CN115689358A - 一种基于数据降维的配电网状态估计方法及相关装置 - Google Patents

Abstract

本申请公开了一种基于数据降维的配电网状态估计方法及相关装置，方法包括：采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测数据；基于量测误差根据降维量测数据分别构建量测相关函数和伪量测相关函数；基于加权最小二乘法依据量测相关函数和伪量测相关函数构建量测数据填充成本函数，并根据量测数据填充成本函数对降维量测数据进行填充，得到填充量测数据；采用预置神经网络对填充量测数据进行映射训练，得优化量测数据，预置神经网络包括复杂度优化函数；以优化量测数据为初始条件，通过高斯‑牛顿迭代法对配电网状态进行估计，得状态估计结果。本申请能解决现有技术中量测数据维度过高，且传统方法无法满足当前需求的技术问题。

Description

一种基于数据降维的配电网状态估计方法及相关装置

技术领域

本申请涉及配电网技术领域，尤其涉及一种基于数据降维的配电网状态 估计方法及相关装置。

背景技术

状态估计是利用实时量测数据实现电力系统状态感知的重要环节，为电 压控制、经济调度、故障定位等高级应用奠定数据基础，但随着大量的新能 源发电单元接入到主动配电网，对传统的电力系统分析、调度和控制的要求 难度越来越大。为了应对其不确定性对整个配电系统运行可靠性和安全性的 影响，需要依靠准确的运行参数对配电网络进行动态重构和智能控制，相比 于输电网络，配电网网络实时监测设备更少，大部分数据由于长期运行、天 气条件和维护等情况的影响，导致实际参数与理论参数存在偏差，量测作为状态估计的重要数据来源，其数据质量直接决定了状态估计的准确性。

由于实际配电网的传统量测主要来自SCADA量测和AMI量测，包含了 不同类型的配电网量测值，不可避免地存在量测数据维数过高等问题，给传 统的数据处理和计算带来了巨大的挑战。此外，最小二乘估计等传统的状态 估计方法虽然在配电网的状态估计方面有一定成就，但是随着不同的能源形 式大规模地接入到电网，传统的状态估计方法在一定程度上已经无法满足当 前电网发展的需求。

发明内容

本申请提供了一种基于数据降维的配电网状态估计方法及相关装置，用 于解决现有技术中量测数据维度过高，且传统状态评估方法无法满足当前多 种能源接入的需求，导致配电网状态评估效果较差的技术问题。

有鉴于此，本申请第一方面提供了一种基于数据降维的配电网状态估计 方法，包括：

采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降 维量测数据，所述预置弹性网算法包括改进弹性网系数、惩罚项和相对约束；

基于量测误差根据所述降维量测数据分别构建量测相关函数和伪量测相 关函数；

基于加权最小二乘法依据所述量测相关函数和所述伪量测相关函数构建 量测数据填充成本函数，并根据所述量测数据填充成本函数对所述降维量测 数据进行填充，得到填充量测数据；

采用预置神经网络对所述填充量测数据进行映射训练，得到优化量测数 据，所述预置神经网络包括复杂度优化函数；

以所述优化量测数据为初始条件，通过高斯-牛顿迭代法对配电网状态进 行估计，得到状态估计结果。

优选地，所述采用预置弹性网算法对配电网高维量测数据进行降维处理， 并选取出降维量测数据，包括：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据所述改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到 弹性网模型；

采用所述弹性网模型对配电网高维量测数据进行降维处理，并选取出降 维量测数据。

优选地，所述采用预置弹性网算法对配电网高维量测数据进行降维处理， 并选取出降维量测数据，之前还包括：

基于所述配电网高维量测数据进行数据预处理操作，所述数据预处理操 作包括中心化操作和标准化操作。

优选地，所述量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为所述量测数据填充成本函数的最小值优 化函数，

分别表示所述量测相关函数和所述伪量测相关函数，

分别表示量测数据和伪量测数据与所述状态变量的函数关系，L_m、L_s分别表 示量测数据和伪量测数据的长度，

分别表示预测方差反比参数。

本申请第二方面提供了一种基于数据降维的配电网状态估计装置，包括：

降维选取模块，用于采用预置弹性网算法对配电网高维量测数据进行降 维处理，并选取出降维量测数据，所述预置弹性网算法包括改进弹性网系数、 惩罚项和相对约束；

第一构建模块，用于基于量测误差根据所述降维量测数据分别构建量测 相关函数和伪量测相关函数；

第二构建模块，用于基于加权最小二乘法依据所述量测相关函数和所述 伪量测相关函数构建量测数据填充成本函数，并根据所述量测数据填充成本 函数对所述降维量测数据进行填充，得到填充量测数据；

优化训练模块，用于采用预置神经网络对所述填充量测数据进行映射训 练，得到优化量测数据，所述预置神经网络包括复杂度优化函数；

状态估计模块，用于以所述优化量测数据为初始条件，通过高斯-牛顿迭 代法对配电网状态进行估计，得到状态估计结果。

优选地，所述降维选取模块，具体用于：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据所述改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到 弹性网模型；

采用所述弹性网模型对配电网高维量测数据进行降维处理，并选取出降 维量测数据。

优选地，还包括：

预处理模块，用于基于所述配电网高维量测数据进行数据预处理操作， 所述数据预处理操作包括中心化操作和标准化操作。

优选地，所述量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为所述量测数据填充成本函数的最小值优 化函数，

分别表示所述量测相关函数和所述伪量测相关函数，

分别表示量测数据和伪量测数据与所述状态变量的函数关系，L_m、L_s分别表 示量测数据和伪量测数据的长度，

分别表示预测方差反比参数。

本申请第三方面提供了一种基于数据降维的配电网状态估计设备，所述 设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于数 据降维的配电网状态估计方法。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储 介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于数据降 维的配电网状态估计方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种基于数据降维的配电网状态估计方法，包括：采 用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测 数据，预置弹性网算法包括改进弹性网系数、惩罚项和相对约束；基于量测 误差根据降维量测数据分别构建量测相关函数和伪量测相关函数；基于加权 最小二乘法依据量测相关函数和伪量测相关函数构建量测数据填充成本函 数，并根据量测数据填充成本函数对降维量测数据进行填充，得到填充量测 数据；采用预置神经网络对填充量测数据进行映射训练，得到优化量测数据，预置神经网络包括复杂度优化函数；以优化量测数据为初始条件，通过高斯- 牛顿迭代法对配电网状态进行估计，得到状态估计结果。

本申请提供的基于数据降维的配电网状态估计方法，采用弹性网算法对 高维度的量测数据进行降维处理，选取出降维量测数据，能够避免因为数据 维度过高带来的计算压力；另外，在采用高斯-牛顿迭代法根据量测数据进行 配电网状态估计之前，通过数据填充和数据映射训练优化的方法对量测数据 进行处理，在提升数据质量的同时降低原始量测数据直接处理可能造成的拟 合风险，从而确保评估结果的准确可靠性；而且，对量测数据进行针对性的 处理也可以满足多种能源接入电网的评估需求。因此，本申请能够解决现有 技术中量测数据维度过高，且传统状态评估方法无法满足当前多种能源接入 的需求，导致配电网状态评估效果较差的技术问题。

附图说明

图1为本申请实施例提供的一种基于数据降维的配电网状态估计方法的 流程示意图；

图2为本申请实施例提供的一种基于数据降维的配电网状态估计装置的 结构示意图；

图3为本申请实施例提供的预置神经网络映射训练过程示意图；

图4为本申请实施例提供的IEEE 34节点配电网馈线网络示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实 施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申 请中的实施例，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，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种基于数据降维的配电网状 态估计方法的实施例，包括：

步骤101、采用预置弹性网算法对配电网高维量测数据进行降维处理，并 选取出降维量测数据，预置弹性网算法包括改进弹性网系数、惩罚项和相对 约束。

进一步地，步骤101，包括：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到弹性 网模型；

采用弹性网模型对配电网高维量测数据进行降维处理，并选取出降维量 测数据。

需要说明的是，量测数据包括相量测量和实值测量，对于复杂节点的电 压和电流，量测函数对于状态变量v是线性的，采用复数的实部和虚部表达 相量测量，例如节点电压：

其中，e_n,φ是

中的节点n处的第φ次正则基，v_n表示节点n处的电压相 量，

为电压相量复共轭计算结果，(·)^T为转置计算，j为虚部表达；

分别为电压实部和虚部。电流的表达与电压相似，在此不作赘述。

由于实值测量与状态变量v是非线性相关，测得电压或者电流幅值的平 方以及功率流可以表示为状态变量v的二次函数，以电流为例：

其中，y_lm,φ表示节点导纳矩阵Y_lm的第φ行，v_l，v_m表示节点l、m处的电压向 量，(·)^H为表示复共轭转置计算，i_lm,φ为实值测量中的电流表达。

本实施例中，为了避免“维数灾难”，采用弹性网算法对配电网高维量测 数据进行降维，该方法兼具了最小绝对值收缩、变量选择和岭回归的优点。 而且，本实施例将该算法中的L1范数调整为可满足系数的大小选取，此外， 为了解决迭代过程中不可避免的过拟合问题，对L1范数进行加权和处理；L2 范数为预先设置或者初始化得到的；这样可以克服降维时因为数据内部存在 共线性、过拟合和群组效应而影响降维效果的问题；能够从高维配电网量测 数据中提取重要的变量并剔除坏数据。

基于预置弹性网算法处理量测数据时，采用X作为预测变量，即状态数 据，采用Y作为响应变量，即量测数据，那么改进弹性网系数的表达式为：

其中，

δ是一个很小的系数，保证系数

不为0，κ为一个 正数，φ_j为弹性网模型参数优化值，响应变量集合表示为Y_n×1＝(y₁,y₂,...y_n)^T，预 测变量集合表示为X_n×m＝(x₁,x₂,...x_m)^T，回归系数集合表示为：φ_m×1＝(φ₁,φ₂,...φ_m)^T。

令：

α＝α₁+α₂

则改进弹性网系数的表达式可以简化为：

其中，

为弹性网模型参数优化值，惩罚项为：

惩罚项表明该方法具备了系数收缩和变量选择的优点，同时，避免了模 型过拟合。当α＝1时，惩罚项是凸函数，但不是严格凸函数；当0＜α＜1时，惩 罚项为严格凸函数；当α＝0时，弹性网为岭回归。

此外还需要为弹性网配置相对约束：

其中，

为弹性网的变量系数估计值，当

时，所有变量系数都为0， 弹性网模型中没有任何变量；当

时，预测变量逐步输入模型，其中， α₂为L2范数的系数，本实施例取值为0.05，重要的预测变量会更快输入模型， 且系数也越大，无关变量的系数将收缩为0。

采用弹性网模型对配电网高维量测数据进行降维处理的过程中，除了采 用最小角回归算法求解最优解之外，还需要根据赤池信息准则(Akaike Information Criterion，AIC)进行最优解选取，最终根据最优解中的预测变量 的系数进行数据选取，剔除系数为0的变量，从而完成数据降维和选取过程， 得到降维量测数据。

进一步地，步骤101，之前还包括：

基于配电网高维量测数据进行数据预处理操作，数据预处理操作包括中 心化操作和标准化操作。

预处理操作过程可以表达为：

其中，x_ij为预测变量集合中第i行第j列的数据，n为变量个数，需要说 明的是，中心化操作是针对响应变量，标准化操作针对的是预测变量。

步骤102、基于量测误差根据降维量测数据分别构建量测相关函数和伪量 测相关函数。

量测相关函数表达为：

伪量测相关函数表达为：

其中，v为状态变量，

分别表示量测相关函数和伪量测相关函数，

分别表示量测数据和伪量测数据与状态变量的函数关系，L_m、L_s分 别表示量测数据和伪量测数据的长度，ξ_l、ζ_l分别量测误差和伪量测过程模 拟误差；可以理解为，ξ_l、ζ_l均是方差

的零均值预测误差。

需要说明的是，假设降维量测数据是同步的，将为所有类型的量测数据 引入量测关系函数，即

然后构造伪量测映射函数

同理也需要构 造对应的伪量测过程的预测误差ζ_l。可用的量测数据通常不足以确定网络状 态，此时，该系统被称为不可观测的。因此，增加伪量测实现网络可观测性。

步骤103、基于加权最小二乘法依据量测相关函数和伪量测相关函数构建 量测数据填充成本函数，并根据量测数据填充成本函数对降维量测数据进行 填充，得到填充量测数据。

进一步地，量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为量测数据填充成本函数的最小值优化函 数，

分别表示量测相关函数和伪量测相关函数，

分别表示 量测数据和伪量测数据与状态变量的函数关系，L_m、L_s分别表示量测数据和 伪量测数据的长度，

分别表示预测方差反比参数；此处的预测方差即 为

量测数据填充成本函数是基于加权最小二乘法转化得到，还可以表达为：

z为数据向量，h(v)为量测数据与状态向量v的映射函数，且为非线性； 以上函数则为非凸函数。

步骤104、采用预置神经网络对填充量测数据进行映射训练，得到优化量 测数据，预置神经网络包括复杂度优化函数。

请参阅图3，映射训练是指将z作为输入，v作为输出，使神经网络学习 初始化；由于实际测得的量测数据含有噪声，训练目标即为F(z)≈v，其中，F(·) 为假设的映射训练函数。

本实施例中的预置神经网络的函数表达为：

其中，g_T(z)为网络函数，T为神经元个数，w_t为输入到第t个神经元的z 的线性组合，每个单元由

组成，θ_t是对应的标量偏差，向量α_t将隐 藏层的神经元输出组合，得到输出结果。

通过最小化训练的成本函数可以得到参数

最小化成本函数可 以表示为：

其中，(z^j,v^j)是量测数据的训练样本对，M为样本数量，c_j为优化参数， 该成本函数以g_T(z^j)位于v^j周围半径ε的球中为约束，可以很容易的实现最小 化成本的调节。

为了逼近一个连续映射

对于有限数量的有界训练样本 (z^j,v^j＝F(z^j))，逼近F(z)的精度ε，至少需要构造一个实值函数，从而确定上述 最小化成本函数的复杂度至少为：

其中，

为实值函数，r为逼近函数F(z)连续导数个数，L为函数F(z)的 参数个数，K为输出量的个数。

请参阅图4，本实施例中选取一个高度不平衡的配电网馈线系统为例，在 基准的IEEE-34节点上进行配电网状态估测试，该系统中连接了多种不同的 负荷，利用弹性网降维后的数据和生成的量测值用于产生训练样本，每个时 间断面数据作为输入，输出一个电压曲线(网络状态变量)用于生成此时的 量测数值，总用加载了10000组数据和场景生成来训练预置神经网络，该网 络的输入大小为103，隐藏层有2048个节点，输出大小为210。对于最小化 成本函数，另其中的ε＝0.5，得到球体约束条件，α_t＝103，w_t＝1024，θ_t＝1×10^-4，

M＝1000，c_j＝0.01,j∈(1,2,...M)，进而实现调节。

步骤105、以优化量测数据为初始条件，通过高斯-牛顿迭代法对配电网 状态进行估计，得到状态估计结果。

优化量测数据作为高斯-牛顿迭代法的初始值，然后进行迭代分析，评估 配电网的状态，得到状态评估结果；经过处理后得到的优化量测数据能够加 快迭代的收敛速度，而且能够确保评估结果的准确度和可靠性。

本申请实施例提供的基于数据降维的配电网状态估计方法，采用弹性网 算法对高维度的量测数据进行降维处理，选取出降维量测数据，能够避免因 为数据维度过高带来的计算压力；另外，在采用高斯-牛顿迭代法根据量测数 据进行配电网状态估计之前，通过数据填充和数据映射训练优化的方法对量 测数据进行处理，在提升数据质量的同时降低原始量测数据直接处理可能造 成的拟合风险，从而确保评估结果的准确可靠性；而且，对量测数据进行针 对性的处理也可以满足多种能源接入电网的评估需求。因此，本申请实施例 能够解决现有技术中量测数据维度过高，且传统状态评估方法无法满足当前 多种能源接入的需求，导致配电网状态评估效果较差的技术问题。

为了便于理解，请参阅图2，本申请提供了一种基于数据降维的配电网状 态估计装置的实施例，包括：

降维选取模块201，用于采用预置弹性网算法对配电网高维量测数据进行 降维处理，并选取出降维量测数据，预置弹性网算法包括改进弹性网系数、 惩罚项和相对约束；

第一构建模块202，用于基于量测误差根据降维量测数据分别构建量测相 关函数和伪量测相关函数；

第二构建模块203，用于基于加权最小二乘法依据量测相关函数和伪量测 相关函数构建量测数据填充成本函数，并根据量测数据填充成本函数对降维 量测数据进行填充，得到填充量测数据；

优化训练模块204，用于采用预置神经网络对填充量测数据进行映射训 练，得到优化量测数据，预置神经网络包括复杂度优化函数；

状态估计模块205，用于以优化量测数据为初始条件，通过高斯-牛顿迭 代法对配电网状态进行估计，得到状态估计结果。

进一步地，降维选取模块201，具体用于：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到弹性 网模型；

采用弹性网模型对配电网高维量测数据进行降维处理，并选取出降维量 测数据。

进一步地，还包括：

预处理模块206，用于基于配电网高维量测数据进行数据预处理操作，数 据预处理操作包括中心化操作和标准化操作。

进一步地，量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为量测数据填充成本函数的最小值优化函 数，

分别表示量测相关函数和伪量测相关函数，

分别表示 量测数据和伪量测数据与状态变量的函数关系，L_m、L_s分别表示量测数据和 伪量测数据的长度，

分别表示预测方差反比参数。

本申请还提供了一种基于数据降维的配电网状态估计设备，设备包括处 理器以及存储器；

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行上述方法实施例中的基于数据降 维的配电网状态估计方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存 储程序代码，程序代码用于执行上述方法实施例中的基于数据降维的配电网 状态估计方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法， 可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的， 例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外 的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或 一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或 直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连 接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作 为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部单元来实现本实施例方案的目的。

另外，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单 元的形式实现。

所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本 申请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 全部或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，包括若干指令用以通过一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行本申请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(英文全称：Read-Only Memory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制； 尽管参照前述实施例对本申请进行了详细的说明，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 的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于数据降维的配电网状态估计方法，其特征在于，包括：

采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测数据，所述预置弹性网算法包括改进弹性网系数、惩罚项和相对约束；

基于量测误差根据所述降维量测数据分别构建量测相关函数和伪量测相关函数；

基于加权最小二乘法依据所述量测相关函数和所述伪量测相关函数构建量测数据填充成本函数，并根据所述量测数据填充成本函数对所述降维量测数据进行填充，得到填充量测数据；

采用预置神经网络对所述填充量测数据进行映射训练，得到优化量测数据，所述预置神经网络包括复杂度优化函数；

以所述优化量测数据为初始条件，通过高斯-牛顿迭代法对配电网状态进行估计，得到状态估计结果。

2.根据权利要求1所述的基于数据降维的配电网状态估计方法，其特征在于，所述采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测数据，包括：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据所述改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到弹性网模型；

采用所述弹性网模型对配电网高维量测数据进行降维处理，并选取出降维量测数据。

3.根据权利要求1所述的基于数据降维的配电网状态估计方法，其特征在于，所述采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测数据，之前还包括：

基于所述配电网高维量测数据进行数据预处理操作，所述数据预处理操作包括中心化操作和标准化操作。

4.根据权利要求3所述的基于数据降维的配电网状态估计方法，其特征在于，所述量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为所述量测数据填充成本函数的最小值优化函数，

分别表示所述量测相关函数和所述伪量测相关函数，

分别表示量测数据和伪量测数据与所述状态变量的函数关系，L_m、L_s分别表示量测数据和伪量测数据的长度，

分别表示预测方差反比参数。

5.一种基于数据降维的配电网状态估计装置，其特征在于，包括：

降维选取模块，用于采用预置弹性网算法对配电网高维量测数据进行降维处理，并选取出降维量测数据，所述预置弹性网算法包括改进弹性网系数、惩罚项和相对约束；

第一构建模块，用于基于量测误差根据所述降维量测数据分别构建量测相关函数和伪量测相关函数；

第二构建模块，用于基于加权最小二乘法依据所述量测相关函数和所述伪量测相关函数构建量测数据填充成本函数，并根据所述量测数据填充成本函数对所述降维量测数据进行填充，得到填充量测数据；

优化训练模块，用于采用预置神经网络对所述填充量测数据进行映射训练，得到优化量测数据，所述预置神经网络包括复杂度优化函数；

状态估计模块，用于以所述优化量测数据为初始条件，通过高斯-牛顿迭代法对配电网状态进行估计，得到状态估计结果。

6.根据权利要求5所述的基于数据降维的配电网状态估计装置，其特征在于，所述降维选取模块，具体用于：

根据加权处理后的L1范数和预设L2范数构建改进弹性网系数的表达式；

根据所述改进弹性网系数的表达式确定惩罚项，并配置相对约束，得到弹性网模型；

采用所述弹性网模型对配电网高维量测数据进行降维处理，并选取出降维量测数据。

7.根据权利要求5所述的基于数据降维的配电网状态估计装置，其特征在于，还包括：

预处理模块，用于基于所述配电网高维量测数据进行数据预处理操作，所述数据预处理操作包括中心化操作和标准化操作。

8.根据权利要求5所述的基于数据降维的配电网状态估计装置，其特征在于，所述量测数据填充成本函数为：

其中，v为状态变量，min_v J(v)为所述量测数据填充成本函数的最小值优化函数，

分别表示所述量测相关函数和所述伪量测相关函数，

分别表示量测数据和伪量测数据与所述状态变量的函数关系，L_m、L_s分别表示量测数据和伪量测数据的长度，

分别表示预测方差反比参数。

9.一种基于数据降维的配电网状态估计设备，其特征在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于数据降维的配电网状态估计方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于数据降维的配电网状态估计方法。

Images