【技术实现步骤摘要】
一种基于残差卷积神经网络实现温度敏感负荷辨识方法
[0001]本专利技术属于电力优化调度领域，涉及一种母线负荷辨识方法，具体涉及一种基于残差卷积神经网络实现温度敏感负荷辨识方法。
技术介绍
[0002]负荷特性研究作为电力系统研究领域的一项重要内容，能有效地提高电网运行的经济性及科学性。电力负荷特性受到多种随机因素的影响，具有一定的不确定性，气象因素对电力负荷的影响尤为显著。从实际应用角度来看，温度的变化会使用户对电能的需求量大幅度变动，增大电网的峰谷差和最高用电负荷，影响电网的发电与调控，导致停电事故发生的可能性上升。因此对温度敏感负荷进行辨识至关重要，可以扩展到负荷模型的具体应用研究上，电网公司可依据负荷构成结果引导相应供电节点参与电网运行控制。
[0003]但是现有研究存在以下问题：一是现有的负荷资源辨识未考虑温度对负荷的影响；二是现有对负荷辨识的人工智能算法精度有限，难以达到精准辨识。
技术实现思路
[0004]专利技术目的：针对现有辨识方法研究，未考虑气象因素对负荷辨识的影响，提出一种基于残...
【技术保护点】
【技术特征摘要】
1.一种基于残差卷积神经网络实现温度敏感负荷辨识方法，其特征在于：包括如下步骤：S1：给出基于基准负荷比较法的敏感负荷分离模型，通过敏感负荷分离模型测算敏感负荷；S2：分析实时气温与敏感负荷的关联程度，筛选出敏感负荷中的温度敏感负荷；S3：对比线性回归方式和非线性两种回归方式构建温度敏感负荷与温度的回归模型，分别对温度敏感负荷进行拟合，采用拟合度作为评价指标；S4：根据评价指标，采用温度敏感负荷与温度的回归模型构建动态温度敏感负荷特征库；S5：基于温度敏感负荷特征库对卷积神经网络模型进行训练和测试，得到改进后的卷积神经网络模型；S6：采用改进后的卷积神经网络模型对温度敏感负荷进行辨识。2.根据权利要求1所述的一种基于残差卷积神经网络实现温度敏感负荷辨识方法，其特征在于：所述步骤S1中通过敏感负荷分离模型测算敏感负荷的过程为：A1：采用日平均负荷最小的日负荷曲线作为基准负荷；A2：假定所选定的日平均负荷最小的负荷曲线为L
W,d,h
和L
K,d,h
，其中，d代表日，h代表小时数，W代表工作日，K代表非工作日；A3：用工作日和非工作日最小负荷曲线的平均值代表工作日和非工作日的基础负荷曲线，具体表达式为线，具体表达式为式中：n1为工作日天数，n2为非工作日天数；L
基础W,h
为工作日基础负荷曲线，L
基础K,h
为非工作日基础负荷曲线；A4：工作日敏感负荷测算：在测算过程中敏感负荷均为正值，当某日某时实际负荷数值小于对应的基础负荷数值时，敏感负荷设置为0；工作日剩余负荷曲线L
剩余W,d,h
与基础负荷曲线L
基础W,h
相减，得到的差值是工作日敏感负荷曲线L
敏感W,d,h
，公式为L
敏感W,d,h
＝L
剩余W,d,h
‑
L
基础W,h
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)非工作日敏感负荷测算：非工作日剩余负荷曲线L
剩余K,d,h
与基础负荷曲线L
基础K,h
相减，得到的差值是非工作日敏感负荷曲线L
敏感K,d,h
，公式为L
敏感K,d,h
＝L
剩余K,d,h
‑
L
基础K,h
。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)3.根据权利要求1所述的一种基于残差卷积神经网络实现温度敏感负荷辨识方法，其特征在于：所述步骤S2中采用相关性系数分析实时气温与敏感负荷的关联程度，计算公式如下：
式中：Cov(X,Y)表示变量X和变量Y的协方差，Var(X)和Var(Y)分别表示变量X和变量Y的方差。4.根据权利要求1所述的一种基于残差卷积神经网络实现温度敏感负荷辨识方法，其特征在于：所述步骤S3中对比线性回归方式和非线性回归方式，构建温度敏感负荷与实时温度回归模型：根据历史数据，提出以下线性拟合公式为：L
敏感d,h
＝aT+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中：L
敏感d,h
为敏感负荷，T为对应温度；a是自变量T的系数，b是常数项；非线性拟合公式为：L
敏感d,h
＝aT2+bT+c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中：L
敏感d,h
为敏感负荷，T为对应温度；a是自变量T的二次项系数，b是自变量T的一次项系数，c是常数项；利用这两个公式分别对筛选得到的温度敏感负荷高峰时段进行...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。