CN107994570A - 一种基于神经网络的状态估计方法及系统 - Google Patents

一种基于神经网络的状态估计方法及系统 Download PDF

Info

Publication number
CN107994570A
CN107994570A CN201711259889.5A CN201711259889A CN107994570A CN 107994570 A CN107994570 A CN 107994570A CN 201711259889 A CN201711259889 A CN 201711259889A CN 107994570 A CN107994570 A CN 107994570A
Authority
CN
China
Prior art keywords
neural network
training
preset
power grid
weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711259889.5A
Other languages
English (en)
Other versions
CN107994570B (zh
Inventor
靳松
赵巍岳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201711259889.5A priority Critical patent/CN107994570B/zh
Publication of CN107994570A publication Critical patent/CN107994570A/zh
Application granted granted Critical
Publication of CN107994570B publication Critical patent/CN107994570B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的状态估计方法，包括：当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；将所述量测数据依据区域进行划分，得到多个区域量测数据；针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。上述的方法，对于每一个区域而言，只需要一次预设的神经网络的前推计算，就可使实现对该区域的状态估计，避免了现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求的问题。

Description

一种基于神经网络的状态估计方法及系统
技术领域
本发明涉及状态估计领域，尤其涉及一种基于神经网络的状态估计方法及系统。
背景技术
目前，由于智能电网迅速发展，智能电网的规模以及复杂程度随之上升，为了能精确的描述智能电网的运行状态，需要对该智能电网的状态估计进行估计，现有技术中，采用加权最小二乘的状态估计算法对智能电网的进行状态估计，加权最小二乘的状态估计算法的本质是对输入输出的数据实现了较复杂的非线性拟合。
发明人对现有的智能电网的状态估计过程进行研究发现，现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求。
发明内容
有鉴于此，本发明提供一种基于神经网络的状态估计方法及系统，用以解决现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求的问题，具体方案如下：
一种基于神经网络的状态估计方法，包括：
当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
将所述量测数据依据区域进行划分，得到多个区域量测数据；
针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
上述的方法，优选的，预设的神经网络的构建过程包括：
获取每一个区域量测数据的数量和电网状态量的数量；
依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
上述的方法，优选的，针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算包括：
将所述量测数据进行归一化处理，得到归一化数据；
在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
上述的方法，优选的，预设的权重集的建立过程包括：
针对每一个区域，为所述神经网络的各个神经元分配初始权重；
分别建立第一训练集和第二训练集；
依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
上述的方法，优选的，还包括：
当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练。
一种基于神经网络的状态估计系统，包括：
获取模块，用于当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
划分模块，用于将所述量测数据依据区域进行划分，得到多个区域量测数据；
计算模块，用于针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
输出模块，用于当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
上述的系统，优选的，所述计算模块包括：
获取单元，用于获取每一个区域量测数据的数量和电网状态量的数量；
确定单元，用于依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
构建单元，用于依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
上述的系统，优选的，所述计算模块包括：
归一化处理单元，用于将所述量测数据进行归一化处理，得到归一化数据；
分配单元，用于在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
发送单元，用于当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
上述的系统，优选的，所述分配单元包括：
分配子单元，用于针对每一个区域，为所述神经网络的各个神经元分配初始权重；
建立子单元，用于分别建立第一训练集和第二训练集；
第一训练子单元，用于依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
上述的系统，优选的，还包括：
第二训练子单元，用于当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练。
与现有技术相比，本发明包括以下优点：
本发明公开了一种基于神经网络的状态估计方法，包括：当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；将所述量测数据依据区域进行划分，得到多个区域量测数据；针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。上述的方法，对于每一个区域而言，只需要一次预设的神经网络的前推计算，就可使实现对该区域的状态估计，避免了现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求的问题。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种神经网络的状态估计方法流程图；
图2为本申请实施例公开的一种神经网络的状态估计方法又一方法流程图；
图3为本申请实施例公开的一种神经网络的状态估计方法又一方法流程图；
图4为本申请实施例公开的一种神经网络的状态估计方法又一方法流程图；
图5为本申请实施例公开的一种神经网络的状态估计方法又一方法流程图；
图6为本申请实施例公开的一种神经网络的状态估计方法又一方法流程图；
图7为本申请实施例公开的一种神经网络的状态估计系统结构框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本发明提供了一种基于神经网络的状态估计方法，所述发方法的执行主体可以为基于某一神经网络的状态估计系统或者平台，该方法可以应用在函数拟合、智能电网状态估计等许多领域，所述状态估计方法的方法流程如图1 所示，包括步骤：
S101当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
本发明实施例中，所述目标电网为当前需要进行状态估计的智能电网，所述状态估计指：将所述目标电网中的量测数据进行整理分析，获得一组可以更精确描述电网状态的状态向量。其中，所述量测数据指：所述目标电网中的支路电流、负荷电流、支路功率、负荷功率、节点电压等用来描述电网状态的数据。
S102、将所述量测数据依据区域进行划分，得到多个区域量测数据；
本发明实施例中，由于所述目标电网的量测数据来自不同的区域，将所述量测数据依据区域的不同划分为多个不同区域的量测数据。
S103、针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
本发明实施例中，所述量测数据是需要预处理的，将所述量测数据分配给预设的神经网络进行前推计算包括：将已预处理完成的量测数据从进入输入层开始，逐层传递完成各层神经元的激活，最终在输出层得到计算结果的过程。
S104、当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
本发明实施例中，神经网络前推即为数据从进入输入层开始，逐层传递完成各层神经元的激活，最终在输出层得到计算结果的过程，是一遍神经网络前推计算的过程。
使用神经网络计算输出时，需要一组已训练完成的神经网络权重值，将数入数据带人神经网络进行一遍前推计算即可得到计算结果。
图2所示为一个三输入神经元，以该神经元为例说明神经元激活和神经网络前向计算。这个神经元是一个以x1、x2、x3及截距+1输入值的运算单元，其输出为：
其中，f()为神经元的激活函数。
以神经网络中存在两个隐含层为例，输入数据存放于输入层神经元中，计算开始各神经元按照上述公式开始计算，最优先被激活的是第一个隐含层，随后是第二个隐含层，最后是输出层，这个过程被称为前向计算。
本发明公开了一种基于神经网络的状态估计方法，包括：当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；将所述量测数据依据区域进行划分，得到多个区域量测数据；针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。上述的方法，对于每一个区域而言，只需要一次预设的神经网络的前推计算，就可使实现对该区域的状态估计，避免了现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求的问题。
本发明实施例中，针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算的方法流程如图3所示，包括：
S201、将所述量测数据进行归一化处理，得到归一化数据；
本发明实施例中，将所述量测数据进行归一化处理，所述归一化处理有两种方式：一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。
S202、在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
本发明实施例中，在所述预设的权重集进行查找可以通过区域、或者标识等查找关键词进行查找，所述标识可以为区分所述预设的权重集中权重的一个编码、符号、或者图案等唯一的区分不同权重的标志。
S203、当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
本发明实施例中，当分配完成时，会发送一个分配完成指令，当所述神经网络的状态估计系统或者平台检测到所述分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
本发明实施例中，预设的神经网络的构建过程的方法流程如图4所示，包括步骤：
S301、获取每一个区域量测数据的数量和电网状态量的数量；
S302、依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
S303、依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
本发明实施例中，依据每一个区域的量测配置确定神经网络的结构，所述量测配置包括：量测数据的数量和电网状态量的数量，优选的，每一个区域的量测配置相同，因此与所述目标电网对应的神经网络也是相同的。
本发明实施例中，以图5所示IEEE33节点系统量测配置为例，对圣经网络的构建过程进行说明，其中线路功率量测装置13对(方框表示)，节点负荷功率量测装置32对(箭头表示)。图中每一个数字(没有下划线，如“5”，表示一个节点功率测量值；有下划线，如“5”，表示一个支路功率测量值) 表示一个测量值即文中的“量测量”。为保证该系统的可观测性(满足加权最小二乘法(WLS)中雅克比矩阵满秩)，根据历史数据或其他方法加入了 19对伪量测数据。综上，该电网系统共64个输入量测量。
该系统共64个量测数据，若形容该系统需要32维的状态向量。由于神经网络的输入层和隐含层神经元数量与量测数据数量相等，输出层神经元数量与状态向量维度相等，因此各层神经元数量被确定为：64(输入层)，64 (隐含层一)，64(隐含层二)，32(输出层)。
本发明实施例中，为确定隐含层层数，本文以隐含层数目为单一变量进行了训练。通过对比验证集量测值估计结果的估计误差大小，确定隐含层层数。实验结果如下，由表1可知，当隐含层为两层时，神经网络前推估计运算的平均误差最小。因此，在本发明中确定神经网络隐含层数目为2。
表1不同隐含层数量情况下的估计结果
Tab.1 Estimation results in different hidden layers
本发明实施例中，由于状态估计算法是根据具有一定冗余度的量测系统、电网子区域的拓扑结构参数(包括各支路链接方式、阻抗值等)，求解出一组相对准确的可以描述电网完整运行方式状态量的算法。通常，状态估计可以通过公式(2)做出表述。式中：x为n维的状态向量，z为m维的量测向量， h(x)为量测函数，e为量测误差向量。
z＝h(x)+e (2)
由于量测系统存在量测误差，且量测系统具有一定的冗余度，即m＞n，方程(2)中不可能找到一组状态值x0使残差矢量r(x0)各分量均为0，残差计算方法见公式(3)。
r(x0)＝z-h(x0) (3)
一般通过建立目标函数如公式(4)，期望得到使加权残差平方和最小的状态量x0。
J(x)＝[z-h(x)]TR-1[z-h(x)] (4)
其中R是以量测量标准差为对角元的m×m阶量测误差方阵。传统方法多使用最小二乘法对(4)式进行拟合，以求得一组误差最小的状态向量。
本文中使用神经网络算法替换传统最小二乘法迭代算法，神经网络的输入层神经元数目与输入量测量数量相等，神经网络的输出层神经元数目与输出状态量的数量相等。在隐含层神经元数量的选择上，由最小二乘法第k次迭代公式可知，对量测量和进行如下一次运算：
f(k)＝(HTR(k)TH)-1HTR(k)-1 (5)
公式(5)中雅克比矩阵H为常矩阵。权重矩阵R(k)随迭代的进行发生变化。设量测量数量为m、状态量为n，则f(k)为m×n维矩阵。本文中将隐含层的神经元数目确定为m，使输出层与上一个隐含层之间权重阵同样为m×n维矩阵。通过训练不同隐含层数量的神经网络，对验证集的估计结果进行分析，确定隐含层层数确定为2时状态估计精度最高。
本发明实施例中，预设的权重集的建立过程的方法流程如图6所示，包括：
S401、针对每一个区域，为所述神经网络的各个神经元分配初始权重；
本发明实施例中分配初始权重的过程为：对所述神经网络进行训练，对各个神经元分配初始权重。
本发明实施例中，IEEE33节点系统量测配置如图3所示，其中线路功率量测13对(方框表示)，节点负荷功率量测32对(箭头表示)。以对节点5 负荷功率量测值WL5为例(图中圆圈标注)。设与其相邻的量测量为支路功率量测量W5、W6和W25，根据功率量测量的量测变换支路首端功率量测可以直接变换成等效支路电流，负荷功率量测可以直接变换成等效负荷电流量测。等效变换公式如下所示，式中PQ为功率量测量W的实虚部，U为节点电压：
根据公式(6)将量测量WL5、W5、W6和W25进行等效变换，得到等效支路电流Z5、Z6、Z25和等效节点负荷电流ZL5。在节点5处，由基尔霍夫电流定律(KCL)有：
ZL5＝Z5-Z6+Z25 (7)
在对节点5的负荷电流IL5进行估计运算时，对估计值影响最大的应为该节点的等效节点负荷电流值ZL5；其次为等效支路电流Z5、Z6、Z25，称公式(7)中Z5、Z6、Z25与负荷电流IL5相邻，使用集合A表示；其余节点量测量对负荷电流IL5的估计结果影响较小，称为不与负荷电流IL5相邻，用集合B表示。
设相邻系数k1、k2、k3用于表示量测值与估计值关系的紧密程度。k1表示量测值即为估计的状态值，k2表示量测值包含于估计值的集合A中，k3表示量测值包含于估计值的集合B中。量测数据在估计本节点状态值时起主导作用，其次是集合A中的相邻量测节点，作用最弱的是集合B中的非相邻量测节点。因此，在对相邻系数取值上有|k1|>|k2|>|k3|。求出每个量测节点的相邻量测集合A和不相邻量测集合B。对神经网络权重矩阵Wih、Whg和Wgo各层权重值初始化有如下公式(probability(a,b)表示取a、b之间的随机值)：
公式(8)中ωij表示第i个神经元与下一层第j个神经元之间的权重值，为量测误差方阵逆矩阵R-1的对角元元素。k1、k2、k3在权重矩阵Wih、Whg和 Wgo初始化中可以赋予不同的值。
S402、分别建立第一训练集和第二训练集；
本发明实施例中，本文采用反向迭代的方式进行神经网络权重训练，基于δ学习规则对训练样本采取批量学习的方式。为使学习更准确地朝向极值所在的方向，对于神经网络的训练采用全数据集的批次学习方式(full batch learning)。设训练样本集为C，在对样本CT训练时，各层δ值分别为和全数据集训练样本总数为NT，对于网络中任一权重值ωpq的更新公式如下：
公式(9)中Δωpq表示为在全体样本中，该权值更新的下降方向；λ为正则化衰减因子，以增强网络泛化能力；η为学习率或学习步长，在训练过程中逐步减小；α为动量系数，在本次更新权值的过程中考虑到上次权值的变化，用于防止学习陷入局部最小、加快网络学习速度。
以智能电网子区域为计算单位的神经网络有两个训练集和一个目标集，使用该子区域的历史量测数据和状态向量生成训练数据，要求训练数据涵盖电网大部分运行状态。设N为电网节点数。第一训练集：支路电流和节点负荷电流真值，共2N维；第二训练集：在第一训练集的基础上加入等数量的含误差的数据(伪量测量加入30％-50％的误差，其余数据加入2％左右的误差)；目标集Target：N维电网子区域状态向量。
S403、依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
本发明实施例中，训练主要分为两步：1)使用第一训练集进行训练，使神经网络学习正确的数据关系；2)使用含有量测数据的第二训练集对网络进行学习，使神经网络学习在含有误差情况下的网络权重值，通过第二训练集中的量测真值对第一训练集的训练结果进行巩固。当两次训练均满足误差要求之后，训练完成。
本发明实施例中，还包括：当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练；
与上述的基于神经网络的状态估计方法相对应的，本发明还提供了一种基于神经网络的状态估计系统，所述状态估计系统的结构框图如图7所示，包括：
获取模块501、划分模块502、计算模块503和输出模块504。
其中，
所述获取模块501，用于当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
所述划分模块502，用于将所述量测数据依据区域进行划分，得到多个区域量测数据；
所述计算模块503，用于针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
所述输出模块504，用于当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
本发明公开了一种基于神经网络的状态估计系统，包括：当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；将所述量测数据依据区域进行划分，得到多个区域量测数据；针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。上述的系统，对于每一个区域而言，只需要一次预设的神经网络的前推计算，就可使实现对该区域的状态估计，避免了现有的状态估计方法需要反复的进行迭代运算，对计算机的计算能力要求很高，无法满足大规模智能电网实时分析的需求的问题。
本发明实施例中，所述计算模块503包括：
获取单元505、确定单元506和构建单元507。
其中，
所述获取单元505，用于获取每一个区域量测数据的数量和电网状态量的数量；
所述确定单元506，用于依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
所述构建单元507，用于依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
本发明实施例中，所述计算模块503还包括：
归一化处理单元508、分配单元509和发送单元510。
其中，
所述归一化处理单元508，用于将所述量测数据进行归一化处理，得到归一化数据；
所述分配单元509，用于在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
所述发送单元510，用于当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
本发明实施例中，所述分配单元509包括：
分配子单元511、建立子单元512和第一训练子单元513。
其中，
所述分配子单元511，用于针对每一个区域，为所述神经网络的各个神经元分配初始权重；
所述建立子单元512，用于分别建立第一训练集和第二训练集；
所述第一训练子单元513，用于依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
本发明实施例中，所述分配单元509还包括：
第二训练子单元，用于当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于神经网络的状态估计方法，其特征在于，包括：
当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
将所述量测数据依据区域进行划分，得到多个区域量测数据；
针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
2.根据权利要求1所述的方法，其特征在于，预设的神经网络的构建过程包括：
获取每一个区域量测数据的数量和电网状态量的数量；
依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
3.根据权利要求1所述的方法，其特征在于，针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算包括：
将所述量测数据进行归一化处理，得到归一化数据；
在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
4.根据权利要求3所述的方法，其特征在于，预设的权重集的建立过程包括：
针对每一个区域，为所述神经网络的各个神经元分配初始权重；
分别建立第一训练集和第二训练集；
依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
5.根据权利要求4所述的方法，其特征在于，还包括：
当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练。
6.一种基于神经网络的状态估计系统，其特征在于，包括：
获取模块，用于当接收到对目标电网的状态估计请求时，获取所述目标电网的量测数据；
划分模块，用于将所述量测数据依据区域进行划分，得到多个区域量测数据；
计算模块，用于针对每一个区域量测数据，将所述量测数据分配给预设的神经网络进行前推计算；
输出模块，用于当检测到对所述多个区域量测数据进行前推计算的完成指令时，输出与所述目标电网关联的状态向量。
7.根据权利要求6所述的系统，其特征在于，所述计算模块包括：
获取单元，用于获取每一个区域量测数据的数量和电网状态量的数量；
确定单元，用于依据所述量测数据的数量，确定神经网络输入层和神经网络中间层神经元的数量；
构建单元，用于依据所述电网状态量的数量，确定神经网络输出层神经元的数量，完成所述神经网络的构建。
8.根据权利要求6所述的系统，其特征在于，所述计算模块包括：
归一化处理单元，用于将所述量测数据进行归一化处理，得到归一化数据；
分配单元，用于在预设的权重集中查找与当前区域匹配的目标权重集，将所述目标权重集中的每一个权重分配给所述神经网络对应的神经元；
发送单元，用于当检测到分配完成指令时，将所述归一化数据发送给预设的神经网络进行前推计算。
9.根据权利要求8所述的系统，其特征在于，所述分配单元包括：
分配子单元，用于针对每一个区域，为所述神经网络的各个神经元分配初始权重；
建立子单元，用于分别建立第一训练集和第二训练集；
第一训练子单元，用于依据所述第一训练集对所述神经网络进行训练，当第一训练结果小于预设的第一阈值时，依据所述第二训练集对所述神经网络进行训练，当第二训练结果小于第二预设值时，获取所述神经网络的各个神经元当前的权重值，将所述当前的权重值存储到所述预设的权重集中。
10.根据权利要求9所述的系统，其特征在于，还包括：
第二训练子单元，用于当所述第一训练结果大于第一阈值或所述第二训练结果大于第二阈值时时，依据预设的权重调整公式调整所述各个神经元的当前权重值，重新进行训练。
CN201711259889.5A 2017-12-04 2017-12-04 一种基于神经网络的状态估计方法及系统 Expired - Fee Related CN107994570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711259889.5A CN107994570B (zh) 2017-12-04 2017-12-04 一种基于神经网络的状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711259889.5A CN107994570B (zh) 2017-12-04 2017-12-04 一种基于神经网络的状态估计方法及系统

Publications (2)

Publication Number Publication Date
CN107994570A true CN107994570A (zh) 2018-05-04
CN107994570B CN107994570B (zh) 2022-03-25

Family

ID=62035508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711259889.5A Expired - Fee Related CN107994570B (zh) 2017-12-04 2017-12-04 一种基于神经网络的状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN107994570B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784480A (zh) * 2019-01-17 2019-05-21 武汉大学 一种基于卷积神经网络的电力系统状态估计方法
CN111523807A (zh) * 2020-04-24 2020-08-11 广西电网有限责任公司崇左供电局 一种基于时间序列和神经网络的电能替代潜力分析方法
WO2021163866A1 (zh) * 2020-02-18 2021-08-26 杭州知存智能科技有限公司 神经网络权重矩阵调整方法、写入控制方法以及相关装置
US12033064B2 (en) 2020-02-18 2024-07-09 Hangzhou Zhicun Intelligent Technology Co., Ltd. Neural network weight matrix adjusting method, writing control method and related apparatus

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016059126A1 (en) * 2014-10-17 2016-04-21 Jaguar Land Rover Limited Battery condition monitoring
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法
CN107169565A (zh) * 2017-04-27 2017-09-15 西安工程大学 基于烟花算法改进bp神经网络的纺纱质量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016059126A1 (en) * 2014-10-17 2016-04-21 Jaguar Land Rover Limited Battery condition monitoring
CN105633956A (zh) * 2016-02-19 2016-06-01 河海大学 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法
CN107169565A (zh) * 2017-04-27 2017-09-15 西安工程大学 基于烟花算法改进bp神经网络的纺纱质量预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
MORITZ CRAMER: "BAD DATA DETECTION AND HANDLING IN DISTRIBUTION GRID STATE ESTIMATION USING ARTIFICIAL NEURAL NETWORKS", 《2015 IEEE EINDHOVEN POWERTECH》 *
WANXING SHENG: "ON PARALLELIZING ANALYSIS OF POWER SYSTEMS IN CLOUD ENVIRONMENT", 《2016 IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE (APPEEC)》 *
张明光: "基于ANN伪量测建模的配电网状态估计", 《计算机工程与应用》 *
李慧: "配电系统负荷数据处理方法的研究", 《中国博士学位论文全文数据库》 *
许丽佳: "基于神经网络的组合导航系统状态估计", 《中国惯性技术学报》 *
黄伟: "基于分区解耦的配电网状态估计的分布式并行计算", 《电力系统保护与控制》 *
黄蔓云: "基于脉冲神经网络伪量测建模的配电网三相状态估计", 《电力系统自动化》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784480A (zh) * 2019-01-17 2019-05-21 武汉大学 一种基于卷积神经网络的电力系统状态估计方法
CN109784480B (zh) * 2019-01-17 2022-11-18 武汉大学 一种基于卷积神经网络的电力系统状态估计方法
WO2021163866A1 (zh) * 2020-02-18 2021-08-26 杭州知存智能科技有限公司 神经网络权重矩阵调整方法、写入控制方法以及相关装置
US12033064B2 (en) 2020-02-18 2024-07-09 Hangzhou Zhicun Intelligent Technology Co., Ltd. Neural network weight matrix adjusting method, writing control method and related apparatus
CN111523807A (zh) * 2020-04-24 2020-08-11 广西电网有限责任公司崇左供电局 一种基于时间序列和神经网络的电能替代潜力分析方法

Also Published As

Publication number Publication date
CN107994570B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN107994570B (zh) 一种基于神经网络的状态估计方法及系统
Sahu et al. Predicting software bugs of newly and large datasets through a unified neuro-fuzzy approach: Reliability perspective
Derks et al. Robustness analysis of radial base function and multi-layered feed-forward neural network models
CN108052387B (zh) 一种移动云计算中的资源分配预测方法及系统
Phua et al. Parallel nonlinear optimization techniques for training neural networks
WO2020086176A1 (en) Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis
CN109472048A (zh) 基于稀疏多项式混沌扩展评估智能电表结构可靠度的方法
CN112036737A (zh) 区域电量偏差的计算方法及装置
Freire et al. On robust randomized neural networks for regression: a comprehensive review and evaluation
Lola et al. Improving the performance of ann-arima models for predicting water quality in the offshore area of kuala terengganu, terengganu, malaysia
CN109472455B (zh) 活动评估方法、装置、电子设备及存储介质
Lee Neuro-fuzzy estimation in spatial statistics
CN106296747A (zh) 基于结构决策图的鲁棒多模型拟合方法
Chalermpornpong et al. Rating pattern formation for better recommendation
Saini et al. New approach for clustering of big data: DisK-means
CN108960424A (zh) 获胜神经元的确定方法、装置、设备和存储介质
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
Evans et al. Fast learning artificial neural networks for continuous input applications
CN114357297A (zh) 学生画像构建及学习资源分发方法、计算机设备及存储介质
CN114327859A (zh) 云计算环境大规模问题代理优化的源模型聚类选择方法
Lasota et al. Enhancing intelligent property valuation models by merging similar cadastral regions of a municipality
Thillaigovindan et al. New method for solving a general multiple criteria decision-making problem under risk in fuzzy environment
CN111595401A (zh) 管道气体测量系统、方法和存储介质
CN108834045B (zh) 一种基于定位模型的定位方法及装置
US20190095483A1 (en) Search apparatus, storage medium, database system, and search method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220325

CF01 Termination of patent right due to non-payment of annual fee