CN110443724B - 一种基于深度学习的电力系统快速状态估计方法 - Google Patents

一种基于深度学习的电力系统快速状态估计方法 Download PDF

Info

Publication number
CN110443724B
CN110443724B CN201910654528.3A CN201910654528A CN110443724B CN 110443724 B CN110443724 B CN 110443724B CN 201910654528 A CN201910654528 A CN 201910654528A CN 110443724 B CN110443724 B CN 110443724B
Authority
CN
China
Prior art keywords
branch
estimation
measurement
dnn
phase angle
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.)
Active
Application number
CN201910654528.3A
Other languages
English (en)
Other versions
CN110443724A (zh
Inventor
卫志农
俞文帅
孙国强
臧海祥
黄蔓云
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910654528.3A priority Critical patent/CN110443724B/zh
Publication of CN110443724A publication Critical patent/CN110443724A/zh
Application granted granted Critical
Publication of CN110443724B publication Critical patent/CN110443724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于深度学习的电力系统快速状态估计方法，属于电力系统监测、分析和控制技术领域。其技术方案为：一种基于深度学习的电力系统快速状态估计方法，选取DNN网络作为深度学习模型，以相关性分析方法选择特征输入，通过噪声网络提高模型对坏数据的抗差能力。解决了传统的基于物理模型的状态估计方法会出现计算效率低、运行速度慢，过于复杂的网架结构甚至可能导致状态估计收敛性和稳定性差的技术问题。本发明的有益效果为：本发明在计算速度上较传统估计方法有明显提升，该方法的估计精度以及对量测坏数据的鲁棒性较传统估计方法也有较大提升。

Description

一种基于深度学习的电力系统快速状态估计方法
技术领域
本发明涉电力系统监测、分析和控制及技术领域，尤其涉及一种基于深度学习的电力系统快速状态估计方法。
背景技术
状态估计是能量管理系统的基础和核心部分，它通过对量测生数据进行处理，获取电力系统运行状态的最优估计值。当前电力系统中实际使用的状态估计方法仍然是加权最小二乘(Weighted Least Square,WLS)状态估计。由于电力系统具有较高的量测冗余度，WLS估计利用加权最小二乘估计准则，通过线性化量测方程及牛顿迭代法对电力系统状态进行实时估计。WLS估计在系统量测噪声仅包含高斯白噪声的理想条件下属于一致无偏最小方差估计，具有求解模型简单、计算速度快的特点，因此在传统的小规模电网中能取得较好的估计效果。然而在电力系统实际运行过程中，量测噪声并不只是理想的高斯白噪声，坏数据的存在使得WLS估计精度显著下降，可能出现迭代次数过多甚至不收敛的情况。
为解决坏数据带来的状态估计精度下降和收敛性变差等问题，多种具有非二次估计准则的鲁棒状态估计方法先后被提出，其中主要有加权最小绝对值(Weighted LeastAbsolute Value，WLAV)状态估计、Huber-M估计、指数型目标函数估计等。鲁棒状态估计具有良好的抗差能力，当量测中存在坏数据时也能保证较高的估计精度，因此受到了国内外学者的广泛研究。以WLAV估计为例，其目标函数为残差的加权绝对值之和最小，利用原-对偶内点法进行迭代求解。由于引入了非二次估计准则，WLAV估计的求解模型复杂、计算时间长，受节点规模和计算机性能的限制，难以满足实际工程的需求。尽管有改进算法的提出，如双线性方法，但是鲁棒状态估计在实际应用中的问题并没有得到根本解决。
随着电网规模的迅速扩大，需要处理的数据量大大增加，传统的基于物理模型的状态估计方法会出现计算效率低、运行速度慢的问题，过于复杂的网架结构甚至可能导致状态估计收敛性和稳定性差，这给电力系统状态估计问题带来了严峻的挑战。针对大规模电力系统状态估计问题，本文提出一种基于深度学习的电力系统快速状态估计新方法。本文方法在离线阶段对支路功率量测和状态变量进行相关性分析，选择强相关量测作为深度神经网络的特征输入，利用历史断面量测数据以及添加噪声后的数据对深度学习网络进行离线训练；在线应用阶段，输入当前时刻量测即可实时得到快速状态估计结果，从而保证状态估计方法在大规模电网中的估计效率。仿真结果表明，本文方法在计算速度上较传统的WLS和WLAV估计有明显提升；此外，该方法的估计精度以及对量测坏数据的鲁棒性较WLS和WLAV估计也有较大提升。
发明内容
本发明的目的在于提供一种基于深度学习的电力系统快速状态估计方法。
本发明是通过如下措施实现的：一种基于深度学习的电力系统快速状态估计方法，其中，包括以下步骤：
1)获取电力系统网络参数信息；
2)程序初始化；
3)对历史数据库中的支路功率量测和状态估计值进行相关性分析，选择强相关量测作为DNN的特征输入，利用历史断面量测数据以及添加噪声后的数据对DNN进行离线训练；
4)确定估计时刻，将该时刻的实时支路功率量测值输入步骤3)中训练完成的DNN网络，得到该时刻的节点电压幅值和支路两端相角差的DNN输出结果；
5)对支路两端相角差进行线性最小二乘回归，得到节点电压相角估计结果；
6)利用节点电压估计值计算支路功率，并检验合格率是否满足要求，若合格率满足要求，则输出估计结果并跳至步骤8)；
7)对该时刻量测进行WLAV估计，利用估计结果对DNN网络重新训练；
8)判断时间是否结束，若时间未结束，则跳至步骤4)并设置时刻；
9)程序结束。
其中，所述步骤1)中参数信息包括：电力系统的拓扑信息、各节点对地电容、各支路阻抗和对地电容。
其中，所述步骤2)中程序初始化包括：设定DNN网络参数。
具体地，为了更好地实现本发明目的，本发明提供一种基于深度学习的电力系统快速状态估计方法，具体包括以下步骤：
1)获取电力系统网络参数信息；
2)程序初始化；
3)对历史数据库中的支路功率量测和状态估计值进行相关性分析，选择强相关量测作为DNN的特征输入，利用历史断面量测数据以及添加噪声后的数据对DNN进行离线训练；
4)确定估计时刻k，将时刻k的实时支路功率量测值输入步骤3)中训练完成的DNN网络，得到时刻k的节点电压幅值和支路两端相角差的DNN输出结果；
5)对支路两端相角差进行线性最小二乘回归，得到节点电压相角估计结果；
6)利用节点电压估计值计算支路功率，并检验合格率是否满足要求，若合格率满足要求，则输出估计结果并跳至步骤8)；
7)对k时刻量测进行WLAV估计，利用估计结果对DNN网络重新训练；
8)判断时间是否结束，若时间未结束，则跳至步骤4)并设置时刻k＝k+1；
9)程序结束。
作为本发明提供一种基于深度学习的电力系统快速状态估计方法的进一步优化方案，为了进一步提高精度，上述步骤1)中参数信息包括：电力系统的拓扑信息、各节点对地电容、各支路阻抗和对地电容。
作为本发明提供一种基于深度学习的电力系统快速状态估计方法的进一步优化方案，为了进一步提高精度，步骤2)中程序初始化包括：设定DNN网络参数。
本发明的有益效果为：本发明针对大规模电力系统状态估计问题，采用基于深度学习进行电力系统快速状态估计，该方法在离线阶段对支路功率量测和状态变量进行相关性分析，选择强相关量测作为深度神经网络的特征输入，利用历史断面量测数据以及添加噪声后的数据对深度学习网络进行离线训练；在线应用阶段，输入当前时刻量测即可实时得到快速状态估计结果，从而保证状态估计方法在大规模电网中的估计效率；仿真结果表明，该方法在计算速度上较传统的WLS和WLAV估计有明显提升；此外，该方法的估计精度以及对量测坏数据的鲁棒性较WLS和WLAV估计也有较大提升。
附图说明
图1为本发明实施例中DNN网络训练流程图；
图2为本发明实施例的整体流程图；
图3为本发明实施例中IEEE118节点系统为标准测试系统图；
图4为本发明实施例中以IEEE118节点系统为标准测试系统，在量测噪声为高斯白噪声时本发明方法与WLS、WLAV算法的状态估计结果对比图；
图5为本发明实施例中以IEEE118节点系统为标准测试系统，在量测噪声包含坏数据时本发明方法与WLS、WLAV算法的状态估计结果对比图；
图6为本发明实施例中在量测噪声包含坏数据时含噪声网络与不含噪声网络的状态估计结果对比图。
图7为本发明实施例中量测为高斯白噪声时该省级电网支路126首端有功功率在WLS、WLAV以及本发明提出的DNN作用下的估计结果与潮流真值进行比较得到的误差概率密度曲线。；
图8为本发明实施例中量测包含坏数据时该省级电网支路126首端有功功率在WLS、WLAV以及本发明提出的DNN作用下的估计结果与潮流真值进行比较得到的误差概率密度曲线。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
参见图1至图8，本发明是：一种基于深度学习的电力系统快速状态估计方法，其中，包括以下步骤：
1)获取电力系统网络参数信息；
2)程序初始化；
3)对历史数据库中的支路功率量测和状态估计值进行相关性分析，选择强相关量测作为DNN的特征输入，利用历史断面量测数据以及添加噪声后的数据对DNN进行离线训练；
4)确定估计时刻，将该时刻的实时支路功率量测值输入步骤3)中训练完成的DNN网络，得到该时刻的节点电压幅值和支路两端相角差的DNN输出结果；
5)对支路两端相角差进行线性最小二乘回归，得到节点电压相角估计结果；
6)利用节点电压估计值计算支路功率，并检验合格率是否满足要求，若合格率满足要求，则输出估计结果并跳至步骤8)；
7)对该时刻量测进行WLAV估计，利用估计结果对DNN网络重新训练；
8)判断时间是否结束，若时间未结束，则跳至步骤4)并设置时刻；
9)程序结束。
其中，所述步骤1)中参数信息包括：电力系统的拓扑信息、各节点对地电容、各支路阻抗和对地电容。
其中，所述步骤2)中程序初始化包括：设定DNN网络参数。
具体地，为了更好地实现本发明目的，本发明提供一种基于深度学习的电力系统快速状态估计方法，具体包括以下步骤：
1)获取电力系统网络参数信息；
2)程序初始化；
3)对历史数据库中的支路功率量测和状态估计值进行相关性分析，选择强相关量测作为DNN的特征输入，利用历史断面量测数据以及添加噪声后的数据对DNN进行离线训练；
4)确定估计时刻k，将时刻k的实时支路功率量测值输入步骤3)中训练完成的DNN网络，得到时刻k的节点电压幅值和支路两端相角差的DNN输出结果；
5)对支路两端相角差进行线性最小二乘回归，得到节点电压相角估计结果；
6)利用节点电压估计值计算支路功率，并检验合格率是否满足要求，若合格率满足要求，则输出估计结果并跳至步骤8)；
7)对k时刻量测进行WLAV估计，利用估计结果对DNN网络重新训练；
8)判断时间是否结束，若时间未结束，则跳至步骤4)并设置时刻k＝k+1；
9)程序结束。
其中，为了进一步提高精度，上述步骤1)中参数信息包括：电力系统的拓扑信息、各节点对地电容、各支路阻抗和对地电容。
其中，为了进一步提高精度，步骤2)中程序初始化包括：设定DNN网络参数。
本发明中提到的深度学习算法基本原理为：深度学习网络包含多个隐含层，通过利用反向传播(Back Propagation,BP)算法，网络模型可以从大量的训练样本中获取未知的知识；深度学习理论指出人工神经网络应如何调整内部参数来发现大数据集中复杂的结构，这些参数通过前一层的神经元信息来计算后一层的神经元信息。深度学习算法是具有多层表示(representation)的表示学习方法，其功能通过对非线性模块的组合来实现；从模型的输入开始，其每一个模块将较低层次的表示转化为较高层次、更为抽象的表示，直至模型的输出。有了足够深层次的模块组合，深度学习模型从理论上可以学习任意复杂程度的函数。
本发明的方法是基于深度神经网络(Deep Neural Networks,DNN)。DNN由输入层、输出层以及多个隐含层全连接构成；DNN的数学原理包括前向传播和反向传播，两部分交替进行。前向传播阶段，隐含层将前一层的输出作为后一层的输入；
Figure BDA0002136420120000051
Figure BDA0002136420120000052
其中，
Figure BDA0002136420120000053
代表DNN第L层第k个神经元激活前的输出，
Figure BDA0002136420120000054
代表DNN第L层第k个神经元激活后的输出，
Figure BDA0002136420120000055
代表
Figure BDA0002136420120000056
到
Figure BDA0002136420120000057
的线性传递系数，
Figure BDA0002136420120000058
代表
Figure BDA0002136420120000059
前向传播函数的偏倚常数，f(·)为激活函数，一般选择sigmoid函数，即：
Figure BDA00021364201200000510
DNN的反向传播通过随机梯度下降(Stochastic Gradient Descent,SGD)迭代优化，使得损失函数取到极小值，从而求得网络的最佳参数，包括线性传递系数w和偏倚常数d。损失函数通常选取均方误差函数。
本发明中提到的量测相关性分析内容如下：
由于大电网数据量大且来源众多，如果将全网所有量测全部作为深度学习网络的特征输入，一方面势必会导致网络的估计效率大大降低，估计速度难以达到在线应用的要求；另一方面大量相关性很低的特征输入，可能会导致深度学习网络出现过拟合的问题，影响网络的估计精度。因此考虑对支路量测与状态变量的相关性进行分析，选取与节点电压幅值和支路相角差强相关的量测作为DNN网络的特征输入。
由于电力系统量测方程的近似线性化程度很高，因此可以选择统计学中应用最为广泛的Pearson相关系数作为量测相关性指标：
Figure BDA0002136420120000061
选取相关系数绝对值|R|＞0.7的量测作为强相关量测输入DNN网络。
本发明中提到的一种基于深度学习的电力系统快速状态估计方法是基于DNN网络，挖掘历史量测与状态变量间的相关性，利用相关性分析选取强相关量测，网络的训练输出为单个状态变量的WLAV状态估计值，训练输入为历史断面该状态变量的强相关量测。具体步骤如图1所示，在线应用阶段，通过多线程并行处理技术，即可得到全网的快速状态估计结果。具体步骤如图2所示。
基于物理模型的传统状态估计方法大多以节点电压幅值和相角作为待估计的状态变量。本发明提出的基于数据驱动的状态估计方法，由于算法过程中不使用物理模型作为约束，不同节点的状态变量之间缺少联系，而支路两端相角差与相角值存在2-4个数量级的差距，因此本发明的方法用支路两端相角差代替相角值作为状态变量，以提高支路功率的估计精度。利用支路相角差求节点电压相角仅需作一步线性最小二乘回归：
Figure BDA0002136420120000062
其中，
Figure BDA0002136420120000063
为节点电压相角估计值，Δθ为DNN网络输出的支路相角差，A为系统的邻接矩阵，设系统第k条支路的首末节点编号分别为i、j，则A的第k行第i个元素为1，第j个元素为-1，其余元素为0。
由于电力系统量测中存在坏数据不可避免，模型对坏数据的鲁棒性在实际应用中至关重要。本发明中的模型通过在历史断面训练样本中随机选择部分量测，添加10σ噪声，生成含噪声的训练样本，扩充DNN网络的训练集，以此来模拟电网实际运行过程中可能出现的各种坏数据情况，通过对含噪声网络的学习提高模型的鲁棒性。
本发明提出的基于深度学习的电力系统快速状态估计方法，能很好地学习历史数据中的潜在关系，在电力系统历史数据库中存在相似断面时有较好的估计性能，然而当系统出现未曾学习到的工况时可能会导致估计精度不够。利用节点电压估计值计算支路功率：
Pij＝ViVj(Gijcosθij+Bijsinθij)-tijGijVi 2
Qij＝ViVj(Gijsinθij-Bijcosθij)+(tijBij-B0/2)Vi 2
其中，tij为支路ij的变压器非标准变比；θij为支路ij两端节点电压的相角差；B0为支路电纳。
计算当前断面状态估计结果的合格率：
Figure BDA0002136420120000064
Figure BDA0002136420120000065
其中，rb为遥测数据估计值残差；z为实时量测值；h(·)为量测方程；x为状态变量，即节点电压幅值和相角；zb为量测类型基准值，与量测类型及电压等级有关，具体数值在表1中列出；p为状态估计合格率；zpass为遥测估计合格点数，即遥测数据估计值残差有功≤2.0％，无功≤3.0％，电压≤0.5％的点数；zN为遥测总点数。
在检测到快速状态估计结果合格率不满足要求时，需要对当前断面进行WLAV估计，将估计结果添加到历史数据库中，对DNN网络重新训练。
本发明测试的算例包括IEEE118节点标准系统和国内某实际省网系统。通过实际电网连续800个小时的运行数据获取负荷曲线，数据每15min进行一次采样，共计3200个断面，以第1-3000个断面数据作为模型训练集，第3001-3200个断面数据作为模型测试集。利用实际负荷曲线进行仿真得到多断面潮流数据作为真实值，在多断面潮流数据中添加量测噪声及坏数据模拟实际量测值，量测配置为支路首末端功率量测及节点电压幅值量测。
本发明的IEEE118节点系统测试是通过两种不同的情景验证模型的估计精度及鲁棒性。IEEE118节点系统图如图3所示。情景1中量测误差仅包含高斯白噪声。情景2在情景1的基础上，于支路1(首端节点为1，末端节点为2)的末端有功功率量测、末端无功功率量测添加10σ噪声作为坏数据。
图4为IEEE118节点系统支路1末端有功功率和末端无功功率在系统量测噪声为高斯白噪声时在WLS、WLAV以及本文提出的DNN作用下的估计结果与潮流真值进行比较得到的绝对误差图。为了让各算法之间的估计结果比较更加直观，本发明采用平均绝对估计误差和最大绝对估计误差作为指标进行算法性能间的对比。表2为高斯白噪声测试中不同算法下的状态估计结果指标,Pji1、Qji1分别为支路1末端有功功率与无功功率。由图4和表2可以看出，在系统量测噪声为高斯白噪声时，本发明方法的支路有功功率估计精度明显高于WLS和WLAV估计，支路无功功率估计精度大致与WLS和WLAV相当。可以得出，本发明所提出的基于深度学习的电力系统快速状态估计方法在系统量测噪声为高斯白噪声时具有比传统WLS和WLAV更高的估计精度。
表3为各标准测试系统不同算法的状态估计时间。由表3可以看出，随着系统规模的增大，传统基于物理模型的状态估计方法所用时间呈指数级增加，尤其是当系统规模增大到13659节点时，传统估计方法已经很难满足状态估计在线应用的实时性要求；而本发明提出的基于深度学习的快速估计方法利用多线程并行处理技术，系统规模的增大主要影响网络离线训练所用的时间，对在线估计所用时间影响很小，估计效率在大规模电力系统中具有很大优势。
由于电力系统量测中存在坏数据不可避免，测试状态估计算法在系统量测中包含坏数据时的估计性能具有重要的实际意义。本发明的坏数据测试通过在支路1末端功率量测中添加10σ坏数据来实现。图5为IEEE118节点系统支路1末端有功功率和末端无功功率在系统量测含有坏数据时在WLS、WLAV以及本文提出的DNN作用下的估计结果与潮流真值进行比较得到的绝对误差图。表4为坏数据测试中不同算法下的状态估计结果指标。由图5和表4可以看出，在系统量测噪声中包含坏数据时，本发明方法的支路有功功率估计精度和支路无功功率估计精度都明显高于WLS和WLAV估计。可以得出，本发明所提出的基于深度学习的电力系统快速状态估计方法有较强的抗差能力，在系统量测包含坏数据时具有比传统WLS和WLAV估计更高的估计精度和鲁棒性。
本发明提出的含噪声网络模型通过在历史断面训练样本中随机选择部分量测，添加10σ噪声，生成含噪声的训练样本，扩充DNN网络的训练集，以此来模拟电网实际运行过程中可能出现的各种坏数据情况，通过对含噪声网络的学习提高模型的鲁棒性。图6为IEEE118节点系统支路1末端有功功率和末端无功功率在不含噪声网络及含噪声网络作用下的估计结果与潮流真值进行比较得到的绝对误差图。表5为量测包含坏数据时含噪声网络和不含噪声网络的状态估计结果指标。由图6和表5可以看出，在系统量测包含坏数据时，含噪声网络的估计精度较不含噪声网络有明显的提升，且含噪声网络仅在网络离线训练过程中增加网络训练样本的数量，并不影响模型在线估计所用的时间，其估计效率与不含噪声网络完全一样，在大规模电力系统状态估计中有较好的工程应用前景。
为了进一步验证本发明提出方法的估计效果，本发明针对实际系统进行仿真测试，该系统基于国内某省级电网，包括1168个节点，1916条支路，其中支路126的首端有功功率估计结果作为本测试的结果展示。通过两种不同的情景验证模型的估计精度及鲁棒性，情景1中量测误差仅包含高斯白噪声。情景2在情景1的基础上，于支路126的首端有功功率量测添加10σ噪声作为坏数据。
图7为量测为高斯白噪声时该省级电网支路126首端有功功率在WLS、WLAV以及本文提出的DNN作用下的估计结果与潮流真值进行比较得到的误差概率密度曲线。表6为高斯白噪声测试中不同算法下的状态估计结果指标。由图7和表6可以看出，在该省级电网量测噪声为高斯白噪声时，本文方法的估计误差主要分布于(-0.1,0.1)的区间内，且大多集中在0附近：WLS和WLAV估计误差有较多超出±0.1且分布较为分散。可以得出，本发明方法在实际电力系统中同样能得到很好的应用，其估计精度较传统WLS、WLAV估计有明显的提升。
图8为量测包含坏数据时该省级电网支路126首端有功功率在WLS、WLAV以及本文提出的DNN作用下的估计结果与潮流真值进行比较得到的误差概率密度曲线。表7为坏数据测试中不同算法下的状态估计结果指标。由图8和表7可以看出，在该省级电网量测包含坏数据时，WLS的估计性能较高斯白噪声情况下有明显下降，而WLAV与本发明方法仍能保持相对较好的估计性能。根据表7，本发明方法在量测存在坏数据时的估计误差较WLS和WLAV估计分别减小了63.2％和51.2％。因此本发明方法在实际系统中具有较好的泛化能力和鲁棒性。
本发明针对大规模电网状态估计效率低、收敛性差的现状，提出了基于深度学习的电力系统快速状态估计。该深度学习模型选取DNN网络作为深度学习模型，以相关性分析方法选择特征输入，通过噪声网络提高模型对坏数据的抗差能力，使得估计方法精度提高，鲁棒性增强。
表1为本发明中的量测类型基准值：
Figure BDA0002136420120000091
表2为IEEE118节点系统高斯白噪声时不同算法下状态估计结果指标：
Figure BDA0002136420120000092
表3为各标准测试系统不同算法下状态估计时间：
Figure BDA0002136420120000093
表4为IEEE118节点系统包含坏数据时不同算法下状态估计结果指标：
Figure BDA0002136420120000094
表5为IEEE118节点系统包含坏数据时噪声网络状态估计结果指标：
Figure BDA0002136420120000101
表6为实际省网系统高斯白噪声时不同算法下状态估计结果指标：
Figure BDA0002136420120000102
表7为实际省网系统包含坏数据时不同算法下状态估计结果指标：
Figure BDA0002136420120000103
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种基于深度学习的电力系统快速状态估计方法，其特征在于，包括以下步骤：
1)获取电力系统网络参数信息；所述参数信息包括：电力系统的拓扑信息、各节点对地电容、各支路阻抗和对地电容；
2)程序初始化；所述程序初始化包括：设定DNN网络参数；
3)对历史数据库中的支路功率量测和状态估计值进行相关性分析，选择强相关量测作为DNN的特征输入，利用历史断面量测数据以及添加噪声后的数据对DNN进行离线训练；
4)确定估计时刻，将该时刻的实时支路功率量测值输入步骤3)中训练完成的DNN网络，得到该时刻的节点电压幅值和支路两端相角差的DNN输出结果；
5)对支路两端相角差进行线性最小二乘回归，得到节点电压相角估计结果；
利用支路相角差求节点电压相角仅需作一步线性最小二乘回归：
Figure FDA0003720028240000011
其中，
Figure FDA0003720028240000012
为节点电压相角估计值，Δθ为DNN网络输出的支路相角差，A为系统的邻接矩阵，设系统第k条支路的首末节点编号分别为i、j，则A的第k行第i个元素为1，第j个元素为-1，其余元素为0；
6)利用节点电压估计值计算支路功率，并检验合格率是否满足要求，若合格率满足要求，则输出估计结果并跳至步骤8)；
利用节点电压估计值计算支路功率：
Pij＝ViVj(Gijcosθij+Bijsinθij)-tijGijVi 2
Qij＝ViVj(Gijsinθij-Bijcosθij)+(tijBij-B0/2)Vi 2
其中，tij为支路ij的变压器非标准变比；θij为支路ij两端节点电压的相角差；B0为支路电纳；
计算当前断面状态估计结果的合格率：
Figure FDA0003720028240000013
Figure FDA0003720028240000014
其中，rb为遥测数据估计值残差；z为实时量测值；h(·)为量测方程；x为状态变量，即节点电压幅值和相角；zb为量测类型基准值，与量测类型及电压等级有关；p为状态估计合格率；zpass为遥测估计合格点数，即遥测数据估计值残差有功≤2.0％，无功≤3.0％，电压≤0.5％的点数；zN为遥测总点数；
7)对该时刻量测进行WLAV估计，利用估计结果对DNN网络重新训练；
8)判断时间是否结束，若时间未结束，则跳至步骤4)并设置时刻；
9)程序结束。
CN201910654528.3A 2019-07-19 2019-07-19 一种基于深度学习的电力系统快速状态估计方法 Active CN110443724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654528.3A CN110443724B (zh) 2019-07-19 2019-07-19 一种基于深度学习的电力系统快速状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654528.3A CN110443724B (zh) 2019-07-19 2019-07-19 一种基于深度学习的电力系统快速状态估计方法

Publications (2)

Publication Number Publication Date
CN110443724A CN110443724A (zh) 2019-11-12
CN110443724B true CN110443724B (zh) 2022-08-16

Family

ID=68430941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654528.3A Active CN110443724B (zh) 2019-07-19 2019-07-19 一种基于深度学习的电力系统快速状态估计方法

Country Status (1)

Country Link
CN (1) CN110443724B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111900767B (zh) * 2020-03-25 2022-09-20 中国电力科学研究院有限公司 一种用于控制电力系统多断面有功潮流的方法及系统
CN111599447B (zh) * 2020-05-18 2023-10-10 上海联影医疗科技股份有限公司 一种数据处理方法、装置、电子设备及存储介质
CN111797974B (zh) * 2020-06-01 2022-10-11 武汉大学 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法
CN113688516A (zh) * 2021-08-19 2021-11-23 云南电网有限责任公司电力科学研究院 一种基于最小二乘回归的调压器状态评估方法
CN115146538A (zh) * 2022-07-11 2022-10-04 河海大学 基于消息传递图神经网络的电力系统状态估计方法
CN115616296B (zh) * 2022-12-16 2023-05-09 南京华士电子科技有限公司 一种牵引变流器直流支撑电容参数辨识方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399745A (zh) * 2018-03-01 2018-08-14 北京航空航天大学合肥创新研究院 一种基于无人机的分时段城市路网状态预测方法
CN108876163A (zh) * 2018-06-27 2018-11-23 国电南瑞科技股份有限公司 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN109088407A (zh) * 2018-08-06 2018-12-25 河海大学 基于深度信念网络伪量测建模的配电网状态估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399745A (zh) * 2018-03-01 2018-08-14 北京航空航天大学合肥创新研究院 一种基于无人机的分时段城市路网状态预测方法
CN108876163A (zh) * 2018-06-27 2018-11-23 国电南瑞科技股份有限公司 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN109088407A (zh) * 2018-08-06 2018-12-25 河海大学 基于深度信念网络伪量测建模的配电网状态估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于改进LightGBM的电力系统暂态稳定评估方法;周挺等;《电网技术》;20190419(第06期);全文 *
基于深度信念网络伪量测建模的配电网状态估计;孙国强等;《电力自动化设备》;20181207(第12期);全文 *
基于深度学习的电力系统暂态稳定评估方法;周悦等;《电力建设》;20180201(第02期);全文 *

Also Published As

Publication number Publication date
CN110443724A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN115081316A (zh) 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
CN116362398A (zh) 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN115859792A (zh) 基于注意力机制的中期电力负荷预测方法及系统
CN113222263A (zh) 一种基于长短期记忆神经网络的光伏发电功率预测方法
CN116960978A (zh) 基于风速-功率组合分解重构的海上风电功率预测方法
CN117239722A (zh) 一种考虑多元负荷影响的系统风荷短期预测方法
CN113449912B (zh) 一种基于人工智能技术的空间负荷态势感知方法
CN117407660B (zh) 一种基于深度学习的区域海浪预报方法
Kamel et al. On the Performance Robustness of Artificial Neural Network Approaches and Gumbel Extreme Value Distribution for Prediction of Wind Speed
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
Li et al. Predicting Software Quality by Optimized BP Network Based on PSO.
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
CN112132328A (zh) 一种光伏输出功率超短期局域情绪重构神经网络预测方法
CN109459609B (zh) 一种基于人工神经网络的分布式电源频率检测方法
CN116722653A (zh) 一种电力系统动态状态检测方法及系统
CN116859140A (zh) 基于云边协同的非侵入式负荷监测数据在线压缩感知方法
CN113783186B (zh) 一种考虑配电网拓扑结构变化的电压预测方法
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN114372418A (zh) 一种风电功率时空态势描述模型建立方法

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