一种联合粒子滤波和卷积神经网络的电力系统状态估计方法

1.一种联合粒子滤波和卷积神经网络的电力系统状态估计方法，其特征在于，包括：电力系统量测值训练样本生成：包括量测断面时间的对齐步骤、数据刷新频率的处理步骤、数据精度的处理步骤、融合系统的建立和粒子滤波步骤，具体是首先采取计算二者数据的相关系数得出二者最佳的融合时间，实现量测断面时间的对齐；其次，利用外推法和内插法解决数据的刷新频率不同的问题；再而，赋予高精度的PMU数据高权重，相对应地赋予RTU数据低权重，从而克服精度上的差异；最后，通过量测变换技术，将RTU所测得的节点注入功率和支路功率变换成等效支路的电流相量伪量测，从而与原有的PMU量测组成融合量测系统；采用卷积神经网络进行电力系统状态估计：量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练，具体是分成离线学习和在线状态估计两个部分；离线学习部分，利用历史RTU/PMU融合后的量测数据，分析系统注入功率的概率分布；再通过贝叶斯估计中的粒子滤波算法，利用蒙特卡洛采样，生成训练样本，训练卷积神经网络；在线状态估计部分，将实时PMU量测数据预处理后，根据从离线学习部分训练获得的神经网络结构和权重值建立网络，再通过前向计算和后向传播，完成电力系统的状态估计。 2.根据权利要求1所述一种联合粒子滤波和卷积神经网络的电力系统状态估计方法，其特征在于，电力系统量测值训练样本生成采用PMU和RTU融合数据进行粒子滤波的电力系统量测值训练样本生成方法，具体包括：1)量测断面时间的对齐在电力系统的历史量测数据中，取两段等长的时间序列的PMU量测数据z m 与RTU量测数据z n ，并计算二者的相关系数；其中相关系数最大的列向量所对应的PMU量测时刻即为融合量测系统的基准量测时刻：其中，在t＝τ时，ρ mn (t 1 ，t 2 -τ)为一系列按时间顺序排列的PMU量测和RTU量测的相关系数矩阵；C mn (t 1 ，t 2 -τ)为所取的PMU量测和RTU量测数据的协方差；C mm (t 1 ，t 2 )和C nn (t 1 -τ，t 2 -τ)分别为PMU量测和RTU量测数据各自的方差；假设在t＝τ 0 时，PMU量测数据z m 与RTU量测数据z n 取最大相关系数：ρ mn (t 1 ，t 2 -τ 0 )＝max[ρ mn (t 1 ，t 2 -τ)](2)那么，t＝t 2 -τ 0 即为本系统PMU量测与RTU量测的基准量测时刻，并以此基准时刻为参考；用 表示重新对齐后的时间， 表示两种量测数据共同起始时间，以对齐两种量测数据；2)数据刷新频率的处理本系统中，电网状态变化波动大且未来的RTU伪量测值可用，通过内插法对RTU量测z n 进行线性内插，获得伪量测值，以此类推：其中，z n，k 为 时RTU的量测向量；z n，j 为 时RTU的量测向量；z n，j+1 表示 时的通过预测得到的RTU量测；得到刷新频率相同的RTU伪量测 和PMU量测z m ；3)数据精度的处理通过量测数据相对应的误差方差的倒数分别对RTU伪量测 和PMU量测z m 赋予权重：赋予高精度的PMU数据高权重，相对应地赋予RTU数据低权重：R＝1/σ 2 ； (4)得到量测数据集 4)融合量测系统的建立对于量测数据集 利用伪量测的概念，将RTU伪量测 所测得的节点注入功率和支路功率变换成等效支路的电流相量量测，对原有全网部分可观的PMU量测 进行补充，组成融合量测系统 在直角坐标系下，母线电压相量量测和支路电流相量量测分别为：其中， 和 分别为母线电压幅值量测和相角量测； 和 分别为支路电流的幅值量测和相角量测；对于没有PMU量测的支路，将量测变换的方法把RTU伪量测 中这些支路的支路功率量测 转换成等效支路电流相量量测：其中， 表示i-j支路的等效支路电流相量量测； 分别为i-j支路的功率量测；e i 、f i 分别为i侧节点电压的实部和虚部；将RTU所获得的节点注入功率量测转换为节点注入电流相量量测：其中， 表示节点i的等效节点注入电流； 分别为节点i的注入功率量测；e i 、f i 分别为i侧节点电压的实部和虚部；将等效支路电流量测作为PMU伪量测，最终得到的融合量测系统 由PMU伪量测量组成；5)粒子滤波对于融合量测系统 所给定的观测数据z 1：k ＝{z 1 ，z 2 ，…，z k }，求取最优的当前状态估计值 使得满足贝叶斯后验风险指标：进一步，由粒子滤波方程递推求解求取 中状态后验分布p(x k |z 1：k )：①预测方程p(x k |z 1：k-1 )＝fp(x k |x k-1 )p(x k-1 |z 1：k-1 )dx k-1 (10)②更新方程： 3.根据权利要求1所述的一种联合粒子滤波和卷积神经网络的电力系统状态估计方法，其特征在于，电力系统状态估计步骤具体包括量测数据的归一化、输入输出层神经元的数目、网络各层的结构、激活函数、卷积核和池化核的大小、池化方式和模型的训练，具体包括：1)量测数据的归一化对 中的电压幅值和电压相角数据进行预处理，将节点电压幅值v和相角θ转化为实电压v r 和虚电压v i ：v r ＝v cosθ，v i ＝v sinθ (12)进一步，归一化处理电力系统状态估计中数值和单位差异较大的量测量输入数据，包括支路流动有功P ij 、支路流动无功Q ij 、节点注入有功P i 、节点注入无功Q i 以及神经网络的输出数据包括实电压v r 和虚电压v i ，使卷积神经网络更易于训练：其中，x′为归一化处理后的数据，x为原始量测数据，x min ，x max 分别为原始数据的最小值和最大值；2)输入层和输出层神经元的数目融合量测数据集 进行状态估计的电力网络有N个节点，M个量测量，则系统的状态变量数目为n＝2N-1；相同于全连接的神经网络状态估计算法，为接收M个输入量测量，输入层神经元数目应设置为M个；同理，输出层神经元数目应设置为N个；3)网络各层的结构采用的卷积神经网络的结构为：[Input→F_1→C_1→C_2→P_1→F_2→FC_1→Output] (14)其中，Input表示输入层，其神经元个数为M；F_i表示第i层展平层；C_j表示第j层卷积层；P_1表示池化层；FC_1表示全连接层；Output表示输出层，其神经元个数为N；4)激活函数引入非线性激活函数ReLU以增强算法的泛化能力，解决梯度消失和梯度爆炸的问题，同时使收敛速度加快：其中，f(x)为激活函数的输出；x为各层神经网络的输入；5)卷积核的大小考虑到电力系统的注入功率、支路的流动功率均具有耦合特性，有功P＝UIcosθ、无功Q＝UIsinθ均由电压幅值相角以及电压电流的相角差计算而来；同时，各节点之间也存在着拓扑连接关系，选择尺寸为[2×2]的二维卷积核，能较好地兼顾量测数据的耦合特性和拓扑连接特性；卷积核的输出为：y C_i ＝x 1 ·ω 1 +x 2 ·ω 2 +x 3 ·ω 3 +x 4 ·ω 4 (16)其中，y C_i 为第i层卷积层的卷积核的输出；x 1 、x 2 、x 3 、x 4 为[2×2]卷积核感受野感受到的四个输入；ω 1 、ω 2 、ω 3 、ω 4 为[2×2]卷积核的四个参数；6)池化核的大小和池化方式为了增强状态估计方法的抗差能力，选择尺寸为[2×2]的二维池化核和均值池化方式，以减小个别坏数据、异变值对状态估计结果带来的不良影响，在减少网络参数的同时能提高网络的鲁棒性；采用均值池化的方式，将局部感受域内所有点的平均值作为输出，提取特征平面的局部响应，缓解因为区域的大小所影响的估计值方差变化，较好的提取到背景信息，同时也可在一定程度上抑制突变值对模型的不利影响；计算公式为：其中，x pooling 为池化输出，x 1 、x 2 、x 3 、x 4 为[2×2]最大池化的四个输入，即选择四个输入中的均值作为池化输出；7)模型训练建立电网状态估计系统：z＝h(x)+v(18)x＝g(s)(19)其中，z＝[z 1 ，...，z m ] T ，为M维的量测向量；h(x)为量测函数；v是量测噪声；x为N维的状态向量；s＝[s 1 ，...，s n ] T ，为N维的复数系统注入功率向量；在全连接层通过Dropout防止神经网络过拟合，采用Adam优化算法修正参数，使CNN训练时占用更少资源且不影响模型收敛速度；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，得到相应的状态量输出，即各个待估计节点的实电压v rk ＝v k cosθ k 和虚电压v ik ＝v k sinθ k ，联合实电压与虚电压方程即可求解各个节点的状态电压幅值v k 和电压相角θ k ，从而实现CNN对量测数据的实时估计。