[发明专利]一种基于增量学习的虚拟负荷主导参数辨识方法

说明书

本发明公开了一种基于增量学习的虚拟负荷主导参数辨识方法，包括：(1)将虚拟负荷模型主导参数随机取值仿真；(2)建立深度学习神经网络；(3)深度神经网络增量学习；(4)在线快速辨识与循环训练；本发明主要介绍了增量学习应用于电力系统分析的可行性，并将其与负荷参数辨识相结合，在保证辨识精度的同时提高了训练效率，在防止灾难性遗忘的同时保持了存储开销，为参数辨识中训练样本的处理提供了一种新思路，也为虚拟负荷模型主导参数的在线辨识提供了技术支撑；通过持续训练在线快速辨识的思路，将卷积神经网络应用于负荷模型的参数辨识，在电网大数据平台上实现了虚拟负荷模型主导参数的在线辨识，不断循环，持续训练。

技术领域

本发明涉及电力系统负荷辨识领域，具体涉及一种基于增量学习的虚拟负荷主导参数辨识方法。

背景技术

在实际电力系统运行监测中，准确的负荷模型在电力系统的安全稳定运行上起着十分重要的作用。不同的负荷模型导致稳定计算的结果差别很大，甚至是完全相反的结果。因此，如何建立准确的负荷模型、获得准确的模型参数一直是学者们关注的热点课题，长期以来受到广泛关注。负荷建模主要有两大类方法，分别为统计综合法和总体测辨法。统计综合法首先将负荷分类，然后统计每类负荷的特性，综合得出负荷的总体特性。统计综合法的缺点在于统计工作费时费力，并且统计工作不可能在线进行。随着近些年来WAMS、PMU、SCADA等量测系统的快速发展，基于实测数据的总体测辨法成为了负荷建模领域的主流方法，其与人工智能和机器学习的应用是密不可分的。

随着人工智能和机器学习的发展，人们开发了很多机器学习算法。这些算法大部分都是批量学习 (Batch Learning)模式，即假设在训练之前所有训练样本一次都可以得到，学习这些样本之后，学习过程就终止了，不再学习新的知识。然而在实际应用中，训练样本通常不可能一次全部得到，而是随着时间逐步获取，并且样本反映的信息也可能随着时间产生了变化。如果新样本到达后要重新学习全部数据，需要消耗大量时间和空间，因此批量学习的算法不能满足这种需求。而增量学习可以渐进的进行知识更新，且能修正和加强以前的知识，使得更新后的知识能适应新到达的数据，不必重新对全部数据进行学习。

发明内容

本发明要解决的技术问题为：参数辨识结合神经网络增量学习，将母线在线量测的波形与虚拟负荷模型主导参数随机取值仿真得到的波形同时纳入训练。提出一套基于增量学习的虚拟负荷主导参数辨识流程，在保证辨识精度的同时提高了训练效率。克服了大量增长的实测数据与有效处理手段缺乏的矛盾，为电网运行人员进行参数辨识分析提供了新的途径。

为了实现上述发明目的，本发明采取的技术方案具体为：基于增量学习的虚拟负荷主导参数辨识方法，包括以下步骤：

步骤1：从虚拟负荷模型选取主导参数随机取值进行PSASP仿真获得新训练样本；

步骤2：选取卷积神经网络建立深度学习神经网络；

步骤3：对深度神经网络中样本进行增量学习；其中：选取旧样本中代表性的样本送入步骤2中建立的深度学习网络，与步骤1中生成的新训练样本结合进行训练，在训练过程中同时使用不同批次的训练样本，达成训练新样本的同时对老样本的误差进行约束；

步骤4：在线快速辨识与循环训练：从PMU等量测模块得到有效的在线量测波形后，将其送入步骤3中已训练的深度学习神经网络进行参数辨识，得出的辨识参数进行PSASP仿真评估性的量测样本；将所述量测样本送入步骤3中训练样本中循环训练。

进一步，所述步骤3中，所述深度学习神经网络中有关网络参数训练的增量学习方法为：

通过对深度学习神经网络的旧样本选取代表性样本形成样本库；提取代表性样本与步骤1中生成的新训练样本按比例结合送入深度学习神经网络继续训练；达到在训练过程中同时使用不同批次的训练样本，训练新样本的同时对老样本的误差进行约束。

进一步，所述步骤4中，循环训练方法为：