1.一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，包括以下步骤：步骤1，获取综合负荷系统实际的故障录波数据，以提取暂态电压的实际值；步骤2，模拟综合负荷模型在参数变化时的系统状态数据，并提取暂态电压的仿真值；步骤3，基于辛普森1/3法则，计算仿真的暂态电压变化曲线与原始故障录波暂态电压变化曲线之间的辛普森积分面积差,并构建数据集；步骤4，基于Levenberg-Marquardt算法优化的神经网络，建立负荷参数与面积差之间的变化响应关系；步骤5，通过训练好的神经网络建立归一化后的误差函数；步骤6，基于误差函数，利用顺序二次规划算法以辛普森积分面积差最小为目标，求出反归一化后的综合负荷模型参数。
2.根据权利要求1所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，在所述步骤1中，从故障录波数据中提取故障发生后每0.01s母线的暂态电压值 ，以作为原始故障录波暂态电压变化曲线。
3.根据权利要求2所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，在所述步骤2中，具体包括：选取综合负荷模型的参数包括：XL={x1,x2,x3,x4,x5,x6,x7 }={定子电阻,定子电抗, 激磁电抗，转子电阻，转子电抗，惯性时间常数，初始有功负载率}；按原始参数大小的±20%的形式逐步修改综合负荷模型的参数值，以此得到不同综合负荷模型参数变化情况下，系统故障时节点的暂态电压变化曲线。
4.根据权利要求3所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，在所述步骤3中，具体包括：步骤3.1，假设综合负荷模型参数变化情况下暂态电压变化曲线为 ，原始故障录波暂态电压变化曲线为 ；计算每个 点上的差值，得到差异曲线： （1）；步骤3.2，将 看作一个新的曲线，对 进行积分；假设有 个点 ，其中 是偶数，以使得点数为奇数，每个点对应的差值为 ；那么使用辛普森 1/3 法则计算两条曲线之间的面积差公式为： （2）；其中， 是在每个 位置上两条曲线的差值； 是相邻点之间的距离；步骤3.3，根据步骤2中综合负荷模型参数，在仿真软件中随机改变这些负荷参数作为神经网络的输入，所对应的暂态电压变化曲线与原始故障录波暂态电压变化曲线的辛普森积分面积差作为神经网络的输出，构建数据集，并取80%作为训练集，20%作为测试集。
5.根据权利要求4所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，所述步骤4具体包括以下步骤：步骤4.1，创建一个初始化的神经网络，包含输入层、隐藏层和输出层；步骤4.2，输入层的输入神经元数量为步骤2中选取的综合负荷模型参数数量，隐藏层的神经元数量设置为 ，输出层为步骤3中对应的仿真值与实际值之间的辛普森积分面积差，神经元数量设置为1；步骤4.3，假设输入向量为 ，隐藏层的输出 通过以下方式计算： (3)；式中， 是输入层第 个神经元到隐藏层第 个神经元的权重， 是隐藏层第 个神经元的偏置， 为激活函数；步骤4.4，输出层的输出 由以下公式计算得出： (4)；式中， 是隐藏层到输出层的权重， 是输出层的偏置；步骤4.5，采用均方误差 衡量神经网络的输出 与训练集中的辛普森面积差 之间的差异；步骤4.6，计算输出层权重和偏置的偏导数，首先均方误差对权重 和偏置 的偏导数分别为： (5)； (6)；式中， ； 是激活函数的导数；步骤4.7，计算均方误差对权重 和偏置 的偏导数： (7)； (8)；步骤4.8，从输出层开始，通过步骤4.7逐层计算误差对每个参数的偏导数，利用这些偏导数更新权重和偏置；Levenberg-Marquardt算法结合了梯度下降法和高斯-牛顿法，Levenberg-Marquardt算法优化神经网络的权重和偏置更新遵循以下公式： (9)；式中， 是权重和偏置的更新量， 是Jacobian矩阵，表示对每个神经网络参数的偏导数， 是Jacobian矩阵的转置， 是调节参数， 是单位矩阵； 是误差向量，表示实际输出与网络输出之间的差异；步骤4.9，如果当前迭代减少了误差，则减小 的值，更加接近高斯-牛顿法，如果当前迭代增加了误差，则增大 的值，更加接近梯度下降法；在迭代中反复调整，直到均方误差 达到一个预设极小值时，结束运算；步骤4.10，对训练后的神经网络模型进行评估，使用决定系数和均方误差进行评价神经网络模型；决定系数记作 ，其定义为： (10)； 是残差平方和，表示模型预测值与实际值之间的差异平方和： ，这里 是测试集中的辛普森面积差， 是神经网络输出的辛普森面积差； 是总平方和，表示实际值与均值之间的差异平方和： ，这里 是神经网络输出的辛普森面积差的平均值。
6.根据权利要求5所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，所述步骤5具体包括以下步骤：步骤5.1，在建立误差函数之前，先对输入输出参数进行归一化处理，假设输入参数向量为 ，其各特征的最小值和最大值分别为 和 ，使用以下公式将输入特征向量归一化到 范围： （11）；步骤5.2，根据步骤4中训练好的神经网络的权重和偏置确定网络的输出： （12）；其中， 是第 层的权重矩阵， 是第 层的偏置向量； 是激活函数； 是网络的层数；步骤5.4，通过调整输入向量 ，使得神经网络的输出的辛普森面积差尽可能接近0，定义误差函数 ： （13）。
7.根据权利要求6所述的一种基于神经网络的综合负荷模型参数的自动修正方法，其特征在于，所述步骤6具体包括以下步骤：步骤6.1，基于步骤5中误差函数定义优化目标为 ；其中， 为输入参数向量，目标是最小化神经网络输出的辛普森面积差，从而找到最优的输入参数；步骤6.2，将输入参数 统一初始化为0.5；步骤6.3，在每次迭代过程中，基于当前参数 ，对误差函数 进行泰勒展开，并取其二次近似： （14）；其中， 是目标函数 处的梯度向量， 是目标函数在 的Hessian 矩阵或其近似值；步骤6.4，在顺序二次规划算法中，为了找到最优的步长向量 ，需要求解以下二次规划问题： （15）；求解结果 是在当前迭代点处应该移动的方向和步长；步骤6.5，设置步长 的边界约束为： （16）；步骤6.6，构造拉格朗日函数： （17）；其中， 和 是拉格朗日乘子；步骤6.7，对拉格朗日函数 关于 ， ， 求导并设为零，可以得到以下条件：关于 的一阶条件： （18）；关于约束的可行性条件： （19）；关于步长d的边界约束的满足： （20）；求解最优条件 ,得到下一个迭代点 : （21）；步骤6.8，验证当前解 是否满足收敛准则；收敛准则为目标函数值的容忍度 ，即相邻两次迭代参数更新的变化量；缺省为 ，函数评估的最大次数 ，缺省为5000次；步骤6.9，当收敛准则满足时，即结束评估，将得出的归一化后的输入参数转换回原始尺度, 定义反归一化公式为： （22）；其中， 是优化后的输入参数向量反归一化后的原始尺度值。
