基于神经网络的电力系统状态估计模型训练方法和装置

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于神经网络的电力系统状态估计模型训练方法和装置。

背景技术

随着科技水平的迅速发展以及人民生活水平的提升，越来越多的用电设备接入到了电力系统中，这无疑会使得电力系统的负荷波动情况更复杂及更频繁。

为了保证电力系统的安全性以及稳定性，亟需一种方法来对电力系统的状态进行估计，以及时发现电力系统中存在的风险因素。

发明内容

本发明提供了一种基于神经网络的电力系统状态估计模型训练方法和装置，以提高电力系统状态估计的准确性以及速度。

根据本发明的一方面，提供了一种基于神经网络的电力系统状态估计模型训练方法，包括：

获取目标电力系统中候选节点的节点注入功率数据，以及候选支路的支路功率数据，并将所述节点注入功率数据和所述支路功率数据输入至待训练模型中；其中，所述待训练模型包括特征图生成层、第一特征图学习层、第二特征图学习层、第三特征图学习层、特征图相加层以及参数输出层；

通过所述特征图生成层，生成所述节点注入功率数据对应的第一初始特征图，以及生成所述支路功率数据对应的第二初始特征图；

通过所述第一特征图学习层，根据所述第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据所述第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图；

通过所述第二特征图学习层，根据所述第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据所述第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图；

通过所述特征图相加层，对所述第一学习特征图和所述第四学习特征图进行元素相加，生成第一相加特征图，以及对所述第二学习特征图和所述第三学习特征图进行元素相加，生成第二相加特征图；

通过所述第三特征图学习层，根据所述第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据所述第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图；

通过所述参数输出层，根据所述第五学习特征图输出第一预测中间参数，以及根据所述第六学习特征图输出第二预测中间参数和第三预测中间参数；其中，所述节点注入功率数据和所述支路功率数据，分别与所述第一预测中间参数、所述第二预测中间参数和所述第三预测中间参数构成线性关系；

根据所述第一预测中间参数、所述第二预测中间参数和所述第三预测中间参数对所述待训练模型进行模型训练，生成电力系统状态估计模型；

其中，所述第一预测中间参数用于估计所述候选节点的预测电压幅值，所述第二预测中间参数和所述第三预测中间参数用于估计所述候选支路的预测相角差值；

所述第一预测中间参数和所述预测电压幅值的关系如下：

所述第二预测中间参数、所述第三预测中间参数和所述预测相角差值的关系如下：

θ

其中，V

根据本发明的另一方面，提供了一种基于神经网络的电力系统状态估计模型训练装置，包括：

数据获取模块，用于获取目标电力系统中候选节点的节点注入功率数据，以及候选支路的支路功率数据，并将所述节点注入功率数据和所述支路功率数据输入至待训练模型中；其中，所述待训练模型包括特征图生成层、第一特征图学习层、第二特征图学习层、第三特征图学习层、特征图相加层以及参数输出层；

初始特征图生成模块，用于通过所述特征图生成层，生成所述节点注入功率数据对应的第一初始特征图，以及生成所述支路功率数据对应的第二初始特征图；

第一学习特征图生成模块，用于通过所述第一特征图学习层，根据所述第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据所述第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图；

第二学习特征图生成模块，用于通过所述第二特征图学习层，根据所述第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据所述第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图；

相加特征图生成模块，用于通过所述特征图相加层，对所述第一学习特征图和所述第四学习特征图进行元素相加，生成第一相加特征图，以及对所述第二学习特征图和所述第三学习特征图进行元素相加，生成第二相加特征图；

第三学习特征图生成模块，用于通过所述第三特征图学习层，根据所述第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据所述第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图；

参数确定模块，用于通过所述参数输出层，根据所述第五学习特征图输出第一预测中间参数，以及根据所述第六学习特征图输出第二预测中间参数和第三预测中间参数；其中，所述节点注入功率数据和所述支路功率数据，分别与所述第一预测中间参数、所述第二预测中间参数和所述第三预测中间参数构成线性关系；

模型训练模块，用于根据所述第一预测中间参数、所述第二预测中间参数和所述第三预测中间参数对所述待训练模型进行模型训练，生成电力系统状态估计模型；

其中，所述第一预测中间参数用于估计所述候选节点的预测电压幅值，所述第二预测中间参数和所述第三预测中间参数用于估计所述候选支路的预测相角差值；

所述第一预测中间参数和所述预测电压幅值的关系如下：

所述第二预测中间参数、所述第三预测中间参数和所述预测相角差值的关系如下：

θ

其中，V

本发明实施例的技术方案通过在训练过程中设置待训练模型的输入数据(节点注入功率数据和支路功率数据)和输出数据(第一预测中间参数、第二预测中间参数和第三预测中间参数)构成线性关系，从而在模型训练阶段有助于减轻待训练模型的训练难度，提升模型收敛的速度以及模型效果，并且在模型使用阶段有助于提高电力系统状态参数估计的准确性和时效性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供了一种基于神经网络的电力系统状态估计模型训练方法的流程图；

图2A为本发明实施例二提供的一种基于神经网络的电力系统状态估计模型训练方法的流程图；

图2B为本发明实施例二提供的一种待训练模型的结构示意图；

图3为本发明实施例三提供的一种基于神经网络的电力系统状态估计模型训练装置的结构示意图；

图4是实现本发明实施例的基于神经网络的电力系统状态估计模型训练方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“候选”、“第一”、“第二”、“第三”、“第四”、“第五”、“第六”、“预测”、“标准”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

传统状态估计方法使用的基于WLS(Weighted Least Square，加权最小二乘)原理在系统量测噪声仅包含高斯白噪声的理想条件下为无偏最小方差估计器，然而在实际电力系统中非高斯噪声和粗差的存在使得WLS迭代次数过多甚至无法收敛，从而导致WLS估计精度显著下降。基于上述原因，多种具有非二次估计准则的鲁棒状态估计方法如WLAV(Weighted Least Absolute Value，加权最小绝对值)状态估计被提出，然而非二次估计准则的引入使得鲁棒状态估计的计算模型存在模型复杂、训练难度大、计算时间长等缺点，导致模型训练阶段存在模型收敛速度较慢且模型效果较差等问题，并且在模型使用阶段受节点规模和计算机性能的限制，导致电力系统状态参数估计的准确性和时效性较差，难以满足工程实时计算的需要。

为了保证电力系统的安全性及稳定性，亟需一种方法来对电力系统的状态进行估计，以及时发现电力系统中存在的风险因素。

申请人发现，在一个电气节点连接图中，根据电路基本定理，容易得到节点i的电压幅值V

其中，g

基于上述表达式进行表达式简化，将V

并且，还可以进一步得到节点i的节点有功注入功率

综上可见，无论是支路有功功率

在不考虑量测误差时，求解电力系统中节点的电压幅值、支路的相角差值转化为一个高维线性关系的问题：输入为

在考虑量测误差时，以节点有功注入功率

其中，

可见，在不考虑量测误差或者量测误差较小时，我们可以基于节点注入功率数据和支路功率数据，分别与第一中间参数U

实施例一

图1为本发明实施例一提供了一种基于神经网络的电力系统状态估计模型训练方法的流程图，本实施例可适用于对电力系统状态估计模型进行模型训练的情况，该方法可以由基于神经网络的电力系统状态估计模型训练装置来执行，该基于神经网络的电力系统状态估计模型训练装置可以采用硬件和/或软件的形式实现，例如采用服务器实现。如图1所示，该方法包括：

S101、获取目标电力系统中候选节点的节点注入功率数据，以及候选支路的支路功率数据，并将节点注入功率数据和支路功率数据输入至待训练模型中。

其中，目标电力系统表示由发电设施、供电设施、用电设施以及为保障其正常运行所需的的调节控制及继电保护和安全自动装置、计量装置、调度自动化、电力通信等二次设施构成的统一整体。

目标电力系统中包括至少一个候选节点，候选节点表示由一个或多个电力设施所构成的设施集合，换言之，候选节点可能仅包括一个电力设施，也可能包括至少两个电力设施。相应的，候选支路表示在目标电力系统中由候选节点依次连接所构成的电路支路。

支路功率数据表示各候选支路在目标电力系统中运行时计算得到的功率数据。节点注入功率数据则根据包含各候选节点的候选支路的支路功率数据求和计算得到，例如候选节点A的节点注入功率数据根据包含候选节点A的候选支路的支路功率数据求和计算得到。

待训练模型表示一种初始模型，即还未训练完成的电力系统状态估计模型。待训练模型包括特征图生成层、第一特征图学习层、第二特征图学习层、第三特征图学习层、特征图相加层以及参数输出层。

在一种实施方式中，从目标电力系统中进行数据采集，获取各候选支路的支路功率数据，并根据各候选支路的支路功率数据计算各候选节点所对应的节点注入功率数据，并根据节点注入功率数据构建节点注入功率矩阵，以及根据支路功率数据构建支路功率矩阵，进而将节点注入功率矩阵以及支路功率矩阵作为待训练模型的输入数据，输入至待训练模型中。其中，节点注入功率矩阵的矩阵维度由候选节点的节点数量决定，而支路功率矩阵的矩阵维度由候选支路的支路数量决定。

通过获取目标电力系统中候选节点的节点注入功率数据，以及候选支路的支路功率数据，并将节点注入功率数据和支路功率数据输入至待训练模型中，实现了训练数据准备的效果，为后续基于节点注入功率数据、支路功率数据进行模型训练，奠定了数据基础；并且，由于采用两类训练数据进行模型训练，方便在训练过程中对两类训练数据进行交叉互学习，有利于提高最终电力系统状态估计模型的模型性能，保证输出参数的准确性。

S102、通过特征图生成层，生成节点注入功率数据对应的第一初始特征图，以及生成支路功率数据对应的第二初始特征图。

其中，特征图生成层表示待训练模型中用于对模型输入数据进行特征嵌入生成特征图的网络层。可选的，特征图生成层可以采用多层感知器MLP来实现。

在一种实施方式中，将节点注入功率数据、支路功率数据输入至特征图生成层中。通过特征图生成层根据节点注入功率数据进行特征嵌入，得到经过特征嵌入的第一初始特征图作为输出。相应的，通过特征图生成层根据支路功率数据进行特征嵌入，得到经过特征嵌入的第二初始特征图作为输出。

通过特征图生成层，生成节点注入功率数据对应的第一融合特征图，以及生成支路功率数据对应的第二融合特征图，保证了特征图的特征丰富度，进一步提高了后续模型训练的训练效果。

S103、通过第一特征图学习层，根据第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图。

其中，第一特征图学习层表示待训练模型中用于对第一初始特征图、第二初始特征图在特征维度方向进行特征自学习的网络层。可选的，第一特征图学习层可以采用多层感知器MLP来实现。

第一初始特征图的特征维度方向表示在不同候选节点的同一类节点注入功率数据中进行特征学习，例如假设节点注入功率数据包括节点有功注入功率和节点无功注入功率两类，则第一初始特征图的特征维度方向表示在不同候选节点的节点有功注入功率中进行特征学习，和/或，在不同候选节点的节点无功注入功率中进行特征学习。相应的，第二初始特征图的特征维度方向表示在不同候选支路的同一类支路功率数据中进行特征学习，例如假设支路功率数据包括支路有功功率和支路无功功率两类，则第二初始特征图的特征维度方向表示在不同候选支路的支路有功功率中进行特征学习，和/或，在不同候选支路的支路无功功率中进行特征学习。

在一种实施方式中，将第一初始特征图和第二初始特征图输入至第一特征图学习层中，通过第一特征图学习层，根据第一初始特征图在特征维度方向进行特征学习生成第一学习特征图。并且，通过第一特征图学习层，根据第二初始特征图在特征维度方向进行特征学习生成第二学习特征图。

通过第一特征图学习层，根据第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图，实现了对第一加权特征图以及第二加权特征图在特征维度方向进行特征自学习的效果，使得第一学习特征图从第一初始特征图中特征维度方向学习到更具信息量的特征表示，以及第二学习特征图从第二初始特征图中特征维度方向学习到更具信息量的特征表示。

S104、通过第二特征图学习层，根据第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图。

其中，第二特征图学习层表示待训练模型中用于对第一学习特征图、第二学习特征图在通道维度方向进行特征自学习的网络层。可选的，第二特征图学习层可以采用多层感知器MLP来实现。

第一学习特征图的通道维度方向表示在同一候选节点的不同类节点注入功率数据中进行特征学习，例如候选节点包括候选节点A、候选节点B和候选节点C，假设节点注入功率数据包括节点有功注入功率和节点无功注入功率两类，则第一学习特征图的通道维度方向表示在候选节点A的节点有功注入功率和节点无功注入功率中进行特征学习，和/或，在候选节点B的节点有功注入功率和节点无功注入功率中进行特征学习，和/或，在候选节点C的节点有功注入功率和节点无功注入功率中进行特征学习。

相应的，第二学习特征图的通道维度方向表示在同一候选支路的不同类支路功率数据中进行特征学习，例如候选支路包括候选支路A、候选支路B和候选支路C，假设支路功率数据包括支路有功功率和支路无功功率两类，则第二加权特征图的通道维度方向表示在候选支路A的支路有功功率和支路无功功率中进行特征学习，和/或，在候选支路B的支路有功功率和支路无功功率中进行特征学习，和/或，在候选支路C的支路有功功率和支路无功功率中进行特征学习。

在一种实施方式中，将第一学习特征图和第二学习特征图输入至第二特征图学习层中，通过第二特征图学习层，根据第一学习特征图在通道维度方向进行特征学习生成第三学习特征图。并且，通过第二特征图学习层，根据第二学习特征图在通道维度方向进行特征学习生成第四学习特征图。

通过第二特征图学习层，根据第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图，实现了对第一学习特征图以及第二学习特征图在通道维度方向进行特征自学习的效果，使得第三学习特征图从第一学习特征图中通道维度方向学习到更具信息量的特征表示，以及第四学习特征图从第二学习特征图中通道维度方向学习到更具信息量的特征表示。

S105、通过特征图相加层，对第一学习特征图和第四学习特征图进行元素相加，生成第一相加特征图，以及对第二学习特征图和第三学习特征图进行元素相加，生成第二相加特征图。

其中，特征图相加层表示待训练模型中用于对第一学习特征图和第四学习特征图进行特征互学习，以及对第二学习特征图和第三学习特征图进行特征互学习的网络层。

在一种实施方式中，将第一学习特征图和第四学习特征图输入至特征图相加层，通过特征图相加层对第一学习特征图和第四学习特征图中的特征元素进行元素相加，并根据元素相加结果生成第一相加特征图。并且，将第二学习特征图和第三学习特征图输入至特征图相加层，通过特征图相加层对第二学习特征图和第三学习特征图中的特征元素进行元素相加，并根据元素相加结果生成第二相加特征图。

通过特征图相加层，对第一学习特征图和第四学习特征图进行元素相加，生成第一相加特征图，以及对第二学习特征图和第三学习特征图进行元素相加，生成第二相加特征图，从而对包含节点注入功率特征的第一学习特征图和包含支路功率特征的第四学习特征图进行特征互学习，以及对包含节点注入功率特征的第三学习特征图和包含支路功率特征的第二学习特征图进行特征互学习，使得第一相加特征图不仅仅包含节点注入功率特征还包含支路功率特征，第二相加特征图不仅仅包含支路功率特征还包含节点注入功率特征，进一步使得最终估计得到的预测中间参数不仅仅依赖于某一维度的功率特征，而是依赖于节点注入功率特征和支路功率特征两类功率特征，保证了中间参数估计的合理性，且提高了中间参数估计的准确性。

S106、通过第三特征图学习层，根据第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图。

其中，第三特征图学习层表示待训练模型中用于对第一相加特征图、第二相加特征图在通道维度方向进行特征自学习的网络层。可选的，第三特征图学习层可以采用多层感知器MLP来实现。

由于第一相加特征图和第二相加特征图是通过节点注入功率特征和支路功率特征进行特征互学习得到的，因此第一相加特征图的通道维度方向表示在同一候选节点的互学习功率数据中进行特征学习，第二相加特征图的通道维度方向表示在同一候选支路的互学习功率数据中进行特征学习。

在一种实施方式中，将第一相加特征图和第二相加特征图输入至第三特征图学习层中，通过第三特征图学习层，根据第一相加特征图在通道维度方向进行特征学习生成第五学习特征图。并且，通过第三特征图学习层，根据第二相加特征图在通道维度方向进行特征学习生成第六学习特征图。

通过第三特征图学习层，根据第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图，实现了对第一相加特征图以及第二相加特征图在通道维度方向进行特征自学习的效果，使得第五学习特征图从第一相加特征图中通道维度方向学习到更具信息量的特征表示，以及第六学习特征图从第二相加特征图中通道维度方向学习到更具信息量的特征表示。

S107、通过参数输出层，根据第五学习特征图输出第一预测中间参数，以及根据第六学习特征图输出第二预测中间参数和第三预测中间参数。

其中，状态参数输出层表示待训练模型中用于根据第五学习特征图和第六学习特征图，输出预测中间参数的网络层。可选的，状态参数输出层可以采用多层感知器MLP来实现。在本实施例中，状态参数输出层输出第一预测中间参数、第二预测中间参数和第三预测中间参数共三类预测中间参数。

节点注入功率数据和支路功率数据，分别与第一预测中间参数、第二预测中间参数和第三预测中间参数构成线性关系。

在一种实施方式中，将第五学习特征图和第六学习特征图输入至参数输出层，通过参数输出层对第五学习特征图进行特征降维输出一维的第一预测中间参数矩阵，第一预测中间参数矩阵包括的矩阵元素即为各候选节点对应的第一预测中间参数。并且，通过参数输出层对第六学习特征图进行特征降维输出一维的第二预测中间参数矩阵，和一维的第三预测中间参数矩阵，第二预测中间参数矩阵包括的矩阵元素即为各候选支路对应的第二预测中间参数，第三预测中间参数矩阵包括的矩阵元素即为各候选支路对应的第三预测中间参数。

示例性的，参数输出层输出的第一预测中间参数矩阵可以表示为U(1，x)，其中，x表示候选节点的数量，如假设候选节点的数量为39，则第一预测中间参数矩阵表示为U(1，39)，即由39个候选节点分别对应的第一预测中间参数组成。

示例性的，参数输出层输出的第二预测中间参数矩阵可以表示为L(1，y)，其中，y表示候选支路的数量，如假设候选支路的数量为46，则第二预测中间参数矩阵表示为L(1，46)，即由46个候选支路分别对应的第二预测中间参数组成。

示例性的，参数输出层输出的第三预测中间参数矩阵可以表示为K(1，y)，其中，y表示候选支路的数量，如假设候选支路的数量为46，则第三预测中间参数矩阵表示为K(1，46)，即由46个候选支路分别对应的第三预测中间参数组成。

通过参数输出层，根据第五学习特征图输出第一预测中间参数，以及根据第六学习特征图输出第二预测中间参数和第三预测中间参数，实现了通过待训练模型进行中间参数预测的效果，方便后续基于中间参数进一步计算目标电力系统的状态参数，从而实现对目标电力系统的状态估计。

S108、根据第一预测中间参数、第二预测中间参数和第三预测中间参数对待训练模型进行模型训练，生成电力系统状态估计模型。

其中，第一预测中间参数即表示通过待训练模型预测得到的第一中间参数，第二预测中间参数即表示通过待训练模型预测得到的第二中间参数，第三预测中间参数即表示通过待训练模型预测得到的第三中间参数。

第一预测中间参数用于估计候选节点的预测电压幅值，第二预测中间参数和第三预测中间参数用于估计候选支路的预测相角差值。

根据在实施例一之前提供的公式简化过程可以得知，我们设置第一预测中间参数U

据此，第一预测中间参数和预测电压幅值的关系如下：

第二预测中间参数、第三预测中间参数和预测相角差值的关系如下：

θ

其中，V

在一种实施方式中，获取预先标定的候选节点的第一标准中间参数，以及候选支路的第二标准中间参数和第三标准中间参数，进而根据第一标准中间参数和第一预测中间参数，以及，第二标准中间参数和第二预测中间参数，以及，第三标准中间参数和第三预测中间参数，对待训练模型进行模型训练，直至待训练模型收敛从而得到电力系统状态估计模型。也即电力系统状态估计模型具备了根据节点注入功率数据、支路功率数据，预测得到第一中间参数、第二中间参数和第三中间参数的能力，从而根据第一中间参数、第二中间参数和第三中间参数，我们就可以根据上述的三角函数关系来计算得到候选节点的电压幅值，以及候选支路的相角差值，实现对目标电力系统的状态估计。

由于本发明实施例将电力系统状态估计的高维非线性问题简化成线性问题，基于此前提下，本发明实施例的技术方案通过在训练过程中设置待训练模型的输入数据(节点注入功率数据和支路功率数据)和输出数据(第一预测中间参数、第二预测中间参数和第三预测中间参数)构成线性关系，从而在模型训练阶段有助于减轻待训练模型的训练难度，提升模型收敛的速度以及模型效果，并且在模型使用阶段有助于提高电力系统状态参数估计的准确性和时效性。

可选的，节点注入功率数据包括节点有功注入功率和节点无功注入功率；支路功率数据包括在第一支路方向的第一支路有功功率和第一支路无功功率，以及在第二支路方向的第二支路有功功率和第二支路无功功率。

其中，第一支路方向表示候选支路中的第一支路节点朝向第二支路节点的方向，第二支路方向表示第二支路节点朝向第一支路节点的方向，第一支路节点和第二支路节点不同。

示例性的，假设候选支路A包括支路节点1和支路节点2，那么候选支路A对应的支路功率数据包括支路节点1朝向支路节点2的有功功率和无功功率，以及，支路节点2朝向支路节点1的有功功率和无功功率。

通过设置节点注入功率数据包括节点有功注入功率和节点无功注入功率；支路功率数据包括在第一支路方向的第一支路有功功率和第一支路无功功率，以及在第二支路方向的第二支路有功功率和第二支路无功功率，保证了训练数据的数据丰富性，有利于保证待训练模型的训练效果。

实施例二

图2A为本发明实施例二提供的一种基于神经网络的电力系统状态估计模型训练方法的流程图，本实施例对上述实施例中“根据第一预测中间参数、第二预测中间参数和第三预测中间参数对待训练模型进行模型训练，生成电力系统状态估计模型”进行进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2A所示，该方法包括：

S201、根据第一标准中间参数和第一预测中间参数确定第一损失值。

S202、根据第二标准中间参数和第二预测中间参数确定第二损失值。

S203、根据第三标准中间参数和第三预测中间参数确定第三损失值。

其中，第一标准中间参数表示预先标定的候选节点对应的第一中间参数的真值。第二标准中间参数表示预先标定的候选支路对应的第二中间参数的真值。第三标准中间参数表示预先标定的候选支路对应的第三中间参数的真值。

在一种实施方式中，采用损失函数根据第一标准中间参数和第一预测中间参数确定第一损失值，根据第二标准中间参数和第二预测中间参数确定第二损失值，根据第三标准中间参数和第三预测中间参数确定第三损失值。

可选的，根据第一标准中间参数和第一预测中间参数确定第一损失值，包括：

通过如下公式确定第一损失值：

Loss_U＝MSELoss(U

其中，Loss_U表示第一损失值，U

可选的，根据第二标准中间参数和第二预测中间参数确定第二损失值，包括：

通过如下公式确定第二损失值：

Loss_L＝MSELoss(L

其中，Loss_L表示第二损失值，L

可选的，根据第三标准中间参数和第三预测中间参数确定第三损失值，包括：

通过如下公式确定第三损失值：

Loss_K＝MSELoss(K

其中，Loss_K表示第三损失值，K

通过采用MSELoss损失函数来分别计算第一损失值、第二损失值和第三损失值，由于MSELoss损失函数收敛速度快的特性，从而可以进一步加快待训练模型的收敛速度，提高训练效率。

S204、根据第一损失值、第二损失值和第三损失值确定损失总值，并根据损失总值对待训练模型进行模型训练。

在一种实施方式中，采用预设的模型训练方法根据损失总值对待训练模型进行模型训练，以对待训练模型的模型参数进行更新，直至训练完成得到电力系统状态估计模型。

通过根据第一损失值、第二损失值和第三损失值确定损失总值，并根据损失总值对待训练模型进行模型训练，由于根据两类训练数据的损失总值进行模型训练，提高了模型训练的效果。

可选的，根据第一损失值、第二损失值和第三损失值确定损失总值，并根据损失总值对待训练模型进行模型训练，包括：

通过如下公式确定损失总值：

Loss＝Loss_U+μ*Loss_L+Loss_K

其中，Loss表示损失总值，Loss_U表示第一损失值，Loss_L表示第二损失值，Loss_K表示第三损失值，μ表示权重系数。由于Loss_L的数值较大，即对损失总值的影响较大，因此通过设置权重系数μ来对Loss_L进行约束，经过对权重系数μ的对照实验，可选的设置权重系数μ＝5，以使得模型结果的表现最优。可选的，设置学习率lr＝0.001、优化器为Adam。

图2B为本发明实施例二提供的一种待训练模型的结构示意图，如图2B所示，待训练模型200包括特征图生成层201、第一特征图学习层202、第二特征图学习层203、第三特征图学习层204、特征图相加层205以及参数输出层206。具体的：

获取节点注入功率数据以及支路功率数据，并将节点功率数据和支路功率数据输入至待训练模型200中。

通过特征图生成层201生成节点注入功率数据对应的第一初始特征图，以及生成支路功率数据对应的第二初始特征图。

通过第一特征图学习层202，根据第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图。

通过第二特征图学习层203，根据第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图。

通过特征图相加层205，对第一学习特征图和第四学习特征图进行元素相加，生成第一相加特征图，以及对第二学习特征图和第三学习特征图进行元素相加，生成第二相加特征图。

通过第三特征图学习层204，根据第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图。

通过参数输出层206，根据第五学习特征图输出第一预测中间参数，以及根据第六学习特征图输出第二预测中间参数和第三预测中间参数。

值得说明的是，上述各网络层的具体结构以及数据处理过程，可参考上述各实施例的内容，在本处不再赘述。

实施例三

图3为本发明实施例三提供的一种基于神经网络的电力系统状态估计模型训练装置的结构示意图。如图3所示，该装置包括：

数据获取模块31，用于获取目标电力系统中候选节点的节点注入功率数据，以及候选支路的支路功率数据，并将节点注入功率数据和支路功率数据输入至待训练模型中；其中，待训练模型包括特征图生成层、第一特征图学习层、第二特征图学习层、第三特征图学习层、特征图相加层以及参数输出层；

初始特征图生成模块32，用于通过特征图生成层，生成节点注入功率数据对应的第一初始特征图，以及生成支路功率数据对应的第二初始特征图；

第一学习特征图生成模块33，用于通过第一特征图学习层，根据第一初始特征图在特征维度方向进行特征学习，生成第一学习特征图，以及根据第二初始特征图在特征维度方向进行特征学习，生成第二学习特征图；

第二学习特征图生成模块34，用于通过第二特征图学习层，根据第一学习特征图在通道维度方向进行特征学习，生成第三学习特征图，以及根据第二学习特征图在通道维度方向进行特征学习，生成第四学习特征图；

相加特征图生成模块35，用于通过特征图相加层，对第一学习特征图和第四学习特征图进行元素相加，生成第一相加特征图，以及对第二学习特征图和第三学习特征图进行元素相加，生成第二相加特征图；

第三学习特征图生成模块36，用于通过第三特征图学习层，根据第一相加特征图在通道维度方向进行特征学习，生成第五学习特征图，以及根据第二相加特征图在通道维度方向进行特征学习，生成第六学习特征图；

参数确定模块37，用于通过参数输出层，根据第五学习特征图输出第一预测中间参数，以及根据第六学习特征图输出第二预测中间参数和第三预测中间参数；其中，节点注入功率数据和支路功率数据，分别与第一预测中间参数、第二预测中间参数和第三预测中间参数构成线性关系；

模型训练模块38，用于根据第一预测中间参数、第二预测中间参数和第三预测中间参数对待训练模型进行模型训练，生成电力系统状态估计模型；

其中，第一预测中间参数用于估计候选节点的预测电压幅值，第二预测中间参数和第三预测中间参数用于估计候选支路的预测相角差值；

第一预测中间参数和预测电压幅值的关系如下：

第二预测中间参数、第三预测中间参数和预测相角差值的关系如下：

θ

其中，V

可选的，模型训练模块38，具体用于：

根据第一标准中间参数和第一预测中间参数确定第一损失值；

根据第二标准中间参数和第二预测中间参数确定第二损失值；

根据第三标准中间参数和第三预测中间参数确定第三损失值；

根据第一损失值、第二损失值和第三损失值确定损失总值，并根据损失总值对待训练模型进行模型训练。

可选的，模型训练模块38，具体还用于：

通过如下公式确定第一损失值：

Loss_U＝MSELoss(U

其中，Loss_U表示第一损失值，U

可选的，模型训练模块38，具体还用于：

通过如下公式确定第二损失值：

Loss_L＝MSELoss(L

其中，Loss_L表示第二损失值，L

可选的，模型训练模块38，具体还用于：

通过如下公式确定第三损失值：

Loss_K＝MSELoss(K

其中，Loss_K表示第三损失值，K

可选的，模型训练模块38，具体还用于：

通过如下公式确定损失总值：

Loss＝Loss_U+μ*Loss_L+Loss_K

其中，Loss表示损失总值，Loss_U表示第一损失值，Loss_L表示第二损失值，Loss_K表示第三损失值，μ表示权重系数。

可选的，节点注入功率数据包括节点有功注入功率和节点无功注入功率；支路功率数据包括在第一支路方向的第一支路有功功率和第一支路无功功率，以及在第二支路方向的第二支路有功功率和第二支路无功功率；

其中，第一支路方向表示候选支路中的第一支路节点朝向第二支路节点的方向，第二支路方向表示第二支路节点朝向第一支路节点的方向，第一支路节点和第二支路节点不同。

本发明实施例所提供的基于神经网络的电力系统状态估计模型训练装置可执行本发明任意实施例所提供的基于神经网络的电力系统状态估计模型训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。

电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如基于神经网络的电力系统状态估计模型训练方法。

在一些实施例中，基于神经网络的电力系统状态估计模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的基于神经网络的电力系统状态估计模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于神经网络的电力系统状态估计模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。