CN118211120A - 一种双重注意力CNN-BiLSTM的电力***状态估计方法 - Google Patents
一种双重注意力CNN-BiLSTM的电力***状态估计方法 Download PDFInfo
- Publication number
- CN118211120A CN118211120A CN202410461104.6A CN202410461104A CN118211120A CN 118211120 A CN118211120 A CN 118211120A CN 202410461104 A CN202410461104 A CN 202410461104A CN 118211120 A CN118211120 A CN 118211120A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- cnn
- bilstm
- power system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 15
- 238000001125 extrusion Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 22
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005065 mining Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种双重注意力CNN‑BiLSTM的电力***状态估计方法，本方案方法通过将卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)和注意力机制相结合，形成双重注意力CNN‑BiLSTM神经网络，其提高模型的性能，在模拟实际量测的情况下进行状态估计，能够快速得到准确的结果。该方法分为两个阶段，离线阶段，搭建模型设置参数，进行数据处理输入历史量测数据集在所搭建模型上进行训练，保存得到的状态估计模型；在线估计阶段，将实时量测数据输入训练好的模型进行状态估计，得到状态估计结果；最终，通过仿真验证所提方法的有效性；最终通过测试仿真模型进行详细客观的实验分析，表明了本技术方案所提方法的有效可行性。
Description
技术领域
本发明涉及电力技术、信息技术领域，尤其涉及一种双重注意力CNN-BiLSTM的电力***状态估计方法。
背景技术
随着风能、核能以及光伏等可再生能源的发展推进，构建以新能源为主体的新型电力***，加快绿色低碳转型是时下热门的议题。而随着新能源接入比例日趋增加，在缓解了能源紧缺问题的同时也使得电力***规模日渐复杂庞大，导致***运行与控制方式日趋复杂，对电力***安全稳定运行带来极大的挑战。
为了保证电力***的安全、经济、可靠运行，对整个电力***的精确预测、精当决策、精准控制和精益管理成为必然要求，为此需要提出和构建一套能够进行统一管理和科学调度的能量管理***(EMS)。而EMS多功能的实现需要精确、全面的电网运行数据作为支持，但实际情况中不可避免的会出现量测数据不精确或数据不足的情况，使得所采数据不能完全反映电力***的当前运行状态。比如，各种量测信息经传输信道传输给EMS的过程中，噪声和量测装置本身的仪器误差就会导致一些坏数据的出现，这时便需要电力***状态估计来对采集量测信息进行估计得到实时、可靠的电力***运行数据，保证电力***正常运行。
目前，基于加权最小二乘(WLS)的状态估计方法得到广泛应用，在量测噪声服从高斯分布的理想条件下，其计算结果为无偏最小方差。但实际量测数据中却存在噪声与坏数据，使得WLS计算难以收敛，计算结果误差较大。为了解决该问题，国内外学者提出鲁棒状态估计方法，即通过改变其求解的目标函数来提高状态估计的鲁棒性。包括加权最小绝对值(WLAV)估计、二次线性(QL)估计、二次常数(QC)估计、指数型目标函数(MES)估计等。虽然以上方法应对坏数据的能力相比WLS有所提高，但存在目标函数复杂、求解困难的问题。对此，有文献提出一种动态分区的鲁棒估计方法，对量测量进行辨识分区，来自适应选择WLS或WLAV方法进行估计，在精度和鲁棒性良好的情况下提高效率。有文献提出将WLAV估计转换成通过非线性变换转化的的双线性问题，提高求解效率。
但以上传统状态估计方法求解过程依赖线路参数以及量测数据精度，在迭代过程中时间相对较长，且对于当前电力***海量的多源数据，无法充分挖掘历史数据中的有效信息进行状态估计。而随着各类机器学习算法的发展，利用人工智能方法来解决电力***中的复杂问题逐渐受到研究，状态估计领域也不例外。针对电力***数据库中存在的海量数据，如何从中提取有价值的信息，并利用数据驱动的方法来解决状态估计问题，逐渐成为当下研究的热点。
发明内容
有鉴于此，本发明的目的在于提出一种实施可靠、结果参考性佳且可行性强的双重注意力CNN-BiLSTM的电力***状态估计方法。
为了实现上述的技术目的，本发明所采用的技术方案为：
一种双重注意力CNN-BiLSTM的电力***状态估计方法，其包括：
S01、从电力***的历史运行负荷进行潮流计算，得到多断面历史潮流数据，然后将其作为真实值；
S02、在多断面历史潮流数据的基础上，加入高斯白噪声，生成多断面量测信息；
S03、对多断面量测信息进行数据进行归一化处理、维度转换处理和数据平铺预处理，然后按照7：3的划分比例，提取70％的数据作为训练集，30％的数据作为测试集；
S04、构建CNN-BiLSTM模型，在模型训练前，设置其网络结构和模型参数；
S05、通过训练集对所构建的CNN-BiLSTM模型进行训练，计算单次迭代的估计结果和实际值计算误差，然后更新模型权重，再通过打乱训练集的数据进行下一次迭代，直至达到预设次数后，训练结束，再将测试集导入经训练的CNN-BiLSTM模型中测试，在测试结果符合要求时，保存CNN-BiLSTM模型；
S06、将电力***的实时断面量测信息输入训练好的CNN-BiLSTM模型中，以获得当前电力***的***状态量。
作为一种可能的实施方式，进一步，本方案S06还包括：
将CNN-BiLSTM模型输出的***状态量与真实值进行对比，并计算性能指标，然后输出结果。
作为一种可能的实施方式，进一步，本方案S04中，所构建的CNN-BiLSTM模型包括SE-CNN模型和FA-BiLSTM模型；
其中，SE-CNN模型为在CNN网络中添加通道注意力机制的SENet模块形成，其用于提取数据的空间特征；
FA-BiLSTM模型为在BiLSTM网络中添加FA模型形成，其用于双向发掘数据的时序特征。
作为一种较优的实施选择，优选的，本方案所述SE-CNN模型对输入的数据进行分类卷积运算和挤压激励处理；
在分类卷积运算时，输入的数据X被分为g组，其以相同的参数量进行运算，生成输出特征图；
挤压激励处理时，对输出特征图进行堆叠处理，得到未加权的特征图U，然后通过数据挤压操作，使得各通道内含有的信息进行空间维度的聚合，形成包含各个通道重要程度信息的多维统计量，然后经激励、放缩处理后，赋予通道权重后，输出。
作为一种较优的实施选择，优选的，本方案挤压激励处理时，采用全局平均池化与全局最大池化实现，将二者分别池化后的数据进行相加，池化过程为将未加权的特征图U沿其空间维度H×W压缩，得到多维统计量z∈RC，其中，第c个元素表示为：
式(1)中,uc(i,j)为输入数据中第i行第j列的元素；
在激励处理时，通过两个全连接层来构成参数化的门控机制，第一个全连接层将输入的C维统计量z降维成C/r维度后，第二个全连接层将其升维成C维，即：
式(2)中，W1和W2分别为两个全连接层的参数，r为比例参数，s是代表特征图U中各个通道重要程度的权重；
在放缩处理时，将得到的权重s与未加权输出U按通道相乘，形成最终输出
作为一种较优的实施选择，优选的，本方案所述FA-BiLSTM模型对所述SE-CNN模型输出的数据进行放缩、变换处理；
其中，放缩处理为通过二维卷积将所述SE-CNN模型输出的特征图上含有的信息进行聚合，形成一个包含特征图上各个特征重要程度信息的一维统计量，处理过程中，将输入的C1'维特征图X1，采用二维卷积运算降维成包含特征信息的一维注意力权重图e，其表示为：
e＝sigmoid(WeX1+be) (5)
式(5)中，e为输入特征图上单个特征对应的注意力权重系数组合﹔We为卷积层参数；be为设置的偏置向量；
然后将输入特征图X与所得的权重图e相乘得到加权特征图U1：
U1＝eX (6)
变换处理为通过Softmax函数对所得加权特征图的特征做归一化处理,降低数据量纲对输出结果的影响，防止过拟合，对单一特征x归一化公式为:
将归一化结果x'通过激活函数swi sh，加入非线性因素，以解决线性模型表达能力不足的缺陷，得到新的加权特征图U2；
然后将U2进行分组卷积，设置vai l d计算方式进行逐点卷积，进一步提取相关特征，并进行归一化处理(后跟swi sh激活函数)，得到最终输出特征图
最后，特征图通过f l atten函数进行数据扁平化，得到分配动态权重的特征序列，输入Bi LSTM模型层。
本方案方法通过将卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)和注意力机制相结合，形成双重注意力CNN-BiLSTM神经网络，其提高模型的性能，在模拟实际量测的情况下进行状态估计，能够快速得到准确的结果。该方法分为两个阶段，离线阶段，搭建模型设置参数，进行数据处理输入历史量测数据集在所搭建模型上进行训练，保存得到的状态估计模型；在线估计阶段，将实时量测数据输入训练好的模型进行状态估计，得到状态估计结果。最终，通过仿真验证所提方法的有效性。最终通过测试仿真模型进行详细客观的实验分析，表明了本技术方案所提方法的有效可行性。
由于电力***能够安全、稳定运行，需要利用电力***状态估计为EMS调度管理提供准确可靠的数据的需求基础。但传统状态估计方法求解过程依赖线路参数以及量测数据，迭代过程中时间相对较长，且对于当前电力***海量的多源数据，无法充分挖掘历史数据中的有效信息进行状态估计。因此，本技术方案通过拟合输入量测量与输出状态量之间的映射关系训练状态估计模型，对历史数据中的有效信息进行提取利用，略去了传统方法对电力***内部机理分析的过程，求解过程中无需依赖线路参数。在模拟实际量测的情况下进行状态估计，能够快速得到准确的结果，与传统方法相比较具有更好的估计精度、鲁棒性和计算效率。
采用上述的技术方案，本发明与现有技术相比，其具有的有益效果为：
(1)本技术方案无需依赖线路参数，通过在历史数据中挖掘量测量与状态量的映射规律训练模型，能够有效利用历史数据中的有效信息进行实时状态估计并且具有良好的估计精度与鲁棒性，为今后电力***状态估计提供了借鉴。
(2)本方案对于实际电力***量测数据中存在的噪声与坏数据影响的情况，在模拟实际量测与含坏数据情况下测试，充分验证该模型不需要预先采取任何噪声的预处理措施，也能够在估计精度与鲁棒性上优于传统WLS算法以及其他数据驱动算法。
(3)本技术方案在线估计的计算时间受***规模扩大的变化较小，而传统方法计算时间变化较大，表明本技术方案在计算效率上更适合大规模电网状态估计的需求，且具有较好的发展前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本方案方法的简要实施流程示意图；
图2是本方案方法的CNN-BiLSTM网络模型的结构图；
图3是本方案方法的CNN-BiLSTM网络模型中的SE-CNN网络模块结构示意图；
图4是本方案方法的CNN-BiLSTM网络模型中的FA-BiLSTM网络模块结构示意图；
图5是本方案对比测试中50截面33节点状态估计结果对比；
图6是本方案对比测试中50截面状态估计结果绝对误差对比；
图7是本方案对比测试中150-200截面状态估计结果绝对误差对比；
图8是本方案对比测试中含坏数据的50截面33节点状态估计结果对比；
图9是本方案对比测试中含坏数据的50截面状态估计结果绝对误差对比；
图10是本方案对比测试中含坏数据的150-200截面状态估计结果绝对误差对比。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本实施例方案一种双重注意力CNN-BiLSTM的电力***状态估计方法，其包括：
S01、从电力***的历史运行负荷进行潮流计算，得到多断面历史潮流数据，然后将其作为真实值；
S02、在多断面历史潮流数据的基础上，加入均值为0、标准差为2％的高斯白噪声，生成多断面量测信息；
S03、对多断面量测信息进行数据进行归一化处理(统一数据量纲防止过拟合)、维度转换处理和数据平铺(因后接二维分组卷积层，通过该处理生成符合卷积的二维数据)预处理，然后按照7：3的划分比例，提取70％的数据作为训练集，30％的数据作为测试集；
S04、构建CNN-BiLSTM模型，在模型训练前，设置其网络结构和模型参数；
S05、通过训练集对所构建的CNN-BiLSTM模型进行训练，计算单次迭代的估计结果和实际值计算误差，然后更新模型权重，再通过打乱训练集的数据进行下一次迭代，直至达到预设次数后，训练结束，再将测试集导入经训练的CNN-BiLSTM模型中测试，在测试结果符合要求时，保存CNN-BiLSTM模型；
S06、将电力***的实时断面量测信息输入训练好的CNN-BiLSTM模型中，以获得当前电力***的***状态量。
其中，为了方便对模型进行评估，本方案S06还包括：
将CNN-BiLSTM模型输出的***状态量与真实值进行对比，并计算性能指标平均绝对误差(MAE)、最大绝对误差(MaxAE)、均方根误差(RMSE)，判断模型状态估计性能，三项指标计算公式如下：
式中，为t断面第i个状态向量估计值，xi(t)为t断面第i个状态向量真实值，T为测试集时间断面总数。
本方案还可将上述三项指标与SE-CNN、FA-BiLSTM、WLS输出结果计算的性能指标进行对比验证。
而在上述技术基础上，本方案S04中，所构建的CNN-BiLSTM模型包括SE-CNN模型和FA-BiLSTM模型；
其中，SE-CNN模型为在CNN网络中添加通道注意力机制的SENet模块形成，其用于提取数据的空间特征；
FA-BiLSTM模型为在BiLSTM网络中添加FA模型形成，其用于双向发掘数据的时序特征。
本方案通过双重注意力机制加强CNN-BiLSTM网络的输入特征与目标特征的关联程度，提高模型性能。
作为一种较优的实施选择，优选的，本方案所述SE-CNN模型对输入的数据进行分类卷积运算和挤压激励处理；
在分类卷积运算时，输入的数据X被分为g组，其以相同的参数量进行运算，生成输出特征图(能够生成常规卷积g倍的输出特征图)；
挤压激励处理时，对输出特征图进行堆叠处理，得到未加权的特征图U，然后通过数据挤压操作，使得各通道内含有的信息进行空间维度的聚合，形成一个包含各个通道重要程度信息的多维统计量，然后经激励、放缩处理后，赋予通道权重后，输出。
作为一种较优的实施选择，优选的，本方案挤压(Squeeze)激励处理时，采用全局平均池化与全局最大池化实现，将二者分别池化后的数据进行相加，池化过程为将未加权的特征图U沿其空间维度H×W压缩，得到多维统计量z∈RC，其中，第c个元素表示为：
式(1)中,uc(i,j)为输入数据中第i行第j列的元素；
在激励(excitat i on)处理时，通过两个全连接层来构成参数化的门控机制，第一个全连接层将输入的C维统计量z降维成C/r维度后(后跟ReLU激活函数)，第二个全连接层将其升维成C维(后跟s i gmoid激活函数)，即：
式(2)中，W1和W2分别为两个全连接层的参数，r为比例参数，s是代表特征图U中各个通道重要程度的权重；
在放缩(sca l e)处理时，将得到的权重s与未加权输出U按通道相乘，形成最终输出
作为一种较优的实施选择，优选的，本方案所述FA-BiLSTM模型对所述SE-CNN模型输出的数据进行放缩、变换处理；
其中，放缩处理为通过二维卷积将所述SE-CNN模型输出的特征图上含有的信息进行聚合，形成一个包含特征图上各个特征重要程度信息的一维统计量，处理过程中，将输入的C1'维特征图X1，采用二维卷积运算(后跟s i gmoid激活函数)降维成包含特征信息的一维注意力权重图e，其表示为：
e＝sigmoid(WeX1+be) (5)
式(5)中，e为输入特征图上单个特征对应的注意力权重系数组合﹔We为卷积层参数；be为设置的偏置向量；
然后将输入特征图X与所得的权重图e相乘得到加权特征图U1：
U1＝eX (6)
变换处理为通过Softmax函数对所得加权特征图的特征做归一化处理,降低数据量纲对输出结果的影响，防止过拟合，对单一特征x归一化公式为:
将归一化结果x'通过激活函数swi sh，加入非线性因素，以解决线性模型表达能力不足的缺陷，得到新的加权特征图U2；
然后将U2进行分组卷积，设置vai l d计算方式进行逐点卷积，进一步提取相关特征，并进行归一化处理(后跟swi sh激活函数)，得到最终输出特征图
最后，特征图通过f l atten函数进行数据扁平化，得到分配动态权重的特征序列，输入Bi LSTM模型层。
本文模型的数据处理逻辑原理如下：输入的节点有功、支路有功数据为n维的一维数据
1)通过数据预处理生成多通道二维数据输入二维分组卷积层。通过二维分组卷积用与常规卷积相同的参数量进行运算能够生成g倍的二维特征图，有助于后续的特征提取；
2)输入池化层进行特征提取得到一维特征向量，再通过两个全连接层构成的自选门机制，生成与输入特征通道相同维度的一维权重向量，该向量用以代表特征通道重要程度；
3)将得到的一维权重向量与输入数据对应的特征通道相乘，得到加权后的特征图。提升对当前任务有用的特征通道，抑制对当前任务用处不大的特征通道，解决了对常规CNN而言各个通道间的相关联系难以刻画的问题。
4)将加权后的特征图通过二维常规卷积将特征图上含有的信息进行聚合，形成一个包含特征图上各个特征重要程度信息的一维统计量，并与输入的特征图相乘，得到加权后的特征图。实现对单一通道上单个特征的加权，有效解决传统特征相关性分析方法筛选输入特征过程中，出现的特征关联信息丢失的问题。
5)将实现单个特征加权的特征图进行归一化防止过拟合，输入二维分组卷积层(后接归一化，再次对生成多倍特征图的数据统一数据量纲，防止过拟合)进行逐点卷积进一步提取特征，最后将得到的多通道特征图输入扁平化层，得到经过双重注意力机制进行通道加权与特征加权的一维特征向量。
6)将一维加权特征向量输入Bi LSTM层，双向发掘数据的时序特征，输出一维向量。
7)最终将输出一维向量输入两个全连接层进行分类得到对应维度的输出结果。
对比测试
本方案以IEEE33节点***作为仿真***，以英国伦敦家庭用户负荷数据为历史数据库，5min为一个样本断面，生成3000组实际负荷，将多断面实际负荷归算为节点负荷进行潮流计算得到的潮流结果作为真实值。通过在潮流真值上添加不同的高斯噪声模拟实际量测与坏数据进行验证。以7：3划分训练集与测试集。具体量测配置为全部节点注入有功、无功功率和支路1-2、2-3、4-5、7-8、9-10、12-13、15-16、20-21、24-25、26-27、29-30的支路首端有功、无功功率，分别训练输出为节点电压幅值与节点电压相角的模型。为了方便进行对比，本方案将测试集量测数据作为实际量测数据用于测试，通过现有WLS、SE-CNN、FA-BiLSTM模型作为对比对象，进行如下几项对比。
(1)估计精度分析
在多断面潮流数据中添加均值为0、标准差为2％的高斯噪声模拟实际量测，与WLS、SE-CNN、FA-BiLSTM与本方案方法进行对比。
通过随机选择第50个截面下的IEEE33节点***数据进行状态估计，结果如图5所示。
从图5中可以看出本发明方法的状态估计结果有着较高的精度。为了更加直观的对比不同方法的差异，通过平均绝对误差、最大绝对误差、均方根误差表示状态估计性能。
图6为第50个截面下的各个方法状态估计结果与潮流真值进行计算得到的绝对误差图。
由图6的数据可以看出本发明提出的状态估计方法在高斯白噪声下，单一数据截面整体误差较小。表1为IEEE33节点在第50个数据截面下不同算法的状态估计结果指标：
表1 50截面状态估计结果指标
过将表1中本发明方法与WLS的平均绝对误差相对比，第50个数据截面整体状态的电压幅值和电压相角误差比WLS分别降低了56.07％和40.52％，本发明方法其他两项误差指标也都小于WLS。而与其他数据驱动算法对比，提取单一特征的SE-CNN、FA-BiLSTM的平均绝对误差虽然小于WLS，但是其最大绝对误差会出现大于WLS的情况，这可能会使得状态估计结果出现较大偏差。而本发明方法对比提取单一特征的方法解决了这一缺点，并且整体估计误差更小。可以得出，本发明方法在单一数据截面的状态估计精度比传统WLS方法和其他数据驱动算法有显著提高。
为了验证本发明方法在不同数据截面下的精度，通过取单一节点的部分截面数据来判断其精度。图7为随机选取节点30在数据截面150-200各个方法的状态估计结果与潮流真值进行计算得到的绝对误差图。
由图7的数据可以看出本发明提出的状态估计方法在高斯白噪声下，多数据截面整体误差较小。表2为节点30在150-200数据截面下不同算法的状态估计结果指标：
表2 150-200截面状态估计结果指标
通过将表2中本发明方法与WLS的平均绝对误差相对比，节点30在150-200数据截面下的电压幅值和电压相角误差比WLS分别降低了25.47％和18.66％，其他两项误差指标也都小于WLS。同时，各项误差指标也都小于两种提取单一特征方法的误差。可以得出，本发明方法在多数据截面下的状态估计精度比传统WLS方法和其他数据驱动算法有显著提高。
(2)鲁棒性分析
由于电力***量测数据中不可避免的会存在坏数据，本发明通过添加标准差为10％的量测噪声在部分支路上模拟现实中量测的坏数据，添加支路为29-30(包含支路有功和无功功率两部分)，其余支路添加噪声与上一节一致。
其中，含坏数据的第50个截面下的IEEE33节点***数据状态估计结果如图8所示。
从图8中可以看出在含坏数据的情况下，本发明方法的状态估计结果依旧有着较高的精度。
图9为含坏数据的第50个截面下各个方法状态估计结果与潮流真值进行计算得到的绝对误差图。
由图9的数据可以看出本发明提出的状态估计方法在含坏数据时，单一数据截面整体误差较小。表3为IEEE33节点在含坏数据的第50个数据截面下不同算法的状态估计结果指标。
表3含坏数据的50截面状态估计结果指标
由表3可知，在含坏数据的情况下，本发明方法的电压幅值和电压相角误差小于其他三种方法。同时，将各个方法的平均绝对误差与上一节对比，WLS在含坏数据时的误差较含2％高斯噪声时的误差分别增大了118.55％和61.79％，本发明方法误差增大了31.77％和9.15％。可以得出，本发明所提方法在***量测含坏数据的单一数据截面状态估计精度和鲁棒性高于传统WLS和其他数据驱动算法。
图10为含坏数据的节点30在数据截面150-200各个方法的状态估计结果与潮流真值进行计算得到的绝对误差图。
由图10的数据可以看出本发明提出的状态估计方法在含坏数据时，多数据截面整体误差较小。表4为含坏数据的节点30在150-200数据截面下不同算法的状态估计结果指标：
表4含坏数据的150-200截面状态估计结果指标
由表4可知，在不同数据截面含坏数据的情况下，本发明方法的电压幅值和电压相角误差小于其他三种方法。同时，将每个方法的平均绝对误差与上一节对比，WLS在含坏数据时的误差较含2％高斯噪声时的误差分别增大了115.12％和85.30％，本发明方法误差增大了14.39％和19.41％。可以得出，本发明所提方法在含坏数据的多数据截面状态估计精度和鲁棒性高于传统WLS和其他数据驱动算法。
(3)计算效率分析
在不同***上分别用两种方法测试估计时间。当测试***从33节点***提高到118节点***时，本发明方法估计时间从0.0469s变成0.0566s，增加20.68％，传统WLS算法估计时间从0.0321s变成0.0941s，增加193.14％。由此可知，随着***规模扩大时，基于物理模型的WLS的估计时间变化较大；而本发明方法受规模变化的影响较大的是离线训练时间，在线估计时间变化不大，而离线训练时间过长可以用多线程处理的方法解决。由此表明，在大规模的电力***状态估计中会比传统方法效率更高。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，其包括：
S01、从电力***的历史运行负荷进行潮流计算，得到多断面历史潮流数据，然后将其作为真实值；
S02、在多断面历史潮流数据的基础上，加入高斯白噪声，生成多断面量测信息；
S03、对多断面量测信息进行数据进行归一化处理、维度转换处理和数据平铺预处理，然后按照7：3的划分比例，提取70％的数据作为训练集，30％的数据作为测试集；
S04、构建CNN-BiLSTM模型，在模型训练前，设置其网络结构和模型参数；
S05、通过训练集对所构建的CNN-BiLSTM模型进行训练，计算单次迭代的估计结果和实际值计算误差，然后更新模型权重，再通过打乱训练集的数据进行下一次迭代，直至达到预设次数后，训练结束，再将测试集导入经训练的CNN-BiLSTM模型中测试，在测试结果符合要求时，保存CNN-BiLSTM模型；
S06、将电力***的实时断面量测信息输入训练好的CNN-BiLSTM模型中，以获得当前电力***的***状态量。
2.如权利要求1所述的双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，S06还包括：
将CNN-BiLSTM模型输出的***状态量与真实值进行对比，并计算性能指标，然后输出结果。
3.如权利要求1所述的双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，S04中，所构建的CNN-BiLSTM模型包括SE-CNN模型和FA-BiLSTM模型；
其中，SE-CNN模型为在CNN网络中添加通道注意力机制的SENet模块形成，其用于提取数据的空间特征；
FA-BiLSTM模型为在BiLSTM网络中添加FA模型形成，其用于双向发掘数据的时序特征。
4.如权利要求3所述的双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，所述SE-CNN模型对输入的数据进行分类卷积运算和挤压激励处理；
在分类卷积运算时，输入的数据X被分为g组，其以相同的参数量进行运算，生成输出特征图；
挤压激励处理时，对输出特征图进行堆叠处理，得到未加权的特征图U，然后通过数据挤压操作，使得各通道内含有的信息进行空间维度的聚合，形成包含各个通道重要程度信息的多维统计量，然后经激励、放缩处理后，赋予通道权重后，输出。
5.如权利要求4所述的双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，挤压激励处理时，采用全局平均池化与全局最大池化实现，将二者分别池化后的数据进行相加，池化过程为将未加权的特征图U沿其空间维度H×W压缩，得到多维统计量z∈RC，其中，第c个元素表示为：
式(1)中,uc(i,j)为输入数据中第i行第j列的元素；
在激励处理时，通过两个全连接层来构成参数化的门控机制，第一个全连接层将输入的C维统计量z降维成C/r维度后，第二个全连接层将其升维成C维，即：
式(2)中，W1和W2分别为两个全连接层的参数，r为比例参数，s是代表特征图U中各个通道重要程度的权重；
在放缩处理时，将得到的权重s与未加权输出U按通道相乘，形成最终输出
6.如权利要求3至5之一所述的双重注意力CNN-BiLSTM的电力***状态估计方法，其特征在于，所述FA-BiLSTM模型对所述SE-CNN模型输出的数据进行放缩、变换处理；
其中，放缩处理为通过二维卷积将所述SE-CNN模型输出的特征图上含有的信息进行聚合，形成一个包含特征图上各个特征重要程度信息的一维统计量，处理过程中，将输入的C1'维特征图X1，采用二维卷积运算降维成包含特征信息的一维注意力权重图e，其表示为：
e＝sigmoid(WeX1+be) (5)
式(5)中，e为输入特征图上单个特征对应的注意力权重系数组合﹔We为卷积层参数；be为设置的偏置向量；
然后将输入特征图X与所得的权重图e相乘得到加权特征图U1：
U1＝eX (6)
变换处理为通过Softmax函数对所得加权特征图的特征做归一化处理,降低数据量纲对输出结果的影响，防止过拟合，对单一特征x归一化公式为:
将归一化结果x'通过激活函数swish，加入非线性因素，以解决线性模型表达能力不足的缺陷，得到新的加权特征图U2；
然后将U2进行分组卷积，设置vaild计算方式进行逐点卷积，进一步提取相关特征，并进行归一化处理，得到最终输出特征图
最后，特征图通过flatten函数进行数据扁平化，得到分配动态权重的特征序列，输入BiLSTM模型层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410461104.6A CN118211120A (zh) | 2024-04-17 | 2024-04-17 | 一种双重注意力CNN-BiLSTM的电力***状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410461104.6A CN118211120A (zh) | 2024-04-17 | 2024-04-17 | 一种双重注意力CNN-BiLSTM的电力***状态估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118211120A true CN118211120A (zh) | 2024-06-18 |
Family
ID=91450380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410461104.6A Pending CN118211120A (zh) | 2024-04-17 | 2024-04-17 | 一种双重注意力CNN-BiLSTM的电力***状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118211120A (zh) |
-
2024
- 2024-04-17 CN CN202410461104.6A patent/CN118211120A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN107133695A (zh) | 一种风电功率预测方法和*** | |
| CN105303262A (zh) | 一种基于核主成分分析和随机森林的短期负荷预测方法 | |
| CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
| CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及*** | |
| CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
| CN114792158A (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN115409369A (zh) | 基于机理和数据混合驱动的综合能源***可靠性评估方法 | |
| CN115859792A (zh) | 基于注意力机制的中期电力负荷预测方法及*** | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN112418504A (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
| CN117498296A (zh) | 基于注意力时空同步图卷积网络的多风电场功率预测方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN115481788B (zh) | 相变储能***负荷预测方法及*** | |
| CN116418000A (zh) | 基于内嵌潮流神经网络的不可观配网贝叶斯状态估计方法 | |
| CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |