[发明专利]基于深度学习的电力系统鲁棒状态估计方法及系统

权利要求书

1.一种基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

包括以下过程：

获取电力系统的运行参量数据；

对获取的运行参量数据进行异常和/或缺失判断；

当存在异常和/或缺失时，根据获取的运行参量数据和内核岭回归模型，得到鲁棒状态估计结果；

当存在异常和/或缺失时，采用注意力机制的卷积神经网络对运行参量数据进行权重筛选，根据长短期记忆神经网络，得到鲁棒状态估计结果。

2.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

采用支持向量机模型对获取的运行参量数据进行异常和/或缺失判断。

3.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

采用注意力机制的卷积神经网络对运行参量数据进行权重筛选，包括：

对预处理后的运行参量数据区分强弱特征，去除弱相关性特征，提取强相关特征作为长短期记忆神经网络的输入。

4.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

运行参量数据的过程噪声与量测噪声均服从非高斯分布。

5.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

内核岭回归模型中，采用核方法将数据特征值映射到高维空间，对样本点的关系进行线性化。

6.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

对获取的运行参量数据进行归一化处理后再输入到模型中。

7.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法，其特征在于：

运行参量数据包括有功功率和无功功率。

8.一种基于深度学习的电力系统鲁棒状态估计系统，其特征在于：

包括：

数据获取模块，被配置为：获取电力系统的运行参量数据；

数据判断模块，被配置为：对获取的运行参量数据进行异常和/或缺失判断；

第一估计模块，被配置为：当存在异常和/或缺失时，根据获取的运行参量数据和内核岭回归模型，得到鲁棒状态估计结果；

第二估计模块，被配置为：当存在异常和/或缺失时，采用注意力机制的卷积神经网络对运行参量数据进行权重筛选，根据长短期记忆神经网络，得到鲁棒状态估计结果。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于深度学习的电力系统鲁棒状态估计方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于深度学习的电力系统鲁棒状态估计方法中的步骤。