【技术实现步骤摘要】
本专利技术属于电力系统领域，涉及一种融合注意力机制的时间卷积神经网络模型、电力系统动态状态估计方法、系统、设备及介质。
技术介绍
1、传统的状态估计主要通过系统测量来估计代数变量，如电压幅值和相角。动态状态估计(dynamic state estimation，dse)则指的是一种估计与同步发电机相关的动态状态的过程。动态状态估计专注于估计和跟踪同步发电机及其相关控制单元的动态状态，是一个更加全面的任务。同步发电机构成电力系统的核心，因此dse主要关注同步发电机的动态状态，包括转速和转子角度等。
2、目前，已有许多有关电力系统动态状态估计的研究。一开始，debs和larson在“adynamic estimator for tracking the state of a power system[j].ieeetransactions on power apparatus and systems,1970(7):1670-1678.”中进行了关于卡尔曼滤波算法的研究，他们使用的dse模型采用了更简化的结构。如扩展卡尔曼滤波器(extendedkalmanfilter，ekf)是较早用于电力系统动态状态估计的非线性方法“unscented filtering and nonlinear estimation[j].proceedings of the ieee,2004,92(3):401-422.”，它在加权最小二乘框架下融合了测量值、网络参数和状态预测值，以寻求最优状态估计。无迹卡尔曼滤波器(unscented k
技术实现思路
1、本专利技术的目的在于克服上述现有技术的缺点，提供了一种融合注意力机制的时间卷积神经网络模型、电力系统动态状态估计方法、系统、设备及介质，该模型、方法、系统、设备及介质能够提高电力系统动态状态估计的准确性。
2、为达到上述目的，本专利技术采用如下技术方案：
3、本专利技术一方面，本专利技术提供了一种融合注意力机制的时间卷积神经网络模型，包括输入层、输出层、全连接层、若干tcn模块，其中，输入层、各tcn模块、全连接层以及输出层依次相连接，且所述相邻tcn模块之间以及最后一个tcn模块与全连接层之间均依次设置有自注意力层及激活函数模块。
4、本专利技术所述融合注意力机制的时间卷积神经网络模型进一步的改进在于：
5、进一步的，所述tcn模块的数据为四个。
6、本专利技术二方面，本专利技术提供了一种电力系统动态状态估计方法，包括：
7、获取电力系统的测量信息,电力系统各个节点的电压幅值和相角；
8、将所述电力系统的测量信息输入到训练后的融合注意力机制的时间卷积神经网络模型中，得到电力系统的动态状态。
9、本专利技术所述电力系统动态状态估计方法进一步的改进在于：
10、进一步的，所述电力系统的测量信息为结合pmus数据的图嵌入特征向量[e1,e2,e3,...,em]。
11、进一步的，所述自注意力层的上下文矩阵c表示为：
12、
13、其中，dk为值矩阵的维度，q为查询矩阵，k为键矩阵，v为值矩阵。
14、本专利技术三方面，本专利技术提供了一种电力系统动态状态估计系统，包括：
15、获取模块，用于获取电力系统的测量信息；...
【技术保护点】
1.一种融合注意力机制的时间卷积神经网络模型，其特征在于，包括输入层、输出层、全连接层、若干TCN模块，其中，输入层、各TCN模块、全连接层以及输出层依次相连接，且所述相邻TCN模块之间以及最后一个TCN模块与全连接层之间均依次设置有自注意力层及激活函数模块。
2.根据权利要求1所述的融合注意力机制的时间卷积神经网络模型，其特征在于，所述TCN模块的数据为四个。
3.一种电力系统动态状态估计方法，其特征在于，包括：
4.根据权利要求3所述的电力系统动态状态估计方法，其特征在于，所述电力系统的测量信息为结合PMUs数据的图嵌入特征向量[E1,E2,E3,...,Em]。
5.根据权利要求3所述的电力系统动态状态估计方法，其特征在于，所述自注意力层的上下文矩阵C表示为：
6.一种电力系统动态状态估计系统，其特征在于，包括：
7.根据权利要求6所述的电力系统动态状态估计系统，其特征在于，所述电力系统的测量信息为结合PMUs数据的图嵌入特征向量[E1,E2,E3,...,Em]。
8.根据权利要求6所述的
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3-5任一项所述电力系统动态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3-5任一项所述电力系统动态状态估计方法的步骤。
...【技术特征摘要】
1.一种融合注意力机制的时间卷积神经网络模型，其特征在于，包括输入层、输出层、全连接层、若干tcn模块，其中，输入层、各tcn模块、全连接层以及输出层依次相连接，且所述相邻tcn模块之间以及最后一个tcn模块与全连接层之间均依次设置有自注意力层及激活函数模块。
2.根据权利要求1所述的融合注意力机制的时间卷积神经网络模型，其特征在于，所述tcn模块的数据为四个。
3.一种电力系统动态状态估计方法，其特征在于，包括：
4.根据权利要求3所述的电力系统动态状态估计方法，其特征在于，所述电力系统的测量信息为结合pmus数据的图嵌入特征向量[e1,e2,e3,...,em]。
5.根据权利要求3所述的电力系统动态状态估计方法，其特征在于，所述自注意力层的上下文矩阵c表示为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。