[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

说明书

本发明提供了一种基于深度学习的电力系统鲁棒状态估计方法及系统，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；本发明克服了电力系统状态估计中量测量存在非高斯噪声、预测精度低和时效性差的问题，提高了鲁棒状态估计的准确性。

技术领域

本发明涉及电力系统状态估计技术领域，特别涉及一种基于深度学习的电力系统鲁棒状态估计方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

电力系统状态估计是能源管理系统的核心组成部分，为其提供精度可靠的系统状态实时信息，对电力系统的安全与经济运行起到至关重要的作用。

目前，主要的电力系统状态估计方法：包括静态估计(Static State Estimation，SSE)、动态状态估计(Dynamic State Estimation，DSE)、跟踪状态估计(Tracking StateEstimation，TSE)和预测辅助状态估计(Forecasting-Aided State Estimation，FASE)。其中，FASE作为DSE的特殊应用，基于准稳态与动态的系统状态建立状态转换模型，为后续电网运行控制提供有效数据。估计精度和时效性是衡量电力系统状态估计性能的重要指标。

有研究人员提出一种基于伪量测自适应插值策略的插值强跟踪扩展卡尔曼滤波(Extended Kalman Filter，EKF)状态估计方法，该方法在EKF的基础上引入强跟踪理论，利用强跟踪扩展卡尔曼滤波对增益矩阵进行在线调整，增强了算法鲁棒性。有研究人员基于无迹卡尔曼滤波(Unscented Kalman Filter，UKF)，引入渐消记忆指数加权的Sage-Husa噪声统计估值器实时估计噪声的方差与均值，可提升估计精度。为减少计算量，该方法采取了较少的采样点，所以其运算速度相较于传统UKF有所提升，但在状态量维度升高时，该方法时效性有待检验。为进一步提升状态估计的性能，NarriYadaiah首次将深度学习方法应用于电力系统状态估计中。由于深度学习算法具有强大的数据分析和预测能力，可使状态估计的精度和时效性得以有效提升。有研究人员提出了一种基于深度学习的数据驱动的方法，该方法可以较准确地填补丢失的电源测量单元数据，而无需依赖测量单元的可观察性和网络拓扑。有研究人员针对大规模状态估计问题提出了一种基于深度神经网络的电力系统快速状态估计方法，以相关性分析方法筛选特征输入，通过含噪声量测增广训练样本以提高模型的抗差能力，但未考虑非高斯噪声的情况。有研究人员基于粒子滤波和卷积神经网络，提出了离线学习和在线状态估计的电力系统状态估计方法。离线学习部分通过粒子滤波算法生成训练样本训练卷积神经网络；在线估计部分将实时量测数据预处理后，注入离线学习获得的神经网络，完成对电力系统的实时状态估计，但该方法仅在小规模系统中针对加权最小二乘方法进行对比仿真，在大规模系统中的估计性能有待进一步验证。针对电力系统状态估计中量测量存在非高斯噪声、预测精度不高和时效性差的问题。

发明内容

为了解决现有技术的不足，本发明提供了一种基于深度学习的电力系统鲁棒状态估计方法及系统，克服了电力系统状态估计中量测量存在非高斯噪声、预测精度低和时效性差的问题，提高了鲁棒状态估计的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于深度学习的电力系统鲁棒状态估计方法。

一种基于深度学习的电力系统鲁棒状态估计方法，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；