[发明专利]一种基于残差卷积神经网络实现温度敏感负荷辨识方法

说明书

本发明公开了一种基于残差卷积神经网络实现温度敏感负荷辨识方法，包括如下步骤：通过敏感负荷分离模型测算敏感负荷；筛选出敏感负荷中的温度敏感负荷；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；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；得到改进后的卷积神经网络模型，对温度敏感负荷进行辨识。本发明考虑了温度因素对负荷辨识的影响，利用温度敏感负荷与温度多项式拟合系数构建动态的负荷特征库，针对传统卷积神经网络存在训练效率低，辨识精度不高等问题，提出残差卷积神经网络结构，较传统卷积神经网络辨识准确率有明显的提高。

技术领域

本发明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。

背景技术

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。

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。

发明内容

发明目的：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，提出一种基于残差卷积神经网络实现温度敏感负荷辨识方法，其利用温度敏感负荷与温度多项式拟合系数构建动态的负荷特征库，针对传统卷积神经网络存在训练效率低，辨识精度不高等问题，提出残差卷积神经网络结构，较传统卷积神经网络辨识准确率有明显的提高。

技术方案：为实现上述目的，本发明提供一种基于残差卷积神经网络实现温度敏感负荷辨识方法，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。

进一步地，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

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；