CN112949009A - 基于迁移学习的主动配电网分布式状态估计方法及*** - Google Patents
基于迁移学习的主动配电网分布式状态估计方法及*** Download PDFInfo
- Publication number
- CN112949009A CN112949009A CN202110201473.8A CN202110201473A CN112949009A CN 112949009 A CN112949009 A CN 112949009A CN 202110201473 A CN202110201473 A CN 202110201473A CN 112949009 A CN112949009 A CN 112949009A
- Authority
- CN
- China
- Prior art keywords
- state estimation
- node
- data
- neural network
- subregion
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了电力***状态估计技术领域的一种基于迁移学习的主动配电网分布式状态估计方法及***。包括:采集电网中的各个子区域中的各节点的量测数据;将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。可以提高主动配电网状态估计的精度和速度,解决状态估计模型更新时长较长、进行不良数据检测的训练样本少等问题。
Description
技术领域
本发明属于电力***状态估计技术领域,具体涉及一种基于迁移学习的主动配电网分布式状态估计方法及***。
背景技术
随着智能电网的发展,新能源发电的不断渗透,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,方程需满足可观测的约束,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,神经网络在状态估计领域也得到了较为广泛的应用。但是人工智能算法在主动配电网状态估计的研究较少,在状态估计之前需要进行的不良数据检测环节的数据量较少也限制了许多需要大量训练样本的人工智能算法的应用。
发明内容
为解决现有技术中的不足,本发明提供一种基于迁移学习的主动配电网分布式状态估计方法及***,可以提高主动配电网状态估计的精度和速度,解决因配电网网络架构的变化造成的状态估计模型需定期更新的时长较长、运用神经网络进行不良数据检测的训练样本少等问题。
为达到上述目的,本发明所采用的技术方案是:一种主动配电网分布式状态估计方法,包括:采集电网中的各个子区域中的各节点的量测数据;将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
进一步地,所述电网中的各个子区域的划分方法为:使用扩展子区域法,基于电网的网络拓扑结构将电网分为若干个子区域,并将各个子区域的边界节点进行基于多指标的重要性排序,各个扩展子区域除原有区域外还包含相邻子区域的重要边界节点。
进一步地,所述基于多指标的重要性排序,具体为:确定电网节点的重要性评估指标,包括度中心性、接近中心性、间接中心性、特征向量中心性和历史故障数据;依据电网节点的重要性评估指标确定各节点的重要度,进而确定重要边界节点。
进一步地,所述各节点的重要度,通过以下公式确定:
其中,NIi为节点Vi的重要度;λ为节点Vi的历史故障系数,故障严重程度从一级到五级由高到低分布,历史故障等级数据加权比例为5:4:3:2:1;为节点vi对线路lij重要度的贡献,vj是与vi相邻的节点;
ki为节点vi的节点度;Λi为与节点vi相邻的节点的集合。
进一步地,所述将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据,具体为:选取一种基于卷积神经网络的电力***故障检测模型作为源域模型;基于源域模型与目标域模型的最大均值差异,度量源域模型与目标域模型的数据分布差异;基于最大均值差异贡献系数迁移源域数据,保留最大均值差异贡献系数大于零的数据,将最大均值差异贡献系数小于零的数据剔除,得到和目标域数据分布更接近的源域数据,用于微调源域模型的隐藏层参数,得到迁移学习的卷积神经网络模型;冻结得到的基于迁移学习的卷积神经网络模型的隐层神经元结构的参数,将源域模型的输出层改用softmax分类器,将位于同一子区域的各量测数据分别输入已经训练好的基于迁移学习的卷积神经网络模型,经过softmax分类器输出不良数据的节点信息;将输出的不良数据检测结果进行修正。
进一步地,所述将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果,具体为:将各修正后的量测数据由一维转化为二维,得到二维量测数据;以二维量测数据输入状态估计卷积神经网络,输出当前时刻各子区域对应的状态量,完成每个子区域中各个节点的状态估计结果。
进一步地,所述状态估计卷积神经网络的模型包括:
网络结构为:INPUT_layer-[CONV1-CONV2-POOL1]-FC1-OUTPUT_Layer;
其中,INPUT_layer表示输入层,其神经元个数为Ninput;OUTPUT_Layer表示输出层,其神经元个数为Noutput;CONVi表示第i层卷积层,i=1、2;POOLi表示第i层下采样层,i=1;FCi表示第i层全连接层,i=1;
卷积核的大小为2×2,卷积核的输出为:
yCONV=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (13)
其中,yCONV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卷积核感知视野感受到的四个输入;
选择2×2最大池化,计算公式为:
其中,xPOOL为池化输出,x1、x2、x3、x4为2×2最大池化的四个输入;
采用ReLu函数为每层神经网络之间的激活函数,加快网络梯度下降和反向传播效率,ReLu函数表达式为:
其中,f(x)为激活函数的输出,x为各层神经网络的输入。
进一步地,所述将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果,具体为:将相邻子区域的重叠边界部分的各个节点的状态估计结果在长度为0.5s的时间窗内的均值进行对比,其差值Δy若不超过阈值R,则将此结果作为正确估计值;若其差值Δy超过阈值R,则将此节点的状态估计结果删除,用该子区域的动态状态估计的预测值代替。
一种主动配电网分布式状态估计***,包括:第一模块,用于采集电网中的各个子区域中的各节点的量测数据;第二模块,用于将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;第三模块,用于将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;第四模块,用于将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
与现有技术相比,本发明所达到的有益效果:本发明在配电网状态估计过程中,将不良数据检测单独提取出来用卷积神经网络处理,提高不良数据检测的精确度和速度,并用迁移学习的方法解决不良数据检测神经网络训练过程中的数据较少问题;在不良数据检测后用卷积神经网络对每个子区域进行独立的状态估计计算,有效提高状态估计的速度和精度。
附图说明
图1是本发明实施例提供的一种基于迁移学习的主动配电网分布式状态估计方法的基本流程图;
图2是本发明实施例提供的一种基于迁移学习的主动配电网分布式状态估计方法中相邻子区域的划分状态示意图;
图3为IEEE14节点本发明状态估计方法的节点电压幅值误差曲线;
图4为IEEE14节点本发明状态估计方法的节点电压相角误差曲线;
图5为IEEE118节点本发明状态估计方法的节点电压幅值误差曲线;
图6为IEEE118节点本发明状态估计方法的节点电压相角误差曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1~图6所示,一种主动配电网分布式状态估计方法,包括:采集电网中的各个子区域中的各节点(可观测节点)的量测数据;将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
步骤1、采集电网中的各个子区域中的各节点的量测数据;电网中的各个子区域的划分方法为:使用扩展子区域法,基于电网的网络拓扑结构及新能源发电的类型对电网进行两步分区,将电网分为若干个子区域,并将电网中的各个节点进行基于多指标的重要性排序,各个扩展子区域除原有区域外还包含相邻子区域的边界节点;
步骤1.1、基于电网的拓扑结构对电网进行初步分区;
步骤1.2、将电网中的各个节点进行基于多指标的重要性排序:
步骤1.2.1、确定电网节点的重要性评估指标,包括度中心性、接近中心性、间接中心性、特征向量中心性和历史故障数据:
A)度中心性,与某个节点相连的支路的数量;
B)接近中心性,反映某个节点与其他节点的距离的指标,距离越近,接近中心性越高;
C)间接中心性,指的是一个结点担任其它两个结点之间最短路的桥梁的次数,换句话说,就是这个节点相当于一个闸,和它相连的节点想要连接其他节点都得经过它。一个结点充当“中介”的次数越高,它的间接中心度就越大;
D)特征向量中心性,一个节点的重要性既取决于其邻居节点的数量(即该节点的度),也取决于其邻居节点的重要性,若此节点于很多重要性较高的节点相连的话,则该节点的重要性也会很高;
E)历史故障数据;
目前电力***中的故障主要分为五个等级:一级,事故;二级,异常;三级,越限;四级,变位;五级,告知;在以上五个等级的故障中,故障严重程度从一级到五级由高到低分布,历史故障等级数据加权比例为5:4:3:2:1;
步骤1.2.2、确定各个节点的重要度,包括以下步骤:
步骤1.2.2.1、电网中的节点集用V={v1,v2,v3,…,vn}来表示,节点个数为N;线路集合用L={l1,l2,l3,…,lm}来表示,线路条数为M;
步骤1.2.2.2、节点vi和节点vj之间的线路表示为lij,其线路重要度可以定义为:
其中,ki和kj分别代表节点vi和节点vj的节点度;t代表在电网拓扑图中以线路lij为边组成的三角形的个数;
步骤1.2.2.3、某条线路的重要度取决于与之相连的节点的重要度,但是由于与之相连的两节点的重要度不一定相等,故对该线路的重要度的贡献并不一定相同,所以引出某节点对与其相连的某线路的重要度的贡献度的概念:
步骤1.2.2.4、以上分析是以电网的网络拓扑结构特性和运行特性为依据进行的,在实际运行中,电网的一些重要节点出现故障的概率极低,若如某节点在历史运行记录中存在故障发生,则需要着重考虑该节点的重要度;所以引出节点历史故障系数的概念:
其中,h为该节点的故障次数;gb为该节点第b次故障时的等级系数,pb为第b次故障时的故障等级对应的权重(故障等级一到五分别对应:5、4、3、2、1),f为该节点的历史故障次数,以为电网中每个节点在理论上都有可能发生故障,故如果历史故障次数为一次,则不具备参考价值;
步骤1.2.2.5、基于上述概念,定义节点vi的重要度(Node Importance)为NIi:
其中,Λi是节点vi相邻的节点的集合;
步骤1.2.3、依据电网节点的重要性评估指标确定各节点的重要度,进而确定重要节点:计算各个节点的重要度NIi,将各个节点按照重要度降序的方式排序,取前四分之一节点为重要节点;
步骤1.3、各个子区域将相邻区域的重要边界节点扩展为本子区域的边界节点,以此约束对初步分区进行修正,最后将各边界上的重要节点进行重叠分区,各个扩展子区域除原有区域外还包含相邻子区域的边界重要节点,并将最终的各个分区作为多智能体的单个Agent(具有独自学习能力、决策能力的可交互***),以便各分区的信息交互,从而可以共同完成对整个电网的状态估计;
最后确定的分区记为区域Ⅰ、Ⅱ、Ⅲ等,各个分区内的节点分别记为Ⅰ1、Ⅰ2、Ⅰ3等。
步骤2、将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;
对电网的各个子区域独立的进行基于迁移学习卷积神经网络的配电网不良数据检测;为表征各节点上传的功率电压数据中的不良数据特征,选取各节点功率及电压数据,且统一转换为标幺值,输入时功率、电压作为以时间轴为横轴的二维图像数据输入CNN(卷积神经网络);使用CNN进行不良数据检测的过程可以看作对采集的数据进行功率电压的波形图像识别过程,波形的差异即对应了量测数据真值与不良数据的不同;CNN进行图像特征提取时,会共享一些低级概念,比如边缘、视觉形状、几何变化等;而电力***故障识别这一过程的运算机理与不良数据检测的机理在场景和逻辑上都有着很强的相关性,且电力***中存在着大量的重合闸等继电保护装置,故电力***故障识别中存在着远多于电力***不良数据的可训练神经网络的数据,故可以运用迁移学习将用于电力***故障识别的神经网络中的隐性知识迁移到因数据不足难以训练的不良数据检测中,完成其神经网络的构建;
步骤2.1、选取一种基于卷积神经网络的用于处理图像识别、故障识别等分类任务的检测模型作为源域神经网络模型,如kaiming团队的残差网络图像识别模型、一种基于卷积神经网络的电力***故障检测模型等,利用该神经网络的知识辅助不良数据检测的神经网络的构建,实现从电力***故障检测神经网络到电力***不良数据检测的无监督式同构迁移学习;
步骤2.2、基于源域模型与目标域模型的最大均值差异,度量源域模型与目标域模型的数据分布差异:
假设分别存在一个满足d分布的源数据X(s)=[x1 (s),x2 (s),…,xN (s)]和一个满足q分布的目标数据X(t)=[x1 (t),x2 (t),…,xN (t)];X(S),X(t)的最大均值差异MMD可以表示为:
其中,F表示再生核希尔伯特空间,而再生核希尔伯特空间具有以下的性质:可以用空间内的点积表示f→f(x)的映射,即
由于RKHS通常是高维,甚至是无限空间,对应的核选择表示无穷维的高斯核:
其中,σ函数的宽度参数;在此用MMD的平方形式,即MMD2;将其展开简化为:
从公式9可以看出,MMD度量源数据与目标数据的分布差异时,利用了所有的源数据,若其中存在不关的数据,会对结果有影响,因此需要综合考虑每个源数据的重要程度;
步骤2.3、基于最大均值差异贡献系数迁移源域数据:
为了找出源数据和目标数据不相关或相关性不大的数据,在此,通过定义每个源数据的最大均值差异贡献系数CCMMD来筛选源数据;
用ρi表示第i个样本的最大均值差异贡献系数;假设缺少第i个源数据样本的MMDγ≠i为:
其中,MMDγ≠i表示缺少第i个源领域数据样本的最大均值距离,其中γ=1,2,…,NS,则
其中,ρi表示第i个样本的最大均值差异贡献系数,若ρi>0,说明第i个样本会使得原领域与目标域数据分布差异变小;相反若ρi<0,说明第i个样本会使得原领域与目标域数据分布差异变大,会造成负迁移效果;通过计算每个源域数据的ρi,保留ρi>0的数据,将ρi<0的数据剔除,得到和目标域数据分布更接近的源领域数据,用于微调源域网络的隐藏层参数,得到迁移学习的卷积神经网络模型;
步骤2.4、冻结步骤2.3得到的模型的隐藏层神经元结构的参数,将源域模型的输出层改用softmax分类器,已经训练好的源域模型网络从包含电力***故障识别中的功率电压数据图像中提取出不良数据对应的功率电压图像的边缘、形状等公有特性,将公有特性输入简单网络训练,经过softmax分类器输出不良数据的节点信息;
步骤2.5、将输出的不良数据检测结果进行修正。
本实施例采用目前应用较为广泛的以卡尔曼滤波动态状态估计为基础的不良数据修正方法,此方法通过卡尔曼滤波算法对量测数据的一个时间断面进行研究,利用历史量测值作为已知信息对当前量测值和未来量测值进行预测,预测的结果准确度较高,可以用来替换不良数据;将检测出来的不良数据删除,并用同一时刻同一节点经过动态状态估计预测的数据代替删除的不良数据。
步骤3、将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;
该状态估计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Ninput;OUTPUT_Layer表示输出层,其神经元个数为Noutput;CONVi表示第i层卷积层;POOLi表示第i层下采样层;FCi表示第i层全连接层;
其中,输入层神经元的个数Ninput为量测数据的数目,输出层神经元的个数Noutput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:
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:
yCONV=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (13)
其中,yCONV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卷积核感知视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:
其中,xPOOL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:
其中,f(x)为激活函数的输出,x为各层神经网络的输入;
步骤3.1、将各修正后的量测数据由一维转化为二维,得到二维量测数据:
获取原始数据,原始数据包括历史的离线量测数据及对应的状态值以及实时的量测数据;对原始数据进行预处理,将输入的量测数据由一维转化为二维,输入量测数据Z表示为:
Z=[z1,z2,…,zk,…,zn] (16)
其中,Z表示一维量测数据矩阵,n表示量测数据的数目,zk表示量测数据矩阵Z中的第k个元素;
输入的一维量测数据矩阵二维化后表示为:
其中,Zt中的元素个数满足约束关系:
n=i×j (18)
其中,n表示量测量的数目,i、j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3.2、以二维量测数据输入状态估计卷积神经网络,输出当前时刻各子区域对应的状态量,完成每个子区域中各个节点的状态估计结果:
基于卷积神经网络,读取二维化后的量测数据,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,再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数据和输出状态量之间的非线性关系,具体包括:
步骤3.2.1、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:
其中,N为状态量的个数,youtput为神经网络的输出值,yreal为状态量的真值;
步骤3.2.2、选取Dropout率:
Dropout=0.5+α (20)
其中,α为调整系数;
根据训练好的卷积神经网络模型,输入实时的量测数据,通过迁移学习实现对量测数据的高精度不良数据检测,并对其进行基于卡尔曼滤波动态状态估计的修正替代,再将经过不良数据检测修正后的数据输入到用于状态估计计算的卷积神经网络中前向传播计算得出当前时刻子区域对应的状态量,完成当前***的初步状态估计。
步骤4、将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果,具体为:
将相邻子区域的重叠边界部分的各个节点的状态估计结果在长度为0.5s的时间窗内的均值进行对比,其差值Δy若不超过阈值R,则将此结果作为正确估计值上传至上级***;若其差值Δy超过阈值R,则将此节点的状态估计结果删除,用该子区域的动态状态估计的预测值代替,上传至上级***。
各子区域在进行相对独立的状态估计以及不良状态检测后,将边界节点的状态估计和不良数据检测的结果进行等效代替,再通过各Agent之间的联络模块传送相邻子区域对于边界节点的计算结果,对相邻子区域的状态估计和不良数据检测结果进行修正;将各个子区域的状态估计和不良数据检测结果整合起来,就完成了整个***的状态估计和不良数据检测。
本实施例通过Python编程实现,通过pytorch框架搭建CNN网络。通过IEEE14节点***中算例验证本发明方法的可行性和有效性。如图2所示,运用子区域扩展法将IEEE14节点***分成两个子区域,两个子区域的扩展区域相同且重合,为7节点和8节点。节点1、3、6、9处装有电压量测装置,节点2、4、10、12处装有功率量测装置,***基准容量和基准电压分别为100MV·A和23KV,节点1位相角估计基准电压。
在以上***进行基于迁移学***均误差与传统最小二乘法状态估计平均误差进行比较,得到如图5、图6所示的对比图,可知本实施例较传统最小二乘法状态估计在精度上有较大幅度的提升。且随着电网的节点数量不断增多,数据量不断提升,电网的复杂程度随之指数上升,最小二乘法等基于物理层面计算的传统方法的计算速度会有较大幅度的降低,但是对于神经网络来说却并没有很显著的变化,本实施例计算速度优势也会随着电网复杂程度的提升显现出来。
实施例二:
基于实施例一所述的主动配电网分布式状态估计方法,本实施例提供一种主动配电网分布式状态估计***,包括:
第一模块,用于采集电网中的各个子区域中的各节点的量测数据;
第二模块,用于将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;
第三模块,用于将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;
第四模块,用于将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
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,在不脱离本发明技术原理的前提下,还可以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 (9)
1.一种主动配电网分布式状态估计方法,其特征是,包括:
采集电网中的各个子区域中的各节点的量测数据;
将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;
将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;
将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
2.根据权利要求1所述的主动配电网分布式状态估计方法,其特征是,所述电网中的各个子区域的划分方法为:使用扩展子区域法,基于电网的网络拓扑结构将电网分为若干个子区域,并将各个子区域的边界节点进行基于多指标的重要性排序,各个扩展子区域除原有区域外还包含相邻子区域的重要边界节点。
3.根据权利要求2所述的主动配电网分布式状态估计方法,其特征是,所述基于多指标的重要性排序,具体为:
确定电网节点的重要性评估指标,包括度中心性、接近中心性、间接中心性、特征向量中心性和历史故障数据;
依据电网节点的重要性评估指标确定各节点的重要度,进而确定重要边界节点。
5.根据权利要求1所述的主动配电网分布式状态估计方法,其特征是,所述将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据,具体为:
选取一种基于卷积神经网络的电力***故障检测模型作为源域模型;
基于源域模型与目标域模型的最大均值差异,度量源域模型与目标域模型的数据分布差异;
基于最大均值差异贡献系数迁移源域数据,保留最大均值差异贡献系数大于零的数据,将最大均值差异贡献系数小于零的数据剔除,得到和目标域数据分布更接近的源域数据,用于微调源域模型的隐藏层参数,得到迁移学习的卷积神经网络模型;
冻结得到的基于迁移学习的卷积神经网络模型的隐层神经元结构的参数,将源域模型的输出层改用softmax分类器,将位于同一子区域的各量测数据分别输入已经训练好的基于迁移学习的卷积神经网络模型,经过softmax分类器输出不良数据的节点信息;
将输出的不良数据检测结果进行修正。
6.根据权利要求1所述的主动配电网分布式状态估计方法,其特征是,所述将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果,具体为:
将各修正后的量测数据由一维转化为二维,得到二维量测数据;
以二维量测数据输入状态估计卷积神经网络,输出当前时刻各子区域对应的状态量,完成每个子区域中各个节点的状态估计结果。
7.根据权利要求6所述的主动配电网分布式状态估计方法,其特征是,所述状态估计卷积神经网络的模型包括:
网络结构为:INPUT_layer-[CONV1-CONV2-POOL1]-FC1-OUTPUT_Layer;
其中,INPUT_layer表示输入层,其神经元个数为Ninput;OUTPUT_Layer表示输出层,其神经元个数为Noutput;CONVi表示第i层卷积层,i=1、2;POOLi表示第i层下采样层,i=1;FCi表示第i层全连接层,i=1;
卷积核的大小为2×2,卷积核的输出为:
yCONV=x1·ω1+x2·ω2+x3·ω3+x4·ω4 (13)
其中,yCONV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卷积核感知视野感受到的四个输入;
选择2×2最大池化,计算公式为:
其中,xPOOL为池化输出,x1、x2、x3、x4为2×2最大池化的四个输入;
采用ReLu函数为每层神经网络之间的激活函数,加快网络梯度下降和反向传播效率,ReLu函数表达式为:
其中,f(x)为激活函数的输出,x为各层神经网络的输入。
8.根据权利要求1所述的主动配电网分布式状态估计方法,其特征是,所述将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果,具体为:
将相邻子区域的重叠边界部分的各个节点的状态估计结果在长度为0.5s的时间窗内的均值进行对比,其差值Δy若不超过阈值R,则将此结果作为正确估计值;若其差值Δy超过阈值R,则将此节点的状态估计结果删除,用该子区域的动态状态估计的预测值代替。
9.一种主动配电网分布式状态估计***,其特征是,包括:
第一模块,用于采集电网中的各个子区域中的各节点的量测数据;
第二模块,用于将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正,得到修正后的量测数据;
第三模块,用于将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计,得到每个子区域中各个节点的状态估计结果;
第四模块,用于将相邻子区域的重叠边界部分的各个节点的状态估计结果做差,将差值与设定阈值比较,并输出最终的状态估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201473.8A CN112949009A (zh) | 2021-02-23 | 2021-02-23 | 基于迁移学习的主动配电网分布式状态估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201473.8A CN112949009A (zh) | 2021-02-23 | 2021-02-23 | 基于迁移学习的主动配电网分布式状态估计方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949009A true CN112949009A (zh) | 2021-06-11 |
Family
ID=76245576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201473.8A Withdrawn CN112949009A (zh) | 2021-02-23 | 2021-02-23 | 基于迁移学习的主动配电网分布式状态估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949009A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN114021180A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 一种电力***动态安全域确定方法、装置、电子设备及可读介质 |
CN117636253A (zh) * | 2023-11-30 | 2024-03-01 | 江苏圣创半导体科技有限公司 | 一种智能灯故障识别方法及*** |
-
2021
- 2021-02-23 CN CN202110201473.8A patent/CN112949009A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN114021180A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 一种电力***动态安全域确定方法、装置、电子设备及可读介质 |
CN114021180B (zh) * | 2021-10-11 | 2024-04-12 | 清华大学 | 一种电力***动态安全域确定方法、装置、电子设备及可读介质 |
CN117636253A (zh) * | 2023-11-30 | 2024-03-01 | 江苏圣创半导体科技有限公司 | 一种智能灯故障识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN111612243B (zh) | 交通速度预测方法、***及存储介质 | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及*** | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN115618296A (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
CN112949009A (zh) | 基于迁移学习的主动配电网分布式状态估计方法及*** | |
Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
Pham | Neural networks in engineering | |
CN111383273A (zh) | 一种基于改进结构推理网络的高铁接触网零部件定位方法 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN110717374A (zh) | 一种基于改进的多层感知机的高光谱遥感影像分类方法 | |
CN110889630B (zh) | 一种主动配电网分布式状态估计方法 | |
CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
CN117154256A (zh) | 锂电池的电化学修复方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
CN115542279A (zh) | 一种气象雷达杂波分类识别方法及装置 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Ghazali et al. | An application of Jordan Pi-sigma neural network for the prediction of temperature time series signal | |
CN115409262A (zh) | 铁路数据中心关键性能指标趋势预测方法、异常识别方法 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
Sineglazov et al. | Forecasting aircraft miles flown time series using a deep learning-based hybrid approach | |
Yu et al. | A Deep Learning-Based Multi-model Ensemble Method for Hydrological Forecasting | |
CN114004421B (zh) | 一种基于时空集成学习的交通数据缺失值插补方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210611 |
|
WW01 | Invention patent application withdrawn after publication |