【技术实现步骤摘要】
本专利技术属于电力系统领域，具体涉及一种自编码器静态配电网状态估计方法及系统。
技术介绍
1、电力系统状态估计是电力系统监控和调度的基础，能够为电力系统的安全稳定运行提供关键的实时信息。因此，电力系统状态估计一直是电力系统研究的重要领域之一。传统的电力系统状态估计方法主要包括最小二乘估计法、加权最小二乘法和卡尔曼滤波等。最小二乘估计法要求量测数据准确且无误差，在面对含有噪声或者数据丢失的情况下容易产生估计误差，导致状态估计结果不准确；加权最小二乘法通过引入权重提高了对噪声的抗干扰能力，但权重的选择依赖于先验知识，难以应对实际工况下数据质量不佳的情况；卡尔曼滤波方法在处理动态电力系统状态估计时具有较好的效果，但对初始状态的依赖较强，容易受到外部干扰的影响，导致估计偏差较大。
2、此外，随着电力系统规模的扩大和复杂度的增加，传统状态估计方法面临计算复杂度高、数据同步难度大等问题。在现代智能电网中，电力系统数据来源更加多样，数据量也大幅增加，传感器可能出现噪声、数据丢失、延时等情况，使得传统状态估计方法难以满足实时性和精度要求。尤其是在大规模分布式能源接入和多源异构数据融合的背景下，电力系统状态估计对数据质量的要求变得更加严格，如何在存在噪声、数据丢失和延时的情况下实现高效准确的状态估计，成为亟待解决的问题。
技术实现思路
1、本专利技术的目的在于针对现有技术问题，提供一种自编码器静态配电网状态估计方法及系统。
2、为实现上述目的，本专利技术的技术方案是：一种自编
3、在输入数据部分数据缺失时，输入静态配电网系统仿真模型进行仿真，收集静态配电网系统仿真模型的仿真数据，基于静态配电网系统仿真模型的仿真数据，生成修复模型；
4、基于修复模型，通过迁移学习微调，得到目标域模型；
5、基于输入实际静态配电网系统中部分数据缺失的实际输入数据，使用修复模型修复得到完整输入数据，基于完整输入数据，使用目标域模型对实际静态配电网系统的运行状态进行估计。
6、在本专利技术一实施例中，部分数据缺失，包括将输入数据中有功功率p和无功功率q同时置零。
7、在本专利技术一实施例中，修复模型的生成方式为：
8、在联邦学习的框架下，通过高斯混合模型gmm对静态配电网系统的仿真数据进行聚类，将静态配电网系统的仿真数据划分为多个子集，每个子集的数据被分配给不同的联邦学习客户端，由每个联邦学习客户端独立训练自编码器模型，训练后的自编码器模型的权重发送到中央服务器，中央服务器通过加权平均的方式聚合所有联邦学习客户端的自编码器模型的权重，生成修复模型。
9、在本专利技术一实施例中，自编码器模型的编码器由四个全连接层组成，逐步将输入数据的维度压缩至低维表示；自编码器模型的解码器通过对压缩的低维表示逐层扩展，重构出与输入数据相同维度的重构数据。
10、在本专利技术一实施例中，自编码器模型的训练方式如下：
11、自编码器模型的编码器将输入数据x转换为隐藏变量z，用公式表示为：
12、z＝f(w(1)x+b(1))
13、式中，w(1)表示权重矩阵；b(1)表示偏置向量；f()表示激活函数；
14、自编码器模型的解码器基于隐藏变量z重构出近似于输入数据x的重构数据，用公式表示为：
15、
16、式中，w(2)表示权重矩阵；b(2)表示偏置向量；
17、自编码器模型的优化目标是保证重构数据与输入数据x尽可能接近；给定一组输入数据x(n)∈r(d),1≤n≤n，重构误差表示为：
18、
19、式中，表示重构数据；
20、通过最小化重构误差，学习自编码器模型的网络参数θ＝{w(1),b(1),w(2),b(2)}。
21、在本专利技术一实施例中，激活函数采用relu函数：
22、f(z)＝max(0,z)
23、z表示输入。
24、在本专利技术一实施例中，中央服务器通过加权平均的方式聚合所有联邦学习客户端的自编码器模型的权重的方式如下：
25、设有k个联邦学习客户端，它们的本地数据分别表示为d1,d2,…,dk,…,dk，对于第k个联邦学习客户端的数据集dk，收集的损失函数为：
26、
27、式中，fj(w)是f(xj,yj)的简写，xj表示第j个样本的输入变量；yj表示第j个样本的输出变量；在所有联邦学习客户端的数据集集合上定义的损失函数为：
28、
29、式中，|dk|表示dk里的样本数量，|d|表示所有联邦学习客户端中样本总量，
30、中央服务器在时间t的全局聚集参数集w(t)表示如下：
31、
32、式中，μ是学习率；▽f(·)是损失函数局部梯度；wk(t)是第k个联邦学习客户端在时间t的本地参数集，表示为：
33、wk(t)＝wk(t-1)-μ▽fk(wk(t-1))
34、中央服务器基于获取的第k个联邦学习客户端在时间t的损失函数局部梯度▽fk(wk(t-1))，计算得出w(t)。
35、在本专利技术一实施例中，基于修复模型，通过迁移学习微调，得到目标域模型的具体实现方式为：
36、在迁移学习中，设下标s和t分别代表源任务和目标任务，ds和dt分别为源域和目标域，利用特征向量空间x和概率分布函数p(x)构成对应的领域，即：
37、
38、设ys和yt分别为源域和目标域的标签向量空间，fs和ft分别为源域和目标域的映射函数，则源域和目标域内的任务ts和tt分别描述为：
39、
40、假设源域与目标域的特征分布相同，但标签空间不同，则迁移学习的目标是使学习映射函数ft:xt→xs在dt上的期望误差最小，并满足xt＝xs、yt＝ys和p(yt|xt)≠p(ys|xs)；
41、将修复模型作为源域模型，通过迁移学习，将修复模型的特征表示、参数迁移到目标域模型中，在目标域模型上进行参数微调，使得目标域模型上的参数适应目标域数据的特征，并在目标域数据上训练参数微调后的目标域模型，得到最终的目标域模型。具体的流程如下：
42、(1)源域数据收集：采集节点的电压(v)、相角(θ)、有功功率(p)和无功功率(q)等数据；
43、(2)源域模型训练：在源域数据上训练一个高精度的状态估计模型。该模型通常使用大量标注的源域数据，具备较好的泛化能力。源域模型的目标是尽可能捕捉源域电力系统状态数据的特征和变化规律；
44、(3)特征表示迁移：将源域模型的特征表示(即提取到的中间层特征或特征空间)迁移到目标域模型中；
45、(4)参数迁移与微调：将源域模型的部分或全部参数迁移到目标域模型中，通过在目标域数据上进行微调，进一步调整迁移的参数，使模型适应目标域的特征本文档来自技高网...
【技术保护点】
1.一种自编码器静态配电网状态估计方法，其特征在于，包括：
2.根据权利要求1所述的一种自编码器静态配电网状态估计方法，其特征在于，部分数据缺失，包括将输入数据中有功功率P和无功功率Q同时置零。
3.根据权利要求1所述的一种自编码器静态配电网状态估计方法，其特征在于，修复模型的生成方式为：
4.根据权利要求3所述的一种自编码器静态配电网状态估计方法，其特征在于，自编码器模型的编码器由四个全连接层组成，逐步将输入数据的维度压缩至低维表示；自编码器模型的解码器通过对压缩的低维表示逐层扩展，重构出与输入数据相同维度的重构数据。
5.根据权利要求3或4所述的一种自编码器静态配电网状态估计方法，其特征在于，自编码器模型的训练方式如下：
6.根据权利要求5所述的一种自编码器静态配电网状态估计方法，其特征在于，激活函数采用ReLU函数：
7.根据权利要求3所述的一种自编码器静态配电网状态估计方法，其特征在于，中央服务器通过加权平均的方式聚合所有联邦学习客户端的自编码器模型的权重的方式如下：
8.根据权利要求1所
9.一种自编码器静态配电网状态估计系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
...【技术特征摘要】
1.一种自编码器静态配电网状态估计方法，其特征在于，包括：
2.根据权利要求1所述的一种自编码器静态配电网状态估计方法，其特征在于，部分数据缺失，包括将输入数据中有功功率p和无功功率q同时置零。
3.根据权利要求1所述的一种自编码器静态配电网状态估计方法，其特征在于，修复模型的生成方式为：
4.根据权利要求3所述的一种自编码器静态配电网状态估计方法，其特征在于，自编码器模型的编码器由四个全连接层组成，逐步将输入数据的维度压缩至低维表示；自编码器模型的解码器通过对压缩的低维表示逐层扩展，重构出与输入数据相同维度的重构数据。
5.根据权利要求3或4所述的一种自编码器静态配电网状态估计方法，其特征在于，自编码器模型的训练方式...
【专利技术属性】
技术研发人员：黄兴华，吴涵，李轶博，王林，李凌斐，徐一骏，范元亮，林建利，刘凯，董欣晓，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：
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。