CN109784480A - 一种基于卷积神经网络的电力***状态估计方法 - Google Patents

Abstract

本发明提出一种基于卷积神经网络的电力***状态估计方法，该方法以离线的电力***潮流断面数据作为样本进行训练，将量测量作为输入数据，状态量作为期望输出，通过卷积神经网络的局部连接、权值共享、下采样等手段减少训练参数、降低网络复杂度，通过输入与输出之间误差的反向传播，通过Dropout手段防止过拟合，训练一个基于量测量的卷积神经网络状态估计模型。对于新的量测量数据通过已训练的卷积神经网络进行估计，得到***在此时刻的状态量。该方法采用卷积神经网络进行状态估计，克服了传统迭代最小二乘状态估计方法计算时间过长和全连接神经网络状态估计方法梯度传递困难的缺陷，在减少计算时间的同时降低了网络的训练难度。

Description

一种基于卷积神经网络的电力***状态估计方法

技术领域

本发明属于电力***运行与控制技术领域，具体涉及一种基于卷积神经网络的电力***状态估计方法。

背景技术

随着智能电网的发展，电网的规模随之增加、结构和运行方式日趋复杂，为了更加精确的掌握电网的运行状态，对电力***运行状态进行状态估计是必要的。

目前，在电力***状态估计中使用较多的是最小二乘估计，但是由于量测量和状态量之间是非线性约束关系，使得最小二乘状态估计需要借助高斯牛顿反复迭代才能进行非线性方程的求解，计算时间较长且对计算机硬件要求较高，无法满足大电网实时的状态估计需求。近年来随着人工智能、数据挖掘技术的发展，基于全连接的BP神经网络在状态估计领域也得到了运用，但是全连接神经网络随着输入量测量的增多，网络的规模会成倍数的增加，且全连接神经网络的梯度传递很难超过三层，从而使得全连接神经网络的模型训练较为困难。

本发明提出一种基于卷积神经网络的电力***状态估计方法，用于解决传统最小二乘估计计算时间长、硬件要求高和全连接神经网络训练困难的问题。

发明内容

本发明针对现有技术的不足，提出一种基于卷积神经网络的电力***状态估计方法，具体方案如下：

一种基于卷积神经网络的电力***状态估计方法，其特征在于，基于一种卷积神经网络的模型，卷积神经网络的模型包括卷积神经网络的层数、卷积核大小、池化方式、激活函数、以及各层网络的神经元数量，该卷积神经网络的模型具体包括：

1)设计五层卷积神经网络，网络的结构为：

INPUT_layer-[CONV₁-CONV₂-POOL₁]-FC₁-OUTPUT_Layer

其中，INPUT_layer表示输入层，其神经元个数为N_input；OUTPUT_Layer表示输出层，其神经元个数为N_output；CONV_i表示第i层卷积层；POOL_i表示第i层下采样层；FC_i表示第i层全连接层；

其中，输入层神经元的个数N_input为量测量的数目，输出层神经元的个数N_output为状态量的数目，卷积层神经元的数目由卷积核确立，下采样层神经元的数目由池化方式确立，全连接层神经元数目的计算公式为：

式(4)中，表示第i层全连接层的神经元数目，α为修正系数(取值范围为1～10)；

2)设计卷积核，以提取输入数据的特征，均选择大小为2×2的卷积核，卷积核的输出为：

y_CONV＝x₁·ω₁+x₂·ω₂+x₃·ω₃+x₄·ω₄ (5)

式(5)中，y_CONV为卷积核的输出，ω₁、ω₂、ω₃、ω₄为2×2卷积核的四个参数，x₁、x₂、x₃、x₄为2×2卷积核感受野感受到的四个输入；

3)设计池化方式，以降低输入数据的维度，均选择2×2最大池化，计算公式为：

式(6)中，x_POOL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最大值作为池化输出；

4)选取每层神经网络之间的激活函数，采用ReLu函数加快网络梯度下降和反向传播效率，ReLu函数表达式为：

式(7)中，f(x)为激活函数的输出，x为各层神经网络的输入；

包括以下步骤：

步骤1，获取原始数据,原始数据包括历史的离线量测量数据及对应的状态值以及实时的量测量数据；

步骤2，对原始数据进行预处理，将输入的量测量由一维转化为二维，输入量测量Z表示为：

Z＝[z₁,z₂,…,z_k,…,z_n] (1)

式(1)中，Z表示一维量测量矩阵，n表示量测量的数目，z_k表示量测量矩阵Z中的第k个元素；

输入的一维量测量矩阵二维化后表示为：

式(2)中，Z_t为二维化后的量测量矩阵；

二维化前后Z和Z_t中的元素个数满足约束关系：

n＝i×j (3)

式(3)中，n表示量测量的数目，i、j分别表示二维化后矩阵的行数和列数，即二维化前后量测量的数目不变。

步骤3，基于卷积神经网络，读取二维化后的量测量，以误差方差作为整个网络的损失函数，使用Dropout技术防止神经网络过拟合，以Adam优化算法作为训练算法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，得到具有泛化能力的输入量测量和输出状态量之间的非线性关系，具体包括：

1)选取输出数据和状态量之间的误差方差作为网络的损失函数：

式(8)中，N为状态量的个数，y_output为神经网络的输出值，y_label为状态量的真值；

2)选取Dropout率：

Dropout＝0.5+α (9)

式(9)中，α为调整系数；

Dropout技术强迫一个神经单元和随机挑选出来的其他神经单元共同工作，减弱了神经元节点间的联合适应性，增强了泛化能力。一般情况下，隐含节点dropout率等于0.5的时候随机生成的网络结构最多，网络效果最好。

3)选择Adam优化算法替代传统随机梯度下降的一阶优化算法，随着训练数据迭代更新神经网络的权重和偏置，使得整个网络的损失函数降到最低；

步骤4，根据训练好的卷积神经网络模型，输入实时的量测量数据，通过卷积神经网络的前向传播计算出当前时刻***对应的状态量，完成当前***的状态量估计。

与现有技术相比，本发明有着以下优点：本发明运用了卷积神经网络的局部连接、权值共享、下采样这三个手段来减少神经网络的参数；同时相邻两层神经网络之间采用具有线性、非饱和、单侧抑制特性的ReLu函数进行激活，从而加速误差反向传播效率，降低模型训练难度；与此同时，采用Dropout手段防止过拟合，提高卷积神经网络的泛化性能。此外，对于训练完毕的卷积神经网络模型，使用网络的前向传播进行状态量的计算，取代传统最小二乘算法的迭代计算，从而大大加快状态估计速度。

附图说明

图1为本发明方法的总体流程示意图。

图2为五层卷积神经网络的结构图。

具体实施方式

下面结合本发明的附图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例。

如图1所示，一种基于卷积神经网络的电力***状态估计方法，基于一种卷积神经网络的模型，卷积神经网络的模型包括卷积神经网络的层数、卷积核大小、池化方式、激活函数、以及各层网络的神经元数量，该卷积神经网络的模型具体包括：

1)设计五层卷积神经网络，网络的结构为：

INPUT_layer-[CONV₁-CONV₂-POOL₁]-FC₁-OUTPUT_Layer其中，INPUT_layer表示输入层，其神经元个数为N_input；OUTPUT_Layer表示输出层，其神经元个数为N_output；CONV_i表示第i层卷积层；POOL_i表示第i层下采样层；FC_i表示第i层全连接层；

其中，输入层神经元的个数N_input为量测量的数目，输出层神经元的个数N_output为状态量的数目，卷积层神经元的数目由卷积核确立，下采样层神经元的数目由池化方式确立，全连接层神经元数目的计算公式为：

式(4)中，表示第i层全连接层的神经元数目，α为修正系数(取值范围为1～10)；

2)设计卷积核，以提取输入数据的特征，均选择大小为2×2的卷积核，卷积核的输出为：

y_CONV＝x₁·ω₁+x₂·ω₂+x₃·ω₃+x₄·ω₄ (5)

式(5)中，y_CONV为卷积核的输出，ω₁、ω₂、ω₃、ω₄为2×2卷积核的四个参数，x₁、x₂、x₃、x₄为2×2卷积核感受野感受到的四个输入；

3)设计池化方式，以降低输入数据的维度，均选择2×2最大池化，计算公式为：

式(6)中，x_POOL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最大值作为池化输出；

4)选取每层神经网络之间的激活函数，采用ReLu函数加快网络梯度下降和反向传播效率，ReLu函数表达式为：

式(7)中，f(x)为激活函数的输出，x为各层神经网络的输入；

该方法包括以下步骤：

步骤1，获取原始数据,原始数据包括历史的离线量测量数据及对应的状态值以及实时的量测量数据，其中量测量数据包括节点的有功功率、无功功率、支路流动的有功功率、支路流动的无功功率、部分节点的电压幅值五个量测量，状态值为节点的电压幅值和电压相角；

步骤2，对原始数据进行预处理，将输入的量测量由一维转化为二维，要构建一个i行j列的二维矩阵，只需在一维量测量矩阵中按顺序每次取j个数作为二维矩阵的一行放入二维矩阵即可；

步骤3，基于卷积神经网络，读取二维化后的量测量，以误差方差作为整个网络的损失函数，使用Dropout技术防止神经网络过拟合，以Adam优化算法作为训练算法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，得到具有泛化能力的输入量测量和输出状态量之间的非线性关系，具体包括：

1)选取网络的损失函数，以作为神经网络的训练优化目标：

均方误差是参数估计值和参数真值之差平方的期望值，反映估计值和真值之间的平均偏差，可选取输出数据和状态量之间的误差方差作为网络的损失函数：

式中，N为状态量的个数，y_output为神经网络的输出值，y_label为状态量的真值；

2)选取Dropout率为0.5：

Dropout＝0.5+α (9)

一般情况下，隐含节点dropout率等于0.5的时候随机生成的网络结构最多，网络效果最好，此实施例中选取Dropout率为0.5。

3)Adam优化算法结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计，即梯度的均值和二阶矩估计，即梯度的未中心化的方差进行综合考虑，计算出更新步长，从而使得更新的步长能够被限制在大致的范围内且能自然地实现步长退火过程，非常适合应用于大规模的数据及参数的场景。故选择Adam优化算法，以输出数据和状态量之间的误差方差作为网络的损失函数，通过训练数据的迭代更新神经网络的权重和偏置，使得整个网络的损失函数降到最低；

步骤4，根据训练好的卷积神经网络模型，输入实时的量测量数据，通过卷积神经网络的前向传播计算出当前时刻***对应的状态量。其中，输入的实时量测量数据按照同样的二维化方法处理成二维矩阵，经过卷积神经网络的前向计算便可得到当前时刻的状态估计值。

以上所述仅为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，在不脱离本发明技术原理的前提下，还可做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (1)

1.一种基于卷积神经网络的电力***状态估计方法，其特征在于，基于一种卷积神经网络的模型，卷积神经网络的模型包括卷积神经网络的层数、卷积核大小、池化方式、激活函数、以及各层网络的神经元数量，该卷积神经网络的模型具体包括：

1)设计五层卷积神经网络，网络的结构为：

INPUT_layer-[CONV₁-CONV₂-POOL₁]-FC₁-OUTPUT_Layer

其中，INPUT_layer表示输入层，其神经元个数为N_input；OUTPUT_Layer表示输出层，其神经元个数为N_output；CONV_i表示第i层卷积层；POOL_i表示第i层下采样层；FC_i表示第i层全连接层；

其中，输入层神经元的个数N_input为量测量的数目，输出层神经元的个数N_output为状态量的数目，卷积层神经元的数目由卷积核确立，下采样层神经元的数目由池化方式确立，全连接层神经元数目的计算公式为：

式(4)中，表示第i层全连接层的神经元数目，α为修正系数(取值范围为1～10)；

2)设计卷积核，以提取输入数据的特征，均选择大小为2×2的卷积核，卷积核的输出为：

y_CONV＝x₁·ω₁+x₂·ω₂+x₃·ω₃+x₄·ω₄ (5)

式(5)中，y_CONV为卷积核的输出，ω₁、ω₂、ω₃、ω₄为2×2卷积核的四个参数，x₁、x₂、x₃、x₄为2×2卷积核感受野感受到的四个输入；

3)设计池化方式，以降低输入数据的维度，均选择2×2最大池化，计算公式为：

式(6)中，x_POOL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最大值作为池化输出；

4)选取每层神经网络之间的激活函数，采用ReLu函数加快网络梯度下降和反向传播效率，ReLu函数表达式为：

式(7)中，f(x)为激活函数的输出，x为各层神经网络的输入；

包括以下步骤：

步骤1，获取原始数据,原始数据包括历史的离线量测量数据及对应的状态值以及实时的量测量数据；

步骤2，对原始数据进行预处理，将输入的量测量由一维转化为二维，输入量测量Z表示为：

Z＝[z₁,z₂,…,z_k,…,z_n] (1)

式(1)中，Z表示一维量测量矩阵，n表示量测量的数目，z_k表示量测量矩阵Z中的第k个元素；

输入的一维量测量矩阵二维化后表示为：

式(2)中，Z_t为二维化后的量测量矩阵；

二维化前后Z和Z_t中的元素个数满足约束关系：

n＝i×j (3)

式(3)中，n表示量测量的数目，i、j分别表示二维化后矩阵的行数和列数，即二维化前后量测量的数目不变；

步骤3，基于卷积神经网络，读取二维化后的量测量，以误差方差作为整个网络的损失函数，使用Dropout技术防止神经网络过拟合，以Adam优化算法作为训练算法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，得到具有泛化能力的输入量测量和输出状态量之间的非线性关系，具体包括：

1)选取输出数据和状态量之间的误差方差作为网络的损失函数：

式(8)中，N为状态量的个数，y_output为神经网络的输出值，y_label为状态量的真值；

2)选取Dropout率：

Dropout＝0.5+α (9)

式(9)中，α为调整系数；

Dropout技术强迫一个神经单元和随机挑选出来的其他神经单元共同工作，减弱了神经元节点间的联合适应性，增强了泛化能力；一般情况下，隐含节点dropout率等于0.5的时候随机生成的网络结构最多，网络效果最好；

3)选择Adam优化算法替代传统随机梯度下降的一阶优化算法，随着训练数据迭代更新神经网络的权重和偏置，使得整个网络的损失函数降到最低；

步骤4，根据训练好的卷积神经网络模型，输入实时的量测量数据，通过卷积神经网络的前向传播计算出当前时刻***对应的状态量，完成当前***的状态量估计。