CN113537338A - 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 - Google Patents
基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 Download PDFInfo
- Publication number
- CN113537338A CN113537338A CN202110793737.3A CN202110793737A CN113537338A CN 113537338 A CN113537338 A CN 113537338A CN 202110793737 A CN202110793737 A CN 202110793737A CN 113537338 A CN113537338 A CN 113537338A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- line
- improved
- lstm neural
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
- H02H7/261—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations
- H02H7/263—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations involving transmissions of measured values
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，该方法包括建立包含不同运行条件下不同线路SCADA数据训练集；改进SCADA数据，建立LSTM神经网络，输入改进SCADA数据训练LSTM神经网络；将改进后的待辨识线路两端量测SCADA数据作为输入数据输入训练好的LSTM神经网络获取预测值；基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。将LSTM神经网络与改进SCADA数据相结合，旨在利用神经网络进行线路参数辨识，提高线路辨识方法的鲁棒性；改进的SCADA输入数据构建方法能提高LSTM神经网络的模型学习效果和辨识精度。应用中位数抗差，去除预测值中的异常数据及噪声，提高预测结果的精准度。
Description
技术领域
本发明涉及测量电变量领域，尤其涉及一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法。
背景技术
随着大容量远距离高压输电、大***互联、电网高度自动化的发展，我国电力***已步入大电网、大机组的时代，这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中，输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力***计算的基础。实践证明，在电力***中，输电线路参数准确程度直接影响状态估计合格率，从而存在影响电力***的安全、稳定、可靠运行的问题。
现有的输电线路参数测量方法大致可分为：理论计算、离线停电测量、在线带电测量；其中，理论计算通常根据Carson模型，利用线路的自几何均距、互几何均距以及导线材料结构等物理参数，并结合气温等外部环境，通过公式计算出电阻、电抗和对地电纳。由于理论分析简化了模型并且忽略了不确定因素的影响，如无法考虑到实时温度、弧垂等实际存在的问题，导致理论计算结果与实际值相差甚大，因此我国继电保护规程规定线路参数必须实测。并且理论计算推导通常只考虑到了完全对称的情况，前提条件过于理想，因此无法考虑到线路所处实时温度、弧垂、避雷线等实际存在的问题，从而导致该方法得到的结果与实际参数存在较大差异；
离线停电测量：离线停电测量是在输电线路离线停电的前提下，在线路上行进行不同的测量试验，利用电压表、电流表、功率表、频率计等各种表计测量出线路的各个状态，经人工读取表值后利用相应的公式计算出各个相应的线路参数。测量时要求输电线路停止运行的苛刻前提条件，会造成多回运行的平行线路无法测量互感等问题。
现有的在线带电测量，例如，一种在中国专利文献上公开的“一种有限PMU下基于估计的输电线路故障检测方法”，其公告号CN111257696，包括一种有限PMU下基于估计的输电线路故障检测方法，采用间隔母线布置PMU策略，将电网分成几个区域，估计出未布置PMU母线的总估计电流，根据它是否超出阈值来检测疑似故障区域，采用t检验对疑似故障区域进行数据不同步的检查与校正；利用各PMU数据，较精确地估计得到未布置PMU母线的正序估计电压和估计电流，利用双端测距原理，分别计算各疑似线路的故障距离，建立有限PMU下的输电线路故障检测判据。但是上述方案将电网分为几个区域采用根据设计运行条件估计的的方法估计出母线电流，往往与实际运行状态存在较大差异，存在采用模型参数与实际情况不符而导致线路参数预测不准确的问题，而且基于PMU数据的在线测量PMU 装设没有SCADA范围广，不能普适于所有线路。
发明内容
本发明是为了解决现有技术的在线测量方法存在不能普适所有线路，需要多个节点数据，计算量较大，且辨识精度与实际参数存在较大差异的问题，提供一种辨识精确的基于 LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，提高辨识方法的鲁棒性。
为实现上述目的，本发明采用以下技术方案：
一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，包括如下步骤：
步骤S1：建立包含不同运行条件下不同线路SCADA数据训练集；在对神经网络进行训练前，首先需要获取适当的训练集数据为神经网络的训练提供数据支撑，为了提高神经网络在不同场景，不同线路下的有效性，训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。
步骤S2：改进SCADA数据，建立LSTM神经网络，将改进的SCADA数据输入LSTM 神经网络进行门控机制训练；首先，基于传统的线路参数辨识公式，对输入数据进行改造，之后，以改造的SCADA数据作为输入，对应的线路参数为输出，建立LSTM神经网络并对其进行训练；引入上述门控机制后，LSTM网络可以使梯度足够陡峭，进而使得训练时间缩短，且准确度较高。
步骤S3：将改进后的待辨识线路两端量测SCADA数据作为输入数据输入训练好的LSTM神经网络获取预测值；获取待辨识线路两端的SCADA量测数据，包括电压幅值、电流幅值、有功功率、无功功率，改造后输入已训练好的LSTM神经网络，并将输出结果反归一化以获取预测值；
步骤S4：基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。本方案中获取的待辨识线路的输入数据为线路两端SCADA量测数据，即电压幅值、电流幅值、有功功率、无功功率和将量测数据组合改进后得到的改进后的SCADA数据，可知输入数据基于实测数据，实测数据天然包含了当前线路所处的环境及工矿影响，故能够预测出线路在其运行环境下某时间断面内相对应的参数。
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1-λn)按从小到大排列(λ(1)-λ(n))，如果数据数量n为奇数，则中位数为排序后最中间的值，如果数据数量n为偶数，则中位数为排序后的最中间2个数的均值，即：
其中，m0.5为样本中位数；λ(i)为重新排列后的第i个样本数据点。
作为优选，所述步骤S1中所述的建立包含不同运行条件下不同线路仿真数据训练集；包括通过改进m端数据以及线路参数，通过潮流计算获取n端数据，从而组成SCADA数据训练集，其中m端、n端分别为同一线路的两端。
作为优选，所述的改进SCADA数据包括如下步骤：
步骤S2.1：建立线路的等值模型；
步骤S2.2：根据线路等值模型计算线路的有功损耗和无功损耗；
步骤S2.3：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，形成改进后的SCADA 数据作为LSTM神经网络的输入值。
作为优选，步骤S2.1中所述的建立线路的等值模型为π型等值模型。
作为优选，步骤S2.2所述的计算线路的有功功率和无功损耗包括如下步骤：
步骤S2.2.1：根据功率平衡可知：
其中，Sm为线路m端的视在功率，Sn为线路n端的视在功率，S′m为无阻抗干扰的m端视在功率，P′m为无阻抗干扰的m端有功功率，Q′m为无阻抗干扰的m端无功功率；
步骤S2.2.2：根据PMU的正方向计算有功损耗P和无功损耗Q，可得：
作为优选，步骤S2.3包括如下步骤：
S2.3.1：根据无功损耗和有功损耗转化得出电阻R、电抗X、电纳B的表达式：
S2.3.2：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，得出改进后的SCADA数据为：
改造SCADA输入数据可以减小训练过程的非线性程度，从而增加神经网络的拟合能力。
作为优选，所述步骤S4还包括如下步骤：对辨识过程神经网络的输入、输出数据进行归一化：
其中，xi代表神经网络输入或者输出数据，xmin为神经网络输入或输出数据的最小值，xmax为输入和输出数据的最大值，x′i为归一化后的数据，提高神经网络的训练速度和训练精度。
作为优选，步骤S4还包括将辨识结果进行反归一化：xi＝x′i(xmax-xmin)+xmin。由于训练及测试过程中所用数据均为归一化的数据，则所得辨识结果也是归一化后的数据，因此，辨识结果需要进行反归一化，以恢复原本的量纲。
作为优选，所述步骤S2中的LSTM神经网络采用Adam优化算法，LSTM的损失函数选取均方误差MSE。MSE计算方法如下：
其中，n为样本数，
为网络的输出，yi为期望输出。
Adam优化算法在更新权重的过程中同时利用了梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学***稳。
作为优选，所述步骤S2中的门控机制有三种类型门控，三种类型门控分别为：输入门、遗忘门和输出门。所述的输入门、遗忘门和输出门分别用i、f、o来分别表示。门控可以看作一层全连接层，这些门控控制着信息的存储和更新。门控是一个非线性激活函数，作用是将一个实值映射到0～1区间内，反映了信息的流量大小。当门输出值为0时表示没有信息通过，当门输出值为1时表示所有信息均能通过。
在时间t时对信息分析，设其隐藏层输入输出向量分别为xt和ht，记忆单元为ct。输入门用于控制网络当前输入数据xt流入记忆单元的多少，即能记入保存的量大小。遗忘门决定历史信息中哪些信息被丢弃，即上一时刻的记忆单元信息ct-1对当前记忆单元ct的影响。输出门表征记忆单元ct对输出值ht的影响，即记忆单元中哪部分在时间t时输出。
因此，本发明具有如下有益效果：(1)将LSTM神经网络与改进SCADA数据相结合，旨在利用神经网络进行线路参数辨识，提高线路辨识方法的鲁棒性；(2)改进的SCADA输入数据构建方法能提高LSTM神经网络的模型学习效果和辨识精度。(3)应用中位数抗差，去除预测值中的异常数据及噪声，提高预测结果的精准度。
附图说明
图1是本发明一实施例的线路参数辨识方法流程图。
图2是本发明一实施例的线路π型等值模型示意图。
图3是本发明一实施例的LSTM神经网络结构示意图。
图4是本发明一实施例仿真线路拓扑图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：
如图1～4所示的一种基于LSTM神经网络和改进SCADA数据的输电线路辨识方法，包括如下步骤：
步骤S1、建立包含不同运行条件下不同线路仿真数据训练集；
在对神经网络进行训练前，首先需要获取适当的训练集数据为神经网络的训练提供数据支撑。为了提高神经网络在不同场景，不同线路下的有效性，训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。具体地，先通过改变m端数据以及线路参数，通过潮流计算获取n 端测量数据，从而组成SCADA数据训练集。m端数据如表1：m端数据及线路参数表所示：
表1：m端数据及线路参数表：
表1中的数据采集方式，以有功功率为例，设置功率变化范围为[29.0MW，30.2MW]以0.01 为步长进行采样，采样点个数为20个，其余电气量的构建方式类似。此外，三个线路参数采用同步变化的方式，例如，0.1R对应0.1X和0.1B，0.2R对应0.2X和0.2B……以此类推。
步骤S2、改造SCADA数据，建立LSTM神经网络，输入改进SCADA数据训练LSTM 神经网络；首先，基于传统的线路参数辨识公式，对输入数据进行改造，之后，以改造的SCADA 数据作为输入，对应的线路参数为输出，建立LSTM神经网络并对其进行训练；
LSTM有三种类型的门控分别为：输入门、遗忘门和输出门，用i、f、o来分别表示。门控可以看作一层全连接层，这些门控控制着信息的存储和更新。门控是一个非线性激活函数，作用是将一个实值映射到0～1区间内，反映了信息的流量大小。当门输出值为0时表示没有信息通过，当门输出值为1时表示所有信息均能通过。
在时间t时对信息分析，设其隐藏层输入输出向量分别为xt和ht，记忆单元为ct。输入门用于控制网络当前输入数据xt流入记忆单元的多少，即能记入保存的量大小。遗忘门决定历史信息中哪些信息被丢弃，即上一时刻的记忆单元信息ct-1对当前记忆单元ct的影响。输出门表征记忆单元ct对输出值ht的影响，即记忆单元中哪部分在时间t时输出。
引入上述门控机制后，LSTM网络可以使梯度足够陡峭，进而使得训练时间缩短，且准确度较高。
步骤S2.1：建立线路的π型等值模型；
步骤S2.2：根据线路等值模型计算线路的有功损耗和无功损耗；
步骤S2.2.1：根据功率平衡可知：
其中，Sm为线路m端的视在功率，Sn为线路n端的视在功率，S′m为无阻抗干扰的m端视在功率，P′m为无阻抗干扰的m端有功功率，Q′m为无阻抗干扰的m端无功功率；
步骤S2.2.2：根据PMU的正方向计算有功损耗P和无功损耗Q，可得：
步骤S2.3：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，形成改进后的SCADA数据作为LSTM神经网络的输入值。
S2.3.1：根据无功损耗和有功损耗转化得出电阻R、电抗X、电纳B的表达式：
S2.3.2：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，得出改进后的SCADA数据为：
步骤S3：将改造后的待辨识线路两端量测SCADA数据作为输入数据输入训练好的LSTM神经网络获取预测值。
获取待辨识线路两端的SCADA量测数据，包括电压幅值、电流幅值、有功功率、无功功率，改造后输入已训练好的LSTM神经网络，并将输出结果反归一化以获取预测值；
步骤S4：基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1-λn)按从小到大排列(λ(1)-λ(n))，如果数据数量n为奇数，则中位数为排序后最中间的值，如果数据数量n为偶数，则中位数为排序后的最中间2个数的均值，即：
其中，m0.5为样本中位数；λ(i)为重新排列后的第i个样本数据点。
对辨识过程神经网络的输入、输出数据进行归一化：
其中，xi代表神经网络输入或者输出数据，xmin为神经网络输入或输出数据的最小值，xmax为输入和输出数据的最大值，x′i为归一化后的数据。
将辨识结果进行反归一化：xi＝x′i(xmax-xmin)+xmin。
本专利实施例建立的LSTM神经网络模型LSTM优化算法选取为Adam：AdaptiveMoment Estimation。与传统的随机梯度下降不同，Adam在更新权重的过程中并不保持单一的学***稳，基本上只需极少量的调参。本专利选取了均方误差MSE：MeanSquare Error；作为LSTM的损失函数。其中MSE的计算方法如下：
式中，n为样本数，
为网络的输出，yi为期望输出。
本专利LSTM网络相关参数设置如下：(1)隐藏神经元数设置为15；(2)最大迭代次数设为110；(3)Dropout设置为0.7；(4)Batch Size设置为10；(5)学习率设为0.01。
如图4所示本实例利用PSCAD搭建220kV仿真***，对单回输电线路的正序参数进行辨识。线路L为单回线，线路长度为40km；以如下情景一和情景二两个情景来模拟冬季与夏季典型气候的情况，情景一为夏季，情景二为冬季。
情景一：夏季气温升高，电阻也会随之增大，同时电抗电纳也会随之改变，正序参数设置值为：电阻R1＝0.7126Ω、电抗XL＝12.55Ω，电导Y＝1.4623×10-4S。Um＝126.4kV，Pm＝29.54MW，Qm＝5.38Mvar。
基于中位数抗差估计，以改进SCADA数据为输入的LSTM神经网络在有/无噪声情形下的辨识结果如表2：情景一中神经网络在有或无噪声下的辨识结果，所示：
表2：情景一神经网络在有或无噪声下的辨识结果
由表2可知，在无噪声和有噪声加入时，本文方法均可对线路参数进行准确辨识，相对误差小于1％，验证了该方法的有效性与鲁棒性。通过无噪声和有噪声情况对比可以发现，噪声对于本文方法的影响较小，这与传统参数方法有着很大的不同。
为测试改进SCADA数据的实际效果，本文通过直接使用SCADA数据与使用改进SCADA数据对LSTM网络进行训练，获得两个不同LSTM网络，并对加入噪声的测试集数据进行辨识，辨识对比结果如表3：使用传统SCADA数据与使用改进SCADA数据辨识结果对比所示。
表3：使用传统SCADA数据与使用改进SCADA数据辨识结果对比
由表3可知，使用改进的SCADA数据训练的LSTM辨识结果明显优于传统的直接使用SCADA数据训练的LSTM，验证了改进SCADA数据的优越性。
情景二：正序参数设置值为：电阻＝1.1364Ω、电抗＝12.78Ω，电导＝1.4813×10-4S。 Um＝126.4kV，Pm＝29.54MW，Qm＝5.38Mvar。辨识结果如表4：情景二中神经网络在有或无噪声下的辨识结果。
表4：情景二中神经网络在有或无噪声下的辨识结果：
由情景一的辨识结果和情景二的辨识结果可以看出经过训练后的神经网络可以精确捕捉线路运行环境以及工况改变情况下变化的参数，并进行有效的辨识和预测。
综上，本发明所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法可行，且具有工程应用价值。
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。
尽管本文较多地使用了抗差线路参数、预测值、训练集、潮流计算等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，包括如下步骤：
步骤S1：建立包含不同运行条件下不同线路SCADA数据训练集；
步骤S2：改进SCADA数据，建立LSTM神经网络，将改进的SCADA数据输入LSTM神经网络进行门控机制训练；
步骤S3：将改进后的待辨识线路两端量测SCADA数据作为输入数据输入训练好的LSTM神经网络获取预测值；
步骤S4：基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。
2.根据权利要求1所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述步骤S1中所述的建立包含不同运行条件下不同线路仿真数据训练集；包括通过改进m端数据以及线路参数，通过潮流计算获取n端数据，从而组成SCADA数据训练集，其中m端、n端分别为同一线路的两端。
3.根据权利要求2所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述的改进SCADA数据包括如下步骤：
步骤S2.1：建立线路的等值模型；
步骤S2.2：根据线路等值模型计算线路的有功损耗和无功损耗；
步骤S2.3：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，形成改进后的SCADA数据作为LSTM神经网络的输入值。
4.根据权利要求2或3所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述步骤S2.1所述的建立线路等值模型为π型等值模型。
5.根据权利要求4所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，步骤S2.2所述的计算线路的有功功率和无功损耗包括如下步骤：
步骤S2.2.1：根据功率平衡可知：
其中，Sm为线路m端的视在功率，Sn为线路n端的视在功率，S′m为无阻抗干扰的m端视在功率，P′m为无阻抗干扰的m端有功功率，Q′m为无阻抗干扰的m端无功功率；步骤S2.2.2：根据PMU的正方向计算有功损耗P和无功损耗Q，可得：
6.根据权利要求5所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，步骤S2.3包括如下步骤：
S2.3.1：根据无功损耗和有功损耗转化得出电阻R、电抗X、电纳B的表达式：
S2.3.2：将线路等值模型的电阻R，电抗X，电纳B加入训练集中，得出改进后的SCADA数据为：
7.根据权利要求1或6所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述步骤S4还包括如下步骤：对辨识过程神经网络的输入、输出数据进行归一化：
其中，xi代表神经网络输入或者输出数据，xmin为神经网络输入或输出数据的最小值，xmax为输入和输出数据的最大值，x′i为归一化后的数据。
8.根据权利要求7所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，步骤S4还包括将辨识结果进行反归一化：xi＝x′i(xmax-xmin)+xmin。
9.根据权利要求1或8所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述步骤S2中的LSTM神经网络采用Adam优化算法，LSTM的损失函数选取均方误差MSE。
10.根据权利要去9所述的基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，所述步骤S2中的门控机制有三种类型门控，三种类型门控分别为：输入门、遗忘门和输出门。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793737.3A CN113537338A (zh) | 2021-07-13 | 2021-07-13 | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793737.3A CN113537338A (zh) | 2021-07-13 | 2021-07-13 | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537338A true CN113537338A (zh) | 2021-10-22 |
Family
ID=78098991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110793737.3A Pending CN113537338A (zh) | 2021-07-13 | 2021-07-13 | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537338A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020169582A1 (en) * | 2001-05-14 | 2002-11-14 | Evren Eryurek | Diagnostics for industrial process control and measurement systems |
| US20050102124A1 (en) * | 2003-11-12 | 2005-05-12 | Root David E. | Method for generating a circuit model |
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN102495288A (zh) * | 2011-12-08 | 2012-06-13 | 重庆大学 | 基于scada量测数据的输电线路参数的辨识与估计方法 |
| CN103020467A (zh) * | 2012-12-26 | 2013-04-03 | 华北电力大学 | 一种输电线路参数辨识的方法 |
| CN103023015A (zh) * | 2012-11-07 | 2013-04-03 | 中国电力科学研究院 | 一种配电线路阻抗在线虚拟量测方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
| CN110619182A (zh) * | 2019-09-24 | 2019-12-27 | 长沙理工大学 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
| CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
| CN112886579A (zh) * | 2021-02-03 | 2021-06-01 | 北京交通大学 | 考虑pmu和scada量测时标不匹配的配电网线路参数辨识方法 |
-
2021
- 2021-07-13 CN CN202110793737.3A patent/CN113537338A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020169582A1 (en) * | 2001-05-14 | 2002-11-14 | Evren Eryurek | Diagnostics for industrial process control and measurement systems |
| US20050102124A1 (en) * | 2003-11-12 | 2005-05-12 | Root David E. | Method for generating a circuit model |
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN102495288A (zh) * | 2011-12-08 | 2012-06-13 | 重庆大学 | 基于scada量测数据的输电线路参数的辨识与估计方法 |
| CN103023015A (zh) * | 2012-11-07 | 2013-04-03 | 中国电力科学研究院 | 一种配电线路阻抗在线虚拟量测方法 |
| CN103020467A (zh) * | 2012-12-26 | 2013-04-03 | 华北电力大学 | 一种输电线路参数辨识的方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
| CN110619182A (zh) * | 2019-09-24 | 2019-12-27 | 长沙理工大学 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
| CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
| CN112886579A (zh) * | 2021-02-03 | 2021-06-01 | 北京交通大学 | 考虑pmu和scada量测时标不匹配的配电网线路参数辨识方法 |
Non-Patent Citations (4)
| Title |
|---|
| LINGYAN QUE ET AL.: "A Robust Line Parameter Identification Method Based on LSTM and Modified SCADA Data", 《2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》, 15 February 2021 (2021-02-15), pages 2 - 5 * |
| MIN LU ET AL.: "Arobust identification method for transmission line parameters based on BP neural network and modified SCADAdata", 《2020 IEEE INTERNATIONAL CONFERENCE ON ENERGY INTERNET (ICEI)》, 1 December 2020 (2020-12-01), pages 2 - 5 * |
| 薛安成;游宏宇;苏大威;徐劲松;周健;徐飞阳;卢敏;王治华;毕天姝;: "基于中位数估计和相分量模型的输电线路序参数在线抗差辨识", 电力自动化设备, no. 08 * |
| 陈政;: "电网规划数据中架空线路参数辨识", 中国高新技术企业, no. 22 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
| CN115834424B (zh) * | 2022-10-09 | 2023-11-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cavraro et al. | Power distribution network topology detection with time-series signature verification method | |
| CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
| CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN107565553A (zh) | 一种基于ukf的配电网抗差动态状态估计方法 | |
| CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
| CN109524982B (zh) | 一种交直流电网暂态稳定风险评估方法 | |
| CN112883522A (zh) | 一种基于gru循环神经网络的微电网动态等效建模方法 | |
| CN107632231B (zh) | 一种使用多激励源的变电站接地网腐蚀故障在线诊断方法 | |
| CN115128395A (zh) | 一种电压暂降源定位方法和装置 | |
| CN106443253A (zh) | 一种基于pmu数据的输电线路参数辨识方法 | |
| Ye et al. | Co-estimation of lithium-ion battery state-of-charge and state-of-health based on fractional-order model | |
| CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
| CN113536674B (zh) | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 | |
| CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
| CN107069710B (zh) | 计及新能源时空相关性的电力***状态估计方法 | |
| Zhengyi et al. | A lstm line selection method of single-phase ground fault based on big-data platform | |
| CN113406548B (zh) | 一种基于云边协同计算的漏电测量误差补偿方法及*** | |
| CN113177717B (zh) | 一种基于影响增量灵敏度的输电***韧性快速评估方法 | |
| CN111654033B (zh) | 基于线性推演的大电网静态电压稳定态势评估方法及*** | |
| CN112565180B (zh) | 基于移动目标防御的电网防御方法、***、设备及介质 | |
| Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
| Garg et al. | Fault classification, location in a series compensated power transmission network using Online Sequential Extreme Learning Machine | |
| Linghua et al. | Research on the algorithm model of predicting line loss diagnosis based on computer multiple linear regression | |
| Bhatti et al. | Distribution System State Estimation Using a Multiple Iteration Extended Kalman Filter Approach |
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 |