[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

摘要

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。

主权项

1.一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)式(5)中，y_CONV为卷积核的输出，ω₁、ω₂、ω₃、ω₄为2×2卷积核的四个参数，x₁、x₂、x₃、x₄为2×2卷积核感受野感受到的四个输入；3)设计池化方式，以降低输入数据的维度，均选择2×2最大池化，计算公式为：式(6)中，x_POOL为池化输出，x₁、x₂、x₃、x₄为2×2最大池化的四个输入，即选择四个输入中的最大值作为池化输出；4)选取每层神经网络之间的激活函数，采用ReLu函数加快网络梯度下降和反向传播效率，ReLu函数表达式为：式(7)中，f(x)为激活函数的输出，x为各层神经网络的输入；包括以下步骤：步骤1，获取原始数据,原始数据包括历史的离线量测量数据及对应的状态值以及实时的量测量数据；步骤2，对原始数据进行预处理，将输入的量测量由一维转化为二维，输入量测量Z表示为：Z＝[z₁,z₂,…,z_k,…,z_n]                      (1)式(1)中，Z表示一维量测量矩阵，n表示量测量的数目，z_k表示量测量矩阵Z中的第k个元素；输入的一维量测量矩阵二维化后表示为：式(2)中，Z_t为二维化后的量测量矩阵；二维化前后Z和Z_t中的元素个数满足约束关系：n＝i×j        (3)式(3)中，n表示量测量的数目，i、j分别表示二维化后矩阵的行数和列数，即二维化前后量测量的数目不变；步骤3，基于卷积神经网络，读取二维化后的量测量，以误差方差作为整个网络的损失函数，使用Dropout技术防止神经网络过拟合，以Adam优化算法作为训练算法对搭建的卷积神经网络进行反复训练，修正内部的权值和偏置，以使整个网络的损失函数降到最低，得到具有泛化能力的输入量测量和输出状态量之间的非线性关系，具体包括：1)选取输出数据和状态量之间的误差方差作为网络的损失函数：式(8)中，N为状态量的个数，y_output为神经网络的输出值，y_label为状态量的真值；2)选取Dropout率：Dropout＝0.5+α                 (9)式(9)中，α为调整系数；Dropout技术强迫一个神经单元和随机挑选出来的其他神经单元共同工作，减弱了神经元节点间的联合适应性，增强了泛化能力；一般情况下，隐含节点dropout率等于0.5的时候随机生成的网络结构最多，网络效果最好；3)选择Adam优化算法替代传统随机梯度下降的一阶优化算法，随着训练数据迭代更新神经网络的权重和偏置，使得整个网络的损失函数降到最低；步骤4，根据训练好的卷积神经网络模型，输入实时的量测量数据，通过卷积神经网络的前向传播计算出当前时刻系统对应的状态量，完成当前系统的状态量估计。