CN111797974B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111797974B CN111797974B CN202010486953.9A CN202010486953A CN111797974B CN 111797974 B CN111797974 B CN 111797974B CN 202010486953 A CN202010486953 A CN 202010486953A CN 111797974 B CN111797974 B CN 111797974B
- Authority
- CN
- China
- Prior art keywords
- measurement
- data
- rtu
- power
- pmu
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 title claims abstract description 27
- 238000001914 filtration Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 199
- 238000002347 injection Methods 0.000 claims abstract description 33
- 239000007924 injection Substances 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 230000002411 adverse Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提出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:离线学习部分,先利用历史RTU/PMU量测融合数据,分析系统注入功率的概率分布,再通过基于贝叶斯估计的粒子滤波算法,利用蒙特卡洛采样,生成训练样本,训练卷积神经网络;在线状态估计部分,将实时PMU量测数据预处理后,根据从离线学习部分训练获得的卷积神经网络结构和权重值建立网络,再通过前向计算和后向传播,完成电力系统的状态估计。相较于传统最小二乘估计的牛顿法迭代算法,该方法能有效提升计算速度,提高状态估计的精度和抗差能力。
Description
技术领域
本发明属于电力系统运行与控制技术领域,具体涉及一种基于深度学习和贝叶斯滤波的电力系统状态估计方法。
背景技术
可再生能源的发电量和接入量在快速增长的同时,它所带来的随机性、波动性问题,以及电网拓扑结构的日益复杂现状,使得电网的安全稳定运行面对着巨大挑战。因此,当前对于电力系统状态的实时监测、分析和控制显得愈发紧迫和关键。
如今,电力系统运行工况数据依靠广域测量系统(Wide Area MeasurementSystem,WAMS)和监控和数据采集系统(Supervisory Control And Data Acquisition,SCADA)提供。但由于受限于WAMS中的相量测量单元(Phasor Measurement Unit,PMU)成本因素,不能广泛安装,因此电网状态估计主要依靠SCADA数据进行。而SCADA中的远程终端单元(Remote Terminal Unit,RTU)数据刷新频率低,有较高的数据传输时延,并且没有时钟标识,时间同步性较差,因此很难实现电力系统的在线状态估计。若在采集和传输过程中产生坏数据,由于传统的算法缺乏对其的辨识和剔除能力,造成状态估计的鲁棒性差。
一方面,凭借卷积神经网络(Convolutional Neural Network,CNN)的强大非线性信息处理能力,利用海量的电网数据,通过多次参数训练可以得到一种估计准确率高,能够快速收敛并且具有泛化能力的算法。另一方面,结合PMU装置量测和传输性能的优点和RTU全网配置的特点,将二者的数据通过量测变换技术,克服数据样式与平台接口等差异,进行融合,作为神经网络的输入数据进行学习。从而使算法具有更大的冗余度,能携带更多的电力系统信息,训练后也能获得更多的电网特征,最终进一步提高状态估计的精度。
本发明提出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,利用历史RTU/PMU融合后的量测数据,离线训练卷积神经网络;将实时PMU量测数据预处理后,通过离线训练完成的网络,进行电力系统在线状态估计。该方法,不仅改进了传统方法的抗差能力,而且能够提升计算精度,实现高效可靠的电网在线状态估计,为电力系统的实时监控和稳定运行提供保障。
发明内容
本发明针对现有技术的不足,提出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,具体方案如下:
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,其特征在于,包括:
电力系统量测值训练样本生成:包括量测断面时间的对齐步骤、数据刷新频率的处理步骤、数据精度的处理步骤、融合系统的建立和粒子滤波步骤,具体是首先采取计算二者数据的相关系数得出二者最佳的融合时间,实现量测断面时间的对齐。其次,利用外推法和内插法解决数据的刷新频率不同的问题。再而,赋予高精度的PMU数据高权重,相对应地赋予RTU数据低权重,从而克服精度上的差异。最后,通过量测变换技术,将RTU所测得的节点注入功率和支路功率变换成等效支路的电流相量伪量测,从而与原有的PMU量测组成融合量测系统。
采用卷积神经网络进行电力系统状态估计:量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练,具体是分成离线学习和在线状态估计两个部分。离线学习部分,利用历史RTU/PMU融合后的量测数据,分析系统注入功率的概率分布;再通过贝叶斯估计中的粒子滤波算法,利用蒙特卡洛采样,生成训练样本,训练卷积神经网络。在线状态估计部分,将实时PMU量测数据预处理后,根据从离线学习部分训练获得的神经网络结构和权重值建立网络,再通过前向计算和后向传播,完成电力系统的状态估计。
在上述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,电力系统量测值训练样本生成采用PMU和RTU融合数据进行粒子滤波的电力系统量测值训练样本生成方法,具体包括:
1)量测断面时间的对齐
在电力系统的历史量测数据中,取两段等长的时间序列的PMU量测数据zm与RTU量测数据zn,并计算二者的相关系数;其中相关系数最大的列向量所对应的PMU量测时刻即为融合量测系统的基准量测时刻:
其中,在t=τ时,ρmn(t1,t2-τ)为一系列按时间顺序排列的PMU量测和RTU量测的相关系数矩阵;Cmn(t1,t2-τ)为所取的PMU量测和RTU量测数据的协方差;Cmm(t1,t2)和Cnn(t1-τ,t2-τ)分别为PMU量测和RTU量测数据各自的方差。
假设在t=τ0时,PMU量测数据zm与RTU量测数据zn取最大相关系数:
ρmn(t1,t2-τ0)=max[ρmn(t1,t2-τ)](2)
2)数据刷新频率的处理
本系统中,电网状态变化波动大且未来的RTU伪量测值可用,通过内插法对RTU量测zn进行线性内插,获得伪量测值,以此类推:
3)数据精度的处理
R=1/σ2。 (4)
4)融合量测系统的建立
对于量测数据集利用伪量测的概念,将RTU伪量测所测得的节点注入功率和支路功率变换成等效支路的电流相量量测,对原有全网部分可观的PMU量测进行补充,组成融合量测系统在直角坐标系下,母线电压相量量测和支路电流相量量测分别为:
将RTU所获得的节点注入功率量测转换为节点注入电流相量量测:
5)粒子滤波
①预测方程
p(xk|z1:k-1)=∫p(xk|xk-1)p(xk-1|z1:k-1)dxk-1 (10)
②更新方程:
在上述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,电力系统状态估计步骤具体包括量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练,具体包括:
1)量测数据的归一化
vr=v cosθ,vi=v sinθ(12)
进一步,归一化处理电力系统状态估计中数值和单位差异较大的量测量输入数据,包括支路流动有功Pij、支路流动无功Qij、节点注入有功Pi、节点注入无功Qi以及神经网络的输出数据包括实电压vr和虚电压vi,使输入输出数据均转换为,使卷积神经网络更易于训练:
其中,x′为归一化处理后的数据,x为原始量测数据,xmin,xmax分别为原始数据的最小值和最大值。
2)输入层和输出层神经元的数目
融合量测数据集进行状态估计的电力网络有N个节点,M个量测量,则系统的状态变量数目为n=2N-1。相同于全连接的神经网络状态估计算法,为接收M个输入量测量,输入层神经元数目应设置为M个;同理,输出层神经元数目应设置为N个。
3)网络各层的结构
本方法采用的卷积神经网络的结构为:
[Input→F_1→C_1→C_2→P_1→F_2→FC_1→Output] (14)
其中,Input表示输入层,其神经元个数为M;F_i表示第i层展平层;C_j表示第j层卷积层;P_1表示池化层;FC_1表示全连接层;Output表示输出层,其神经元个数为N。
4)激活函数
引入非线性激活函数ReLU以增强算法的泛化能力,解决梯度消失和梯度爆炸的问题,同时使收敛速度加快:
其中,f(x)为激活函数的输出;x为各层神经网络的输入。
5)卷积核的大小
考虑到电力系统的注入功率、支路的流动功率等均具有耦合特性,有功P=UIcosθ、无功Q=UIsinθ均由电压幅值相角以及电压电流的相角差计算而来。同时,各节点之间也存在着拓扑连接关系,选择尺寸为[2×2]的二维卷积核,能较好地兼顾量测数据的耦合特性和拓扑连接特性。卷积核的输出为:
yC_i=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (16)
其中,yC_i为第i层卷积层的卷积核的输出;x1、x2、x3、x4为[2×2]卷积核感受野感受到的四个输入;ω1、ω2、ω3、ω4为[2×2]卷积核的四个参数。
6)池化核的大小和池化方式
为了增强状态估计方法的抗差能力,选择尺寸为[2×2]的二维池化核和均值池化方式,以减小个别坏数据、异变值对状态估计结果带来的不良影响,在减少网络参数的同时能提高网络的鲁棒性。采用均值池化的方式,将局部感受域内所有点的平均值作为输出,提取特征平面的局部响应,缓解因为区域的大小所影响的估计值方差变化,较好的提取到背景信息,同时也可在一定程度上抑制突变值对模型的不利影响。计算公式为:
其中,xpooling为池化输出,x1、x2、x3、x4为[2×2]最大池化的四个输入,即选择四个输入中的均值作为池化输出。
7)模型训练
建立电网状态估计系统:
z=h(x)+v (18)
x=g(s) (19)
其中,z=[z1,...,zm]T,为M维的量测向量;h(x)为量测函数;v是量测噪声;x为N维的状态向量;s=[s1,...,sn]T,为N维的复数系统注入功率向量。
在全连接层通过Dropout防止神经网络过拟合,采用Adam优化算法修正参数,使CNN训练时占用更少资源且不影响模型收敛速度;对搭建的卷积神经网络进行反复训练,修正内部的权值和偏置,以使整个网络的损失函数降到最低,得到相应的状态量输出,即各个待估计节点的实电压vrk=vkcosθk和虚电压vik=vksinθk,联合实电压与虚电压方程即可求解各个节点的状态电压幅值vk和电压相角θk,从而实现CNN对实时量测数据的实时估计。
因此,本发明具有如下优点:1.提升电力系统状态估计精度;2.增强状态估计系统对于误差和坏数据的鲁棒性;3.提升状态估计的计算速度,增强其在电力系统中应用的实时性。
附图说明
图1为本发明方法的总体流程示意图。
图2为本发明中卷积神经网络各层的性质。
具体实施方式
下面结合本发明的附图、附表和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作,但本发明的保护范围不限于下述的实施案例。
如图1所示,本发明提出的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分为离线学习和在线状态估计两个部分。
离线学习部分,利用历史RTU量测数据或RTU/PMU融合后的量测数据,分析系统注入功率的概率分布;再通过贝叶斯估计中的粒子滤波算法,利用蒙特卡洛采样,生成注入功率样本,进而产生离线部分的卷积神经网络I的训练样本,训练深度学习网络。在线状态估计部分,根据从离线学习部分训练获得的神经网络权重值建立网络;再将PMU数据,通过在线的卷积神经网络II实现状态估计。
其中,离线和在线的区分并不是严格的。我们可以利用新获得量测数据,继续让离线学习部分学习,优化网络I的参数,此时它也将变成在线状态估计的一部分。
对于本方法采用PMU和RTU融合数据进行粒子滤波的电力系统量测值训练样本生成方法,具体包括量测断面时间的对齐、数据刷新频率的处理、数据精度的处理、融合系统的建立和粒子滤波:
1)量测断面时间的对齐
在电力系统的历史量测数据中,取两段等长的时间序列的PMU量测数据zm与RTU量测数据zn,并计算二者的相关系数;其中相关系数最大的列向量所对应的PMU量测时刻即为融合量测系统的基准量测时刻:
其中,在t=τ时,ρmn(t1,t2-τ)为一系列按时间顺序排列的PMU量测和RTU量测的相关系数矩阵;Cmn(t1,t2-τ)为所取的PMU量测和RTU量测数据的协方差;Cmm(t1,t2)和Cnn(t1-τ,t2-τ)分别为PMU量测和RTU量测数据各自的方差。
假设在t=τ0时,PMU量测数据zm与RTU量测数据zn取最大相关系数:
ρmn(t1,t2-τ0)=max[pmn(t1,t2-τ)](21)
2)数据刷新频率的处理
本系统中,电网状态变化波动大且未来的RTU伪量测值可用,通过内插法对RTU量测zn进行线性内插,获得伪量测值,以此类推:
3)数据精度的处理
R=1/σ2。 (23)
4)融合量测系统的建立
对于量测数据集利用伪量测的概念,将RTU伪量测所测得的节点注入功率和支路功率变换成等效支路的电流相量量测,对原有全网部分可观的PMU量测进行补充,组成融合量测系统在直角坐标系下,母线电压相量量测和支路电流相量量测分别为:
将RTU所获得的节点注入功率量测转换为节点注入电流相量量测:
5)粒子滤波
①预测方程
p(xk|z1:k-1)=∫p(xk|xk-1)p(xk-1|z1:k-1)dxk-1 (29)
②更新方程:
3、根据权利要求1所述的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,其特征在于,电力系统状态估计步骤具体包括量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练,具体包括:
1)量测数据的归一化
vr=v cosθ,vi=v sinθ(31)
进一步,归一化处理电力系统状态估计中数值和单位差异较大的量测量输入数据,包括支路流动有功Pij、支路流动无功Qij、节点注入有功Pi、节点注入无功Qi以及神经网络的输出数据包括实电压vr和虚电压vi,使输入输出数据均转换为,使卷积神经网络更易于训练:
其中,x′为归一化处理后的数据,x为原始量测数据,xmin,xmax分别为原始数据的最小值和最大值。
2)输入层和输出层神经元的数目
融合量测数据集进行状态估计的电力网络有N个节点,M个量测量,则系统的状态变量数目为n=2N-1。相同于全连接的神经网络状态估计算法,为接收M个输入量测量,输入层神经元数目应设置为M个;同理,输出层神经元数目应设置为N个。
3)网络各层的结构
本方法采用的卷积神经网络的结构为:
[Input→F_1→C_1→C_2→P_1→F_2→FC_1→Output] (33)
其中,Input表示输入层,其神经元个数为M;F_i表示第i层展平层;C_j表示第j层卷积层;P_1表示池化层;FC_1表示全连接层;Output表示输出层,其神经元个数为N。
4)激活函数
引入非线性激活函数ReLU以增强算法的泛化能力,解决梯度消失和梯度爆炸的问题,同时使收敛速度加快:
其中,f(x)为激活函数的输出;x为各层神经网络的输入。
5)卷积核的大小
考虑到电力系统的注入功率、支路的流动功率等均具有耦合特性,有功P=UIcosθ、无功Q=UIsinθ均由电压幅值相角以及电压电流的相角差计算而来。同时,各节点之间也存在着拓扑连接关系,选择尺寸为[2×2]的二维卷积核,能较好地兼顾量测数据的耦合特性和拓扑连接特性。卷积核的输出为:
yC_i=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (35)
其中,yC_i为第i层卷积层的卷积核的输出;x1、x2、x3、x4为[2×2]卷积核感受野感受到的四个输入;ω1、ω2、ω3、ω4为[2×2]卷积核的四个参数。
6)池化核的大小和池化方式
为了增强状态估计方法的抗差能力,选择尺寸为[2×2]的二维池化核和均值池化方式,以减小个别坏数据、异变值对状态估计结果带来的不良影响,在减少网络参数的同时能提高网络的鲁棒性。采用均值池化的方式,将局部感受域内所有点的平均值作为输出,提取特征平面的局部响应,缓解因为区域的大小所影响的估计值方差变化,较好的提取到背景信息,同时也可在一定程度上抑制突变值对模型的不利影响。计算公式为:
其中,xpooling为池化输出,x1、x2、x3、x4为[2×2]最大池化的四个输入,即选择四个输入中的均值作为池化输出。
7)模型训练
建立电网状态估计系统:
z=h(x)+v (37)
x=g(s) (38)
其中,z=[z1,...,zm]T,为M维的量测向量;h(x)为量测函数;v是量测噪声;x为N维的状态向量;s=[s1,...,sn]T,为N维的复数系统注入功率向量。
在全连接层通过Dropout防止神经网络过拟合,采用Adam优化算法修正参数,使CNN训练时占用更少资源且不影响模型收敛速度;对搭建的卷积神经网络进行反复训练,修正内部的权值和偏置,以使整个网络的损失函数降到最低,得到相应的状态量输出,即各个待估计节点的实电压vrk=vkcosθk和虚电压vik=vksinθk,联合实电压与虚电压方程即可求解各个节点的状态电压幅值vk和电压相角θk,从而实现CNN对实时量测数据的实时估计。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一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,其特征在于,包括:
电力系统量测值训练样本生成:包括量测断面时间的对齐步骤、数据刷新频率的处理步骤、数据精度的处理步骤、融合系统的建立和粒子滤波步骤,具体是首先采取计算二者数据的相关系数得出二者最佳的融合时间,实现量测断面时间的对齐;其次,利用外推法和内插法解决数据的刷新频率不同的问题;再而,赋予高精度的PMU数据高权重,相对应地赋予RTU数据低权重,从而克服精度上的差异;最后,通过量测变换技术,将RTU所测得的节点注入功率和支路功率变换成等效支路的电流相量伪量测,从而与原有的PMU量测组成融合量测系统;
采用卷积神经网络进行电力系统状态估计:量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练,具体是分成离线学习和在线状态估计两个部分;离线学习部分,利用历史RTU/PMU融合后的量测数据,分析系统注入功率的概率分布;再通过贝叶斯估计中的粒子滤波算法,利用蒙特卡洛采样,生成训练样本,训练卷积神经网络;在线状态估计部分,将实时PMU量测数据预处理后,根据从离线学习部分训练获得的神经网络结构和权重值建立网络,再通过前向计算和后向传播,完成电力系统的状态估计。
2.根据权利要求1所述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,其特征在于,电力系统量测值训练样本生成采用PMU和RTU融合数据进行粒子滤波的电力系统量测值训练样本生成方法,具体包括:
1)量测断面时间的对齐
在电力系统的历史量测数据中,取两段等长的时间序列的PMU量测数据zm与RTU量测数据zn,并计算二者的相关系数;其中相关系数最大的列向量所对应的PMU量测时刻即为融合量测系统的基准量测时刻:
其中,在t=τ时,ρmn(t1,t2-τ)为一系列按时间顺序排列的PMU量测和RTU量测的相关系数矩阵;Cmn(t1,t2-τ)为所取的PMU量测和RTU量测数据的协方差;Cmm(t1,t2)和Cnn(t1-τ,t2-τ)分别为PMU量测和RTU量测数据各自的方差;
假设在t=τ0时,PMU量测数据zm与RTU量测数据zn取最大相关系数:
ρmn(t1,t2-τ0)=max[ρmn(t1,t2-τ)](2)
2)数据刷新频率的处理
本系统中,电网状态变化波动大且未来的RTU伪量测值可用,通过内插法对RTU量测zn进行线性内插,获得伪量测值,以此类推:
3)数据精度的处理
R=1/σ2; (4)
4)融合量测系统的建立
对于量测数据集利用伪量测的概念,将RTU伪量测所测得的节点注入功率和支路功率变换成等效支路的电流相量量测,对原有全网部分可观的PMU量测进行补充,组成融合量测系统在直角坐标系下,母线电压相量量测和支路电流相量量测分别为:
将RTU所获得的节点注入功率量测转换为节点注入电流相量量测:
5)粒子滤波
①预测方程
p(xk|z1:k-1)=fp(xk|xk-1)p(xk-1|z1:k-1)dxk-1 (10)
②更新方程:
3.根据权利要求1所述的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,其特征在于,电力系统状态估计步骤具体包括量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练,具体包括:
1)量测数据的归一化
vr=v cosθ,vi=v sinθ (12)
进一步,归一化处理电力系统状态估计中数值和单位差异较大的量测量输入数据,包括支路流动有功Pij、支路流动无功Qij、节点注入有功Pi、节点注入无功Qi以及神经网络的输出数据包括实电压vr和虚电压vi,使卷积神经网络更易于训练:
其中,x′为归一化处理后的数据,x为原始量测数据,xmin,xmax分别为原始数据的最小值和最大值;
2)输入层和输出层神经元的数目
融合量测数据集进行状态估计的电力网络有N个节点,M个量测量,则系统的状态变量数目为n=2N-1;相同于全连接的神经网络状态估计算法,为接收M个输入量测量,输入层神经元数目应设置为M个;同理,输出层神经元数目应设置为N个;
3)网络各层的结构
采用的卷积神经网络的结构为:
[Input→F_1→C_1→C_2→P_1→F_2→FC_1→Output] (14)
其中,Input表示输入层,其神经元个数为M;F_i表示第i层展平层;C_j表示第j层卷积层;P_1表示池化层;FC_1表示全连接层;Output表示输出层,其神经元个数为N;
4)激活函数
引入非线性激活函数ReLU以增强算法的泛化能力,解决梯度消失和梯度爆炸的问题,同时使收敛速度加快:
其中,f(x)为激活函数的输出;x为各层神经网络的输入;
5)卷积核的大小
考虑到电力系统的注入功率、支路的流动功率均具有耦合特性,有功P=UIcosθ、无功Q=UIsinθ均由电压幅值相角以及电压电流的相角差计算而来;同时,各节点之间也存在着拓扑连接关系,选择尺寸为[2×2]的二维卷积核,能较好地兼顾量测数据的耦合特性和拓扑连接特性;卷积核的输出为:
yC_i=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (16)
其中,yC_i为第i层卷积层的卷积核的输出;x1、x2、x3、x4为[2×2]卷积核感受野感受到的四个输入;ω1、ω2、ω3、ω4为[2×2]卷积核的四个参数;
6)池化核的大小和池化方式
为了增强状态估计方法的抗差能力,选择尺寸为[2×2]的二维池化核和均值池化方式,以减小个别坏数据、异变值对状态估计结果带来的不良影响,在减少网络参数的同时能提高网络的鲁棒性;采用均值池化的方式,将局部感受域内所有点的平均值作为输出,提取特征平面的局部响应,缓解因为区域的大小所影响的估计值方差变化,较好的提取到背景信息,同时也可在一定程度上抑制突变值对模型的不利影响;计算公式为:
其中,xpooling为池化输出,x1、x2、x3、x4为[2×2]最大池化的四个输入,即选择四个输入中的均值作为池化输出;
7)模型训练
建立电网状态估计系统:
z=h(x)+v(18)
x=g(s)(19)
其中,z=[z1,...,zm]T,为M维的量测向量;h(x)为量测函数;v是量测噪声;x为N维的状态向量;s=[s1,...,sn]T,为N维的复数系统注入功率向量;
在全连接层通过Dropout防止神经网络过拟合,采用Adam优化算法修正参数,使CNN训练时占用更少资源且不影响模型收敛速度;对搭建的卷积神经网络进行反复训练,修正内部的权值和偏置,以使整个网络的损失函数降到最低,得到相应的状态量输出,即各个待估计节点的实电压vrk=vkcosθk和虚电压vik=vksinθk,联合实电压与虚电压方程即可求解各个节点的状态电压幅值vk和电压相角θk,从而实现CNN对量测数据的实时估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486953.9A CN111797974B (zh) | 2020-06-01 | 2020-06-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486953.9A CN111797974B (zh) | 2020-06-01 | 2020-06-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797974A CN111797974A (zh) | 2020-10-20 |
CN111797974B true CN111797974B (zh) | 2022-10-11 |
Family
ID=72806632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010486953.9A Active CN111797974B (zh) | 2020-06-01 | 2020-06-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797974B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112865116B (zh) * | 2021-01-11 | 2022-04-12 | 广西大学 | 一种平行联邦图神经网络的十三区图无功优化方法 |
CN113449914B (zh) * | 2021-06-25 | 2023-05-26 | 国网山东省电力公司梁山县供电公司 | 一种电力系统监测方法及系统 |
CN113762625A (zh) * | 2021-09-09 | 2021-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
CN114221334A (zh) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | 一种基于图神经网络的快速状态估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124858A (zh) * | 2016-07-12 | 2016-11-16 | 大连理工大学 | 一种基于粒子滤波的电力系统谐波检测方法 |
CN106338651A (zh) * | 2016-08-31 | 2017-01-18 | 长沙理工大学 | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011159199A (ja) * | 2010-02-03 | 2011-08-18 | Gifu Univ | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN106921156B (zh) * | 2015-12-25 | 2019-11-01 | 中国电力科学研究院 | 一种基于多采样周期混合量测的主动配电网状态估计方法 |
CN106844952A (zh) * | 2017-01-20 | 2017-06-13 | 河海大学 | 基于无迹粒子滤波理论的发电机动态状态估计方法 |
CN109711662B (zh) * | 2018-11-14 | 2021-03-09 | 华北电力大学 | 一种基于多源数据融合的电网抗差状态估计方法 |
CN110162871B (zh) * | 2019-05-16 | 2023-01-31 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力系统动态估计方法 |
CN110443724B (zh) * | 2019-07-19 | 2022-08-16 | 河海大学 | 一种基于深度学习的电力系统快速状态估计方法 |
-
2020
- 2020-06-01 CN CN202010486953.9A patent/CN111797974B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124858A (zh) * | 2016-07-12 | 2016-11-16 | 大连理工大学 | 一种基于粒子滤波的电力系统谐波检测方法 |
CN106338651A (zh) * | 2016-08-31 | 2017-01-18 | 长沙理工大学 | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111797974A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797974B (zh) | 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 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN110086168B (zh) | 一种基于多源数据融合的配电网运行拓扑辨识方法 | |
CN110596530B (zh) | 一种小电流接地故障选线方法 | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
Zhang et al. | Fault diagnosis of power grid based on variational mode decomposition and convolutional neural network | |
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
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 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
Zhang et al. | Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy | |
CN111475909B (zh) | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 | |
WO2019184132A1 (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
Xu et al. | Novel fault location for high permeability active distribution networks based on improved VMD and S-transform | |
CN115000947A (zh) | 基于智能电表量测的配电网拓扑结构与线路参数辨识方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
WO2016058248A1 (zh) | 一种基于双线性凸优化理论电力系统双线性抗差估计方法 | |
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 | |
Cao et al. | Fast state estimations for large distribution systems using deep neural networks as surrogate | |
Wang et al. | Research on ultra-short term forecasting technology of wind power output based on various meteorological factors | |
CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 | |
CN113553538B (zh) | 一种递推修正混合线性状态估计方法 | |
Wu et al. | Identification and correction of abnormal measurement data in power system based on graph convolutional network and gated recurrent unit | |
Wang et al. | Harmonic state estimation based on graph signal processing |
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 |