[发明专利]一种表征冲击负荷功率特性的电力负荷模拟方法

说明书

本发明公开了一种表征冲击负荷功率特性的电力负荷模拟方法，涉及电力设备冲击性负荷模拟领域。传统的冲击负荷模型系统复杂、需要先验信息参数较多、通用性差。本发明步骤包括数据的采集和预处理；数据的转化；构建LSTM长短时记忆网络模型；通过最小化损失函数训练模型，不断更新网络权重，得到训练好的模型系统；训练完成后，进行测试集的模型系统测试；测试完成后，可输入电力设备实测冲击负荷数据进行系统模拟。有效提升了对不同大功率电力设备冲击性负荷模拟的通用性和精确性。

技术领域

本发明涉及电力设备冲击性负荷模拟领域，尤其涉及一种表征冲击负荷功率特性的电力负荷模拟方法。

背景技术

目前，供电系统中存在着大量具有冲击性功率的负荷，如列车的投切及进站、电解铝发生阳极效应、硅铁电弧炉出铁时、轧钢机进料、CT机等，这些冲击负荷都具有非线性、功率需求主动性、动态时变性、波动频繁性等特点，因此一个合理的负荷模型不仅能模拟功率冲击等冲击负荷特性，而且可以帮助研究电力系统的稳定性并为电网规划设计时提供计算支持。

冲击负荷建模就是建立确定的数学模型，来描述冲击负荷吸收的有功功率(P)以及无功功率(Q)随着负荷母线电压(U)和频率(f)的变化规律。现有的传统建模方法主要是综合统计法、静态负荷模型中的幂指数和多项式模型、动态负荷模型中的机理动态和非机理动态模型，虽然这些方法在各自合适的领域都能得到满意的负荷模型，但是随着电气种类越来越多、运行状况越来越复杂，传统的建模方法都有其局限性。如综合统计法，虽然便于理解，但需要统计所有负荷组成和特点，耗费时间、人力、物力、财力，准确度不高且存在一定误差；针对静态负荷模型，虽然模型简单、含义明确，但只适用于稳态运行的负荷，不符合冲击负荷特性，通用型差；对于机理动态模型，虽然物理概念比较明确，但模型复杂、模型中的参数物理意义很难解释，误差较大；对于非机理动态模型，其优点是不需要知道内部特性，基于输入输出数据，很好的描述系统内部特性，但模型可解释性较低，需要辨识的参数较多。因此，需要引入更好的方法解决上述问题。

随着人工智能的发展，人工智能在电力行业的应用越来越引起人们的重视。因此本文将长短时记忆网络引入到冲击负荷建模领域，利用长短时记忆网络的非线性映射、自适应和泛化能力以及对自主学习能力，基于冲击负荷数据来建立冲击负荷模型系统，实现对大功率设备冲击性负荷的模拟。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种表征冲击负荷功率特性的电力负荷模拟方法，以实现对大功率设备冲击性负荷的模拟为目的。为此，本发明采取以下技术方案。

一种表征冲击负荷功率特性的电力负荷模拟方法，包括以下步骤：

1)采集大功率电力设备的冲击负荷的原始数据并进行预处理，然后选择某次冲击发生时的数据，用于后续基于数据建模；

2)将数据集转化为有监督学习问题，充分考虑数据中的时序信息，利用当前时刻的电压和以前时刻的电压、功率来预测当前时刻的功率数据；

3)构建LSTM长短时记忆网络模型；

4)确定损失函数，输入训练数据，通过最小化损失函数训练模型，不断更新网络权重，最后得到训练好的模型；

5)为验证模型泛化性，训练完成后，选择另外一次冲击时的数据为测试集，对测试集的数据进行与步骤1)相同的数据采集、预处理和步骤2)相同的数据转换处理后，输入建立好的模型，分析模型性能，证明算法的有效性和模型的泛化性。

6)模型验证完成后，对于需要模拟的大功率电力设备，采集冲击负荷的实测数据输入模型系统，实现对大功率设备冲击负荷功率变化的模拟。