一种基于卷积神经网络的新型配电网状态估计方法技术

本发明专利技术公开了一种基于卷积神经网络的新型配电网状态估计方法，为了克服现有技术的新型配电网状态估计方法需要大量的计算量和计算时间难以满足新型配电网状态估计的准确度要求的问题，包括：采集电网历史量测数据，对电网历史量测数据进行预处理形成多断面新型配电网学习样本数据；构建卷积神经网络模型，基于多断面新型配电网学习样本数据对构建好的卷积神经网络模型进行训练，形成训练好的卷积神经网络状态估计模型；将当前断面的量测信息输入到训练好的卷积神经网络状态估计模型中，获得当前断面的新型配电网状态估计值

【技术实现步骤摘要】
一种基于卷积神经网络的新型配电网状态估计方法


[0001]本专利技术涉及智能配电网
，尤其涉及一种基于卷积神经网络的新型配电网状态估计方法
。

技术介绍

[0002]随着新能源技术的大力发展，以风
、
光为主的大规模可再生能源接入电网形成新型配电网
。
然而，随着越来越多的新能源被广泛接入，使配电网的能源结构
、
运行机理
、
平衡模式出现根本性的变化，光伏及风电的随机性
、
波动性增加了配电网的不确定性，可能会带来电压违规
、
潮流越限等问题，这为配电网的安全稳定运行带来了极大的风险
。
因此，运用状态估计技术实时感知新能源广泛接入下的配电网运行状态，预测未来电压变化情况，对保障配电网安全运行具有重要意义
。
[0003]现有技术的配电网估计方法有：基于加权最小二乘法估计配电网状态，然而在实际配电网中，存在大量的非常高斯噪声和粗差，这将导致加权最小二乘法难以收敛，精度下降，并难以应对新能源广泛接入导致的复杂运行状态和随机波动等问题
。
鲁棒状态估计可以对误差进行补偿和纠正，并具备良好的抗差能力，但他需要为不同的系统和环境设计合适的算法，因此设计难度比较大
。
此外，鲁棒状态估计通常需要引入非二次元估计准则，因此需要大量的计算资源和时间，难以适应新型配电网下的实际要求
。

技术实现思路

[0004]本专利技术是为了克服现有技术的新型配电网状态估计方法需要大量的计算量和计算时间难以满足新型配电网状态估计的准确度要求的问题，提供一种基于卷积神经网络的新型配电网状态估计方法，构建卷积神经网络，利用配电网历史数据进行建模和训练，改善新型配电网状态估计精度，提高计算效率
。
[0005]为实现上述目的，本专利技术采用以下技术方案：一种基于卷积神经网络的新型配电网状态估计方法，包括：采集电网历史量测数据，对电网历史量测数据进行预处理形成多断面新型配电网学习样本数据；构建卷积神经网络模型，基于多断面新型配电网学习样本数据对构建好的卷积神经网络模型进行训练，形成训练好的卷积神经网络状态估计模型；将当前断面的量测信息输入到训练好的卷积神经网络状态估计模型中，获得当前断面的新型配电网状态估计值
。
状态估计方法采用数据驱动，利用大量的配电网历史数据进行建模和训练，并通过反向传播算法更新网络参数，使得模型能够逐渐适应训练数据的特征；从而提高状态估计的精度和准确性，卷积神经网络能够处理大规模和复杂的各类数据，具有大量数据处理能力和较强的泛化能力，从而改善新型配电网的状态估计精度和计算效率
。
[0006]作为优选，所述对电网历史量测数据进行预处理形成学习样本数据包括：
在采集的配电网量测数据中添加随机混合高斯误差，添加有随机混合的高斯误差的配电网数据进行相关性分析和归一化处理，获得多断面新型配电网学习样本数据
。
在采集的历史量测数据添加随机高斯噪声，使数据驱动状态估计模型适应实际新型配电网的各种工况，提升其抗差性
。
[0007]作为优选，所述对添加有随机混合的高斯误差的配电网数据进行相关性分析包括：选择
Pearson
相关系数法作为量测信息与状态量相关性指标：其中，
X
为卷积神经网络的某一输入变量；
Y
为卷积神经网络的某一输出变量；
X
为卷积神经网络输入变量的平均值；是卷积神经网络输出变量的平均值
。
[0008]作为优选，所述对添加有随机混合的高斯误差的配电网数据进行归一化处理包括：对卷积神经网络的输入输出数据进行归一化处理：其中：为第
i
个数据归一化后的估计值；
x
i
为第
i
个数据原实际值
。
对数据进行归一化处理，将纲量转换为标量
。
[0009]作为优选，所述构建卷积神经网络模型包括：采用
Python
中的
Keras
模块搭建卷积神经网络模型，设置卷积层中的
filter
个数，全连接神经元个数
、batch_size
和
epochs。
根据模型需求设置模型参数
。
[0010]作为优选，所述卷积神经网络模型的向前传播阶段满足：第
l
层第
p
个的净输入
z
(l,p)
为第
l
‑1层第
p
个活性值
a
(l
‑
1,p)
与卷积核
w
(l,p)
∈R
K
的卷积，即：其中，卷积核
w
(l,p)
∈R
K
为可学习的权重向量，
R
K
为
K
维实数向量空间；
b
(l,p)
为可学习的偏置；
y
(l,p)
为第
l
层第
p
个神经元激活后的输出；
f(
·
)
为非线性激活函数，设
x
为来自上一层神经网络的输入向量，能够用
ReLU
函数表示：
f(x)
＝
max{0
，
x}。
卷积神经网络的数学原理包括向前传播阶段和反向传播阶段，这两个阶段交替进行，卷积神经网络的反向传播阶段：将实际结果和预期结果的误差按照向前传播路径逐层返回，计算出每一层的误差，然后进行权值更新，最后得出满足要求的结果
。
[0011]作为优选，所述配电网历史量测数据包括：配电网支路电流
、
节点注入有功功率
、
节点注入无功功率以及节点电压幅值
。
利用大量的配电网历史数据进行建模和训练，从而提高状态估计的精度和准确性
。
[0012]综上所述，本专利技术具有如下有益效果：
(1)
状态估计方法采用数据驱动，利用大量
的配电网历史数据进行建模和训练，并通过反向传播算法更新网络参数，使得模型能够逐渐适应训练数据的特征；从而提高状态估计的精度和准确性
(2)
在采集的历史量测数据添加随机高斯噪声，使数据驱动状态估计模型适应实际新型配电网的各种工况，提升其抗差性
。(3)。
卷积神经网络能够处理大规模和复杂的各类数据，具有大量数据处理能力和较强的泛化能力，从而改善新型配电网的状态估计精度和计算效率
。
附图说明
[0013]图1是本专利技术一实施例的基于卷积神经网络新型配电网状态估计方法流程图
。
[0014]图2是本专利技术又一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的新型配电网状态估计方法，其特征是，包括
:
采集电网历史量测数据，对电网历史量测数据进行预处理形成多断面新型配电网学习样本数据；构建卷积神经网络模型，基于多断面新型配电网学习样本数据对构建好的卷积神经网络模型进行训练，形成训练好的卷积神经网络状态估计模型；将当前断面的量测信息输入到训练好的卷积神经网络状态估计模型中，获得当前断面的新型配电网状态估计值
。2.
根据权利要求1所述的一种基于卷积神经网络的新型配电网状态估计方法，其特征是，所述对电网历史量测数据进行预处理形成学习样本数据包括：在采集的配电网量测数据中添加随机混合高斯误差，添加有随机混合的高斯误差的配电网数据进行相关性分析和归一化处理，获得多断面新型配电网学习样本数据
。3.
根据权利要求2所述的一种基于卷积神经网络的新型配电网状态估计方法，其特征是，所述对添加有随机混合的高斯误差的配电网数据进行相关性分析包括：选择
Pearson
相关系数法作为量测信息与状态量相关性指标：其中，
X
为卷积神经网络的某一输入变量；
Y
为卷积神经网络的某一输出变量；为卷积神经网络输入变量的平均值；是卷积神经网络输出变量的平均值
。4.
根据权利要求2或3所述的一种基于卷积神经网络的新型配电网状态估计方法，其特征是，所述对添加有随机混合的高斯误差的配电网数据进行归一化处理包括：对卷积神经网络的输入输出数据进行归一化处理：其中：为第
i
个数据归一化后的估计值；
x
i
为第
i
个数据原实际值
。5.
根据权利要求4所述的一种基于卷积神经网络的新型配电网状态估计方法，其特征是，所述卷积神经网络模型包括卷积层
、
激活层和池化层，所述卷积层采用局部连接和权重共享的方式，所述池化层与全连接层连接
。6.
根据权利要求5所述的一种基于卷积神经网络的新型配...

【专利技术属性】
技术研发人员：郁家麟，陈鼎，李春，范明，钟伟东，钱伟杰，徐杰，沈华，施海峰，姚云飞，吴琴芳，王科丁，朱新，袁傲，仲乾元，牛毅，
申请(专利权)人：国网浙江省电力有限公司嘉兴供电公司，
类型：发明
国别省市：