[发明专利]一种基于卷积神经网络的电力系统状态估计方法

说明书

本发明提出一种基于卷积神经网络的电力系统状态估计方法，该方法以离线的电力系统潮流断面数据作为样本进行训练，将量测量作为输入数据，状态量作为期望输出，通过卷积神经网络的局部连接、权值共享、下采样等手段减少训练参数、降低网络复杂度，通过输入与输出之间误差的反向传播，通过Dropout手段防止过拟合，训练一个基于量测量的卷积神经网络状态估计模型。对于新的量测量数据通过已训练的卷积神经网络进行估计，得到系统在此时刻的状态量。该方法采用卷积神经网络进行状态估计，克服了传统迭代最小二乘状态估计方法计算时间过长和全连接神经网络状态估计方法梯度传递困难的缺陷，在减少计算时间的同时降低了网络的训练难度。

技术领域

本发明属于电力系统运行与控制技术领域，具体涉及一种基于卷积神经网络的电力系统状态估计方法。

背景技术

随着智能电网的发展，电网的规模随之增加、结构和运行方式日趋复杂，为了更加精确的掌握电网的运行状态，对电力系统运行状态进行状态估计是必要的。

目前，在电力系统状态估计中使用较多的是最小二乘估计，但是由于量测量和状态量之间是非线性约束关系，使得最小二乘状态估计需要借助高斯牛顿反复迭代才能进行非线性方程的求解，计算时间较长且对计算机硬件要求较高，无法满足大电网实时的状态估计需求。近年来随着人工智能、数据挖掘技术的发展，基于全连接的BP神经网络在状态估计领域也得到了运用，但是全连接神经网络随着输入量测量的增多，网络的规模会成倍数的增加，且全连接神经网络的梯度传递很难超过三层，从而使得全连接神经网络的模型训练较为困难。

本发明提出一种基于卷积神经网络的电力系统状态估计方法，用于解决传统最小二乘估计计算时间长、硬件要求高和全连接神经网络训练困难的问题。

发明内容

本发明针对现有技术的不足，提出一种基于卷积神经网络的电力系统状态估计方法，具体方案如下：

一种基于卷积神经网络的电力系统状态估计方法，其特征在于，基于一种卷积神经网络的模型，卷积神经网络的模型包括卷积神经网络的层数、卷积核大小、池化方式、激活函数、以及各层网络的神经元数量，该卷积神经网络的模型具体包括：

1)设计五层卷积神经网络，网络的结构为：

INPUT_layer-[CONV₁-CONV₂-POOL₁]-FC₁-OUTPUT_Layer

其中，INPUT_layer表示输入层，其神经元个数为N_input；OUTPUT_Layer表示输出层，其神经元个数为N_output；CONV_i表示第i层卷积层；POOL_i表示第i层下采样层；FC_i表示第i层全连接层；

其中，输入层神经元的个数N_input为量测量的数目，输出层神经元的个数N_output为状态量的数目，卷积层神经元的数目由卷积核确立，下采样层神经元的数目由池化方式确立，全连接层神经元数目的计算公式为：

式(4)中，表示第i层全连接层的神经元数目，α为修正系数(取值范围为1～10)；

2)设计卷积核，以提取输入数据的特征，均选择大小为2×2的卷积核，卷积核的输出为：

y_CONV＝x₁·ω₁+x₂·ω₂+x₃·ω₃+x₄·ω₄ (5)