CN113505490A - 基于gmm的电力系统数字孪生体参数校正方法及装置 - Google Patents

基于gmm的电力系统数字孪生体参数校正方法及装置 Download PDF

Info

Publication number
CN113505490A
CN113505490A CN202110832881.3A CN202110832881A CN113505490A CN 113505490 A CN113505490 A CN 113505490A CN 202110832881 A CN202110832881 A CN 202110832881A CN 113505490 A CN113505490 A CN 113505490A
Authority
CN
China
Prior art keywords
model
parameter
target
simulation data
gmm
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
CN202110832881.3A
Other languages
English (en)
Other versions
CN113505490B (zh
Inventor
李宏强
张迪
郭艺谭
薛飞
周雷
马鑫
海景雯
罗仲全
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.)
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Sichuan Energy Internet Research Institute EIRI Tsinghua University
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Ningxia 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 Sichuan Energy Internet Research Institute EIRI Tsinghua University, State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Sichuan Energy Internet Research Institute EIRI Tsinghua University
Priority to CN202110832881.3A priority Critical patent/CN113505490B/zh
Priority claimed from CN202110832881.3A external-priority patent/CN113505490B/zh
Publication of CN113505490A publication Critical patent/CN113505490A/zh
Application granted granted Critical
Publication of CN113505490B publication Critical patent/CN113505490B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于GMM的电力系统数字孪生体参数校正方法及装置，涉及电力系统的技术领域，包括：先获取目标物理量，并根据目标物理量确定数字孪生体的参数组合；然后基于参数组合生成原始仿真数据，并从原始仿真数据中选择符合预设要求的目标仿真数据；再根据目标仿真数据建立目标GMM模型；最后利用模拟退火算法搜索出最优特征量取值，并基于最优特征量取值和目标GMM模型确定参数组合的最优值。本发明通过引入的目标GMM模型和模拟退火算法，一方面能够避免陷入局部最优，另一方面可以实现特征量到参数组合的精准映射，因此根据最优特征量取值确定的参数组合的最优值能够保证数字孪生体与电力系统实体产品的一致性。

Description

基于GMM的电力系统数字孪生体参数校正方法及装置
技术领域
本发明涉及电力系统技术领域，尤其是涉及一种基于GMM的电力系统数字孪生体参数校正方法及装置。
背景技术
在电力系统领域，各电磁暂态仿真平台已日趋成熟，仿真的精度与效率也能满足绝大多数工程需求，这就满足了电力系统数字孪生体的建模基础。但是，随着电力系统动态行为日益复杂，仿真模型越来越难以完全复现电网真实动态行为，大系统控制参数的分散性与大规模新能源引入的随机性导致系统参数估计愈发难以进行。
参数校正问题的研究意义正在于此。建立电力系统翔实可信的数字孪生体，需要一个能在全生命在周期内能精确反映电力系统所有动态特征的仿真模型。随着时间的推移，仿真模型的参数必然发生变化，但这种变化难以建模。现有的参数校正方法有最小二乘法，卡尔曼滤波，近似贝叶斯计算等，但是这些现有的参数校正方法使数字孪生体的仿真响应与实际测量值完全匹配的概率非常低，因此无法使数字孪生体在全生命的周期内精确反映电力系统所有动态特征。
发明内容
本发明的目的在于提供一种基于高斯混合模型(Gaussian Mixture Model，GMM)的电力系统数字孪生体参数校正方法及装置，以缓解现有技术中存在的现有的参数校正方法无法使数字孪生体在全生命的周期内精确反映电力系统所有动态特征的技术问题。
第一方面，本发明提供的一种基于GMM的电力系统数字孪生体参数校正方法，其中，包括：获取目标物理量，并根据所述目标物理量确定数字孪生体的参数组合；基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据；所述原始仿真数据和所述目标仿真数据均包含赋值的参数组合和特征量，所述特征量为所述数字孪生体的输出响应和测量值之间的估计误差，所述测量值为与所述数字孪生体对应的电力系统实体产品在所述参数组合赋值一致的条件下的输出结果；根据所述目标仿真数据建立目标GMM模型；所述目标GMM模型用于表征所述参数组合在所述特征量为已知的条件下的条件概率分布；利用模拟退火(Simulated annealing,SA)算法搜索出最优特征量取值，并基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值。
进一步的，所述参数组合包含至少一个模型关键参数；根据所述目标物理量确定数字孪生体的参数组合，包括：获取数字孪生体的初始模型参数，并去除不符合预设变化幅度阈值的初始模型参数，得到多个中间模型参数；根据所述目标物理量对各个所述中间模型参数进行轨迹灵敏度分析，得到每个所述中间模型参数对所述目标物理量的轨迹灵敏度；根据预设优化效率和所述轨迹灵敏度，确定至少一个所述模型关键参数；将所有所述模型关键参数构成的集合确定为所述数字孪生体的参数组合。
进一步的，基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据，包括：在各个模型关键参数的预设数值调整范围内分别为各个所述模型关键参数随机赋值，生成赋值的参数组合；其中，所述赋值的参数组合为所有赋值的模型关键参数构成的集合；对每个所述赋值的模型关键参数以及预设参数约束条件分别进行归一化处理，得到所有归一化的模型关键参数和归一化的预设参数约束条件；在所有所述归一化的模型关键参数均满足所述归一化的预设参数约束条件下，生成与所述赋值的参数组合对应的输出响应；判断所述输出响应是否符合预设输出约束条件；若是，则根据所述输出响应和所述测量值计算与所述赋值的参数组合对应的特征量；将一一对应的所述赋值的参数组合和所述特征量确定为原始仿真数据；按照所述特征量的大小顺序对各个所述原始仿真数据进行排序；利用淘汰法从排序后的原始仿真数据中淘汰不符合预设要求的原始仿真数据，得到符合所述预设要求的目标仿真数据。
进一步的，根据所述目标仿真数据建立目标GMM模型，包括：根据所述目标仿真数据建立初始GMM模型；所述初始GMM模型用于表征所述参数组合和所述特征量的联合概率分布；将所述初始GMM模型进行数学变换，得到目标GMM模型。
进一步的，根据所述目标仿真数据建立初始GMM模型，包括：将所述目标仿真数据中赋值的参数组合和特征量作为增广随机变量建立初始GMM模型，并初始化所述初始GMM模型的参数集；基于EM算法迭代计算所述初始GMM模型的参数集。
进一步的，基于EM算法迭代计算所述初始GMM模型的参数集，包括：步骤S11，定义隐变量；步骤S12，在所述初始GMM模型的参数集为已知的条件下求解极大似然函数最大时所述隐变量的分布；步骤S13，通过所述隐变量的分布计算所述初始GMM模型的参数集；重复执行上述步骤S12～步骤S13，直至所述极大似然函数收敛。
进一步的，基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值，包括：将所述最优特征量取值作为条件代入所述目标GMM模型，求解参数组合的条件概率分布；将条件概率取最大值时对应的参数组合的取值确定为所述参数组合的最优值。
第二方面，本发明提供的一种基于GMM的电力系统数字孪生体参数校正装置，其中，包括：获取确定单元，用于获取目标物理量，并根据所述目标物理量确定数字孪生体的参数组合；生成选择单元，用于基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据；所述原始仿真数据和所述目标仿真数据均包含赋值的参数组合和特征量，所述特征量为所述数字孪生体的输出响应和测量值之间的估计误差，所述测量值为与所述数字孪生体对应的电力系统实体产品在所述参数组合赋值一致的条件下的输出结果；建立单元，用于根据所述目标仿真数据建立目标GMM模型；所述目标GMM模型用于表征所述参数组合在所述特征量为已知的条件下的条件概率分布；搜索确定单元，用于利用模拟退火算法搜索出最优特征量取值，并基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值。
第三方面，本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的所述的基于GMM的电力系统数字孪生体参数校正方法的步骤。
第四方面，本发明还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的基于GMM的电力系统数字孪生体参数校正方法。
本发明提供的一种基于GMM的电力系统数字孪生体参数校正方法及装置，其中，包括：获取目标物理量，并根据目标物理量确定数字孪生体的参数组合；基于参数组合生成原始仿真数据，并从原始仿真数据中选择符合预设要求的目标仿真数据；原始仿真数据和目标仿真数据均包含赋值的参数组合和特征量，特征量为数字孪生体的输出响应和测量值之间的估计误差，测量值为与数字孪生体对应的电力系统实体产品在参数组合赋值一致的条件下的输出结果；根据目标仿真数据建立目标GMM模型；目标GMM模型用于表征参数组合在特征量为已知的条件下的条件概率分布；利用模拟退火算法搜索出最优特征量取值，并基于最优特征量取值和目标GMM模型确定参数组合的最优值。本发明通过引入的目标GMM模型和模拟退火算法，一方面能够避免陷入局部最优，另一方面可以实现特征量到参数组合的精准映射，并且该映射是完备且可靠的，因此根据最优特征量取值确定的参数组合的最优值能够保证数字孪生体与电力系统实体产品的一致性，进而能够使数字孪生体在全生命的周期内精确反映电力系统所有动态特征。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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一种基于GMM的电力系统数字孪生体参数校正方法的流程图；
图2为图1中步骤S102的流程图；
图3为图1中步骤S103的流程图；
图4为本发明实施例提供的一种基于GMM的电力系统数字孪生体参数校正装置的结构示意图。
图标：
11-获取确定单元；12-生成选择单元；13-建立单元；14-搜索确定单元。
具体实施方式
下面将结合实施例对本发明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做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。
数字孪生是近年来广泛应用于各类工程建设与产品设计领域的理论技术体系，其基本概念是充分利用物理模型，传感器，运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。这种思想在各工业领域中有重要的启发作用，在各类仿真分析过程中，加入数据积累、挖掘与人工智能的应用，确保数字孪生体对现实物理系统全生命周期的跟踪反馈，基于此进行更进一步的分析、推理、预测。如果没有这种准确的模型化描述，后续的基于仿真模型(即数字孪生体)的推理预测便没有理论依据，无法落实。
在电力系统领域，各电磁暂态仿真平台已日趋成熟，仿真的精度与效率也能满足绝大多数工程需求，这就满足了电力系统数字孪生体的建模基础。但是，随着电力系统动态行为日益复杂，仿真模型越来越难以完全复现电网真实动态行为，大系统控制参数的分散性与大规模新能源引入的随机性导致系统参数估计愈发难以进行。参数校正问题的研究意义正在于此。建立电力系统翔实可信的数字孪生体，需要一个能在全生命在周期内能精确反映电力系统所有动态特征的仿真模型。但是，在系统的整个生命周期中，部分理化特性难免发生不可逆的改变，如线路老化、器件故障等。随着时间的推移，仿真模型的参数必然发生变化，但这种变化难以建模，考虑所有可能出现的突发情况与耗损情况会导致仿真模型过于复杂。在物理对象(例如电力系统)随着时间的推移不断演变的同时，通过实时对比模型响应与测量值，对数字孪生体进行准确地参数校正，能够保证数字孪生体实时反映电力系统的生命周期与相关物理特征。
现有的参数校正方法有：最小二乘法，卡尔曼滤波，近似贝叶斯计算等。下面以近似贝叶斯计算为代表介绍相关技术：传统的参数校正本质上是一种点估计问题，使用样本统计量来估计总体参数，而样本统计量是数轴上的某一个点值，其坐标是系统的特征量，估计的结果也是一个点的数值表示，所以称为点估计，这是一种由局部结果推论总体的思路。近似贝叶斯计算中常用的方法有最大似然估计(Maximum likelihood estimation,MLE)与最大后验估计(Maximum a posteriori estimation,MAP)。二者的基本原理如式(1)所示：
Figure BDA0003176162600000071
式中，θ为选定的待优化参数，X为系统关键特征量。系统关键特征量可以通过对现实物理对象进行数据采集求解，待优化参数为待求量。这两种算法的目的都是在特征量已知的情况下求解参数的值，但二者的思路有本质区别。MLE通过最大化似然函数求解参数集，即使用概率模型寻找能够以较高概率产生所量测数据的系统发生树，这是一种正向的思路。而MAP与其相反，直接求解在特征量确定的前提条件下参数的条件概率，这是不能直接求解的，所以使用贝叶斯公式展开，将此后验概率转换为与先验概率和似然函数相关的计算式。MAP是MLE的一种增广的优化目标，可以看作是规则化的最大似然估计。在数据量较大时二者呈现统一性。
值得注意的是，上述似然函数的计算并不简单，在许多领域要么不存在封闭形式的似然函数，要么这种似然函数的计算成本过高。为此，有许多似然函数的近似拟合方法，如多项式混沌展开(Polynomial Chaos Expansions,PCE)。在实际应用中，将仿真结果与观测数据(或称为实测波形、测量值)进行比较，估计给定结果的似然性，能够完全匹配的概率非常低。所以解析的方法往往不适用，可以考虑数值优化(如共轭梯度法)或是数据驱动(如马尔科夫链蒙特卡罗法)的方法近似处理。
基于近似贝叶斯计算的参数校正方法单独处理参数校正问题并不简单，因为似然函数的解析表达式对绝大多数问题不易求取。所以常与一些数值优化方法结合，但共轭积分法，牛顿法等使用模型的一阶导数，容易引入截断误差。不使用导数的期望最大化算法计算效率不高，且会随着问题维度的上升而极大地降低效率。还有一些基于启发式算法的蒙特卡罗法，对高维优化问题并不能保证优化效果。基于马尔科夫链蒙特卡罗法的后验概率估计可以有效避免似然函数的近似计算，但也容易出现状态较多时链条过长，陷入低概率区域时间较长的问题。
另外一些其他的参数校正方法也各有利弊，例如，最小二乘法在优化问题的求解中使用十分广泛，但其对模型的线性程度要求较高，在电力系统非线性程度较大时，可能会违背局部线性的基本假设。最小二乘法高效求解需要矩阵运算，所以还要求模型本身所对应的矩阵可逆。与此同时当样本特征较多时，计算效率较低，可能不如迭代法。卡尔曼滤波是一类特殊的方法，同时具有状态估计和参数校正两种功能，主要用于处理含量测噪声与系统噪声过程的优化问题。卡尔曼滤波也是一种线性滤波方法，对非线性模型只能使用扩展卡尔曼滤波法，即通过模型对各参数泰勒展开，只取一阶导数项。利用最优化方法对含噪声的信号进行处理，从而求解信号真值，这本质上是一种滤波过程，所以该算法被广泛用于状态估计问题的求解，对于参数校正问题需要矩阵化的状态空间矩阵，这对大规模电力系统是较难实现的。
基于此，本发明的目的在于提供一种基于GMM的电力系统数字孪生体参数校正方法及装置，一方面能够避免陷入局部最优，另一方面可以实现特征量到参数组合的精准映射，并且该映射是完备且可靠的，因此根据最优特征量取值确定的参数组合的最优值能够保证数字孪生体与电力系统实体产品的一致性，进而能够使数字孪生体在全生命的周期内精确反映电力系统所有动态特征。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于GMM的电力系统数字孪生体参数校正方法进行详细描述。
实施例1：
根据本发明实施例，提供了一种基于GMM的电力系统数字孪生体参数校正方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例提供的一种基于GMM的电力系统数字孪生体参数校正方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取目标物理量，并根据目标物理量确定数字孪生体的参数组合。在步骤S101中，本发明实施例可以基于轨迹灵敏度分析与模型特征对数字孪生体的模型关键参数进行辨识，辨识过程见下述步骤S201～步骤S203，在此不做赘述。
步骤S102，基于参数组合生成原始仿真数据，并从原始仿真数据中选择符合预设要求的目标仿真数据。原始仿真数据和目标仿真数据均包含赋值的参数组合和特征量，特征量为数字孪生体的输出响应和测量值之间的估计误差，测量值为与数字孪生体对应的电力系统实体产品在参数组合赋值一致的条件下的输出结果。该步骤S102可以基于淘汰法实现原始仿真数据的获取以及目标仿真数据的筛选，该步骤的具体实现见下述步骤S301～步骤S309，在此不作赘述。当参数组合中的模型关键参数的数量为6个时，若原始仿真数据为10000个，那么原始仿真数据为6×10000的矩阵，淘汰3000个之后，得到的目标仿真数据为6×7000的矩阵。
步骤S103，根据目标仿真数据建立目标GMM模型。目标GMM模型用于表征参数组合在特征量为已知的条件下的条件概率分布。在步骤S103中，在建立目标GMM模型之间，可以实现初始GMM模型的建立。本发明实施例通过该初始GMM模型的引入可以实现基于GMM的模型关键参数-特征量映射关系的建模，通过目标GMM模型的引入可以实现基于条件概率的模型关键参数后验均值求解。
步骤S104，利用模拟退火算法搜索出最优特征量取值，并基于最优特征量取值和目标GMM模型确定参数组合的最优值。
通过该步骤S104可以实现基于模拟退火的特征量局部搜索与检验。模拟退火是一种基于概率的局部搜索算法。其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在得到局部最优解的情况下能够概率性地跳出并最终趋于全局最优。该算法的目标函数设定为特征量反演的参数组合的估计误差。本发明实施例对模拟退火算法本身并不做改进，因此其执行过程不再赘述。
通过上述步骤S101～步骤S104的描述可知，本发明实施例具体包含以下几项内容：首先辨识数字孪生体的模型关键参数，然后进行基于GMM的参数-特征量映射关系建模，再基于条件概率求解反向映射，最后基于模拟退火算法在小范围内搜索最优特征量取值，并根据条件概率模型(即目标GMM模型)反演参数。本发明实施例的思路本质上与贝叶斯估计相似，但求解思路完全不同。本发明实施例提出的一种基于GMM的电力系统数字孪生体参数校正方法，旨在对全生命周期的数字孪生体进行精准地参数校正，从而合理预测系统寿命，保证物理对象(即电力系统实体产品)与数字孪生体的相似性。也就是说，本发明实施例通过引入的目标GMM模型和模拟退火算法，一方面能够避免陷入局部最优，另一方面可以实现特征量到参数组合的精准映射，并且该映射是完备且可靠的，因此根据最优特征量取值确定的参数组合的最优值能够保证数字孪生体与电力系统实体产品的一致性，进而能够使数字孪生体在全生命的周期内精确反映电力系统所有动态特征。
由于大规模电力系统中的参数众多且校正所有参数既无必要也无可能，因此对数字孪生体的参数进行初步筛选是十分必要的，这可以很大程度上降低计算负担，提高优化效率。判别需要校正的参数有两个重要标准，一是对目标物理量的仿真结果的影响程度，二是数字孪生体的根本需求。与经典的参数校正问题不同，数字孪生体的参数校正更侧重于建模在系统的整个生命周期中由于外界因素引发的模型参数变化。因此本发明实施例可以根据工程实际的经验查找在整个系统的运行寿命期间不会发生太大变化的参数，该类参数无需校准，即使它们已经通过轨迹灵敏度分析被识别为关键参数。本发明实施例可以先对模型参数进行轨迹灵敏度分析再进行去除操作，还可以先去除不符合预设变化幅度阈值的模型参数再进行轨迹灵敏度分析。另外，由于去除不会大幅变化的参数是根据数字孪生体的具体需求产生的，相当于模型参数的先验信息，因此去除这一步也可以略过。
本发明实施例基于“先去除不符合预设变化幅度阈值的模型参数再进行轨迹灵敏度分析”的顺序进行如下分析：在一个可选的实施例中，参数组合包含至少一个模型关键参数；步骤S101，根据目标物理量确定数字孪生体的参数组合，包括以下步骤S201～步骤S204：步骤S201，获取数字孪生体的初始模型参数，并去除不符合预设变化幅度阈值的初始模型参数，得到多个中间模型参数；步骤S202，根据目标物理量对各个中间模型参数进行轨迹灵敏度分析，得到每个中间模型参数对目标物理量的轨迹灵敏度；步骤S203，根据预设优化效率和轨迹灵敏度，确定至少一个模型关键参数；步骤S204，将所有模型关键参数构成的集合确定为数字孪生体的参数组合。
上述初始模型参数、中间模型参数以及模型关键参数其本质均是模型参数，不同名称的模型参数用于反映不同筛选阶段的筛选结果。例如，从10个初始模型参数中去除2个模型参数，再从8个中间模型参数中确定排名靠前的6个模型关键参数。模型响应(即下述输出响应，或称为模型结果)与测量值之间的不匹配用于表示模型参数存在缺陷，这种失配称为估计误差。轨迹灵敏度分析即通过调整各模型参数的数值，观测估计误差的变化方向及变化大小，从而判断出各模型参数对模型结果的影响方式，其本质上是一种在确定的工作点条件下，轨迹对模型参数的泰勒展开并略去高次项的过程。由于数字孪生体的各模型参数均存在初始值，因此可以以此作为静态工作点，在获取各个模型参数的轨迹灵敏度后便可以对参数变化后的估计误差进行预测。针对本发明实施例所要解决的技术问题，由于通过轨迹灵敏度直接推测估计误差在参数数量较多时并不适用，因此本发明实施例并不试图通过轨迹灵敏度直接推测估计误差，而是将轨迹灵敏度的求解过程进行简化，只用于辨识对数字孪生体影响程度较大的模型关键参数因此本发明实施例只需要求解各模型参数的轨迹灵敏度相对大小即可。相对大小也就是指各模型参数之间的灵敏度值比较，无需使用下述式(3)对轨迹灵敏度进行精确计算，使用下述式(4)近似计算能够比较出不同模型参数谁更关键即可。一般情况下，当目标物理量为一个时，每个模型参数均对应一个轨迹灵敏度，当目标物理量为多个时，每个模型参数均对应多个轨迹灵敏度，例如：目标物理量为两个，分别是电压波形和电流波形，而模型参数也有两个，分别是电阻1和电阻2，那么共得到四个轨迹灵敏度，分别是：电阻1对电压波形的相对轨迹灵敏度、电阻1对电流波形的相对轨迹灵敏度、电阻2对电压波形的相对轨迹灵敏度、电阻2对电流波形的相对轨迹灵敏度。
当本发明实施例先对模型参数进行轨迹灵敏度分析再进行去除操作时，先对轨迹灵敏度的求解方法进行如下介绍：首先将数字孪生体模型简化为式(2)所示的微分代数方程：
Figure BDA0003176162600000131
其中，x为状态变量，y为代数变量，α为模型参数，t0为初始时刻，x0为初始状态，y0为初始代数。上述状态变量是指数字孪生体的状态变量，是在一定状态下的模型响应，也即输出结果，会随模型参数的变化而变化，如发电机功角；上述代数变量与状态变量类似，也是系统的响应，与状态变量的区别点仅是表现形式的不同，代数变量以代数形式表示，如节点电压，相角等。无论是状态变量还是代数变量，均是目标物理量的不同表现形式。
式(3)是对式(2)中的模型参数的求偏导，即：
Figure BDA0003176162600000132
Figure BDA0003176162600000133
其中，w1为模型参数对状态变量的轨迹灵敏度，w2为模型参数对代数变量的轨迹灵敏度。为了表征模型参数对输出特征(即目标物理量)的相对影响大小，使用基于局部线性近似的数值方法计算目标物理量对模型参数的偏导，即式(4)：
Figure BDA0003176162600000134
其中，αbase为初始时刻的模型参数，Δα为轨迹灵敏度计算时α的改变量，一般设定的比较小，Δx为模型参数变动Δα时x的变化量，Δy为模型参数变动Δα时y的变化量。另外，当目标物理量为一个且为状态变量时，对于每个模型参数来说，仅涉及w1的计算；同理，当目标物理量为一个且为代数变量时，对于每个模型参数来说，仅涉及w2的计算。
上述式(4)计算了模型参数相对变化对仿真输出x或y(可以根据所关注的物理量自行选择)的影响。αbase代表校正前的模型参数，为了保证科学性，一般会给α加一个较小的扰动，然后比较参数值为α与a+Δa时的仿真结果，进而计算出灵敏度w1和w2。当获得所有模型参数对仿真输出的相对轨迹灵敏度后，可以确定模型参数重要程度的排序。排序靠前的模型参数对该数字孪生体模型的重要程度更大，后续优化过程被选择的优先级更高。当存在两个以及以上不同物理量的相对轨迹灵敏度时，在后续排序过程中可以采用以下两种方式中的任一种进行排序：一种方式是从多个物理量中选择更加关注的物理量作为排序标准，另一种方式是：可以对同一模型参数对应的多个物理量进行量化。总而言之，对多数物理量影响大的模型参数一定比较关键。选择关键参数之后，本发明实施例还可以根据实际情况，酌情从关键参数中剔除在系统生命周期内变化不大的模型参数，将剩余的关键参数作为优化对象输入至后续算法。
需要注意的是，模型关键参数的数量确定因电力系统的具体问题而异，因电力系统的具体需求而异。一般情况下，待优化的模型关键参数的数量决定了解空间的维度，更详细地讲，在后续操作中决定了初始GMM模型中均值，协方差矩阵的维度，并且后续EM算法中包含大量的矩阵运算，此时矩阵维度对优化效率的影响是很大的。因此可以综合考虑优化效率来设定模型关键参数的数量。例如，为了校正同步发电机模型，可以选择d轴暂态电抗，d轴次暂态电抗，d轴同步电抗这三个模型参数作为模型关键参数。另外，当目标物理量为一个且为状态变量时，对于每个模型关键参数来说仅涉及w1的计算；同理，当目标物理量为一个且为代数变量时，对于每个模型关键参数来说仅涉及w2的计算。
在本发明实施例中，由于后续步骤需要以概率分布的形式表征模型关键参数与特征量之间的关系，因此需要大量的仿真数据作为拟合标准。本发明实施例的思路是随机对模型关键参数赋值，进行批量仿真，得到大量的原始仿真数据，其中，仿真方式如下：根据仿真软件搭建仿真电路，如PSCAD、CloudPSS等进行仿真，对仿真模型的模型关键参数赋值，得到多组仿真结果。在得到原始仿真数据之后基于特征量的末位淘汰方法进行数据筛选，以提高拟合过程的效率。
在一个可选的实施例中，如图2所示，步骤S102，基于参数组合生成原始仿真数据，并从原始仿真数据中选择符合预设要求的目标仿真数据，包括以下步骤S301～步骤S309：步骤S301，在各个模型关键参数的预设数值调整范围内分别为各个模型关键参数随机赋值，生成赋值的参数组合；其中，赋值的参数组合为所有赋值的模型关键参数构成的集合；步骤S302，对每个赋值的模型关键参数以及预设参数约束条件分别进行归一化处理，得到所有归一化的模型关键参数和归一化的预设参数约束条件；步骤S303，在所有归一化的模型关键参数均满足归一化的预设参数约束条件下，生成与赋值的参数组合对应的输出响应；步骤S304，判断输出响应是否符合预设输出约束条件；若否，则执行步骤S305；若是，则执行步骤S306；步骤S305，舍弃输出响应和赋值的参数组合，并在舍弃之后继续执行步骤S301；步骤S306，根据输出响应和测量值计算与赋值的参数组合对应的特征量；步骤S307，将一一对应的赋值的参数组合和特征量确定为原始仿真数据；步骤S308，按照特征量的大小顺序对各个原始仿真数据进行排序；步骤S309，利用淘汰法从排序后的原始仿真数据中淘汰不符合预设要求的原始仿真数据，得到符合预设要求的目标仿真数据。
在上述步骤S302的归一化过程中，可以对各个模型关键参数分别进行归一化处理，以保证解空间形状的规则性，使后续协方差矩阵的运算顺利进行。归一化过程类似各模型关键参数基于静态工作点的标幺值，但为确保协方差矩阵不奇异，将各模型关键参数可以都归算到0-1之间，如式(5)所示：
Figure BDA0003176162600000161
其中，θcor为归一化的模型关键参数，θ为模型关键参数，θmin为模型关键参数在预设数值调整范围内的下限值，θmax为模型关键参数在预设数值调整范围内的上限值。
在进行归一化处理之后，将随机生成的各参数组合带入到数字孪生体进行批量仿真，求出各场景下的估计误差作为特征量。这种估计误差可以是多个目标物理量的估计误差，如节点电压，支路电流，发电机功率等。由于随着特征量的数量增加，优化算法的负担会加重，因此可以尽量选择有辨识度，灵敏度较高的特征量作为数据的衡量标准。同时，大电力系统中存在许多约束条件(该约束条件包含：上述预设参数约束条件和上述预设输出约束条件，其中，预设参数约束条件是指对模型关键参数的约束，例如：对模型关键参数的校正范围进行约束，这种是预先设计好的，比如某个模型关键参数Xd只能处于1.5-2.1之间，预设输出约束条件是指对特征量的约束，例如：潮流约束，该约束条件可能会限制特征量的值，仿真结果超出这种约束也会被舍弃)，对不符合约束条件的场景，可以将该组数据直接淘汰，这样可以有效处理含约束的优化问题，避免使用搜索算法时约束条件复杂导致优化效率低下。本发明实施例可以对模型关键参数以及特征量均进行归一化处理，那么约束二者的约束条件也可以进行归一化处理，本发明实施例也可以对约束条件的归一化过程进行省略。
上述仿真运算结束后，通过特征量对各个赋值的参数组合进行评价。由于本发明实施例所选取的特征量为各个目标物理量的估计误差，所以特征量数值较大的参数组合评分较低。这些参数组合往往距离参数组合的实际值较远(即：根据评分低的这些参数组合得到的模型响应往往距离测量值较远，因此模型响应与实际情况出入较大，进而可以表明这组参数组合的赋值结果与参数组合的真实值之间具有较大差别)，参考价值并不高，因此可以按照比例取舍或者直接末位淘汰，留下来的参数组合都是高质量且在参数组合最优值附近的数据，更具有统计学意义，式(6)给出了淘汰条件：
x′≤x′min+(x′max-x′min)×10％ (6)
其中，x′为特征量，x′max与x′min分别为批量仿真所得到的所有原始仿真数据的特征量最大值与最小值。
在得到大量高质量的目标仿真数据之后，本发明实施例可以实现基于GMM的模型关键参数-特征量映射关系的建模，由于目标仿真数据隐含了特征量与模型关键参数之间的关系，因此可以以GMM为主要工具将这种关系表示出来。GMM是一种表示高维随机变量的建模工具，可以随着高斯分量的增加而任意逼近任何确定的概率分布，其基本原理类似高维空间的基底。排除过拟合因素，可以认为这种概率模型能详尽完整地表征参数与特征量之间的统计关系。需要注意的是，GMM作为一种联合概率密度表示方法，其中的各个维度都是等价的，所以将模型关键参数与特征量作了统计学意义上的等效对待。所以特征量也需要进行归一化处理，以保证协方差矩阵是满秩的。
在一个可选的实施例中，如图3所示，步骤S103，根据目标仿真数据建立目标GMM模型，包括以下步骤S401～步骤S402，其中：步骤S401，根据目标仿真数据建立初始GMM模型；初始GMM模型用于表征参数组合和特征量的联合概率分布；步骤S402，将初始GMM模型进行数学变换，得到目标GMM模型。
在一个可选的实施例中，步骤S401，根据目标仿真数据建立初始GMM模型，包括以下步骤S501～步骤S502，其中：步骤S501，将目标仿真数据中赋值的参数组合和特征量作为增广随机变量建立初始GMM模型，并初始化初始GMM模型的参数集；步骤S502，基于EM算法迭代计算初始GMM模型的参数集。
在一个可选的实施例中，步骤S502，基于EM算法迭代计算初始GMM模型的参数集，包括步骤S11～步骤S13，其中：步骤S11，定义隐变量；步骤S12，在初始GMM模型的参数集为已知的条件下求解极大似然函数最大时隐变量的分布；步骤S13，通过隐变量的分布计算初始GMM模型的参数集；重复执行上述步骤S12～步骤S13，直至极大似然函数收敛。
综上所述，目标仿真数据拟合为初始GMM模型的流程如下步骤1～步骤4，其中初始GMM模型的参数集可以使用最大似然估计进行拟合：
步骤1：建立与式(2)对应的初始GMM模型，如式(7)所示：
Figure BDA0003176162600000181
其中，X为模型关键参数-特征量组成的增广随机向量(即上述增广随机变量)，ω为初始GMM模型的参数集，即由权重π，均值μ，协方差矩阵σ2组成的向量，k为该初始GMM模型中参与分布的高斯分布的总数量，每个高斯分布都有权重π、均值μ、协方差矩阵σ2三个性质，N(X|μ,σ2)表示均值μ、协方差σ2的联合高斯分布，π为每个高斯分布所占的权重。高斯分布的总数量k是预先设定好的，可以根据实际需求进行设定。当设定的数值较大时可以提高拟合精度。上述X是增广随机变量，可以理解为X＝[a′，x′]，其中，a′为由模型关键参数构成的参数组合向量，x′为由特征量构成的特征量向量，例如：a′＝[1,2,3,3,2,1]，x′＝[4,6,8]，X＝[1,2,3,3,2,1,4,6,8]。
步骤2：定义隐变量Z，其分布q(Z)表示GMM聚类的从属关系，即每个数据点(即目标仿真数据)属于第c个高斯分布的概率。由于高斯分量的个数是有限的，因此Z的取值是离散的。最大期望算法又称为EM算法，分为E步和M步。基本原理是极大似然估计。EM算法这主要是求出ω的值，也就是初始GMM模型的参数集。
首先执行E步，求解ω确定、极大似然函数(即下述式(10)中的L)最大时所对应的Z分布q(Z)：
Figure BDA0003176162600000191
其中，Zc为第c个高斯分布的隐变量，t为迭代次数，q(t)(Zc)为每个目标仿真数据在第t次迭代的过程中属于第c个高斯分布的可能性，ωt-1是初始GMM模型在第t-1次迭代过程中的参数集，p(Zc|X,ωt-1)是定义式，表示使极大似然函数最大时的Z分布求解，
Figure BDA0003176162600000192
为贝叶斯公式展开，|为条件概率，p(X|ω)为参数集ω为已知的条件下X的条件概率，p(Zc|ω)为参数集ω确定时Zc的条件概率，即每个高斯分量的权重。
步骤3：执行M步，通过E步所确定的隐变量分布q(Z)计算参数后验分布(该参数后验分布是指在已知q(Z)的条件下参数集中各参数的分布情况)目标为q(Z)确定的前提下X分布的极大似然函数最大。略去证明过程，参数集中各参数的计算方法如式(9)所示：
Figure BDA0003176162600000193
其中，q(Z)在上述E步已经求出，因此是已知量，X为目标仿真数据。
步骤4：E步是已知初始GMM模型的参数集求解q(Z)，M步是通过已知q(Z)求解初始GMM的参数集，反复执行E步和M步，直至结果收敛。收敛条件为前一代的极大似然函数与后一代之差小于设定值，如式(10所示)：
L(ω(t),q(t))-L(ω(t-1),q(t-1))<ε (10)
在收敛之后，得到初始GMM模型最终的参数集，该参数集可以正确反映目标仿真数据的概率分布。
上述步骤S402是基于条件概率的参数后验均值求解，式(7)建立了模型关键参数与特征量的联合概率密度的解析表达式，该表达式使用GMM表征，并且每个维度是等价的。这样的统计模型(初始GMM模型)在高斯分量数量足够多且有足量高质量的目标仿真数据的前提下可以包含本时刻的数字孪生体模型的所有信息，接下来需要从这个统计模型中获取模型关键参数的最优值。
统计模型的参数估计问题，常见思路是贝叶斯计算，即通过先验信息求解后验分布，再根据后验分布的统计信息如均值反推出参数组合的取值。在本发明实施例中，初始GMM模型构成了模型关键参数-特征量的联合概率分布p(X；ω)，因此可以直接对其进行数学变换得到条件概率p(a′|x′；ω′)。其中x′为评价数字孪生体所选择的估计误差，由用于表征模型关键参数-特征量的联合概率密度p(X；ω)推倒条件概率p(a′|x′；ω′)的过程利用了GMM的以下性质：对于一个确定的高维GMM而言，在部分随机变量确定的条件下，剩余随机变量的概率分布(联合概率分布)仍然是一个GMM。上述“部分随机变量确定”在本发明实施例中可以指特征量已知，因为校正目标的波形往往是可以拿到的。上述“剩余随机变量”指模型关键参数。也就是说，在特征量已知的条件下模型关键参数的分布是可以直接用条件概率求解的。针对本发明实施例所研究的问题，初始GMM模型将模型关键参数-特征量看作是一个增广随机变量，可以通过上述性质求解在各特征量确定的条件下各模型关键参数的条件概率，即参数的后验分布。这与贝叶斯计算的目标相同，但实现的途径不同。数字孪生体是一个由模型关键参数到特征量的单向映射，在已知特征量的前提下无法直接指导各模型关键参数的取值，只能通过搜索算法不断试探。而后验分布却可以实现特征量到模型关键参数的映射，因此可以直接由特征量反推各模型关键参数的取值。
特征量表示数字孪生体的估计误差，优化目标是为了使数字孪生体的输出响应完美契合实际情况，这在工程实际中基本是不可能实现的。因此参数校正过程也只是最小化估计误差的优化算法，估计误差的先验分布无法得到。数字孪生体的参数校正会在系统的全生命周期中反复进行，参数的校正值往往会落在上一次参数校正结果的邻域内，没有发生明显故障时估计误差不容易发生剧烈变化，所以可以采用局部搜索算法确定特征量的取值。
本发明实施例利用模拟退火算法搜索出最优特征量取值，区别于直接使用搜索算法寻找模型关键参数的最优值，此处是对特征量进行搜索而不是对模型关键参数。参数校正本质上是一个优化问题，直接采用启发式算法对模型关键参数进行搜索固然可以求解，但是在模型关键参数数量较多时这种搜索效率低下，再加上电力系统中复杂的约束条件所构成的不规则解空间，启发式算法无法找到该问题的最优解。
在本发明实施例中，首先根据数字孪生体获取大量高质量的目标仿真数据，通过将模型关键参数-特征量整体进行量化，并建立二者之间的映射，经过数学推导，这种由特征量到模型关键参数的映射是完备且可靠的，是从大量目标仿真数据中挖掘出的信息，所以在给出特征量取值时所求解的参数组合同样是可靠的。这种可靠性可以通过估计误差校验，建立反演结果所对应的仿真场景，代入模型正向求解估计误差，从而完成参数校正算法的校验工作。在本发明实施例中，将这种正向估计误差作为模拟退火算法的目标函数，所以模拟退火算法的优化目标是在特征量发生小范围变动时所反演出的模型关键参数所对应仿真场景中的估计误差。
在一个可选的实施例中，步骤S103，基于最优特征量取值和目标GMM模型确定参数组合的最优值，包括以下步骤S601～步骤S602，其中：步骤S601，将最优特征量取值作为条件代入目标GMM模型，求解参数组合的条件概率分布；步骤S602，将条件概率取最大值时对应的参数组合的取值确定为参数组合的最优值。也就是说，在模拟退火算法搜索到最优特征量取值之后，可以将该最优特征量取值作为条件带入目标GMM模型中，求出条件概率，然后求出这个条件概率最大值所对应的参数组合即可。
综上所述，基于GMM的电力系统数字孪生体参数校正方法具有很好的实用性与可靠性，这种模型关键参数-特征量作为整体量化的思想与贝叶斯计算有异曲同工之妙，GMM的引入又很大程度上减轻了后验分布的计算负担。本发明实施例相较于传统算法有以下显著的优势：(1)不限制模型特性(该模型特性指数字孪生体模型本身的特征与局限性，比如约束条件复杂，非线性性强等)，可以适用于复杂约束的线性或非线性模型，这种模型关键参数和特征量之间的关系可以是隐式的；(2)基于GMM的概率密度拟合方法可以以任意精度逼近目标仿真数据的真实分布，考虑到优化效率可以适当控制高斯分量的数量，但误差会保持在一定的允许范围之内；(3)不容易陷入局部最优，本发明实施例的建模方法更侧重于保留目标仿真数据的信息，因此可以真实反映各模型关键参数与估计误差之间的关系，最后的参数反演也是根据模型统计量计算得到的。因此只要数据的数量与质量足够高，便不会陷入局部最优。
实施例2：
本发明实施例提供了一种基于GMM的电力系统数字孪生体参数校正装置，该基于GMM的电力系统数字孪生体参数校正装置主要用于执行实施例1上述内容所提供的基于GMM的电力系统数字孪生体参数校正方法，以下对本发明实施例提供的基于GMM的电力系统数字孪生体参数校正装置做具体介绍。
图4为本发明实施例提供的一种基于GMM的电力系统数字孪生体参数校正装置的结构示意图。如图4所示，该基于GMM的电力系统数字孪生体参数校正装置，主要包括：获取确定单元11，生成选择单元12，建立单元13和搜索确定单元14，其中：
获取确定单元11，用于获取目标物理量，并根据目标物理量确定数字孪生体的参数组合；
生成选择单元12，用于基于参数组合生成原始仿真数据，并从原始仿真数据中选择符合预设要求的目标仿真数据；原始仿真数据和目标仿真数据均包含赋值的参数组合和特征量，特征量为数字孪生体的输出响应和测量值之间的估计误差，测量值为与数字孪生体对应的电力系统实体产品在参数组合赋值一致的条件下的输出结果；
建立单元13，用于根据目标仿真数据建立目标GMM模型；目标GMM模型用于表征参数组合在特征量为已知的条件下的条件概率分布；
搜索确定单元14，用于利用模拟退火算法搜索出最优特征量取值，并基于最优特征量取值和目标GMM模型确定参数组合的最优值。
本发明实施例可以通过建立单元13和搜索确定单元14，一方面能够避免陷入局部最优，另一方面可以实现特征量到参数组合的精准映射，并且该映射是完备且可靠的，因此根据最优特征量取值确定的参数组合的最优值能够保证数字孪生体与电力系统实体产品的一致性，进而能够使数字孪生体在全生命的周期内精确反映电力系统所有动态特征。
可选地，参数组合包含至少一个模型关键参数；获取确定单元11包括：获取去除模块、轨迹灵敏度分析模块、第一确定模块和第二确定模块，其中：
获取去除模块，用于获取数字孪生体的初始模型参数，并去除不符合预设变化幅度阈值的初始模型参数，得到多个中间模型参数；
轨迹灵敏度分析模块，用于根据目标物理量对各个中间模型参数进行轨迹灵敏度分析，得到每个中间模型参数对目标物理量的轨迹灵敏度；
第一确定模块，用于根据预设优化效率和轨迹灵敏度，确定至少一个模型关键参数；
第二确定模块，用于将所有模型关键参数构成的集合确定为数字孪生体的参数组合。
可选地，生成选择单元12包括，其中：赋值模块、归一化处理模块、生成模块、判断模块、计算模块、第三确定模块、排序模块和淘汰模块，其中：
赋值模块，用于在各个模型关键参数的预设数值调整范围内分别为各个模型关键参数随机赋值，生成赋值的参数组合；其中，赋值的参数组合为所有赋值的模型关键参数构成的集合；
归一化处理模块，用于对每个赋值的模型关键参数以及预设参数约束条件分别进行归一化处理，得到所有归一化的模型关键参数和归一化的预设参数约束条件；
生成模块，用于在所有归一化的模型关键参数均满足归一化的预设参数约束条件下，生成与赋值的参数组合对应的输出响应；
判断模块，用于判断输出响应是否符合预设输出约束条件；
计算模块，用于若是，则根据输出响应和测量值计算与赋值的参数组合对应的特征量；
第三确定模块，用于将一一对应的赋值的参数组合和特征量确定为原始仿真数据；
排序模块，用于按照特征量的大小顺序对各个原始仿真数据进行排序；
淘汰模块，用于利用淘汰法从排序后的原始仿真数据中淘汰不符合预设要求的原始仿真数据，得到符合预设要求的目标仿真数据。
可选地，建立单元13包括建立模块和数学变换模块，其中：
建立模块，用于根据目标仿真数据建立初始GMM模型；初始GMM模型用于表征参数组合和特征量的联合概率分布；
数学变换模块，用于将初始GMM模型进行数学变换，得到目标GMM模型。
可选地，建立模块包括建立初始化子模块和迭代计算子模块，其中：
建立初始化子模块，用于将目标仿真数据中赋值的参数组合和特征量作为增广随机变量建立初始GMM模型，并初始化初始GMM模型的参数集；
迭代计算子模块，用于基于EM算法迭代计算初始GMM模型的参数集。
可选地，迭代计算子模块还用于执行以下步骤：
步骤S11，定义隐变量；
步骤S12，在初始GMM模型的参数集为已知的条件下求解极大似然函数最大时隐变量的分布；
步骤S13，通过隐变量的分布计算初始GMM模型的参数集；
重复执行上述步骤S12～步骤S13，直至极大似然函数收敛。
可选地，搜索确定单元14，包括求解模块和第四确定模块，其中：
求解模块，用于将最优特征量取值作为条件代入目标GMM模型，求解参数组合的条件概率分布；
第四确定模块，用于将条件概率取最大值时对应的参数组合的取值确定为参数组合的最优值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在一个可选的实施例中，本实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法实施例方法的步骤。
在一个可选的实施例中，本实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行上述方法实施例方法。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本实施例所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于GMM的电力系统数字孪生体参数校正方法，其特征在于，包括：
获取目标物理量，并根据所述目标物理量确定数字孪生体的参数组合；
基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据；所述原始仿真数据和所述目标仿真数据均包含赋值的参数组合和特征量，所述特征量为所述数字孪生体的输出响应和测量值之间的估计误差，所述测量值为与所述数字孪生体对应的电力系统实体产品在所述参数组合赋值一致的条件下的输出结果；
根据所述目标仿真数据建立目标GMM模型；所述目标GMM模型用于表征所述参数组合在所述特征量为已知的条件下的条件概率分布；
利用模拟退火算法搜索出最优特征量取值，并基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值。
2.根据权利要求1所述的方法，其特征在于，所述参数组合包含至少一个模型关键参数；根据所述目标物理量确定数字孪生体的参数组合，包括：
获取数字孪生体的初始模型参数，并去除不符合预设变化幅度阈值的初始模型参数，得到多个中间模型参数；
根据所述目标物理量对各个所述中间模型参数进行轨迹灵敏度分析，得到每个所述中间模型参数对所述目标物理量的轨迹灵敏度；
根据预设优化效率和所述轨迹灵敏度，确定至少一个所述模型关键参数；
将所有所述模型关键参数构成的集合确定为所述数字孪生体的参数组合。
3.根据权利要求1所述的方法，其特征在于，基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据，包括：
在各个模型关键参数的预设数值调整范围内分别为各个所述模型关键参数随机赋值，生成赋值的参数组合；其中，所述赋值的参数组合为所有赋值的模型关键参数构成的集合；
对每个所述赋值的模型关键参数以及预设参数约束条件分别进行归一化处理，得到所有归一化的模型关键参数和归一化的预设参数约束条件；
在所有所述归一化的模型关键参数均满足所述归一化的预设参数约束条件下，生成与所述赋值的参数组合对应的输出响应；
判断所述输出响应是否符合预设输出约束条件；
若是，则根据所述输出响应和所述测量值计算与所述赋值的参数组合对应的特征量；
将一一对应的所述赋值的参数组合和所述特征量确定为原始仿真数据；
按照所述特征量的大小顺序对各个所述原始仿真数据进行排序；
利用淘汰法从排序后的原始仿真数据中淘汰不符合预设要求的原始仿真数据，得到符合所述预设要求的目标仿真数据。
4.根据权利要求1所述的方法，其特征在于，根据所述目标仿真数据建立目标GMM模型，包括：
根据所述目标仿真数据建立初始GMM模型；所述初始GMM模型用于表征所述参数组合和所述特征量的联合概率分布；
将所述初始GMM模型进行数学变换，得到目标GMM模型。
5.根据权利要求4所述的方法，其特征在于，根据所述目标仿真数据建立初始GMM模型，包括：
将所述目标仿真数据中赋值的参数组合和特征量作为增广随机变量建立初始GMM模型，并初始化所述初始GMM模型的参数集；
基于EM算法迭代计算所述初始GMM模型的参数集。
6.根据权利要求5所述的方法，其特征在于，基于EM算法迭代计算所述初始GMM模型的参数集，包括：
步骤S11，定义隐变量；
步骤S12，在所述初始GMM模型的参数集为已知的条件下求解极大似然函数最大时所述隐变量的分布；
步骤S13，通过所述隐变量的分布计算所述初始GMM模型的参数集；
重复执行上述步骤S12～步骤S13，直至所述极大似然函数收敛。
7.根据权利要求1所述的方法，其特征在于，基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值，包括：
将所述最优特征量取值作为条件代入所述目标GMM模型，求解参数组合的条件概率分布；
将条件概率取最大值时对应的参数组合的取值确定为所述参数组合的最优值。
8.一种基于GMM的电力系统数字孪生体参数校正装置，其特征在于，包括：
获取确定单元，用于获取目标物理量，并根据所述目标物理量确定数字孪生体的参数组合；
生成选择单元，用于基于所述参数组合生成原始仿真数据，并从所述原始仿真数据中选择符合预设要求的目标仿真数据；所述原始仿真数据和所述目标仿真数据均包含赋值的参数组合和特征量，所述特征量为所述数字孪生体的输出响应和测量值之间的估计误差，所述测量值为与所述数字孪生体对应的电力系统实体产品在所述参数组合赋值一致的条件下的输出结果；
建立单元，用于根据所述目标仿真数据建立目标GMM模型；所述目标GMM模型用于表征所述参数组合在所述特征量为已知的条件下的条件概率分布；
搜索确定单元，用于利用模拟退火算法搜索出最优特征量取值，并基于所述最优特征量取值和所述目标GMM模型确定所述参数组合的最优值。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行如权利要求1至7任一项所述的方法。
CN202110832881.3A 2021-07-22 基于gmm的电力系统数字孪生体参数校正方法及装置 Active CN113505490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832881.3A CN113505490B (zh) 2021-07-22 基于gmm的电力系统数字孪生体参数校正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832881.3A CN113505490B (zh) 2021-07-22 基于gmm的电力系统数字孪生体参数校正方法及装置

Publications (2)

Publication Number Publication Date
CN113505490A true CN113505490A (zh) 2021-10-15
CN113505490B CN113505490B (zh) 2024-05-24

Family

ID=

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114156881A (zh) * 2021-12-08 2022-03-08 国网宁夏电力有限公司电力科学研究院 基于含时序项代理模型生成电力系统暂态过程样本的方法
CN114880987A (zh) * 2022-06-06 2022-08-09 上海集成电路装备材料产业创新中心有限公司 半导体器件的失配模型的建模方法及装置
CN115133532A (zh) * 2022-09-01 2022-09-30 南方电网数字电网研究院有限公司 电力系统的管控方法、装置、设备和存储介质
CN117236152A (zh) * 2023-11-10 2023-12-15 国网浙江省电力有限公司宁波供电公司 新能源电网的孪生仿真方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10320008A (ja) * 1997-01-17 1998-12-04 Massachusetts Inst Of Technol <Mit> 複合被駆動システムの効率的合成
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
CN112115649A (zh) * 2020-09-29 2020-12-22 郑州轻工业大学 基于数字孪生的立磨机多场耦合系统工艺参数优化方法
CN112464418A (zh) * 2020-11-17 2021-03-09 海南省电力学校(海南省电力技工学校) 一种分布式能源资源的通用数字孪生体构建方法
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN112906299A (zh) * 2021-02-05 2021-06-04 北京交通大学 城轨供电系统的数字孪生仿真的数据计算方法、系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10320008A (ja) * 1997-01-17 1998-12-04 Massachusetts Inst Of Technol <Mit> 複合被駆動システムの効率的合成
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN112115649A (zh) * 2020-09-29 2020-12-22 郑州轻工业大学 基于数字孪生的立磨机多场耦合系统工艺参数优化方法
CN112464418A (zh) * 2020-11-17 2021-03-09 海南省电力学校(海南省电力技工学校) 一种分布式能源资源的通用数字孪生体构建方法
CN112906299A (zh) * 2021-02-05 2021-06-04 北京交通大学 城轨供电系统的数字孪生仿真的数据计算方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安之;沈沉;郑泽天;王志文;魏巍;: "考虑风电随机性的直驱风机风电场等值模型评价方法", 中国电机工程学报, no. 22 *
林济铿;李胜文;吴鹏;王旭东;邵广惠;徐兴伟;马新;: "电力系统最优主动解列断面搜索模型及算法", 中国电机工程学报, no. 13 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114156881A (zh) * 2021-12-08 2022-03-08 国网宁夏电力有限公司电力科学研究院 基于含时序项代理模型生成电力系统暂态过程样本的方法
CN114156881B (zh) * 2021-12-08 2023-06-23 国网宁夏电力有限公司电力科学研究院 基于含时序项代理模型生成电力系统暂态过程样本的方法
CN114880987A (zh) * 2022-06-06 2022-08-09 上海集成电路装备材料产业创新中心有限公司 半导体器件的失配模型的建模方法及装置
CN114880987B (zh) * 2022-06-06 2024-03-29 上海集成电路装备材料产业创新中心有限公司 半导体器件的失配模型的建模方法及装置
CN115133532A (zh) * 2022-09-01 2022-09-30 南方电网数字电网研究院有限公司 电力系统的管控方法、装置、设备和存储介质
CN117236152A (zh) * 2023-11-10 2023-12-15 国网浙江省电力有限公司宁波供电公司 新能源电网的孪生仿真方法及系统
CN117236152B (zh) * 2023-11-10 2024-04-09 国网浙江省电力有限公司宁波供电公司 新能源电网的孪生仿真方法及系统

Similar Documents

Publication Publication Date Title
CN110874502B (zh) 基于多阶段试验数据折合的航天产品可靠性评估方法
CN108520325B (zh) 一种基于多变环境下加速退化数据的集成寿命预测方法
Jian et al. A Bayesian approach for integrating multilevel priors and data for aerospace system reliability assessment
CN111537884B (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
JP2011253254A (ja) シミュレーションパラメータ校正方法、装置及びプログラム
Sarkar et al. Nonparametric link prediction in large scale dynamic networks
Zhang et al. Voltage stability analysis based on probabilistic power flow and maximum entropy
Ayala Solares et al. Nonlinear model structure detection and parameter estimation using a novel bagging method based on distance correlation metric
CN112800683A (zh) 基于卷积神经网络的系统短路电流水平评估方法及系统
Zuluaga et al. Bayesian probabilistic power flow analysis using Jacobian approximate Bayesian computation
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
Alhalali et al. State estimator for electrical distribution systems based on a particle filter
Armstrong et al. A fast resample method for parametric and semiparametric models
CN113505490A (zh) 基于gmm的电力系统数字孪生体参数校正方法及装置
CN112767190A (zh) 一种基于多层堆叠式神经网络的台区相序识别方法及装置
CN112232565A (zh) 基于两阶段的时间序列预测方法、预测系统、终端及介质
CN113505490B (zh) 基于gmm的电力系统数字孪生体参数校正方法及装置
Vakili et al. Delayed feedback in kernel bandits
Peeters et al. On the identification of sparse gene regulatory networks
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
Zhang et al. Rare event simulation for large-scale structures with local nonlinearities
CN112733433A (zh) 装备测试性策略优化方法和装置
Reis et al. A fast and accurate sampler built on Bayesian inference and optimized Hamiltonian Monte Carlo for voltage sag assessment in power systems
Hu et al. Statistical inference for the exponentiated half logistic distribution based on censored data

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
CB03 Change of inventor or designer information

Inventor after: Li Hongqiang

Inventor after: Zhang Di

Inventor after: Guo Yitan

Inventor after: Xue Fei

Inventor after: Zhou Lei

Inventor after: Ma Xin

Inventor after: Hai Jingwen

Inventor after: Luo Zhongquan

Inventor before: Li Hongqiang

Inventor before: Zhang Di

Inventor before: Guo Yitan

Inventor before: Xue Fei

Inventor before: Zhou Lei

Inventor before: Ma Xin

Inventor before: Hai Jingwen

Inventor before: Luo Zhongquan

CB03 Change of inventor or designer information
GR01 Patent grant