CN117973894A - 一种配电网分布式状态估计方法及*** - Google Patents
一种配电网分布式状态估计方法及*** Download PDFInfo
- Publication number
- CN117973894A CN117973894A CN202410127538.2A CN202410127538A CN117973894A CN 117973894 A CN117973894 A CN 117973894A CN 202410127538 A CN202410127538 A CN 202410127538A CN 117973894 A CN117973894 A CN 117973894A
- Authority
- CN
- China
- Prior art keywords
- data
- measurement
- power distribution
- state estimation
- bad
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005259 measurement Methods 0.000 claims abstract description 155
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000012216 screening Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种配电网分布式状态估计方法及***，包括：获取配电***运行的量测数据；对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。本发明提出的量测量相关性检验的不良数辨识技术在不良数据辨识方面有更高的查全率、查准率和准确率；提出基于TCN‑BILSTM的量测数据修正技术，在量测量预测方面，有更高的预测精度，能够更准确地修正量不良数据，保证量测数据的可靠性。
Description
技术领域
本发明属于电力***状态估计技术领域，特别涉及基于集成深度神经网络(deepneural network,DNN)的配电网分布式状态估计方法及***。
背景技术
为了高效地处理指数级增长的配电网数据，保障配电网稳定、可靠地运行，对状态估计的精度和效率提出更高的要求。配电网状态估计作为配电管理***(distributionmanagement system,DMS)的基础，通过对远程终端单元(remote terminal unit,RTU)、同步相量量测单元(phasor measurement unit,PMU)和高级量测体系(advanced meteringinfrastructure,AMI)等量测装置采集的实时量测数据的分析和计算，从而为配电***提供可靠的运行数据。
由于分布式电源(distributed generation,DG)在配电网中广泛应用，配电网的运行变得更为复杂，控制与调度的难度也相应提升。同时DG具有分散性、随机性和波动性的特点，增加了配电网不良数据辨识的难度，在配电网同时出现不良数据和DG波动较大的数据的情况下，上述不良数据辨识方法经常会出过辨识现象，将分布式电源的正常波动数据当作不良数据剔除，进而引发DMS的错误分析，导致配电网的监测和控制出现较大偏差，进而影响配电网的安全性和可靠性。
配电网节点众多、规模庞大，传统集中式状态估计方法如基于加权最小二乘法(weighted least square,WLS)状态估计等，需要在处理大量实时量测数据的同时完成复杂的数学计算，难以满足大规模配电网对状态估计精度和效率的要求。相比于传统的集中式状态估计，分布式状态估计方法将任务分配给各个子区域并行计算，提高了状态估计的效率，更有研究价值和现实意义。基于数据驱动的状态估计方法可以有效地处理电力***非线性、高维度的信息，但目前的基于数据驱动的状态估计在精度、效率、具鲁棒性存在不足。
发明内容
本发明的目的在于提供一种配电网分布式状态估计方法及***，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供一种配电网分布式状态估计方法，包括：
获取配电***运行的量测数据；
对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
可选的，获取配电***运行的量测数据：
运行的量测数据从数据采集与监控(supervisory control and dataacquisition,SCADA、PMU、AMI量测中获取。
可选的，对获取的量测数据进行基于量测数据相关性检验的不良数据辨识和基于时域卷积网络-双向长短期记忆网络的不良数据修正。
可选的，具体的：
通过基于量测量相关性检验的不良数辨识技术对不良数据进行辨识，剔除不良数据；对不良数据进行辨识后的量测数据通过基于时域卷积网络(temporal convolutionalnetwork,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)的量测数据修正技术，对不良数据进行修正。
可选的，不良数据修正流程：
读取配电网量测数据集并清洗，经滑动窗口重构，并划分为量测训练集与量测测试集；
将量测训练集送至TCN-BILSTM模型进行训练，经量测测试集测试后保存最佳模型参数：时域卷积网络层的层数为1，卷积核个数为100，卷积核大小为3，扩张系数d分别为[1，2，4，8，16，32]；BILSTM网络的层数为1，神经元个数为32，激活函数为tanh,模型优化器为adam，学习率为0.001，损失函数为mse，迭代次数为100，batchsize为32；
在k+1时刻识别出电力***中的不良数据后，将该量测量在k+1-T时刻至k时刻的量测序列[zk+1-T,zk+2-T,...,zk]输入至预训练的TCN-BILSTM网络中，由TCN提取量测时序特征输入至BILSTM网络对第k+1时刻的量测量进行预测，用预测值为zk+1替换不良数据完成不良数据修正。
可选的，将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计：
数据经归一化输入至分布式集成DNN进行离线训练，再将参数经过模型迁移建立在线网络，把实时量测数据经过基于量测数据相关性检验不良数据辨和基于TCN-BILSTM的不良数据修正，最后将特征量测输入在线分布式集成DNN实现状态估计。
可选的，具体流程包括：
离线训练阶段，利用修正后的数据得到的训练集，训练分布式集成DNN网络；
在线状态估计阶段，通过改进DNN网络实现状态估计，完成状态估计且满足潮流约束条件时输出状态估计结果，对不满***潮流约束条件的状态量，采用传统WLS估计输出估计结果。
第二方面，本发明提供基于集成DNN的配电网分布式状态估计***，包括：
数据获取模块，用于获取配电***运行的量测数据；
归一化处理模块，用于对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
状态估计模块，用于将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种配电网分布式状态估计方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种配电网分布式状态估计方法的步骤。
与现有技术相比，本发明有以下技术效果：
本发明提出的量测量相关性检验的不良数辨识技术在不良数据辨识方面有更高的查全率、查准率和准确率；提出基于TCN-BILSTM的量测数据修正技术，在量测量预测方面，有更高的预测精度，能够更准确地修正量不良数据，保证量测数据的可靠性。
本发明提出的集成DNN状态估计方法，对不同基学习器进行组合，增强模型的泛化能力，提高了状态估计的精度。
本发明提出的分布式集成DNN状态估计算法并利用多子区域并行计算，在***鲁棒性和计算效率上有明显提升。
附图说明
图1为本发明实施例1提供的一种配电网分布式状态估计方法及***的分布式集成DNN状态估计流程示意图。
图2为本发明实施例1提供的一种配电网分布式状态估计方法及***的TCN-BILSTM不良数据修正框架示意图。
图3为本发明实施例1提供的一种配电网分布式状态估计方法及***的不良数据辨识与修正流程示意图。
图4为本发明实施例1提供的一种配电网分布式状态估计方法及***的集成DNN状态估计结构示意图。
图5为本发明实施例1提供的一种配电网分布式状态估计方法及***的分布式集成DNN状态估计结构示意图。
图6为本发明实施例1提供的一种配电网分布式状态估计方法及***的IEEE123节点配电***示意图。
图7为本发明实施例1提供的一种配电网分布式状态估计方法及***的集成DNN状态估计分析示意图；其中，图7中的(a)为区域Ⅰ中26号节点电压幅值与电压相角估计性能对比示意图，图7中的(b)为区域Ⅱ中53号节点电压幅值与电压相角估计性能对比示意图，图7中的(c)为区域Ⅲ中67号节点电压幅值与电压相角估计性能对比对比示意图。
图8为本发明实施例1提供的一种配电网分布式状态估计方法及***的集成DNN状态估计分析示意图；其中，图8中的(a)为区域Ⅰ中29号节点电压幅值与电压相角估计精度对比示意图，图8中的(b)为区域Ⅱ中的93号节点电压幅值与电压相角估计精度对比示意图，图8中的(c)为区域Ⅲ中105号节点电压幅值与电压相角估计精度对比示意图。
图9为本发明流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出,否则单数形式也意图包括复数形式，此外，还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
一种配电网分布式状态估计方法，包括：
获取配电***运行的量测数据；
对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
具体的：
步骤1：首先将配电***的历史数据集分为各个子区域的数据集，对各子区域用将经过最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)提取的量测量特征作为DNN的输入，状态量作为DNN的输出，进行基学习器的训练；然后将基学习器输出的预测值集成后作为支持向量回归(support vector regression,SVR)模型输入，状态量作为SVR模型的输出，进行元学习器的训练，训练完成后保存所有模型权重参数。
步骤2：将实时量测数据经过不良数据的辨识与修正，得到修正后的量测数据；将修正后的量测数据中的特征量测量输入到各个子区域的集成DNN模型中进行状态估计，待各子区域均完成状态估计且满足***的潮流约束条件时输出状态估计结果。对不满***潮流约束条件的状态量，采用传统WLS估计输出估计结果。
实施例2：
(1)算例数据
1.如图6所示，配电***的电压基准为4.16kV；负荷参数采用新疆某地实际配电网负荷数据；风力发电机组数据为新疆某地风电厂实际运行数据，其装机容量均为120MW；量测节点的量测数据通过潮流计算真值的基础上叠加均值为0的正态分布误差得到：电压幅值、电流幅值量测的标准差为0.005，功率量测误差标准差为0.02。部分节点装设PMU装置，其余节点均装设SCADA装置，具体的***结构及区域划分见图6。
2.选取配电***连续4000个断面量测数据，在不同断面分别加入5％、15％的不良数据(各2000个连续断面)，不良数据的模拟方法为：将正常功率量测增大或减小50％，正常电压量测增大或减小20％。
3.在集成DNN状态估计效果分析中，选取IEEE123节点配电***区域Ⅰ、Ⅱ、Ⅲ中每个区域连续1500h的实际运行数据，以10min为1个样本断面，共计9000个断面，其中80％(共计7200个断面)作为训练集，20％(共计1800个断面)作为测试集。
(2)方案设计
1.基于量测数据相关性检验的不良数据辨识：对IEEE123节点配电***，采用算例数据2中，分别将含有5％、15％不良数据的连续断面中每100个连续断面为一组，分别随机抽取10组取平均值，将标准残差搜索法、FCM算法和本文方作对比，检测它们辨识性能，结果如表3所示。
2.TCN-BILSTM预测效果分析：对IEEE123节点配电***，采用BILSTM模型、TCN模型、TCN-LSTM模型和TCN-BILSTM模型进行对比，采用算例数据2的数据，其中80％为训练集，20％为测试集，对***进行状态预测，最终预测结果如表4所示。
3.不同状态估计方法的效果分析：对IEEE123节点配电***，采用算例数据3进行不同状态估计算法的对比分析。
***测试环境的硬件基于PC机，CPU为CoreTM i9-13900HX，16G内存，GPU显存为8G；软件基于MATLAB 2021b和Python 3.7.4。
(3)调度过程数学模型
1.基于量测数据相关性检验的不良数据辨识
电力***中节点和支路的量测量如：节点注入功率量测、节点电压幅值量测、支路功率与电流量测等之间受到物理拓扑和功率潮流约束，在连续时段内存在存在一定的时间相关性。选取时间长度为T的量测序列，计算两量测序列的皮尔逊相关系数如式(1)所示。
式中：为量测序列的平均值；r为量测序列I和J的相关系数。
由统计学中一般定义，当0.8＜|r|≤1时，两量测序列互为极强相关。经仿真验证，在DG接入的配电网中，互为极强相关量测序列的相关系数变化较为稳定；而含有不良数据时，其值波动范围较大。为描述连续N个极强相关量测序列相关系数的最大波动范围Δro，本文选取时间长度均为T的量测序列I和第o个与其互为极强相关的量测序列Jo，计算它们在k+1时刻之前的连续N个相关系数[r1,r2,...,rN]最大变化值如式(2)所示。
Δro＝|rmax|-|rmin| (2)
式中：rmax为量测序列I和Jo在连续N个相关系数[r1,r2,...,rN|中的最大值；rmin为量测序列I和Jo在连续N个相关系数[r1,r2,...,rN]中的最小值。
在第k+1时刻该相关系数的波动值Δyr′o如式(3)所示。
Δr′o＝||rN+1|-|rN|| (3)
式中，rN+1为量测序列I和Jo在第k+1时刻的相关系数。
将在第k+1时刻所有与量测序列I互为极强相关的量测序列Jo所对应的量测量满足式(4)判定为不良数据，否则判定为波动数据。
Δr′o＞Δro(O＝1,2,...,s) (4)
式中，s为与量测序列I互为强相关量测的量测序列Jo的数量。
相容量测的概念：对于某一量测值Qi，已知其噪声分布，将Qi的估计值与量测值之差记为βi，若能找一组状态量，使得Q1,Q2,…,Qn满足式(5)，则称量测是相容的。
|βi|≤3σi,i∈(1,n) (5)
式中，σi为分布标准差。
根据相容量测的定义，正常量测集合必定是相容量测，因此将在k+1时刻除集合A外的数据定义为可疑量测集合B，集合B中可能包含DG波动数据。本文方法先根据相容量测得出集合B，然后根据其相关系数的波动情况，逐一对各个可疑数据进行不良数据的排查，区分出不良数据和正常波动数据。
2.基于TCN-BILSTM的不良数据修正
本发明采用的TCN-BILSTM生成伪量测，在识别并剔除出不良数据后，对不良数据进行修正以得到完整的量测数据集。
TCN-BILSTM不良数据修正框架由输入层、时域卷积网络层、双向长短期记忆网络预测层构成。具体结构如图2所示，具体包括：
1)输入层：读取配电网节点注入功率量测、节点电压幅值量测、支路功率与电流量测数据，并将量测数据通过滑动窗(T＝10)进行数据重构，结果如表1所示。
表1数据重构结果
2)时域卷积网络层：TCN是一种用于时间序列建模的神经网络模型，在电力***量测量预测任务中，TCN在特征提取方面显示出卓越的能力，可以将原始测量特征进行融合以提取具有高维度的抽象特征，从而加强对测量信息的挖掘。相较于传统的一维卷积，TCN具有一种独特的扩张因果卷积结构，扩张卷积对上一层的输入进行扩张采样，拥有较大的感受视野，能够接收更长时间的SCADA、PMU、AMI的历史量测数据；因果卷积保证预测结果不受未来信息的影响，提高了模型的可靠性。TCN残差模块中ReLU激活函数和Dropout层通常被应用在扩张因果卷积层之后，在训练过程中以稳定模型梯度，并防止过拟合。
3)双向长短期记忆网络预测层：TCN有很强的时序特征提取能力，但通常无法获取从后到前的信息，为了进一步提高模型预测的准确性，引入BILSTM模型与TCN模型及进行组合，以便好地捕获量测序列中的双向依赖关系，从而更加精确地对量测数据进行预测。
3.TCN-BILSTM不良数据修正流程
1)读取配电网量测数据集并清洗，经滑动窗口重构，并划分为量测训练集与量测测试集。
2)将量测训练集送至TCN-BILSTM模型进行训练，经量测测试集测试后保存最佳模型参数：时域卷积网络层的层数为1，卷积核个数为100，卷积核大小为3，扩张系数d分别为[1，2，4，8，16，32]；BILSTM网络的层数为1，神经元个数为32，激活函数为tanh,模型优化器为Adam，学习率为0.001，损失函数为mse，迭代次数为100，batchsize为32。
3)在k+1时刻识别出电力***中的不良数据后，将该量测量在k+1-T时刻至k时刻的量测序列[zk+1-T,zk+2-T,…,zk]输入至预训练的TCN-BILSTM网络中，由TCN提取量测时序特征输入至BILSTM网络对第k+1时刻的量测量进行预测，用预测值为zk+1替换不良数据完成不良数据修正。不良数据的辨识与修正具体流程见图3。
4.基于分布式集成DNN的状态估计模型
如图5所示是分布式集成DNN的状态估计模型。该模型由多个集成DNN状态估计模型组成，同时对***的各个子区域进行状态估计，并将输出结果提供至DMS数据中心，以提高状态估计的效率。其中，集成DNN状态估计模型如图4所示，该模型由多个基学习器DNN模型和一个元学习器SVR模型组合构成，通过将多个DNN的状态估计结果进行组合，削弱单个基学习器状态估计泛化能力不足的影响，有效地提高了状态估计的精度：
1)基学习器DNN
DNN由多个神经元层组成，包括输入层、多个隐藏层和输出层，各层之间全连接，在训练过程中通过前向传播算法和反向传播算法交替进行。前向传播算法中，使用前一层神经元的输出作为后一层神经元的输入，公式为
式中：为第L层第l个神经元激活前的输出；/>为第L层第l个神经元激活后的输出；/>为偏置常数；/>为/>到/>的线性传递系数；σ(·)为激活函数。
DNN反向传播算法将正向传播输出状态估计值与真实状态量比较，计算损失函数，根据梯度下降法使损失函数取极小值，从而更新每个神经元的线性传递系数w和偏置常数h，损失函数采用均方误差函数。DNN作为基学习器，分别对节点电压幅值和相角进行多次预测，并把所有预测值组合为元学习器的输入。
各区域DNN参数如表2所示，包括各区域DNN数量、DNN层数以及每层神经元数；在模型训练过程中，采用动量梯度下降法进行优化，将初始学习率设置为0.01，batchsize设置32，epoch设置为100，dropout设置为0.3。
表2各区域DNN参数
2)元学习器SVR
SVR是一种监督学习方法，遵循结构风险最小化原则，旨在同时将训练样本的经验风险和置信范围最小化，以提高未知样本的泛化能力，适用于集成基学习器DNN的预测值，从而完成***的状态估计。将基学习器的预测值与状态量一起组成数n个u维的训练样本D如式(8)所示。
式中：xi为基学习器预测量，xi∈Ru，Ru为样本空间；yi为状态量，yi∈R；n为样本个数。
设非线性映射函数为将训练集从低维空间映射到高维空间的定义为
式中：f(x)为回归函数；ω为权重向量；b为截距。
利用结构风险最小化原则，得到的风险函数如式(10)所示：
式中：||ω||2为结构风险；为损失函数；c为惩罚系数，c＞0。
求风险函数的最小值与求解式(11)约束最小化优化问题等价。
式中：ξi和均为松弛变量；ε为不敏感损失系数。
为了便于计算，使用拉格朗日函数将上述优化问题转化为对偶问题。通过引入高斯核函数，集成DNN状态估计问题可以表示为
式中：αi和为拉格朗日乘子；K(xi,x)为核函数。
本文选取径向基核函数，如式(13)所示。
式中，σ为径向基核函数的宽度。
在实验中，SVR模型的各个参数通过程序自动寻优确定。
3)基于MRMR的集成DNN输入特征筛选：
配电网中量测数据规模庞大，由于量测量中包含大量与状态量关联性很低的量测特征，若把所有的量测数据作为DNN的特征输入时会存在特征冗余，使得DNN学习效率下降，影响状态估计的准确性。为提高DNN训练效率，本文以支路功率和节点注入功率为量测量，以节点电压幅值和电压相角为状态量，采用MRMR算法综合考虑量测量与状态量相关性、各量测量之间的冗余性，对DNN输入特征进行筛选。
输入特征筛选：从初始W个量测量数据集G＝{g1,g2,...,gW}中筛选出与状态量相关性最大且与其它量测量相关性最小的m个量测量，作为DNN网络的最优输入特征，以提高模型状态估计的效率和精度。互信息的计算公式为
式中：e为状态量；I(e,gi)为量测量与状态量的互互信息；I(gi,gp)为两量测量之间的互信息；p(·)为概率密度函数；gi,gq∈G；i≠q。
最大相关计算原则如式(16)所示。
最小冗余计算原则如式(17)所示。
式中：S为目标量测特征集合；|S|为S中的维数；D(·)为相关性；R(·)为冗余性。
整合D(S,e)和R(S)，MRMR的计算指标为
maxφ(D,R)
φ＝D-R (18)
采用增量搜索法求解式(19)，在已选出m-1个量测量的集合Sm-1后，从G中剩余的量测量U＝G-Sm-1选取第m个量测量，应满足式(19)。
通过以上准则，筛选出与节点电压幅值、相角对应的输入量测。
5.数据归整和评价指标
本文为消除量测数据量纲的差异，进行数据归一化，公式为
式中：xi为输入值；xn为归一化的值；xmax、xmin分别为数据中的最大值和最小值。
采用查准率、查全率、准确率衡量不良数据辨识精度，计算公式分别为
式中：TN为模型正确辨识为不良数据的样本数量；TP为模型正确辨识为正常数据的样本数量；FN为模型错误地将正常数据辨识为不良数据的样本数量；FP为模型错误地将不良数据辨识为正常数据的样本数量。
采用决定系数R2、平均百分比误差(mean absolute percent error,MAPE)、均方根误差(root mean square error,RMSE)、平均相对误差ηb和平均绝对误差ηc来评估各个模型的预测精度，如式(24)—式(28)所示。
式中：yt、分别t时刻状态量的真实值和预测值/>为状态量的平均值，M为测试样本数目。
对IEEE123配电***进行测试：
1)不良数据辨识效果分析
将标准残差搜索法、FCM算法和本文方法作对比，取N＝8，分别将含有5％、15％不良数据的连续断面中每100个连续断面为一组，分别随机抽取10组取平均值，将标准不良数据辨识性能结果见表3。
表3不良数据辨识性能对比
由表3可知，在不良数据为5％时，相较于标准残差搜索法和FCM算法，本文方法的准确率提高了14.9％和7.8％；在不良数据为15％时，相较于标准残差搜索法和FCM法，本文方法查全率分别提高了36.6％和25.5％；查准率分别提高了28.3％和22.6％。在两种比例的不良数据下，本文所提方法在查全率、查准率和准确率都在96％以上，均高于标准残差搜索法和FCM算法。结果表明，当配电网存在较大比例不良数据时，本文所提的方法能较准确地识别出不良数据。
2)TCN-BILSTM预测效果分析
采用BILSTM模型、TCN模型、TCN-LSTM模型和TCN-BILSTM模型进行对比，采用MAPE、RMSE和R2来评估各个模型的预测精度。实验测试100次取平均值，不同方法测试指标见表4。
表4量测量预测误差指标
由表4可知，本文所提的TCN-BILSTM模型的MAPE和RMSE较BILSTM模型、TCN模型、TCN-LSTM模型分别降低了74.6％、69.1％、53.1％和61.6％、53.6％、32.3％，说明本文方法预测误差最小；TCN-BILSTM模型的R2最大，说明了本文方法的拟合度最高。结果表明本文所提TCN-BILSTM模型对于量测序列预测较为有效，可以较准确的完成不良数据修正任务。
3)集成DNN状态估计效果分析
区域Ⅰ、Ⅱ、Ⅲ的节点数量为别为36、35、52，输出状态量分别为该区域所有节点的电压幅值和相角参数。以区域Ⅰ为例，经MRMR算法筛选出的特征量测量见表5，其中Pi和Qi为节点注入功率量测量；Pi-j和Qi-j为支路功率量测量。选取区域Ⅰ中26号节点、区域Ⅱ中53号节点、区域Ⅲ中67号节点，测试经过MRMR筛选特征量测量的集成DNN分布式状态估计、未经过MRMR筛选特征量测量的集成DNN分布式状态估计与WLS状态估计的效果。为直观分析结果，采用平均相对误差作为衡量不同算法状态估计精度指标。对上述3个节点随机选取30个连续时间断面进行测试，测试结果见图7。由图7可知：对于电压幅值的平均相对误差而言，经过MRMR筛选特征量测量后，集成DNN算法在3个区域下均低于0.15％，WLS算法和未经MRMR筛选特征量测量的集成DNN算法最大值分别大于0.35％和0.7％；对于电压相角的相对误差而言，经过MRMR筛选特征量测量后，集成DNN算法在3个区域下均低于6.5％，WLS算法和未经MRMR筛选的集成DNN算法最大值分别大于7％和8％。结果表明，经过MRMR算法对特征量测量的筛选，保证了输入至集成DNN的量测量与状态量最大相关，同时量测量之间冗余性最小，从而使集成DNN算法能更精确地进行状态估计。
表5区域I输入特征量测量
/>
4)状态估计精度分析
将集成DNN分布式状态估计与传统集中式的RNN和CNN状态估计精度进行对比分析，随机选取区域Ⅰ中29号节点、区域Ⅱ中的93号节点、区域Ⅲ中105号节点的电压幅值和相角进行测试，其数据截面150—200的状态估计结果见图8。由图8可知，对电压幅值的估计而言，RNN和CNN状态估计效果相当，但与集成DNN相比较差；对电压相角的估计而言，集成DNN效果最好，CNN次之，RNN效果最差。结果表明，本文提出的集成DNN分布式状态估计将多组DNN估计结果进行集成学习，较RNN和CNN具有较高的泛化能力，更加满足DMS对状态估计高精度的要求。
5)状态估计鲁棒性分析
在实际配电网运行中难免会有不良数据的出现，在鲁棒性测试过程中，在测试集中注入10％的不良数据，把集成DNN分布式状态估计与传统集中式的DNN和基于物理模型的WLS、WLAV估计进行测试。为了方便定量分析，采用平均绝对误差衡量不同算法的精度。对电压幅值V、电压相角θ，不同方法的状态估计测试结果见表6。由表6可知，与集中式的DNN、WLS算法和WLAV相比，本文方法在在区域Ⅰ中，电压幅值平均绝对误差分别降低了88.1％、80.4％、78.8％；在区域Ⅱ和Ⅲ中，电压相角平均绝对误差分别降低了64.5％、61.6％、59.4％、和70.1％、73.8％、71.9％。结果表明，本文所提的分布式集成DNN状态估计方法在存在不良数据的情况下，相比传统集中式DNN、WLS、WLAV估计有更强的鲁棒性，更能满足配电网的安全运行需求。
表6不同模型鲁棒性测试
6)状态估计效率分析
为满足DMS稳定运行，状态估计需要可靠地提供实时估计结果，需分析不同估计模型的计算复杂度。不同模型在各测试***某一时间断面的状态估计耗时的结果见表7。
表7不同模型估计耗时
/>
由表7可知，随着***规模的增大，传统的集中式WLS、WLAV估计的计算复杂度随之上升，导致状态估计用时增加幅度陡升，很难满足状态估计实时性的需求；本文提出的基于集成深度学习的分布式状态估计方法，将状态估计任务分配到各个子区域，并利用GPU并行加速计算，从而大大降低了状态估计的计算复杂度，满足DMS对状态数据的实时性需求。在IEEE123节点测试***中，本文方法相比于传统集中式的WLS和WLAV估计，计算效率分别提升了12.6倍和18.2倍。
通过在IEEE13节点配电网的仿真模拟，得出以下结论:
1)提出量测量相关性检验的不良数辨识技术和基于TCN-BILSTM的量测数据修正技术，相较于传统的不良数据辨识法，本文方法在不良数据辨识方面有更高的查全率、查准率和准确率；在量测量预测方面，相比于BILSTM等方法，本文方法有更高的预测精度，能够更准确地修正量不良数据，保证量测数据的可靠性。
2)提出集成DNN分布式状态估计方法，对不同基学习器进行组合，增强模型的泛化能力，并利用MRMR筛选量测特征，对比传统的集中式RNN、CNN算法，提高了状态估计的精度。
3)对比传统的集中式WLS、WLAV估计，集成DNN分布式状态估计提高了***的鲁棒性，并且利用多子区域并行计算，在计算效率上有明显优势。
本发明再一实施例中，提供基于集成DNN的配电网分布式状态估计***，能够用于实现上述的一种配电网分布式状态估计方法，具体的，该***包括：
数据获取模块，用于获取配电***运行的量测数据；
归一化处理模块，用于对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
状态估计模块，用于将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
本发明实施例中对模块的划分是示意性的，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，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种配电网分布式状态估计方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种配电网分布式状态估计方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种配电网分布式状态估计方法，其特征在于，包括：
获取配电***运行的量测数据；
对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
2.根据权利要求1所述的一种配电网分布式状态估计方法，其特征在于，获取配电***运行的量测数据：
运行的量测数据从SCADA、PMU、AMI量测中获取。
3.根据权利要求1所述的一种配电网分布式状态估计方法，其特征在于，对获取的量测数据进行基于量测数据相关性检验的不良数据辨识和基于时域卷积网络-双向长短期记忆网络的不良数据修正。
4.根据权利要求3所述的一种配电网分布式状态估计方法，其特征在于，具体的：
通过基于量测量相关性检验的不良数辨识技术对不良数据进行辨识，剔除不良数据；对不良数据进行辨识后的量测数据通过基于TCN-BILSTM的量测数据修正技术，对不良数据进行修正。
5.根据权利要求4所述的一种配电网分布式状态估计方法，其特征在于，不良数据修正流程：
读取配电网量测数据集并清洗，经滑动窗口重构，并划分为量测训练集与量测测试集；
将量测训练集送至TCN-BILSTM模型进行训练，经量测测试集测试后保存最佳模型参数：时域卷积网络层的层数为1，卷积核个数为100，卷积核大小为3，扩张系数d分别为[1，2，4，8，16，32]；BILSTM网络的层数为1，神经元个数为32，激活函数为tanh,模型优化器为Adam，学习率为0.001，损失函数为mse，迭代次数为100，batchsize为32；
在k+1时刻识别出电力***中的不良数据后，将该量测量在k+1-T时刻至k时刻的量测序列[zk+1-T,zk+2-T,...,zk]输入至预训练的TCN-BILSTM网络中，由TCN提取量测时序特征输入至BILSTM网络对第k+1时刻的量测量进行预测，用预测值为zk+1替换不良数据完成不良数据修正。
6.根据权利要求1所述的一种配电网分布式状态估计方法，其特征在于，将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计：
数据经归一化输入至分布式集成DNN进行离线训练，再将参数经过模型迁移建立在线网络，把实时量测数据经过基于量测数据相关性检验不良数据辨和基于TCN-BILSTM的不良数据修正，最后将特征量测量输入在线分布式集成DNN实现状态估计。
7.根据权利要求6所述的一种配电网分布式状态估计方法，其特征在于，具体流程包括：
离线训练阶段，利用修正后的数据得到的训练集，训练分布式集成DNN网络；
在线状态估计阶段，通过改进DNN网络实现状态估计，完成状态估计且满足潮流约束条件时输出状态估计结果，对不满***潮流约束条件的状态量，采用传统WLS估计输出估计结果。
8.一种配电网分布式状态估计***，其特征在于，包括：
数据获取模块，用于获取配电***运行的量测数据；
归一化处理模块，用于对获取的量测数据进行不良数据辨识和不良数据修正，获取原始数据集，对原始数据集进行归一化处理；
状态估计模块，用于将归一化处理过的数据输入到分布式集成DNN网络模型中进行配电***的状态估计。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种配电网分布式状态估计方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种配电网分布式状态估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127538.2A CN117973894A (zh) | 2024-01-30 | 2024-01-30 | 一种配电网分布式状态估计方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127538.2A CN117973894A (zh) | 2024-01-30 | 2024-01-30 | 一种配电网分布式状态估计方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973894A true CN117973894A (zh) | 2024-05-03 |
Family
ID=90862357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410127538.2A Pending CN117973894A (zh) | 2024-01-30 | 2024-01-30 | 一种配电网分布式状态估计方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973894A (zh) |
-
2024
- 2024-01-30 CN CN202410127538.2A patent/CN117973894A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191841B (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
| Xuan et al. | Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN114399032B (zh) | 一种电能表计量误差预测方法及*** | |
| CN108879732B (zh) | 电力***暂态稳定评估方法及装置 | |
| CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
| CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN113780420B (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| Li et al. | Robust and flexible strategy for missing data imputation in intelligent transportation system | |
| CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及*** | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| Zhou et al. | Functional networks and applications: A survey | |
| Anh et al. | Effect of gradient descent optimizers and dropout technique on deep learning LSTM performance in rainfall-runoff modeling | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN117785522A (zh) | 利用经训练机器学习模型执行根本原因分析的方法和*** | |
| CN115508765B (zh) | 一种电压互感器采集装置在线自诊断方法及*** | |
| CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及*** | |
| CN117973894A (zh) | 一种配电网分布式状态估计方法及*** | |
| CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
| CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 | |
| CN112183814A (zh) | 一种短期风速预测方法 |
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 |