[发明专利]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

说明书

本发明提出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：离线学习部分，先利用历史RTU/PMU量测融合数据，分析系统注入功率的概率分布，再通过基于贝叶斯估计的粒子滤波算法，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卷积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。相较于传统最小二乘估计的牛顿法迭代算法，该方法能有效提升计算速度，提高状态估计的精度和抗差能力。

技术领域

本发明属于电力系统运行与控制技术领域，具体涉及一种基于深度学习和贝叶斯滤波的电力系统状态估计方法。

背景技术

可再生能源的发电量和接入量在快速增长的同时，它所带来的随机性、波动性问题，以及电网拓扑结构的日益复杂现状，使得电网的安全稳定运行面对着巨大挑战。因此，当前对于电力系统状态的实时监测、分析和控制显得愈发紧迫和关键。

如今，电力系统运行工况数据依靠广域测量系统(Wide Area MeasurementSystem，WAMS)和监控和数据采集系统(Supervisory Control And Data Acquisition，SCADA)提供。但由于受限于WAMS中的相量测量单元(Phasor Measurement Unit，PMU)成本因素，不能广泛安装，因此电网状态估计主要依靠SCADA数据进行。而SCADA中的远程终端单元(Remote Terminal Unit，RTU)数据刷新频率低，有较高的数据传输时延，并且没有时钟标识，时间同步性较差，因此很难实现电力系统的在线状态估计。若在采集和传输过程中产生坏数据，由于传统的算法缺乏对其的辨识和剔除能力，造成状态估计的鲁棒性差。

一方面，凭借卷积神经网络(Convolutional Neural Network，CNN)的强大非线性信息处理能力，利用海量的电网数据，通过多次参数训练可以得到一种估计准确率高，能够快速收敛并且具有泛化能力的算法。另一方面，结合PMU装置量测和传输性能的优点和RTU全网配置的特点，将二者的数据通过量测变换技术，克服数据样式与平台接口等差异，进行融合，作为神经网络的输入数据进行学习。从而使算法具有更大的冗余度，能携带更多的电力系统信息，训练后也能获得更多的电网特征，最终进一步提高状态估计的精度。

本发明提出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，利用历史RTU/PMU融合后的量测数据，离线训练卷积神经网络；将实时PMU量测数据预处理后，通过离线训练完成的网络，进行电力系统在线状态估计。该方法，不仅改进了传统方法的抗差能力，而且能够提升计算精度，实现高效可靠的电网在线状态估计，为电力系统的实时监控和稳定运行提供保障。

发明内容

本发明针对现有技术的不足，提出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，具体方案如下：

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。