CN112232381A - 主导负荷参数类噪声辨识的模型参数后处理方法和装置 - Google Patents

主导负荷参数类噪声辨识的模型参数后处理方法和装置 Download PDF

Info

Publication number
CN112232381A
CN112232381A CN202011027488.9A CN202011027488A CN112232381A CN 112232381 A CN112232381 A CN 112232381A CN 202011027488 A CN202011027488 A CN 202011027488A CN 112232381 A CN112232381 A CN 112232381A
Authority
CN
China
Prior art keywords
identification
identification parameters
group
parameters
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011027488.9A
Other languages
English (en)
Other versions
CN112232381B (zh
Inventor
叶洪波
吴沛萱
陆超
崔勇
阮前途
陈雪梅
顾军
凌晓波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, State Grid Shanghai Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202011027488.9A priority Critical patent/CN112232381B/zh
Publication of CN112232381A publication Critical patent/CN112232381A/zh
Application granted granted Critical
Publication of CN112232381B publication Critical patent/CN112232381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理方法和装置，该方法包括：获取类噪声负荷辨识连续输出结果的N组辨识参数；基于预设规则筛选N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数；基于多维核估计KDE构建A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解最优化问题，得到A组辨识参数的统计中心；基于A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。本发明实施例提供的方法和装置，实现了提升在线批量辨识参数的可用性和可靠性。

Description

主导负荷参数类噪声辨识的模型参数后处理方法和装置
技术领域
本发明涉及主导负荷参数类噪声辨识技术领域，尤其涉及一种主导负荷参数类噪声辨识的模型参数后处理方法和装置。
背景技术
同步相量测量技术(PMU)在区域电网的广泛应用为电力系统负荷建模研究提供了丰富、准确的数据来源。利用各站点正常运行状态下变压器高压侧时刻采集的类噪声电压、功率类噪声量测数据，就可以通过基于类噪声的负荷模型参数辨识方法在线得到以Z+M模型表征的负荷主导参数。然而，对PMU数据的在线辨识会带来数量庞大的辨识参数组合，其总体分散性较强、单组参数的多时段泛化能力较差，从中提取出一组或几组反映真实负荷特性的准确辨识参数变得更加困难，这将直接影响后续电力系统仿真计算的精度、制约类噪声负荷辨识方法的最终应用效果。
因此，如何避免辨识参数组合由于总体分散性强和多时段泛化能力差造成的提取一组或几组反映真实负荷特性的准确辨识参数困难，提升在线批量辨识参数的可用性和可靠性，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理方法和装置，用以解决现有的辨识参数组合由于总体分散性强和多时段泛化能力差造成的提取一组或几组反映真实负荷特性的准确辨识参数困难，在线批量辨识参数的可用性和可靠性均低下的问题。
第一方面，本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理方法，包括：
获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；
基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；
基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；
基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；
基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
优选地，该方法中，所述基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N，具体包括：
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure BDA0002702557100000021
所述拟合优度R2通过如下公式计算残差平方和：
Figure BDA0002702557100000022
所述可释差方得分EV通过如下公式计算残差平方和：
Figure BDA0002702557100000023
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure BDA0002702557100000024
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure BDA0002702557100000032
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
优选地，该方法中，所述基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心，具体包括：
通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型；
基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题；
求解所述最优化问题，得到最大概率密度值，确定所述最大概率密度值对应的参数组合为所述A组辨识参数的统计中心。
优选地，该方法中，所述通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型，具体包括：
概率密度分布f4(p)通过如下公式计算：
Figure BDA0002702557100000031
上式中，Pi＝[Pi1,Pi2,Pi3,Pi4]T为A组辨识参数中的第i组辨识参数，Pi1,Pi2,Pi3,Pi4分别表示第i组辨识参数中的开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，p＝[P1,P2,P3,P4]T为辨识参数组的随机向量；K(.)为多维核函数，H为带宽矩阵；
对应地，所述基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题，具体包括：
以基于所述概率密度分布模型确定的概率密度估计函数为目标函数和参数满足预设范围为约束条件，构建如下以到达全局最大概率密度值PDF的优化目标的最优化问题：
max PDF＝evaluate(K,θ)
s.t.min(θ)-2σ(θ)≤θ≤max(θ)+2σ(θ)
上式中，K为多维KDE方法得到的辨识参数向量概率密度结构体，evaluate(.)为概率密度估计函数，θ为辨识参数向量，σ(θ)为辨识参数标准差。
优选地，该方法中，所述基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差，具体包括：
通过如下公式计算A组辨识参数中的第k组辨识参数的拟合偏差EM(k)：
Figure BDA0002702557100000041
其中，A为待拟合的功率曲线个数，θk为第k组辨识参数，1≤k≤A，Pi和Qi表示第i组辨识参数对应的量测数据中的有功功率实测值和无功功率实测值，
Figure BDA0002702557100000044
和
Figure BDA0002702557100000045
则分别表示将θk代入第i组量测数据进行模型拟合得到的有功功率预测值和无功功率预测值。
优选地，该方法中，所述基于所述统计偏差和所述拟合偏差确定最优辨识参数组，具体包括：
基于预先设置的多曲线拟合偏差占总偏差目标权重w确定加权系数μ，计算公式如下：
Figure BDA0002702557100000042
上式中，Ep为所述统计偏差的期望，EM为所述拟合偏差的期望；
构建基于加权系数μ对所述统计偏差和所述拟合偏差进行加权的目标复合偏差函数:
Figure BDA0002702557100000043
其中，θ为A组辨识参数组成的集合，k＝1,2,…,A,EP(θk)为第k组辨识参数的统计偏差，EM(θk)为第k组辨识参数的拟合偏差；
确定目标复合函数值最小对应的辨识参数组为最优辨识参数组。
第二方面，本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理装置，包括：
获取单元，用于获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；
粗筛单元，用于基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；
统计单元，用于基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；
偏差单元，用于基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；
复合单元，用于基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
优选地，该装置中，所述粗筛单元，具体用于，
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure BDA0002702557100000051
所述拟合优度R2通过如下公式计算残差平方和：
Figure BDA0002702557100000052
所述可释差方得分EV通过如下公式计算残差平方和：
Figure BDA0002702557100000053
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure BDA0002702557100000054
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure BDA0002702557100000061
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的主导负荷参数类噪声辨识的模型参数后处理方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的主导负荷参数类噪声辨识的模型参数后处理方法的步骤。
本发明实施例提供的方法和装置，获取类噪声负荷辨识连续输出结果的N组辨识参数；基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数；基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。如此，通过预设规则进行粗筛，去除存在明显问题的严重不良拟合参数组，然后再用基于KDE方法确定的辨识参数概率密度模型确定的统计偏差表示辨识参数在统计意义上的综合可靠性，并用拟合偏差来表示辨识参数在泛化能力上的综合可靠性，使得最终遴选出的参数组合不仅依赖于先验的参数统计分布，而是兼顾了统计意义和泛化能力两种意义下的可靠性，在一定程度上克服大量辨识参数分散性强、单一泛化能力弱的难题，提升在线批量辨识参数的可用性及可靠性，能够为特定时段内的电力系统时域仿真提供相对准确的模型参数支撑。因此，本发明实施例提供的方法和装置，实现了提升在线批量辨识参数的可用性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的主导负荷参数类噪声辨识的模型参数后处理方法的流程示意图；
图2为本发明实施例提供的主导负荷参数类噪声辨识的模型参数后处理装置的结构示意图；
图3为本发明实施例提供的主导负荷参数类噪声辨识的模型参数后处理流程的示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有的辨识参数组合普遍存在由于总体分散性强和多时段泛化能力差造成的提取一组或几组反映真实负荷特性的准确辨识参数困难，在线批量辨识参数的可用性和可靠性均低下的问题。对此，本发明实施例提供了一种种主导负荷参数类噪声辨识的模型参数后处理方法。图1为本发明实施例提供的种主导负荷参数类噪声辨识的模型参数后处理方法，如图1所示，该方法包括：
步骤110，获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数。
具体地，类噪声负荷辨识模型输出的辨识参数(也称为模型参数)通常是以单位时段为基本单位连续输出的，例如，每秒输出一组辨识参数，可以在某一时段内辨识得到多组表征Z+M(恒定阻抗并联感应电动机)综合负荷模型的参数组合向量PARAS，参数向量PARAS包括4个参数：
PARAS＝[X,X',Td0',R]
上述表达式中开路电抗X、暂态电抗X'和开路时间常数Td0'为三阶感应电动机模型实用电磁参数，R为恒阻抗部分并联形式的电阻值。因此，获取预设时段内的类噪声负荷辨识连续输出结果，该结果中包括N组辨识参数。本发明实施例即从这N组辨识参数中选择出能够反映真实负荷特性的最优辨识参数组。
步骤120，基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N。
具体地，基于预设规则将所述N组辨识参数中明显综合拟合效果差或者取值上不合理的参数组合进行剔除，而预设规则可以是一种判定标准或者多种判定标准的组合，上述判定标准用于体现综合拟合效果或者取值是否合理，例如，残差平方和、拟合优度或可释方差得分等等。将差拟合辨识参数组剔除后，剩下的A组辨识参数继续进行后续的最优辨识参数组遴选。
步骤130，基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心。
具体地，基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到满足概率密度估计函数最大的估计辨识参数作为所述A组辨识参数的统计中心。
步骤140，基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差。
具体地，基于所述A组辨识参数与所述统计中心的距离确定统计偏差，所述距离的计算方法有多种，此处优选欧式距离法，再基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差，而所述拟合偏差需要辨识参数组对于同一时段(即目前剩余的A组辨识参数)不同实测功率曲线(包括有功功率曲线和无功功率曲线)的多曲线拟合偏差，即有功功率的实测值和基于模型拟合得到的预测值之间的差值，无功功率的实测值和基于模型拟合得到的预测值之间的差值。
步骤150，基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
具体地，最优辨识参数组的遴选需要考虑表示统计意义上的综合可靠性的统计偏差，也要考虑表示泛化能力上的综合可靠性的拟合偏差，因此，将两种因素复合考虑可以通过对两项因子进行线性加权或者非线性拟合，此处不作具体限定。
本发明实施例提供的方法，获取类噪声负荷辨识连续输出结果的N组辨识参数；基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数；基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。如此，通过预设规则进行粗筛，去除存在明显问题的严重不良拟合参数组，然后再用基于KDE方法确定的辨识参数概率密度模型确定的统计偏差表示辨识参数在统计意义上的综合可靠性，并用拟合偏差来表示辨识参数在泛化能力上的综合可靠性，使得最终遴选出的参数组合不仅依赖于先验的参数统计分布，而是兼顾了统计意义和泛化能力两种意义下的可靠性，在一定程度上克服大量辨识参数分散性强、单一泛化能力弱的难题，提升在线批量辨识参数的可用性及可靠性，能够为特定时段内的电力系统时域仿真提供相对准确的模型参数支撑。因此，本发明实施例提供的方法，实现了提升在线批量辨识参数的可用性和可靠性。
基于上述实施例，该方法中，还包括：
所述基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N，具体包括：
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure BDA0002702557100000101
所述拟合优度R2通过如下公式计算残差平方和：
Figure BDA0002702557100000102
所述可释差方得分EV通过如下公式计算残差平方和：
Figure BDA0002702557100000103
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure BDA0002702557100000105
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure BDA0002702557100000104
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
具体地，通过以上残差平方和、拟合优度和可释方差得分这三个判定标准来界定差拟合辨识参数组。N组辨识参数中任一辨识参数组不满足上述三个判定标准中的任意一个或多个，则认定为差拟合辨识参数组。优选地，第一阈值设定为1e-5，第二阈值设定为0.9，第三阈值设定为0.9。
基于上述任一实施例，该方法中，所述基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心，具体包括：
通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型；
基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题；
求解所述最优化问题，得到最大概率密度值，确定所述最大概率密度值对应的参数组合为所述A组辨识参数的统计中心。
具体地，通过叠加以所述A组辨识参数为中心的高斯核函数得到粗筛后样本总体的概率密度分布模型，以估计得到的概率密度估计函数evaluate(p)为目标函数，在给定参数范围(例如，参数范围为极值上下c倍参数标准差,c＝1或2或3)内采用全局搜索(GlobalSearch)优化方法开展全局最大概率密度值寻优，求解最优化问题。基于求解结果，将最大概率密度值对应的“最优”参数向量作为估计得到的A组辨识参数的统计中心。
基于上述任一实施例，该方法中，所述所述通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型，具体包括：
概率密度分布f4(p)通过如下公式计算：
Figure BDA0002702557100000111
上式中，Pi＝[Pi1,Pi2,Pi3,Pi4]T为A组辨识参数中的第i组辨识参数，Pi1,Pi2,Pi3,Pi4分别表示第i组辨识参数中的开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，p＝[P1,P2,P3,P4]T为辨识参数组的随机向量；K(.)为多维核函数，H为带宽矩阵；
对应地，所述基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题，具体包括：
以基于所述概率密度分布模型确定的概率密度估计函数为目标函数和参数满足预设范围为约束条件，构建如下以到达全局最大概率密度值PDF的优化目标的最优化问题：
max PDF＝evaluate(K,θ)
s.t.min(θ)-2σ(θ)≤θ≤max(θ)+2σ(θ)
上式中，K为多维KDE方法得到的辨识参数向量概率密度结构体，evaluate(.)为概率密度估计函数，θ为辨识参数向量，σ(θ)为辨识参数标准差。
具体地，采用多维KDE方法，通过叠加以所述A组辨识参数为中心的高斯核函数得到粗筛后样本总体的概率密度分布模型，参数组合随机向量的概率密度分布模型可以上述计算f4(p)的公式描述。基于渐进积分均方误差(AMISE)判据下的快速标准差方法自适应选择带宽矩阵H，得到参数向量概率密度结构体K。以估计得到的概率密度估计函数evaluate(p)为目标函数，在给定参数范围(此处优选极值上下2倍参数标准差)内采用全局搜索(Global Search)优化方法开展全局最大概率密度值寻优，求解构架PDF的优化目标的优化问题。最大概率密度值对应的“最优”参数向量即为估计得到的参数组合统计中心。
基于上述任一实施例，该方法中，所述基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差，具体包括：
通过如下公式计算A组辨识参数中的第k组辨识参数的拟合偏差EM(k)：
Figure BDA0002702557100000121
其中，A为待拟合的功率曲线个数，θk为第k组辨识参数，1≤k≤A，Pi和Qi表示第i组辨识参数对应的量测数据中的有功功率实测值和无功功率实测值，
Figure BDA0002702557100000122
和
Figure BDA0002702557100000123
则分别表示将θk代入第i组量测数据进行模型拟合得到的有功功率预测值和无功功率预测值。
具体地，上述公式展示了结合了有功功率的实测值和基于模型拟合得到的预测值之间的差值和无功功率的实测值和基于模型拟合得到的预测值之间的差值的拟合偏差。
基于上述任一实施例，该方法中，所述基于所述统计偏差和所述拟合偏差确定最优辨识参数组，具体包括：
基于预先设置的多曲线拟合偏差占总偏差目标权重w确定加权系数μ，计算公式如下：
Figure BDA0002702557100000131
上式中，Ep为所述统计偏差的期望，EM为所述拟合偏差的期望；
构建基于加权系数μ对所述统计偏差和所述拟合偏差进行加权的目标复合偏差函数:
Figure BDA0002702557100000132
其中，θ为A组辨识参数组成的集合，k＝1,2,…,A,EP(θk)为第k组辨识参数的统计偏差，EM(θk)为第k组辨识参数的拟合偏差；
确定目标复合函数值最小对应的辨识参数组为最优辨识参数组。
具体地，从统计意义和泛化能力两个角度综合衡量参数的可靠性，其中，表示统计意义的综合可靠性的是统计偏差EP(θk)，表示泛化能力的综合可靠性的是拟合偏差EM(θk)。考虑到泛化能力更能表征参数的可解释性，构建计算加权系数μ的公式以及设置多曲线拟合偏差占总偏差目标权重w为0.7，搜索令EP(θk)+μEM(θk)目标函数最小的一组实际辨识参数，作为该特定时段内最终的后处理最优辨识参数组。
基于上述任一实施例，本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理装置，图2为本发明实施例提供的主导负荷参数类噪声辨识的模型参数后处理装置的结构示意图。如图2所示，该装置包括获取单元210、粗筛单元220、统计单元230、偏差单元240和复合单元250，其中，
所述获取单元210，用于获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；
所述粗筛单元220，用于基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；
所述统计单元230，用于基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；
所述偏差单元240，用于基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；
所述复合单元250，用于基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
本发明实施例提供的装置，获取类噪声负荷辨识连续输出结果的N组辨识参数；基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数；基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。如此，通过预设规则进行粗筛，去除存在明显问题的严重不良拟合参数组，然后再用基于KDE方法确定的辨识参数概率密度模型确定的统计偏差表示辨识参数在统计意义上的综合可靠性，并用拟合偏差来表示辨识参数在泛化能力上的综合可靠性，使得最终遴选出的参数组合不仅依赖于先验的参数统计分布，而是兼顾了统计意义和泛化能力两种意义下的可靠性，在一定程度上克服大量辨识参数分散性强、单一泛化能力弱的难题，提升在线批量辨识参数的可用性及可靠性，能够为特定时段内的电力系统时域仿真提供相对准确的模型参数支撑。因此，本发明实施例提供的装置，实现了提升在线批量辨识参数的可用性和可靠性。
基于上述任一实施例，该装置中，所述粗筛单元，具体用于，
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure BDA0002702557100000141
所述拟合优度R2通过如下公式计算残差平方和：
Figure BDA0002702557100000151
所述可释差方得分EV通过如下公式计算残差平方和：
Figure BDA0002702557100000152
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure BDA0002702557100000155
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure BDA0002702557100000154
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
基于上述任一实施例，该装置中，所述统计单元，具体用于，
通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型；
基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题；
求解所述最优化问题，得到最大概率密度值，确定所述最大概率密度值对应的参数组合为所述A组辨识参数的统计中心。
基于上述任一实施例，该装置中，所述通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型，具体包括：
概率密度分布f4(p)通过如下公式计算：
Figure BDA0002702557100000153
上式中，Pi＝[Pi1,Pi2,Pi3,Pi4]T为A组辨识参数中的第i组辨识参数，Pi1,Pi2,Pi3,Pi4分别表示第i组辨识参数中的开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，p＝[P1,P2,P3,P4]T为辨识参数组的随机向量；K(.)为多维核函数，H为带宽矩阵；
对应地，所述基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题，具体包括：
以基于所述概率密度分布模型确定的概率密度估计函数为目标函数和参数满足预设范围为约束条件，构建如下以到达全局最大概率密度值PDF的优化目标的最优化问题：
max PDF＝evaluate(K,θ)
s.t.min(θ)-2σ(θ)≤θ≤max(θ)+2σ(θ)
上式中，K为多维KDE方法得到的辨识参数向量概率密度结构体，evaluate(.)为概率密度估计函数，θ为辨识参数向量，σ(θ)为辨识参数标准差。
基于上述任一实施例，该装置中，所述基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差，具体包括：
通过如下公式计算A组辨识参数中的第k组辨识参数的拟合偏差EM(k)：
Figure BDA0002702557100000161
其中，A为待拟合的功率曲线个数，θk为第k组辨识参数，1≤k≤A，Pi和Qi表示第i组辨识参数对应的量测数据中的有功功率实测值和无功功率实测值，
Figure BDA0002702557100000163
和
Figure BDA0002702557100000164
则分别表示将θk代入第i组量测数据进行模型拟合得到的有功功率预测值和无功功率预测值。
基于上述任一实施例，该装置中，所述复合单元，具体用于，
基于预先设置的多曲线拟合偏差占总偏差目标权重w确定加权系数μ，计算公式如下：
Figure BDA0002702557100000162
上式中，Ep为所述统计偏差的期望，EM为所述拟合偏差的期望；
构建基于加权系数μ对所述统计偏差和所述拟合偏差进行加权的目标复合偏差函数:
Figure BDA0002702557100000171
其中，θ为A组辨识参数组成的集合，k＝1,2,…,A,EP(θk)为第k组辨识参数的统计偏差，EM(θk)为第k组辨识参数的拟合偏差；
确定目标复合函数值最小对应的辨识参数组为最优辨识参数组。
基于上述任一实施例，本发明实施例提供一种主导负荷参数类噪声辨识的模型参数后处理流程，图3为本发明实施例提供的主导负荷参数类噪声辨识的模型参数后处理流程的示意图。如图3所示，首先，获取5min时段内的N组辨识参数，然后进行基于拟合效果的粗筛选，剔除不满足拟合要求严重错误的辨识参数组，再构建基于KDE的多维参数概率密度模型，进行基于概率意义的参数统计中心估计，最后基于复合标准的加权进行辨识参数组合优选，其中，复合标准即结合辨识参数组与估计的辨识参数组统计中心的偏差和辨识参数组对应的功率曲线的实测值与预测值的偏差。
图4为本发明实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序，以执行上述各实施例提供的主导负荷参数类噪声辨识的模型参数后处理方法，例如包括：获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的主导负荷参数类噪声辨识的模型参数后处理方法，例如包括：获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，包括：
获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；
基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；
基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；
基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；
基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
2.根据权利要求1所述的主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，所述基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N，具体包括：
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure FDA0002702557090000011
所述拟合优度R2通过如下公式计算残差平方和：
Figure FDA0002702557090000012
所述可释差方得分EV通过如下公式计算残差平方和：
Figure FDA0002702557090000013
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure FDA0002702557090000021
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure FDA0002702557090000022
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
3.根据权利要求1所述的主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，所述基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心，具体包括：
通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型；
基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题；
求解所述最优化问题，得到最大概率密度值，确定所述最大概率密度值对应的参数组合为所述A组辨识参数的统计中心。
4.根据权利要求3所述的主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，所述通过叠加A组辨识参数为中心的给定核函数确定A组辨识参数的多维参数组合概率密度模型，得到概率密度分布模型，具体包括：
概率密度分布f4(p)通过如下公式计算：
Figure FDA0002702557090000023
上式中，Pi＝[Pi1,Pi2,Pi3,Pi4]T为A组辨识参数中的第i组辨识参数，Pi1,Pi2,Pi3,Pi4分别表示第i组辨识参数中的开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，p＝[P1,P2,P3,P4]T为辨识参数组的随机向量；K(.)为多维核函数，H为带宽矩阵；
对应地，所述基于所述概率密度分布模型确定概率密度估计函数，以所述概率密度估计函数为目标函数，以参数满足预设范围为约束条件构建以到达全局最大概率密度值的优化目标的最优化问题，具体包括：
以基于所述概率密度分布模型确定的概率密度估计函数为目标函数和参数满足预设范围为约束条件，构建如下以到达全局最大概率密度值PDF的优化目标的最优化问题：
max PDF＝evaluate(K,θ)
s.t.min(θ)-2σ(θ)≤θ≤max(θ)+2σ(θ)
上式中，K为多维KDE方法得到的辨识参数向量概率密度结构体，evaluate(.)为概率密度估计函数，θ为辨识参数向量，σ(θ)为辨识参数标准差。
5.根据权利要求1-4中任一项所述的主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，所述基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差，具体包括：
通过如下公式计算A组辨识参数中的第k组辨识参数的拟合偏差EM(k)：
Figure FDA0002702557090000031
其中，A为待拟合的功率曲线个数，θk为第k组辨识参数，1≤k≤A，Pi和Qi表示第i组辨识参数对应的量测数据中的有功功率实测值和无功功率实测值，
Figure FDA0002702557090000032
和
Figure FDA0002702557090000033
则分别表示将θk代入第i组量测数据进行模型拟合得到的有功功率预测值和无功功率预测值。
6.根据权利要求1-4中任一项所述的主导负荷参数类噪声辨识的模型参数后处理方法，其特征在于，所述基于所述统计偏差和所述拟合偏差确定最优辨识参数组，具体包括：
基于预先设置的多曲线拟合偏差占总偏差目标权重w确定加权系数μ，计算公式如下：
Figure FDA0002702557090000034
上式中，Ep为所述统计偏差的期望，EM为所述拟合偏差的期望；
构建基于加权系数μ对所述统计偏差和所述拟合偏差进行加权的目标复合偏差函数:
Figure FDA0002702557090000041
其中，θ为A组辨识参数组成的集合，k＝1,2,…,A,EP(θk)为第k组辨识参数的统计偏差，EM(θk)为第k组辨识参数的拟合偏差；
确定目标复合函数值最小对应的辨识参数组为最优辨识参数组。
7.一种主导负荷参数类噪声辨识的模型参数后处理装置，其特征在于，包括：
获取单元，用于获取类噪声负荷辨识连续输出结果的N组辨识参数，任一组辨识参数包括开路电抗、暂态电抗、开路时间常数和恒阻抗部分并联形式的电阻值，其中，N为正整数；
粗筛单元，用于基于预设规则筛选所述N组辨识参数中的差拟合辨识参数组并剔除得到粗筛后的A组辨识参数，其中，A≤N；
统计单元，用于基于多维核估计KDE构建所述A组辨识参数的多维参数组合概率密度模型，构建以概率密度估计函数为目标函数的最优化问题，求解所述最优化问题，得到所述A组辨识参数的统计中心；
偏差单元，用于基于所述A组辨识参数与所述统计中心的距离确定统计偏差，基于A组辨识参数中的不同参数的多曲线拟合偏差确定拟合偏差；
复合单元，用于基于所述统计偏差和所述拟合偏差确定最优辨识参数组。
8.根据权利要求7所述的主导负荷参数类噪声辨识的模型参数后处理装置，其特征在于，所述粗筛单元，具体用于，
对所述N组辨识参数中的任一组辨识参数计算残差平方和、拟合优度和可释方差得分，若所述残差平方和SSE不小于第一阈值或拟合优度R2不超过第二阈值或可释差方得分EV不超过第三阈值，则所述任一组辨识参数判定为差拟合辨识参数并剔除，最后剩余A组辨识参数；
其中，所述残差平方和SSE通过如下公式计算：
Figure FDA0002702557090000042
所述拟合优度R2通过如下公式计算残差平方和：
Figure FDA0002702557090000051
所述可释差方得分EV通过如下公式计算残差平方和：
Figure FDA0002702557090000052
以上三个式子中，P(t)为第t组辨识参数对应的量测数据中的有功功率实测值，Pp(t)为第t组辨识参数对应的模型有功功率预测值，Q(t)为第t组辨识参数对应的量测数据中的无功功率实测值，Qp(t)为第t组辨识参数对应的模型无功功率预测值，P为所述任一组辨识参数对应的量测数据中的有功功率实测值，Pp为所述任一组辨识参数对应的模型有功功率预测值，
Figure FDA0002702557090000053
为所述N组辨识参数对应的量测数据中的有功功率实测值的平均，Q为所述任一组辨识参数对应的量测数据中的无功功率实测值，Qp为所述任一组辨识参数对应的模型无功功率预测值，
Figure FDA0002702557090000054
为所述N组辨识参数对应的量测数据中的无功功率实测值的平均，||·||为取2-范数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的主导负荷参数类噪声辨识的模型参数后处理方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的主导负荷参数类噪声辨识的模型参数后处理方法的步骤。
CN202011027488.9A 2020-09-25 2020-09-25 主导负荷参数类噪声辨识的模型参数后处理方法和装置 Active CN112232381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011027488.9A CN112232381B (zh) 2020-09-25 2020-09-25 主导负荷参数类噪声辨识的模型参数后处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011027488.9A CN112232381B (zh) 2020-09-25 2020-09-25 主导负荷参数类噪声辨识的模型参数后处理方法和装置

Publications (2)

Publication Number Publication Date
CN112232381A true CN112232381A (zh) 2021-01-15
CN112232381B CN112232381B (zh) 2024-03-01

Family

ID=74107801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011027488.9A Active CN112232381B (zh) 2020-09-25 2020-09-25 主导负荷参数类噪声辨识的模型参数后处理方法和装置

Country Status (1)

Country Link
CN (1) CN112232381B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN115062947A (zh) * 2022-06-09 2022-09-16 国网湖南省电力有限公司 基于类噪声数据的电网负荷模型参数辨识方法
CN115062947B (zh) * 2022-06-09 2024-05-31 国网湖南省电力有限公司 基于类噪声数据的电网负荷模型参数辨识方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208951B1 (en) * 1998-05-15 2001-03-27 Council Of Scientific & Industrial Research Method and an apparatus for the identification and/or separation of complex composite signals into its deterministic and noisy components
JP2005061901A (ja) * 2003-08-08 2005-03-10 Mitsubishi Electric Corp 電気機器の絶縁診断方法
US20060147126A1 (en) * 2005-01-06 2006-07-06 Leo Grady System and method for multilabel random walker segmentation using prior models
CN101797423A (zh) * 2010-04-12 2010-08-11 江苏海明医疗器械有限公司 自校正、多曲线拟合数字式剂量监控方法和系统
CN103530650A (zh) * 2013-10-16 2014-01-22 深圳大学 电网低频振荡类噪声信号辨识方法
CN108564205A (zh) * 2018-03-27 2018-09-21 昆明理工大学 一种基于实测数据的负荷模型及参数辨识优化方法
CN108830128A (zh) * 2018-03-28 2018-11-16 中南大学 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法
CN109828182A (zh) * 2018-11-29 2019-05-31 广东电网有限责任公司信息中心 一种基于故障分类处理的电网系统故障分析预警方法
CN110299932A (zh) * 2019-06-12 2019-10-01 国网江苏省电力有限公司南京供电分公司 基于电力线信号的配电网络和设备运行状态在线识别方法
CN110676940A (zh) * 2019-10-21 2020-01-10 国网上海市电力公司 一种提高参数辨识精度的配电网pmu配置方法及系统
CN110703013A (zh) * 2019-09-26 2020-01-17 内蒙古电力(集团)有限责任公司电力调度控制分公司 电力系统低频振荡模式的在线辨识方法、装置与电子设备
CN110717619A (zh) * 2019-09-11 2020-01-21 国网浙江省电力有限公司经济技术研究院 一种自下而上配电网多尺度时空负荷预测方法及系统
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208951B1 (en) * 1998-05-15 2001-03-27 Council Of Scientific & Industrial Research Method and an apparatus for the identification and/or separation of complex composite signals into its deterministic and noisy components
JP2005061901A (ja) * 2003-08-08 2005-03-10 Mitsubishi Electric Corp 電気機器の絶縁診断方法
US20060147126A1 (en) * 2005-01-06 2006-07-06 Leo Grady System and method for multilabel random walker segmentation using prior models
CN101797423A (zh) * 2010-04-12 2010-08-11 江苏海明医疗器械有限公司 自校正、多曲线拟合数字式剂量监控方法和系统
CN103530650A (zh) * 2013-10-16 2014-01-22 深圳大学 电网低频振荡类噪声信号辨识方法
CN108564205A (zh) * 2018-03-27 2018-09-21 昆明理工大学 一种基于实测数据的负荷模型及参数辨识优化方法
CN108830128A (zh) * 2018-03-28 2018-11-16 中南大学 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法
CN109828182A (zh) * 2018-11-29 2019-05-31 广东电网有限责任公司信息中心 一种基于故障分类处理的电网系统故障分析预警方法
CN110299932A (zh) * 2019-06-12 2019-10-01 国网江苏省电力有限公司南京供电分公司 基于电力线信号的配电网络和设备运行状态在线识别方法
CN110717619A (zh) * 2019-09-11 2020-01-21 国网浙江省电力有限公司经济技术研究院 一种自下而上配电网多尺度时空负荷预测方法及系统
CN110703013A (zh) * 2019-09-26 2020-01-17 内蒙古电力(集团)有限责任公司电力调度控制分公司 电力系统低频振荡模式的在线辨识方法、装置与电子设备
CN110676940A (zh) * 2019-10-21 2020-01-10 国网上海市电力公司 一种提高参数辨识精度的配电网pmu配置方法及系统
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张桐赫;杜欣慧;王帅;: "一种基于核密度聚类的电力负荷模式精细化识别算法研究", 数学的实践与认识, no. 08 *
石景海, 贺仁睦: "动态负荷模型多曲线拟合参数辨识", 电力系统自动化, no. 24, pages 1 - 5 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989131A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN112989131B (zh) * 2021-03-29 2023-04-07 广州水沐青华科技有限公司 一种图表示学习的电器设备电力指纹分解方法、存储介质及系统
CN115062947A (zh) * 2022-06-09 2022-09-16 国网湖南省电力有限公司 基于类噪声数据的电网负荷模型参数辨识方法
CN115062947B (zh) * 2022-06-09 2024-05-31 国网湖南省电力有限公司 基于类噪声数据的电网负荷模型参数辨识方法

Also Published As

Publication number Publication date
CN112232381B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN111898839B (zh) 电力用户的重要程度分类方法及装置
CN110363229B (zh) 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法
CN110298374B (zh) 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN112054943A (zh) 一种移动网络基站流量预测方法
CN110610226A (zh) 一种发电机故障预测方法及装置
CN112418476A (zh) 一种超短期电力负荷预测方法
CN113506186B (zh) 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN112232381A (zh) 主导负荷参数类噪声辨识的模型参数后处理方法和装置
CN116341788A (zh) 一种配电网线损分析的电力指纹精准治理方法
CN112381667B (zh) 一种基于深度学习的配网电气拓扑识别方法
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN111523080A (zh) 一种电力系统的pas系统综合评估方法及相关装置
CN112308463A (zh) 基于电网约束条件的评价方法、装置、存储介质及处理器
CN113052451B (zh) 一种基于改进层次分析法的性能评估方法及装置
CN115409245A (zh) 电力系统的预测辅助状态估计方法、装置、设备及介质
CN110989363B (zh) 一种基于深度学习的电能质量控制方法及装置
CN114330854A (zh) 一种潜供电弧燃弧时间预测方法及系统
CN114091908A (zh) 计及多模式储能站的配电网综合评价方法、装置和设备
Wang et al. City readiness system assessment of electric vehicle charging infrastructure
CN111784381A (zh) 基于隐私保护和som网络的电力客户细分方法及系统
CN114640117B (zh) 一种基于电压时间序列的台区三相不平衡评估方法
CN113112015B (zh) 模型训练方法、装置、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant