具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

作为解决能源危机的重要手段，风电，光伏等新能源发电技术迅速发展，其中包含大量电力电子化设备，无功调节能力相对同步机有明显不足。含高比例可再生能源的电网电压与频率稳定问题与传统同步机电网有明显不同，故沿用传统的机电暂态仿真程序无法重现其电力电子化特征。

此外，电力系统设备在运行过程中，受到运行环境、设备老化等多种因素影响，控制参数与设定参数均有一定分散性，电网设备参数也会呈现类似变化特征，负荷模型由于电力电子化设备不断增多，相较于恒阻抗模型也会呈现出更丰富的分散性。考虑到这些对电网仿真模型参数的影响因素，仿真模型的参数校正是很有必要的。

工程上，目前并不存在高效可靠的通用参数校正方法，传统小电网系统常用经验法和试错法确定模型参数，但对于大电网参数空间极大的工况，利用这种参数确定方法得到的模型参数与实际的模型参数之间必然存在较大的偏差，进而导致电磁暂态仿真模型失去对工程实际的指导意义。有鉴于此，本发明提供了一种电磁暂态仿真模型的参数校正方法，用以缓解上文中所提出的技术问题。

实施例一

图1为本发明实施例提供的一种电磁暂态仿真模型的参数校正方法的流程图，如图1所示，该方法具体包括如下步骤：

步骤S102，获取待校正电磁暂态仿真模型的多组仿真参数，以及在预设工况下的参考波形。

具体的，对于一个确定的电路仿真模型，参考波形一般为实际波形，也即，在某种预设工况(已知状态)下的电路物理量输出，因此，为了保证仿真模型能够指导事故反演与生产实践，若设置仿真模型处于上述相同的预设工况，其输出的波形与参考波形之间的偏差应小于预设阈值，否则仿真模型将失去对工程实际的指导意义。因此，在本发明实施例中，为了对电磁暂态仿真模型进行参数校正，首先应获取待校正电磁暂态仿真模型在预设工况下的参考波形。

进一步的，由于待校正电磁暂态仿真模型(下文简称仿真模型)的默认参数与目标参数(使得模型的输出波形与参考波形的偏差小于预设阈值的参数)存在偏差，即使设置了与参考波形相同的工况，其输出波形还是与参考波形不完全相符，虽然仿真模型的参数可以手动更改，但是当需要校正的参数较多时，通过手动修改参数的方式来调整仿真模型输出波形，使其与参考波形相符几乎是不可能做到的。所以在本发明实施例中，除了获取参考波形之外，还需要获取待校正电磁暂态仿真模型的多组仿真参数，然后，通过下述步骤S104-S108来逐步实现仿真模型的参数校正。

本发明实施例不对仿真参数的数量以及仿真参数的总组数进行具体限定，用户可以根据实际需求进行设置，一般地，一组仿真参数中的参数数量越多，那么仿真参数的总组数应随之增加，因为解空间维度更高。在确定了仿真参数中的仿真项之后，多组仿真参数可以通过随机生成的方式得到，例如，若确定一组仿真参数中的仿真项包括：电压、电容和电感，那么可通过随机的方式生成一组电压值、电容值和电感值。若预先设置了参数的校正范围，潮流约束等约束条件，则还需要将不满足约束条件的仿真参数组剔除；或者在参数随机生成阶段，增加约束条件，进而所得到得多组仿真参数均可使用。

步骤S104，根据待校正电磁暂态仿真模型、多组仿真参数和参考波形，构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数。

通过上文中的描述可知，通过手动修改参数的方式来调整仿真模型输出波形，使其与参考波形相符几乎是不可能做到的，因此，在本发明实施例中，参数校正的主要任务是建立关键参数与系统动态行为特征量之间的关系，具体为利用多组仿真参数对待校正电磁暂态仿真模型进行批量仿真，进而来获取输入的仿真参数与相应的特征量之间的统计关系，这种关系是一种高维的相关性，可以以概率密度函数来表征。其中，特征量表示参考波形与待校正电磁暂态仿真模型在仿真参数下的仿真波形的偏差。也即，每组仿真参数均对应一个仿真波形，将仿真波形与参考波形进行对比所求出的偏差就是这组仿真参数的特征量。

在本发明实施例中，特征量为仿真波形与参考波形的偏差，即在此参数组合下的仿真波形与参考波形之间的距离。特征量可以选择几种较为典型的稳态量或暂态量，例如，节点电压估计误差，转子速度估计误差，发电机有功出力估计误差等，选取过程可参考参数的轨迹灵敏度，以确定对一个特征量而言哪些参数是关键参数，本发明实施例不对特征量的数量以及特征量的选择进行具体的限定，用户可以根据实际需求进行设置。

另外，当利用概率密度函数来表征仿真参数与特征量之间的统计关系时，本发明实施例选择使用高斯混合模型(Gaussian Mixed Model，GMM)来进行拟合，也即，构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数。上述联合概率密度函数可表示为其中，k表示高斯分量的数量，π_c表示第c个高斯分量的权重，且μ_c表示第c个高斯分量的均值，表示第c个高斯分量的协方差矩阵，θ表示GMM的参数集，即

选择GMM进行拟合的原因是：GMM可表示为几个高斯分量的线性加和，其概率密度函数解析易于计算，累计分布函数同样易于计算，并且，GMM的自由度极高，其拟合精度可以随高斯分量个数的增加而提高，理论上讲只要高斯分量的个数足够多，便可使用GMM精确拟合任意概率密度函数，只是时间效率可能会有所下降；进一步的，GMM还具有条件概率不变性，对一个高维随机变量而言，在其中几个维度确定的前提下，剩余部分的条件概率仍然是GMM，即GMM的条件概率是可解析的。

步骤S106，利用最大期望算法和赤池信息准则确定联合概率密度函数的目标参数集。

在构建出基于高斯混合模型的联合概率密度函数之后，由于GMM的拟合效果与其高斯分量的数量直接相关，虽然高斯分量越多拟合越精确，但难免出现过拟合的问题，并且当高斯分量较多时计算效率也会急剧下降，所以需要找到一种既可以较为精准地表述仿真参数与特征量之间的关系，又能避免过拟合，保证仿真效率的高斯分量数量。

赤池信息准则(Akaike information criterion，AIC)是一种衡量统计模型的拟合优良性的标准，因此，在进行GMM参数拟合的过程中，加入AIC评估的过程，即通过求解不同数量的高斯分量的AIC来评估k的取值的合理性，最终求解问题时所设定的k由此确定。

在确定GMM的参数集时可以使用极大似然估计，本发明实施例采用最大期望算法(Expectation-Maximization algorithm，EM)，其基本原理是找到似然函数的极大值，即保证迭代过程的每一步都朝着似然函数增大的方向，直至收敛。因此，本发明实施例利用最大期望算法和赤池信息准则可确定出联合概率密度函数的高斯分量数量k的取值，以及该k值所对应的目标参数集

步骤S108，基于目标参数集、粒子群算法和目标概率密度函数反演待校正电磁暂态仿真模型的目标模型参数组，并利用目标模型参数组对其进行校正。

在得到合理的高斯分量数量并求解出目标参数集之后，GMM的表达式即得以确定。理想情况下，将存在一组理想的模型参数使得仿真模型的输出波形与参考波形完全相同，在本发明实施例中，特征量表示仿真波形与参考波形间的偏差(距离)，那么基于GMM条件概率不变性，令特征量Y＝0(因为校正目标即让仿真波形与参考波形距离为零)，并求解此条件下的条件概率密度函数p(X|Y＝0；θ)即可得到理想的模型参数，也即，目标模型参数组。

但是，对于实际的工程问题，往往并不存在能完全精确反应现实场景的仿真模型，因为模型建立过程总会进行一些近似和假设，所以更可能出现仿真波形与参考波形不能完全吻合的情况，即仿真模型本身存在局限性。此时参数校正的目的为使得仿真波形与参考波形的距离最小，但是在求解问题的过程中并不能提前知道此距离是多少。

因此，本发明实施例引入粒子群算法(Particle Swarmoptimization，PSO)对特征量Y的取值进行搜索，搜索过程中根据不同的Y值和目标参数集确定相应的目标概率密度函数，并根据目标概率密度函数反演出模型参数组合，再次代入仿真模型后，将求解出的特征量(仿真误差)作为适应函数，以此完成闭环校验。其中，目标概率密度函数表示仿真参数在特征量确定时的条件概率密度函数。

利用粒子群算法确定出能够使得仿真波形与参考波形的距离最小的特征量Y之后，根据此Y对应的条件概率密度函数即可反演出目标模型参数组，最后，再利用该目标模型参数组对待校正电磁暂态仿真模型进行校正。

本发明提供了一种电磁暂态仿真模型的参数校正方法，在获取到待校正电磁暂态仿真模型的多组仿真参数，以及在预设工况下的参考波形之后，首先构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数，然后再利用最大期望算法和赤池信息准则确定其目标参数集，基于此，当参数空间较大时，本发明能够自动调整高斯分量的个数以及每个高斯分量的协方差矩阵维度以兼顾计算效率和拟合精度；且本发明利用粒子群算法与仿真参数在特征量确定时的条件概率密度函数来反演目标模型参数组，有效地控制了解空间的维度，简化了问题的搜索过程。利用目标模型参数组校正后的电磁暂态仿真模型能够准确的指导事故反演与生产实践。

上文中对本发明实施例提供的参数校正方法进行了简要的描述，下面对其中所涉及的相关方法步骤进行详细的介绍。

在一个可选的实施方式中，上述步骤S104，根据待校正电磁暂态仿真模型、多组仿真参数和参考波形，构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数，具体包括如下步骤：

步骤S1041，基于目标组仿真参数和待校正电磁暂态仿真模型确定目标仿真波形。

具体的，在对待校正电磁暂态仿真模型进行批量仿真时，具体为将目标组仿真参数输入待校正电磁暂态仿真模型，然后获取仿真模型所输出的目标仿真波形，其中，目标组仿真参数表示多组仿真参数中的任一组参数；也即，通过批量仿真能够得到每组仿真参数所对应的仿真波形。

步骤S1042，基于目标仿真波形和参考波形确定目标组仿真参数对应的目标特征量。

接下来，在得到的目标仿真波形之后，计算目标仿真波形和参考波形的偏差(距离)，以得到目标组仿真参数对应的目标特征量。

步骤S1043，基于多组仿真参数和每组仿真参数对应的特征量构建联合概率密度函数。

通过上文中的描述可知，本发明实施例利用基于GMM的联合概率密度函数来表征仿真参数与相应的特征量之间的统计关系，因此，在得到每组仿真参数对应的特征量之后，结合所有仿真数据，即可构建联合概率密度函数。

在一个可选的实施方式中，如图2所示，基于多组仿真参数和每组仿真参数对应的特征量构建联合概率密度函数，具体包括如下步骤：

步骤S10431，对目标组仿真参数和目标特征量分别进行归一化处理，得到归一化后的仿真参数和归一化后的特征量。

为了将各个仿真参数与物理量归算到各维度大小相同的解空间下，保证高斯分量的协方差矩阵在迭代过程中的精度，因此，在得到目标组仿真参数和目标特征量之后，需要分别进行归一化处理。

在本发明实施例中，归一化处理时，仿真参数参考预先给定的优化范围进行归算，特征量需参考所有仿真结果中的最大值与最小值进行归算。

归一化算式表示为：其中，y表示归一化之前的特征量，y_cor表示归一化之后的特征量，y_min表示仿真结果中y的最小值，y_max表示仿真结果中y的最大值；x表示归一化之前的仿真参数，x_cor表示归一化之后的仿真参数，x_min表示仿真参数x的校正范围下限，x_max表示仿真参数x的校正范围上限。

步骤S10432，基于归一化后的仿真参数和归一化后的特征量确定目标组仿真参数对应的目标关系向量。

在将仿真参数与特征将进行归一化处理之后，将二者合并放到同一向量中，得到目标关系向量，可记作[X^T，Y^T]^T，其中，X表示仿真参数组合，Y表示特征量组合。在本发明实施例中，X与Y均为列向量，所以[X^T，Y^T]^T是X与Y竖着拼一起的列向量。为了便于理解，下面举例说明，若X＝[0，1，2]^T，Y＝[3，4，5]^T，则[X^T，Y^T]^T＝[0，1，2，3，4，5]^T。

利用上述归一化以及关系向量的确定方法，对每组仿真参数及其对应的特征量进行处理，即可得到多个关系向量。

步骤S10433，基于多组仿真参数对应的关系向量利用高斯混合模型拟合仿真参数与特征量之间的联合概率密度函数。

具体的，将[X^T，Y^T]^T看作高维随机变量，每个关系向量可视为高维空间中的散点，在散点密度大的地方概率密度更大，因此，根据上述步骤处理得到的所有关系向量，利用高斯混合模型可拟合出仿真参数与特征量之间的联合概率密度函数。

确定出联合概率密度函数之后，在一个可选的实施方式中，如图3所示，上述步骤S106，利用最大期望算法和赤池信息准则确定联合概率密度函数的目标参数集，具体包括如下步骤：

步骤S1061，获取高斯混合模型的高斯分量的数量范围。

步骤S1062，利用最大期望算法确定目标函数的参数集。

为了求出目标参数集，首先要确定高斯混合模型的高斯分量的数量范围，本发明实施例不对该范围进行具体限定，该范围与具体的问题维度与数据量大小都有关系，用户可根据实际需求进行设置。例如，若[X^T，Y^T]^T为15维随机变量，且共设置15000组仿真数据，那么高斯分量的数量范围一般可设置为40-60个。

假设高斯分量的数量范围为40-60，那么需要利用EM算法求解出目标函数的参数集，其中，目标函数表示具有目标数量个高斯分量的联合概率密度函数；也即，需要确定出60-40+1＝21个联合概率密度函数的参数集，且上述21个联合概率密度函数具有不同的高斯分量。

步骤S1063，基于赤池信息准则确定目标函数的综合评分。

步骤S1064，基于数量范围内所有目标函数的综合评分确定联合概率密度函数的目标参数集。

为了确定出合适的高斯分量数量，本发明实施例需要计算具有不同数量高斯分量的联合概率密度函数的综合评分，沿用上述步骤举例，即需要计算出21个不同联合概率密度函数的评分，综合评分最小的高斯混合模型可以很好地解释数据并具有最少自由参数。因此，本发明实施例中，仿真参数与所述特征量之间的联合概率密度函数的目标参数集由综合评分最小的目标函数确定。

在一个可选的实施方式中，基于赤池信息准则确定目标函数的综合评分，具体包括如下内容：

利用算式确定目标函数的综合评分；其中，AIC表示综合评分，k表示目标数量，n表示每组仿真参数与特征量的参量总数，L表示目标函数的似然函数的最大值。似然函数就是在参数确定的前提下出现这种结果的概率，代表了高斯混合模型的拟合程度，似然函数越大，拟合效果越好。因此k确定之后，联合概率密度函数的参数集(也即，GMM的参数集)可确定，L的计算方法是将每个仿真数据带入上述确定的联合概率密度函数，得出概率之后再求和即可。

具体的，AIC的计算公式表示为AIC＝2M-2L，其中，M表示目标函数的自由参数的数量，L表示目标函数的似然函数的最大值，本申请中，自由参数M的数量与[X^T，Y^T]^T的维度(每组仿真参数与特征量的参量总数)n以及目标函数中高斯分量的数量k相关，高斯混合模型的参数集中参数π代表每个高斯分量的权重，由于所有权重之和为1，故π中自由参数的数量等于k-1；参数μ代表每个高斯分量的期望，μ的数量等于高斯分量的个数k，且每个μ都是维度为n的向量，故在μ中总的自由参数数量为nk；参数σ²代表每个高斯分量的协方差矩阵，个数为k，每个协方差矩阵都是n×n的矩阵，由于协方差矩阵是对称方阵，所以自由参数的数量为0.5n×(n+1)(协方差矩阵的自由参数计算要去掉对称的部分)。综上，对本发明实施例所研究的高斯混合模型，利用赤池信息准则AIC确定目标函数的综合评分的表达式为：

上文中对如何确定仿真参数与特征量之间的联合概率密度函数的目标参数集的方法进行了详细的描述，下面对如何确定待校正电磁暂态仿真模型的目标模型参数组的方法进行具体介绍。

在一个可选的实施方式中，上述步骤S108，基于目标参数集、粒子群算法和目标概率密度函数反演待校正电磁暂态仿真模型的目标模型参数组，具体包括如下步骤：

步骤S1081，在预设搜索范围内初始化具有随机初始位置的粒子群；其中，初始状态下。

PSO是一种启发式算法，是一个群体按照合作方式搜寻目标，并且群体中每个个体都会学习自身经验与其他个体经验来改变搜索模式的随机优化技术，鉴于本发明实施例不对粒子群算法进行改进，所以在此不再对该算法的执行过程进行赘述。

在本发明实施例中，设定PSO粒子的位置为特征量，且粒子的位置搜索范围应大于仿真得到的特征量取值区间，理想状态下特征量取值为0，因此，在对粒子群进行初始化时，所有粒子的中心位置设为0，本发明实施例不对粒子群中粒子的总数进行具体限定，用户可以根据实际需求进行设置。

粒子群初始化结束，将进入迭代搜索阶段，具体为，重复执行下述步骤S1082-步骤S1086，直至达到预设终止条件，并基于预设终止条件下粒子的全局最佳位置确定目标模型参数组：

步骤S1082，基于目标参数集和联合概率密度函数确定目标特征量下的目标概率密度函数；其中，目标特征量表示粒子群中任意一个粒子的当前位置。

具体的，多维高斯分布具有条件概率不变性，即多维高斯分布在给定部分变量的条件下，条件概率分布仍为一个高斯分布，也即，对于GMM而言也有相似的性质，即如果[X^T，Y^T]^T为GMM所表征，在给定Y＝y₀的条件下，X的条件概率分布仍然是一个GMM，并且有

其中，表示条件概率分布f_X|Y(x|y)中第c个高斯分量的权重，表示条件概率分布f_X|Y(x|y)的均值，表示条件概率分布f_X|Y(x|y)的协方差矩阵，表示联合概率密度函数中第c个高斯分量的均值，表示联合概率密度函数中第c个高斯分量的协方差矩阵，x代表仿真参数组合，y代表特征量组合，由于[X^T，Y^T]^T相当于把仿真参数与特征量拼到了一起，所以均值，协方差矩阵都有从属于x的部分与从属于y的部分，这也就是以上表达式中上标的来历。

例如，假设X有8维，Y有4维，由于均值是一维向量，所以代表第c个高斯分量的均值的前8个维度组成的向量，代表第c个高斯分量后4个维度组成的向量；根据协方差矩阵的表达式可知，协方差矩阵利用了分块的思想，那么在求条件概率密度函数时，对应使用相应的分块即可，也即，若X有8维，Y有4维，则为8×8矩阵，为8×4矩阵，为4×8矩阵，为4×4矩阵。

已知某个粒子的当前位置，将其作为目标特征量带入上述条件概率分布，结合目标参数集中的已知参数值，即可确定目标特征量下的目标概率密度函数。以此类推，可得到粒子群中所有粒子位置所对应的条件概率密度函数。

步骤S1083，基于目标概率密度函数确定待校正电磁暂态仿真模型的预估参数组。

通过以上描述可知，目标概率密度函数中的随机变量仅为X，因此，将特征量的具体取值带入上述步骤S1082中条件概率分布的相关算式，即可求得仅含随机变量X的概率密度函数的参数集，接下来，以此概率密度函数的数学期望作为X的估计值，用以反演X，具体地，进而可求解出预估参数组，也即，每个粒子的位置均对应一组预估参数组。

与直接使用PSO进行对参数的随机优化不同，本发明实施例中通过使用GMM对仿真参数与特征量之间的统计关系建模，在此条件概率的基础上可以实现由特征量至仿真参数的逆向推理，这样做的好处主要是降低解空间的维度。对于多参数优化问题直接使用PSO对解空间的搜索能力不足，很容易出现对绝大多数空间毫无涉足的情况，而引入特征量至仿真参数的反向映射后，粒子坐标(粒子位置)变为人工选择的特征量，特征量选择往往不会太多，这样就控制了解空间的维度，从而简化了问题的搜索过程。

步骤S1084，基于预估参数组、待校正电磁暂态仿真模型和参考波形确定粒子群算法中每个粒子的适应函数。

在本发明实施例中，PSO执行过程中所选择的适应函数为根据特征量及GMM所反演出的预估参数组在代入仿真模型后得到的仿真波形与参考波形的距离，即由特征量根据仿真模型推导仿真参数，再用仿真参数反推实际特征量。基于这样的闭环逻辑，反演出的参数组合可靠性较高，并且在对特征量进行归一化处理后，对解空间范围的确定也较为容易。

具体的，基于预估参数组、待校正电磁暂态仿真模型和参考波形确定粒子群算法中每个粒子的适应函数，具体包括如下内容：

首先，基于预估参数组和待校正电磁暂态仿真模型确定实际仿真波形。然后，计算实际仿真波形和参考波形确定仿真误差，并将仿真误差作为适应函数。本发明实施例计算适应函数的方法与上文中步骤S1041-S1042的数据处理方法相同，因此，此处不再赘述。

步骤S1085，基于适应函数更新每个粒子的速度、每个粒子的最佳位置以及当前候选位置；其中，当前候选位置表示粒子的全局最佳位置。

步骤S1086，基于粒子群算法中粒子的运动公式更新每个粒子的当前位置。

PSO算法中，粒子速度的更新公式为：V_ik+1＝V_ik+c₁rand1(pbest_i-x_ik)+c₂rand2(gbest-x_ik)，其中，i表示粒子编号，k表示迭代次数，V_ik表示第i个粒子在第k次迭代时的速度，V_ik+1表示第i个粒子在第k+1次迭代时的速度，x_ik表示第i个粒子在第k次迭代时的位置，pbest_i表示第i个粒子的最佳位置，gbest表示粒子的全局最佳位置，rand1与rand2代表0至1之间的随机数，c₁，c₂均表示预设学习因子；粒子位置的更新公式为：x_ik+1＝x_ik+V_ik，其中，x_ik+1表示第i个粒子在第k+1次迭代时的位置。

重复执行上述步骤S1082-步骤S1086，直至达到预设终止条件，一般地，终止条件可以选择达到最大迭代次数，或者达到预设收敛条件，本发明实施例不对其进行具体限定。迭代终止后，可得到粒子的全局最佳位置，然后根据该位置所对应的特征量确定出相应的条件概率密度函数，最后，将此条件概率密度函数的数学期望作为待校正电磁暂态仿真模型的目标模型参数组。

综上所述，当参数空间较大时，本发明提供的方法能够通过自动调整高斯分量的个数以及每个高斯分量的协方差矩阵维度以兼顾计算效率和拟合精度，相较而言，经验法的复杂程度在此情况下却是指数增加的，这对于问题的求解十分不利；此外，对于对参数而言约束条件较为复杂的问题，若出现解空间不规则程度极大，粒子无法逃出超立方体的情况时，粒子群算法的搜索范围便会受到进一步限制，而本发明方法中基于特征量的反向PSO却不会受到这种约束，泛化性能有一定的保障，因此，本发明提供的参数校正方法具有很高的可操作性与可靠性。

实施例二

本发明实施例还提供了一种电磁暂态仿真模型的参数校正装置，该电磁暂态仿真模型的参数校正装置主要用于执行上述实施例一所提供的电磁暂态仿真模型的参数校正方法，以下对本发明实施例提供的电磁暂态仿真模型的参数校正装置做具体介绍。

图4是本发明实施例提供的一种电磁暂态仿真模型的参数校正装置的功能模块图，如图4所示，该装置主要包括：获取模块10，构建模块20，确定模块30，反演模块40，其中：

获取模块10，用于获取待校正电磁暂态仿真模型的多组仿真参数，以及在预设工况下的参考波形。

构建模块20，用于根据待校正电磁暂态仿真模型、多组仿真参数和参考波形，构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数；其中，特征量表示参考波形与待校正电磁暂态仿真模型在仿真参数下的仿真波形的偏差。

确定模块30，用于利用最大期望算法和赤池信息准则确定联合概率密度函数的目标参数集。

反演模块40，用于基于目标参数集、粒子群算法和目标概率密度函数反演待校正电磁暂态仿真模型的目标模型参数组，并利用目标模型参数组对其进行校正；其中，目标概率密度函数表示仿真参数在特征量确定时的条件概率密度函数。

本发明提供实施例提供的电磁暂态仿真模型的参数校正装置，在获取到待校正电磁暂态仿真模型的多组仿真参数，以及在预设工况下的参考波形之后，首先构建基于高斯混合模型的仿真参数与特征量之间的联合概率密度函数，然后再利用最大期望算法和赤池信息准则确定其目标参数集，基于此，当参数空间较大时，本发明能够自动调整高斯分量的个数以及每个高斯分量的协方差矩阵维度以兼顾计算效率和拟合精度；且本发明利用粒子群算法与仿真参数在特征量确定时的条件概率密度函数来反演目标模型参数组，有效地控制了解空间的维度，简化了问题的搜索过程。利用目标模型参数组校正后的电磁暂态仿真模型能够准确的指导事故反演与生产实践。

可选的，构建模块20包括：

第一确定单元，用于基于目标组仿真参数和待校正电磁暂态仿真模型确定目标仿真波形；其中，目标组仿真参数表示多组仿真参数中的任一组参数。

第二确定单元，用于基于目标仿真波形和参考波形确定目标组仿真参数对应的目标特征量。

构建单元，用于基于多组仿真参数和每组仿真参数对应的特征量构建联合概率密度函数。

可选的，构建单元具体用于：

对目标组仿真参数和目标特征量分别进行归一化处理，得到归一化后的仿真参数和归一化后的特征量。

基于归一化后的仿真参数和归一化后的特征量确定目标组仿真参数对应的目标关系向量。

基于多组仿真参数对应的关系向量利用高斯混合模型拟合仿真参数与特征量之间的联合概率密度函数。

可选的，确定模块30包括：

获取单元，用于获取高斯混合模型的高斯分量的数量范围。

第三确定单元，用于利用最大期望算法确定目标函数的参数集；其中，目标函数表示具有目标数量个高斯分量的联合概率密度函数。

第四确定单元，用于基于赤池信息准则确定目标函数的综合评分。

第五确定单元，用于基于数量范围内所有目标函数的综合评分确定联合概率密度函数的目标参数集。

可选的，第四确定单元具体用于：

利用算式确定目标函数的综合评分；其中，AIC表示综合评分，k表示目标数量，n表示每组仿真参数与特征量的参量总数，L表示目标函数的似然函数的最大值。

可选的，反演模块40包括：

初始单元，用于在预设搜索范围内初始化具有随机初始位置的粒子群；其中，初始状态下所有粒子的中心位置为0。

重复执行单元，用于重复执行下述步骤，直至达到预设终止条件，并基于预设终止条件下粒子的全局最佳位置确定目标模型参数组：

基于目标参数集和联合概率密度函数确定目标特征量下的目标概率密度函数；其中，目标特征量表示粒子群中任意一个粒子的当前位置。

基于目标概率密度函数确定待校正电磁暂态仿真模型的预估参数组。

基于预估参数组、待校正电磁暂态仿真模型和参考波形确定粒子群算法中每个粒子的适应函数。

基于适应函数更新每个粒子的速度、每个粒子的最佳位置以及当前候选位置；其中，当前候选位置表示粒子的全局最佳位置。

基于粒子群算法中粒子的运动公式更新每个粒子的当前位置。

可选的，反演模块40还用于：

基于预估参数组和待校正电磁暂态仿真模型确定实际仿真波形。

计算实际仿真波形和参考波形确定仿真误差，并将仿真误差作为适应函数。

实施例三

参见图5，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。

其中，存储器61可能包含高速随机存取存储器(RAM，RandomAccess Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。

处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的一种电磁暂态仿真模型的参数校正方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。