,…,yi-1,yi+1,…,yM)，g＇表了一个新 的代数方程，它比g少了一个与代数变量yi相关的方程，所以g＇包 含了M-1个方程和M-1个未知数，是可以进行求解的。

对于变化量时间t，yi＝y*(t)，用t时刻的值代入方程来表征边界 条件发生了改变。如果积分步长用Δt表示，则积分的整个过程可表 示为如下步骤：

(1)在t时刻，已知x(t)，y(t)，y*(t)，计算微分方程dx/dt＝f(x,y＇,y*)；

(2)计算状态变量的新值大小，此时t1＝t+Δt，x(t1)＝x(t)+(dx/dt)Δt；

(3)将边界值y*(t1)注入；

(4)根据代数方程0＝g＇(x(t1)，y＇，y*(t1))计算代数变量y＇在 t1时刻的值y＇(t1)；

(5)积分时间按照步长增加t1＝t+Δt，更新变量为x(t1)，y＇(t1)， y*(t1)；

(6)继续执行步骤1)并重复以上各个步骤，直至仿真过程结 束。

以上步骤针对已知代数变量的情况，已知状态变量情况的处理方 法与之相似，此处不进行详述。

实施例三、在实施例二的基础上，为了进一步获得本发明提供的 综合负荷模型参数辨识方法的的误差，本实施例提供了一种综合负荷 模型参数辨识方法，包括在对负荷模型进行混合动态仿真获得仿真功 率数据之后还包括获得仿真功率数据与实测功率数据的均方差，所述 均方差就算方法如下：

其中n为待辨识参数个数，P_si为对第i个参数获得的仿真有功功率； Q_si为对第i个参数获得的仿真无功功率；P_mi为对第i个参数获得的实 测有功功率，Q_mi为对第i个参数获得的的实测无功功率。

本实施例中，实测功率数据的获得方法为：选择电网实测电压扰 动数据，对于负荷模型，通过变阻抗法将实测电压扰动数据的注入， 得到实测功率数据。

其中变阻抗法介绍如下：

可采取动态修改节点电压、角度的方式实现实测扰动数据的注入， 在PSD-BPA中无法直接动态的修改节点电压和角度，需通过动态修 改第三方变量间接实现节点电压和相角按照实测数据的电压和相角。

如图3所示的三节点网络，其中节点3的电源为无穷大电源，三 条支路的阻抗分别为z₁₂、z₂₃和z₂₀，且z₁₂远大于z₂₃、z₂₀。

对于一个实际运行的电力系统各节点的电压标幺值在1.0附近， 因此，2节点的电压将由阻抗z₂₃和z₂₀的比值决定。即

其中，

电压为测量值，

电压幅值为实测电压的最大值，

由上式可得：

z₂₀即为接地阻抗。在PSD-BPA中，支持动态修改三相短路的接 地阻抗，因此，可通过改变SWI稳定文件中的三相短路接地阻抗， 实现

与实测电压数据曲线保持一致。

本发明实施例基于以上技术方案，还提出利用实测录波的电压扰 动曲线，通过变阻抗电压注入实测数据的方法对综合负荷模型进行计 算得到实测功率数据，可以根据当地电网的实际情况，利用本地区负 荷的实测数据来完成其模型的构建和评价参数的辨识结果，提高其仿 真精度。基于变阻抗等值的实测扰动数据注入的方法实现负荷模型参 数辨识；并计算仿真计算出的有功、无功功率和实测出的误差，具体 实施例中可以以该误差加权最小作为目标函数，在本发明提供的一种 鲸鱼优化算法来辨识负荷参数的基础上，做进一步优化。

为了更好地理解本发明具体实施例，以下简单介绍鲸鱼优化算法 的基本原理

WOA算法从寻找、包围和攻击猎物三种行为出发，WOA算法只 需要调整两个主要的内部参数(A和C)，其具体操作如下：

①随机寻找猎物：

头鲸根据彼此的位置随机搜索猎物，其搜索方程如下所示：

X(t+1)＝X_r(t)-AD' (5)

D'＝|CX_r(t)-X(t)| (6)

A＝2ar-a (7)

C＝2r (8)

其中t表示当前的迭代；X_r是从当前种群中随机选择的位置向量 (随机鲸)；D’是鲸鱼个体到X_r的距离；a是一个从2到0线性降低的 数值；r是0—1区间的随机数。

②收缩包围猎物：

这个行为是通过随着迭代次数的增加，a逐渐减小，A也会随之 减小来实现的。头鲸能识别猎物的位置并把它们围起来。因为在搜索 空间中并不能事先判断出目前头鲸所在的位置是否是最优位置，所以 假设头鲸所在的位置是最接近猎物的位置，则收缩包围猎物的方程如 下：

X(t+1)＝X^*(t)-AD^*， (9)

D^*＝|CX^*(t)-X(t)|， (10)

其中，D^*表示头鲸个体到当前最优解的距离，X^*(t)为当前最优解， X(t)为头鲸当前位置，X(t+1)为更新后的头鲸当前位置；

③攻击猎物：

鲸鱼是通过螺旋的形式进行攻击，这是根据头鲸和猎物之间的距 离建立该运动形式的。

X(t+1)＝D^*e^bl cos(2Πl)+X^*(t) (11)

D^*＝|X^*(t)-X(t)| (12)

其中，b是对数螺旋线形状的常数，l为[-1,1]中的随机数，头鲸距离 猎物越远，其值越大。

值得注意的是，头鲸在一个缩小的圆圈内绕着猎物游动，同时沿 着螺旋形的路径游动。虽然这种行为同时发生，但是设p为选择概率， 即p小于p₀时先做缩小包围机制这一行为，大于p₀时先做螺旋运动， 从而更新头鲸的位置。

p是[0,1]之间的随机数。

实施例四、本实施例提供了一种综合负荷模型参数辨识方法，包 括以下步骤(如图1所示)：

步骤1选择电网扰动数据，扰动数据是系统监测的有效电压扰动 数据或频率扰动数据。

步骤2设定鲸鱼优化算法的选择概率(p₀)以及搜索元维数n(待 辨识参数个数)；根据负荷模型待辨识参数的典型值区间，确定参数 优化范围。

步骤3对于负荷模型，通过变阻抗法实现步骤1中的实测电压扰 动数据的注入，得到实测功率数据。

步骤4根据步骤2中的模型待辨识参数的典型值区间，对待辨识 参数随机生成一个鲸鱼位置(X₀)。

步骤5第一次迭代利用步骤4中的鲸鱼位置(X₀)进行混合动 态仿真得到仿真功率数据；其他次迭代过程则利用步骤8或者步骤9 中的鲸鱼位置(X_n)进行混合动态仿真得到仿真功率数据。

步骤6确定适应度函数即计算仿真功率数据(步骤5中数据)与 实测功率数据(步骤3中得到的实测功率数据)的均方差作为辨识误 差，根据辨识误差评价获得的待辨识参数的准确度：

步骤7判断否达到算法终止条件即设定的最大迭代次数，若达 到最大迭代次数，则停止迭代，根据获得的鲸鱼位置(X_n)输出辨识 结果即每个参数的辨识结果和辨识误差(步骤6中的辨识误差ε)；若 未达到最大迭代次数，则继续执行步骤8；

步骤8判断步骤2中的p₀是否小于0.5，

第一次迭代过程中：若不小于0.5，则利用步骤4中的鲸鱼位置 (X₀)执行(13)中的第二个式子，根据对数螺旋函数更新头鲸位置 (X₁)，返回步骤5；若小于0.5，则继续执行步骤9；

第n次迭代过程中：若不小于0.5，则利用步骤8中的鲸鱼位置(X_n-1) 执行(13)中的第二个式子，根据对数螺旋函数更新头鲸位置(X_n)， 返回步骤5；

若小于0.5，则继续执行步骤9。

步骤9判断系数矢量A是否小于1，若小于1，进行包围猎物运 动，进入局部搜索状态执行方程(9)得到鲸鱼位置(X_n)，然后返回 步骤5；否则，进入全局搜索，寻找猎物执行方程(5)得到鲸鱼位 置(X_n)，然后返回步骤5。

以IEEE9系统为具体实施案例对本发明提供的方法正确性进行验 证，主要包括建立综合负荷模型、数据采集与处理、算法的前期调整、 参数辨识、验证准确性等及部分，其具体实施过程如下：

本方法基于如图4所示的完整的系统结构模型，根据系统的电压 扰动曲线如图5所示，对母线A处的负荷进行整体参数辨识。

利用本方法所提出的模型及方法，对综合负荷模型参数进行多次 辨识，取其中效果最好的一组，作为最终辨识结果。部分关键参数的 辨识结果如表1所示。将辨识结果应用于电力系统仿真软件，得到的 功率拟合曲线如图6、图7所示。

表1部分关键参数的辨识结果

由图中仿真结果可见，鲸鱼优化算法能在模型存在一定误差的情 况下较为准确地辨识出相应参数，表现出了良好的收敛性能。基于电 压扰动下系统的实测电压曲线，经过适当的预处理，利用本方法可以 获得与实测功率曲线很接近的功率曲线，即得到了系统中近较为准确 的负荷模型参数。

针对上述算例，采用经典的粒子群算法(PSO)、改进微分进化算 法(IDE)以及所提的鲸鱼优化算法(WOA)分别进行多次辨识，均 取结果最好的一次进行对比，以验证本方法所提算法在本问题中的适 用性与优越性。在相同的种群规模和相同的迭代次数下，得到以下有 功、无功拟合曲线(如图8，9所示)。

从辨识过程的迭代次数、计算误差和适应度曲线，如图10和表2 所示，观察对比结果。

表2算法的对比结果

通过观察图8-10和表2，可以发现：

1)从图8和图9的辨识精度可以直观地得出，IDE算法辨识效果 最差，PSO算法次之，WOA算法辨识效果最好；

2)从表2的误差情况，可以发现WOA算法的误差为0.1118，PSO 算法的误差为0.1128，PSO算法的误差比WOA多0.001。而在相同 迭代次数(15次)下，IDE算法的误差值偏高，高达0.1664；当误 差与其他算法误差接近时，它的迭代次数为40次左右才收敛。

由上述可知，无论是从辨识精度还是计算速度和误差方面的比较， WOA算法的精度最高，收敛速度快和误差最小；PSO算法次之；IDE 算法最差。

以上以IEEE9系统为例进行仿真验证，并将此方法同粒子群算法 和改进微分进化算法进行比较。仿真计算数据结果表明，鲸鱼优化算 法在计算精度、收敛速度等方面都具有明显优势，能够应用于综合负 荷模型参数辨识，对负荷模型的准确性有一定的提高。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局 限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而 不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离 本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这 些均属于本发明的保护之内。

Claims (3)

1.一种综合负荷模型参数辨识方法，其特征在于，包括以下步骤：

根据对负荷模型设定的待辨识参数区间，对待辨识参数随机生成头鲸初始位置；

若迭代次数未达到预设的最大迭代次数，则随机生成选择概率，根据生成的选择概率与预先设定的选择概率阈值，更新头鲸当前位置，其中第一次迭代头鲸当前位置为头鲸初始位置；迭代次数增加一次；循环直至迭代次数达到预设的最大迭代次数，根据最终的头鲸当前位置获得负荷模型参数辨识结果；

根据生成的选择概率与预先设定的选择概率阈值，更新头鲸当前位置具体包括以下步骤：

若随机生成的选择概率大于等于选择概率阈值，利用以下的公式更新头鲸当前位置，表达式如下：

X(t+1)＝D*e^blcos(2Πl)+X*(t)

D*＝|X*(t)-X(t)|

其中D*表示头鲸个体到当前最优解的距离，b是对数螺旋线形状的常数，l为[-1,1]中的随机数，X*(t)为当前最优解，X(t)为头鲸当前位置，X(t+1)为更新后的头鲸当前位置；

若随机生成的选择概率小于选择概率阈值，则判断系数矢量A是否小于1，若小于1，进入局部搜索状态执行以下方程得到更新后的头鲸当前位置，

X(t+1)＝X*(t)-AD*，D*＝|CX*(t)-X(t)|，

否则，寻找猎物执行以下方程得到头鲸当前位置，

X(t+1)＝Xr(t)-AD'，

D'＝|CXr(t)-X(t)|

A＝2ar-a

C＝2r

其中t表示当前的迭代次数；Xr是从当前种群中随机选择的位置向量也就是随机鲸的位置；D'是头鲸到Xr的距离；a是一个从2到0线性降低的数值；r是0—1区间的随机数；

所述方法还包括：利用更新后的头鲸当前位置对负荷模型进行混合动态仿真获得仿真功率数据；

所述混合动态仿真为：基于实测扰动数据和计算机仿真相结合；

在对负荷模型进行混合动态仿真获得仿真功率数据之后还包括获得仿真功率数据与实测功率数据的均方差，所述均方差就算方法如下：

其中n为待辨识参数个数，P_si为对第i个参数获得的仿真有功功率；Q_si为对第i个参数获得的仿真无功功率；P_mi为对第i个参数获得的实测有功功率，Q_mi为对第i个参数获得的的实测无功功率；

所述实测功率数据的获得方法为：选择电网实测电压扰动数据，对于负荷模型，通过变阻抗法将实测电压扰动数据的注入，得到实测功率数据。

2.根据权利要求1所述的一种综合负荷模型参数辨识方法，其特征在于，所述选择概率阈值取为0.5。

3.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～2任意一项权利要求所述方法的步骤。

Images