[发明专利]基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法

说明书

本发明公开了一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，该方法包括建立包含不同运行条件下不同线路SCADA数据训练集；改进SCADA数据，建立LSTM神经网络，输入改进SCADA数据训练LSTM神经网络；将改进后的待辨识线路两端量测SCADA数据作为输入数据输入训练好的LSTM神经网络获取预测值；基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。将LSTM神经网络与改进SCADA数据相结合，旨在利用神经网络进行线路参数辨识，提高线路辨识方法的鲁棒性；改进的SCADA输入数据构建方法能提高LSTM神经网络的模型学习效果和辨识精度。应用中位数抗差，去除预测值中的异常数据及噪声，提高预测结果的精准度。

技术领域

本发明涉及测量电变量领域，尤其涉及一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法。

背景技术

随着大容量远距离高压输电、大系统互联、电网高度自动化的发展，我国电力系统已步入大电网、大机组的时代，这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中，输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力系统计算的基础。实践证明，在电力系统中，输电线路参数准确程度直接影响状态估计合格率，从而存在影响电力系统的安全、稳定、可靠运行的问题。

现有的输电线路参数测量方法大致可分为：理论计算、离线停电测量、在线带电测量；其中，理论计算通常根据Carson模型，利用线路的自几何均距、互几何均距以及导线材料结构等物理参数，并结合气温等外部环境，通过公式计算出电阻、电抗和对地电纳。由于理论分析简化了模型并且忽略了不确定因素的影响，如无法考虑到实时温度、弧垂等实际存在的问题，导致理论计算结果与实际值相差甚大，因此我国继电保护规程规定线路参数必须实测。并且理论计算推导通常只考虑到了完全对称的情况，前提条件过于理想，因此无法考虑到线路所处实时温度、弧垂、避雷线等实际存在的问题，从而导致该方法得到的结果与实际参数存在较大差异；

离线停电测量：离线停电测量是在输电线路离线停电的前提下，在线路上行进行不同的测量试验，利用电压表、电流表、功率表、频率计等各种表计测量出线路的各个状态，经人工读取表值后利用相应的公式计算出各个相应的线路参数。测量时要求输电线路停止运行的苛刻前提条件，会造成多回运行的平行线路无法测量互感等问题。

现有的在线带电测量，例如，一种在中国专利文献上公开的“一种有限PMU下基于估计的输电线路故障检测方法”，其公告号CN111257696，包括一种有限PMU下基于估计的输电线路故障检测方法，采用间隔母线布置PMU策略，将电网分成几个区域，估计出未布置PMU母线的总估计电流，根据它是否超出阈值来检测疑似故障区域，采用t检验对疑似故障区域进行数据不同步的检查与校正；利用各PMU数据，较精确地估计得到未布置PMU母线的正序估计电压和估计电流，利用双端测距原理，分别计算各疑似线路的故障距离，建立有限PMU下的输电线路故障检测判据。但是上述方案将电网分为几个区域采用根据设计运行条件估计的的方法估计出母线电流，往往与实际运行状态存在较大差异，存在采用模型参数与实际情况不符而导致线路参数预测不准确的问题，而且基于PMU数据的在线测量PMU 装设没有SCADA范围广，不能普适于所有线路。

发明内容

本发明是为了解决现有技术的在线测量方法存在不能普适所有线路，需要多个节点数据，计算量较大，且辨识精度与实际参数存在较大差异的问题，提供一种辨识精确的基于 LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，提高辨识方法的鲁棒性。

为实现上述目的，本发明采用以下技术方案：

一种基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法，其特征是，包括如下步骤：

步骤S1：建立包含不同运行条件下不同线路SCADA数据训练集；在对神经网络进行训练前，首先需要获取适当的训练集数据为神经网络的训练提供数据支撑，为了提高神经网络在不同场景，不同线路下的有效性，训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。