本发明涉及电力负荷辨识，具体而言，涉及一种电力负荷模型构成的辨识方法、装置、计算机可读存储介质、计算机程序产品和电力负荷模型构成的辨识系统。
背景技术：
1、随着电力系统的建设发展，电网规模逐步增大，负荷的种类日渐丰富，且负荷构成的时变性日益增加。负荷时变性增强给电力系统负荷建模带来较大困难，如何快速、准确地识别负荷构成成为电力系统负荷建模研究的关键问题。
2、传统负荷构成的分析方法，主要有离线和在线两种方式。一方面，通常采用综合统计法的方式对电力的负荷构成情况进行调研分析，该方法主要以人工调研的方式进行，工作量大，且离线调研的数据往往与电网实际运行的负荷数据存在差异，匹配性差。另一方面，电力系统运行商也通过总体测辨和故障仿真的方法对电力系统中的负荷构成情况进行分析，该方法依赖于电网的实际量测，计算出的负荷构成结果能够与实际电网运行数据较好地匹配，但是该类方法在进行负荷组合构成分析时，由于实际负荷构成的多样性及负荷模型的非线性，导致计算量较大，计算效率及计算结果准确性难以达到在线负荷构成分析的要求。
技术实现思路
1、本技术的主要目的在于提供一种电力负荷模型构成的辨识方法、装置、计算机可读存储介质、计算机程序产品和电力负荷模型构成的辨识系统，以至少解决现有技术中在线负荷构成分析工作量大的问题。
2、为了实现上述目的，根据本技术的一个方面，提供了一种电力负荷模型构成的辨识方法，电力负荷仿真模型包括多个负荷节点，所述方法包括：确定目标节点的关键节点，所述关键节点为在扰动下对所述目标节点影响的相对灵敏度大于或者等于预定相对灵敏度的其他负荷节点，所述目标节点为任意一个所述负荷节点，所述其他负荷节点为所述目标节点以外的所述负荷节点；仿真步骤，修改所述目标节点的不同类型负荷的构成比例，并随机在所述其他负荷节点注入固定小扰动进行仿真，得到所述关键节点的目标参数的量测曲线，所述目标参数包括电压、注入有功功率、注入无功功率和频率；重复所述仿真步骤多次，并将每次得到的所述量测曲线和对应的所述构成比例组成训练集来训练神经网络模型，得到辨识模型；将所述关键节点的所述目标参数的实际量测曲线输入所述辨识模型，得到所述目标节点的实际构成比例。
3、可选地，确定目标节点的关键节点，包括：在所述电力负荷仿真模型的当前仿真参数下，向所述电力负荷仿真模型随机注入所述固定小扰动进行仿真，得到各所述负荷节点的第一参数向量，所述第一参数向量为所述电力负荷仿真模型输出的所述负荷节点的所述目标参数组成的向量；调整步骤，调整所述当前仿真参数的任意一个仿真参数，并向所述电力负荷仿真模型随机注入所述固定小扰动进行仿真，得到各所述负荷节点的第二参数向量；计算步骤，根据所述第二参数向量和所述第一参数向量计算得到各所述负荷节点的局部灵敏度；依次重复所述调整步骤和所述计算步骤至少一次，直至所述当前仿真参数的所有仿真参数均调整一次，得到各所述负荷节点的灵敏度向量，所述灵敏度向量包括所述负荷节点的所有的所述局部灵敏度；将各所述负荷节点的多个所述灵敏度向量的所述局部灵敏度的平均值确定为在各所述负荷节点的全局灵敏度；计算所述其他负荷节点的各所述全局灵敏度与所述目标节点的对应的所述全局灵敏度的比值的平均值，得到所述其他负荷节点的所述相对灵敏度；将所述相对灵敏度大于或者等于所述预定相对灵敏度的所述其他负荷节点确定为所述关键节点。
4、可选地，在所述电力负荷仿真模型的当前仿真参数下，向所述电力负荷仿真模型随机注入所述固定小扰动进行仿真，得到各所述负荷节点的第一参数向量之前，所述方法还包括：对所述电力负荷仿真模型的所述当前仿真参数进行归一化，得到第三参数向量，所述第三参数向量由所述电力负荷仿真模型的所述当前仿真参数的各所述仿真参数θi的归一化数值组成，1≤i≤n，n为所述当前仿真参数的各所述仿真参数的数量；调整所述当前仿真参数的任意一个仿真参数，包括：将所述仿真参数θi调整为θi+θ，θ为调整步长。
5、可选地，根据所述第二参数向量和所述第一参数向量计算得到各所述负荷节点的局部灵敏度，包括：将所述第二参数向量和所述第一参数向量代入计算得到所述局部灵敏度，其中，t为一次仿真的采样总数。
6、可选地，计算所述其他负荷节点的各所述全局灵敏度与所述目标节点的对应的所述全局灵敏度的比值的平均值，得到所述其他负荷节点的所述相对灵敏度，包括：采用计算所述其他负荷节点的所述相对灵敏度，其中，为所述仿真参数θi调整时所述目标节点m对应的所述全局灵敏度，为所述仿真参数θi调整时所述目标节点n对应的所述全局灵敏度。
7、可选地，重复所述仿真步骤多次，并将每次得到的所述量测曲线和对应的所述构成比例组成训练集来训练神经网络模型，得到辨识模型，包括：重复所述仿真步骤多次，得到预定数量的样本，所述样本包括一次仿真的所述量测曲线和对应的所述构成比例；将所述预定数量的所述样本划分为所述训练集和测试集；采用所述训练集训练神经网络模型，并采用所述测试集测试所述神经网络模型，直至所述神经网络模型的损失满足准确度要求，得到所述辨识模型。
8、根据本技术的另一方面，提供了一种电力负荷模型构成的辨识装置，电力负荷仿真模型包括多个负荷节点，所述装置包括：确定单元，用于确定目标节点的关键节点，所述关键节点为在扰动下对所述目标节点影响的相对灵敏度大于或者等于预定相对灵敏度的其他负荷节点，所述目标节点为任意一个所述负荷节点，所述其他负荷节点为所述目标节点以外的所述负荷节点；仿真单元，用于执行仿真步骤，修改所述目标节点的不同类型负荷的构成比例，并随机在所述其他负荷节点注入固定小扰动进行仿真，得到所述关键节点的目标参数的量测曲线，所述目标参数包括电压、注入有功功率、注入无功功率和频率；重复单元，用于重复所述仿真步骤多次，并将每次得到的所述量测曲线和对应的所述构成比例组成训练集来训练神经网络模型，得到辨识模型；辨识单元，用于将所述关键节点的所述目标参数的实际量测曲线输入所述辨识模型，得到所述目标节点的实际构成比例。
9、根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
10、根据本技术的又一方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现任意一种所述的方法。
11、根据本技术的再一方面，提供了一种电力负荷模型构成的辨识系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
12、应用本技术的技术方案，上述电力负荷模型构成的辨识方法中，首先，确定目标节点的关键节点，上述关键节点为在扰动下对上述目标节点影响的相对灵敏度大于或者等于预定相对灵敏度的其他负荷节点，上述目标节点为任意一个上述负荷节点，上述其他负荷节点为上述目标节点以外的上述负荷节点；然后，仿真步骤，修改上述目标节点的不同类型负荷的构成比例，并随机在上述其他负荷节点注入固定小扰动进行仿真，得到上述关键节点的目标参数的量测曲线，上述目标参数包括电压、注入有功功率、注入无功功率和频率；之后，重复上述仿真步骤多次，并将每次得到的上述量测曲线和对应的上述构成比例组成训练集来训练神经网络模型，得到辨识模型；最后，将上述关键节点的上述目标参数的实际量测曲线输入上述辨识模型，得到上述目标节点的实际构成比例，该方法通过目标节点的关键节点，找出目标节点响应影响较大的其他负荷节点，目标节点的不同构成比例下进行仿真得到随机小扰动下关键节点的目标参数的量测曲线，即可形成训练样本训练神经网络模型，得到辨识模型，使得辨识模型可以通过关键节点的上述目标参数的实际量测曲线辨识目标节点的实际构成比例，相比于现有技术所有负荷节点同时作等值建模，也无需人工统计，大大减少了工作量，解决了现有技术中在线负荷构成分析工作量大的问题。
1.一种电力负荷模型构成的辨识方法，其特征在于，电力负荷仿真模型包括多个负荷节点，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，确定目标节点的关键节点，包括：
3.根据权利要求2所述的方法，其特征在于，在所述电力负荷仿真模型的当前仿真参数下，向所述电力负荷仿真模型随机注入所述固定小扰动进行仿真，得到各所述负荷节点的第一参数向量之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，根据所述第二参数向量和所述第一参数向量计算得到各所述负荷节点的局部灵敏度，包括：
5.根据权利要求3所述的方法，其特征在于，计算所述其他负荷节点的各所述全局灵敏度与所述目标节点的对应的所述全局灵敏度的比值的平均值，得到所述其他负荷节点的所述相对灵敏度，包括：
6.根据权利要求1至5中任一项所述的方法，其特征在于，重复所述仿真步骤多次，并将每次得到的所述量测曲线和对应的所述构成比例组成训练集来训练神经网络模型，得到辨识模型，包括：
7.一种电力负荷模型构成的辨识装置，其特征在于，电力负荷仿真模型包括多个负荷节点，所述装置包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的方法。
9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
10.一种电力负荷模型构成的辨识系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至6中任意一项所述的方法。
