配电网预测辅助状态估计方法及系统

技术领域

本发明涉及配电网技术领域，具体涉及一种基于LSTM和粒子滤波的配电网预测辅助状态估计方法及系统。

背景技术

电力系统状态估计(power system state estimation,PSSE)是现代化电力系统安全运行的基础，在PSSE过程中，量测信息的冗余可以提高数据准确性。PSSE作为估计或预测最优系统运行状态的基础，为了使电力系统状态估计的结果更具准确性，在硬件方面，通过数据采集与监视控制系统(supervisory control and data acquisition,SCADA)等量测系统对各类电气信息状态进行有效且精准的估量；在软件方面，对电力系统状态估计算法进行研究和开发。

电力系统状态估计的主要方法包括：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)。FASE使用状态空间模型来表征系统状态的准稳态和动态，从而能够跟踪状态演化过程，对现代电力系统实时建模和能源管理中心控制起着越来越重要的作用。

在最近的几十年中，电力系统的FASE方法得到了改善。如，用于电力系统FASE的分布式框架，该框架使用高斯近似和各种正交规则来计算相关后验提高了估计精度；基于广义最大似然估计的电力系统FASE，其使用矢量自回归模型来捕获电力注入的特征以提高状态估计的鲁棒性；基于EKF的完全自适应的状态估计模型和算法，其在计算雅克比矩阵时会产生截断误差，从而降低估计精度。

将卡尔曼滤波算法的改进和新滤波算法应用于电力系统状态估计中，例如无迹卡尔曼滤波器(unscented kalman filter,UKF)和粒子滤波等。基于噪声统计的Sage-Husa估计器，引入了渐消记忆指数加权进行修正，提出自适应UKF方法，对时变系统噪声的均值和方差进行估计。为解决量测存在不良数据的问题，提出的改进鲁棒UKF算法，通过调节修正因子以实时调整Sigma采样点的分布来保证状态估计的精度。但是上述改进的基于卡尔曼滤波框架的FASE方法，其所能处理的噪声均遵循高斯分布，然而这种假设并不符合实际情况。

近年来，深度学习逐渐应用于电力系统中，神经网络能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律，以离线方式搭建并训练神经网络，在状态估计的实际计算中，可以大幅减少状态估计算法的执行时间。基于深度强化学习Rainbow算法优化控制策略，将风电场的长期受益最大化。基于数据驱动的电力系统实时预测辅助鲁棒状态估计方法，该方法基于电力系统的历史数据和高斯过程，建立了量测和状态之间的非线性映射函数，有效地修正了量测缺失和量测偏差过大的情况，然而，当电力系统网络拓扑结构改变时并不能做出高精度的预测。

发明内容

本发明的目的在于提供一种实现在非高斯噪声影响下精确估计、准确识别量测缺失及异常数据、在网络拓扑结构发生改变后保证预测精确度的基于LSTM和粒子滤波的电力系统预测辅助状态估计方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供的一种配电网预测辅助状态估计方法，包括：

步骤S110：获取配电网的量测数据；

步骤S120：判断所述量测数据是否存在缺失，若存在缺失，则执行步骤S130；若没有缺失，则执行步骤S140；

步骤S130：使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据后，执行步骤S150；

步骤S140：通过孤立森林算法判断量测数据是否存在异常，若量测数据正常，则执行步骤S150；若量测数据存在异常则使用伪量测替换异常量测数据后，再执行步骤S150；

步骤S150：通过粒子滤波得到状态估计结果。

优选的，使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据包括：

若在某一时刻，某一节点的量测数据存在缺失数据，则结合该节点的电压、该节点与相邻下一节点的电导和电纳以及该节点的相角与相邻下一节点的相角的差值，确定该节点的有功注入功率和无功注入功率。

优选的，通过孤立森林算法判断量测数据是否存在异常包括：

将每个样本点输入训练好的孤立树，计算平均高度值，若平均高度值低于预设的高度阈值，则其对应的量测数据即为异常数据。

优选的，所述孤立树的训练包括：

将历史量测数据作为训练数据，从训练数据中随机选择多个样本子集，放入孤立树的根节点，由随机生成的切割点将训练数据空间划分为2个子空间；以数据的大小为划分，置于切割点的两侧；在子空间中重复切割，直到子空间只有一个数据或子空间达到限定高度，生成多棵孤立树组成孤立森林。

优选的，对于找到的异常数据，按照降序使用异常分数进行排序，使用伪量测进行替换。

第二方面，本发明提供一种配电网预测辅助状态估计系统，包括：

获取模块，用于获取配电网的量测数据；

第一判断模块，用于判断所述量测数据是否存在缺失；

补全模块，用于在所述第一判断模块判断数据存在缺失时，使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据，并发送给；

第二判断模块，用于在所述第一判断模块判断数据不存在缺失时，通过孤立森林算法判断量测数据是否存在异常；

替换模块，用于在量测数据存在异常时，使用伪量测替换异常量测数据，并发送给预测模块；

预测模块，用于对通过粒子滤波得到状态估计结果。

优选的，补全缺失的量测数据包括：

若在某一时刻，某一节点的量测数据存在缺失数据，则结合该节点的电压、该节点与相邻下一节点的电导和电纳以及该节点的相角与相邻下一节点的相角的差值，确定该节点的有功注入功率和无功注入功率。

优选的，通过孤立森林算法判断量测数据是否存在异常包括：

将每个样本点输入训练好的孤立树，计算平均高度值，若平均高度值低于预设的高度阈值，则其对应的量测数据即为异常数据。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的配电网预测辅助状态估计方法的指令。

第四方面，本发明提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。

本发明有益效果：联合长短期记忆神经网络和粒子滤波，不受系统量测噪声模型限制，可实现在非高斯噪声影响下的精确估计；能够准确识别量测缺失及异常数据，由历史数据训练的LSTM得到的预测值经PFC生成的伪量测替换异常数据，使算法具备较强的鲁棒性；在网络拓扑结构发生改变后，在不失精度的前提下，完成状态估计。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，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为本发明实施例所述的配电网预测辅助状态估计方法流程图。

图2为本发明实施例所述的通过粒子滤波得到状态估计结果的流程图。

图3为本发明实施例所述的配电网基本线路潮流示意图。

图4为本发明实施例所述的IEEE33节点标准配电系统网络拓扑图。

图5为本发明实施例所述的非高斯噪声模拟结果示意图。

图6为本发明实施例所述的拉普拉斯噪声下7节点系统滤波结果示意图。

图7为本发明实施例所述的拉普拉斯噪声下25节点系统滤波结果示意图。

图8为本发明实施例所述的双峰高斯混合噪声下7节点系统滤波结果示意图。

图9为本发明实施例所述的双峰高斯混合噪声下25节点系统滤波结果示意图。

图10为本发明实施例所述的不同LSTM模型下节点电压预测结果示意图。

图11为本发明实施例所述的LSTM-PF算法与UKF算法在不同情况下的平均AE预测结果对比示意图。

图12为本发明实施例所述的当配电网网络拓扑结构由0变为1时的电压幅值预测结果示意图。

具体实施方式

下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

为了解决当前DNSE中的非高斯量测噪声，不良数据和缺失数据等问题，本实施例1提出一种配电网预测辅助状态估计系统，该系统包括：

获取模块，用于获取配电网的量测数据；

第一判断模块，用于判断所述量测数据是否存在缺失；

补全模块，用于在所述第一判断模块判断数据存在缺失时，使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据，并发送给；

第二判断模块，用于在所述第一判断模块判断数据不存在缺失时，通过孤立森林算法判断量测数据是否存在异常；

替换模块，用于在量测数据存在异常时，使用伪量测替换异常量测数据，并发送给预测模块；

预测模块，用于对通过粒子滤波得到状态估计结果。

如图1所示，本发明实施例1中，利用上述的系统实现了配电网预测辅助状态估计方法，该算法不受系统量测噪声模型限制，可实现在非高斯噪声影响下精确估计，准确识别量测缺失及异常数据。由历史数据训练的LSTM得到的预测值经PFC生成的伪量测替换异常数据，使算法具备较强的鲁棒性。且在网络拓扑结构发生改变后，在不失精度的前提下，完成状态估计。

配电网预测辅助状态估计方法包括：

步骤S110：获取配电网的量测数据；

步骤S120：判断所述量测数据是否存在缺失，若存在缺失，则执行步骤S130；若没有缺失，则执行步骤S140；

步骤S130：使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据后，执行步骤S150；

步骤S140：通过孤立森林算法判断量测数据是否存在异常，若量测数据正常，则执行步骤S150；若量测数据存在异常则使用伪量测替换异常量测数据后，再执行步骤S150；

步骤S150：通过粒子滤波得到状态估计结果。

在本实施例1中，使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据包括：若在某一时刻，某一节点的量测数据存在缺失数据，则结合该节点的电压、该节点与相邻下一节点的电导和电纳以及该节点的相角与相邻下一节点的相角的差值，确定该节点的有功注入功率和无功注入功率。

通过孤立森林算法判断量测数据是否存在异常包括：将每个样本点输入训练好的孤立树，计算平均高度值，若平均高度值低于预设的高度阈值，则其对应的量测数据即为异常数据。

所述孤立树的训练包括：将历史量测数据作为训练数据，从训练数据中随机选择多个样本子集，放入孤立树的根节点，由随机生成的切割点将训练数据空间划分为2个子空间；以数据的大小为划分，置于切割点的两侧；在子空间中重复切割，直到子空间只有一个数据或子空间达到限定高度，生成多棵孤立树组成孤立森林。对于找到的异常数据，按照降序使用异常分数进行排序，使用伪量测进行替换。

在本实施例1中，在预测辅助状态估计的过程中，时刻t的状态和量测方程可以表示为：

X

Z

式(1)和式(2)中，X

在本实施例1中，在给出非线性方程h(·)的建模和FASE的具体实现前，首先假设系统中有N个节点，并给出如下定义：

1)异常节点：如果与节点i相关的量测数据包含不良数据，则定义节点i为异常节点。

2)节点量测集合：与节点i相关的量测数据Z

3)节点状态集合：令x

在FASE的预测中，本实施例1采用的LSTM是基于递归神经网络(recurrent neuralnetwork,RNN)的一种完善模型，解决RNN中容易出现的梯度消失问题，使得神经网络能够真正有效地利用长距离时序信息。LSTM由输入层，隐藏层和输出层组成，由于其独特的存储单元可以“记忆”和“遗忘”输入数据。

LSTM模型中，遗忘门中输入x

式(3)中，x

本实施例1中，采用预训练的深层LSTM改进模型，最终状态预测方程为：

式(4)实现了对于每一个时刻最终预测结果的输出。

为了解决非线性方程建模的问题，本实施例1中，引入基于贝叶斯框架与蒙特卡洛采样的粒子滤波状态估计算法。

在给定的量测数据Z

(1)预测：由上一时刻的概率密度p(x

p(x

(2)更新：由p(x

归一化常数：

p(x

对于式(6)的推导过程中需要用到的积分，在非线性，非高斯系统中，通过蒙特卡洛采样，将系统状态后验分布用一组加权样本近似表示。

假设从一个目标概率分布p(x

蒙特卡洛采样的中心思想是用平均值代替积分求估计函数的期望值：

式中：f(x)是每个粒子的状态。如果从后验概率中采样得到N

式中：

将采样粒子的状态值取平均就得到了期望值，即为滤波后的结果。

当从一个目标概率分布p(x

q(x

则后验概率密度函数的递归形式的推导如下：

式(12)、式(13)中，为了表示方便，将式(5)中Z(1:t)用Z(t)表示；x(0:t)用x(t)表示。由于表示方式的改变，由此得到的后验概率的分解形式不再需要积分运算。粒子权值的递归形式为：

式中：粒子的权值越大，反映在高斯分布上就越接近峰值，与量测值更接近；反之，越偏离峰值。最后通过多项式重采样算法实现对权重大的粒子大量复制，剔除权重较小的粒子。

粒子滤波的具体流程如图2所示。但是在状态估计的过程中，往往会出现量测数据异常或缺失的问题，这将严重影响粒子滤波的状态估计性能。

实施例2

本实施例2提供一种鲁棒的FASE方法，所提出的鲁棒FASE的两个主要步骤为：缺失数据替换和异常数据检测。这两个步骤与LSTM-PF相结合，构成鲁棒FASE模型。

针对实际配电网系统中会出现的量测缺失问题，本实施例2中，通过由深层LSTM预测提供的预测值，经PFC获得相关节点的伪量测对缺失数据进行替换。配电网基本线路潮流如图3所示。

如果在时刻t时，系统的量测中存在缺失数据，则可以通过以下方式给出量测值：

式中：P

使用深层LSTM得到的预测值经PFC提供的伪量测进行替换，补全缺失的量测数据后，执行粒子滤波状态估计算法，以准确估计配电网系统状态。

对于SCADA量测系统和PMU量测系统均存在量测误差。虽然标准差较小，但仍需考虑量测数据异常的情况。

异常检测是指通过数据挖掘识别数据中的“异常点”。常见应用包括在网络通信领域中识别异常信息流或在机械处理领域中识别缺陷产品。

本实施例2采用孤立森林(isolation forest,iForest)异常检测算法。孤立森林异常检测算法是符合大数据处理要求的快速异常检测方法，具有线性时间复杂度和高精准度。其在网络安全中的攻击检测，金融交易欺诈检测，疾病侦测和噪声数据过滤等多个领域得到广泛应用。

孤立森林算法可以分为训练过程和评估阶段：

1)离线训练中，从训练数据中随机选择ψ个样本子集，放入树的根节点，由随机生成的切割点p将数据空间划分为2个子空间。以数据的大小为划分，置于p的两侧。在子节点中重复切割，直到子节点只有一个数据或子节点达到限定高度。通过循环以上步骤，生成T棵孤立树以保证树之间的差异性，由训练得到的孤立树组成孤立森林。

2)将每个样本点带入孤立森林中的每棵孤立树，根据计算得到平均高度c(n)设置的阈值，高度平均值低于此阈值的测试数据即为异常。对于测试实例x，样本n的平均高度c(n)和异常分数s(x,n)计算公式分别如下：

c(n)＝2H(n-1)-(2(n-1)/n) (16)

式(16)、式(17)中：H(k)＝ln(k)+ξ，ξ＝0.5772156649为欧拉常数。每一个样本的异常分数s(x,n)由期望路径长度E(h(x))得到，而E(h(x))是将样本通过孤立森林中每一颗树得到。本实施例2中，设置的树的数量为100，子抽样尺寸为256。

对于找到的m个异常数据，按照降序使用异常分数s(x,n)对数据进行排序。使用深层LSTM与PFC提供的伪量测进行替换。当异常的量测数据被替换后，执行粒子滤波状态估计算法，以准确估计配电网系统状态。

本实施例2中，对IEEE33节点标准配电系统进行仿真，以评估所提LSTM-PF算法的有效性和鲁棒性。将来自于2012年全球能源预测大赛(GEFC)的实际负荷数据用于生成训练和测试数据集。然后，对所得的负载实例进行归一化，以匹配模拟系统中的功率需求。通过MATPOWER工具箱，使用归一化的负荷序列作为输入来求解潮流方程。进而可以获得系统状态数据集X

测试计算采用的计算机处理器是因特尔Core i5-6300 CPU@3.2GHz，NvidiaGeForce GTX 960M(2GB)，内存为8G。

根据标准化的均方根误差(root mean squared error，RMSE)和绝对误差(absolute error,AE)评估估计性能。

式(18)、式(19)中，v是真实值，

使用2010年的负荷数据生成8760个量测状态对作为数据集，并从数据集中随机选择4000个量测状态对作为训练集。此外，使用2011年8760个量测对作为测试集合。由于IEEE33节点测试系统在运行过程中相角变化很小。因此，本节中不显示相角的估计结果。IEEE33节点标准配电系统如图4所示。

为了验证本文实施例2所述的方法可有效处理非高斯噪声，模拟了两种不同的噪声：

噪声1：对于测试数据，所有量测数据均叠加双峰高斯混合噪声，其均值为零、协方差为10

噪声2：对于所有量测数据均叠加均值为0，协方差矩阵方差为10

两种噪声的分布如图5所示。在粒子数为500，样本点序列为100时，对于节点7，节点25在两种噪声下的测试结果如图6至图9所示。图6为本发明实施例所述的拉普拉斯噪声下7节点系统滤波结果示意图，图7为本发明实施例所述的拉普拉斯噪声下25节点系统滤波结果示意图，图8为本发明实施例所述的双峰高斯混合噪声下7节点系统滤波结果示意图，图9为本发明实施例所述的双峰高斯混合噪声下25节点系统滤波结果示意图。

由图6至图9可以看出，不同的非噪声分布对最终估计结果影响很小。具有不同噪声的两种估计结果几乎与真实值曲线相同。

不同噪声条件下(协方差均为10

表1在双峰高斯混合噪声下LSTM-PF的估计性能

表2在拉普拉斯噪声下LSTM-PF的估计性能

从表1、表2和图6至图9可以看出，LSTM-PF应对不同的非高斯噪声，均有出色的应用效果。根据统计，PMU电压幅值量测误差的标准差约为0.005，SCADA量测系统的误差标准差约为0.02。所以，考虑算法在正常工作情况下可以承受的噪声极限具有工程指导意义。

对于测试数据，所有量测均添加拉普拉斯噪声(均值为0，方差从0.000 1升至0.01)。需要注意的是所有量测数据为标幺值。测试结果如表3所示。

表3在不同方差的拉普拉斯噪声干扰下LSTM-PF的估计性能

由表3可知，从AE比较结果来看，噪声方差越大，LSTM-PF的性能越差。当方差为0.005时，状态估计的最大AE为9.913 4×10

从平均RMSE比较结果来看，当方差大于0.001时，RMSE的数量级从10

针对表3的数据，节点33在方差为0.001和0.005时的估计值与真实值状态分布，当添加的拉普拉斯噪声的方差为0.001时，节点33处电压的估计值与真实值之间的差距不大，表明本实施例2提出的LSTM-PF算法的估计值可以很好的拟合真实值。但是，当方差增加到0.005时，节点的某些估计值会明显偏离。因此，当添加的非高斯噪声方差的值保持在正常范围内，在精度要求不高的工程应用中，本实施例2所提的LSTM-PF可以对非高斯分布噪声下的状态量有效拟合。

为了验证LSTM-PF的鲁棒性，在测试集中选择了50个连续的测试数据，然后分别对以下两种情况进行了测试及结果分析：

Case1：从测试实例9到测试实例28，节点7、9、11、25的量测数据随机缺失。

Case2：节点7、9、11、25的有功功率量测信息异常，从测试实例9到测试实例28的误差为20％。

采用LSTM-PF的第一步是LSTM预测系统状态。预测结果如图10所示。

从图10(a)可以看出，LSTM预测的结果与真实值的拟合情况较好。但是如图10(b)所示，预测结果存在不稳定性。同时，图10(a)中，最大AE和平均AE分别是4.4054×10

本实施例2中，根据LSTM的预测状态，通过PFC计算出伪量测值。通过由PFC计算出的伪量测值可以使得真实量测和伪量测之间的AE在很小的范围内。所以，LSTM预测步骤的性能不仅决定了LSTM-PF算法在正常情况下的估计精度，也决定了在异常情况下LSTM-PF算法的准确性。LSTM的性能满足预测辅助获取伪量测的要求。

在测试实例9到测试实例28中，通过PFC计算出伪量测值被用于状态估计中。以Case2为例，将本实施例所提LSTM-PF算法与UKF算法进行对比。不同情况下的平均AE如图11所示。

由图11可见，在异常条件下对各算法的平均AE有着不同的影响。对于UKF算法，平均AE出现较大的波动，平均AE维持在10

表4不同算法在异常情况下的比较

由表4可知，在数据正常条件下，虽然EKF算法的计算时间较短，但其平均RMSE却是最高的，其值为3.0125×10

同时，在异常情况下，LSTM-PF算法电压幅值平均AE仅为2.5911×10

考虑到配电网的拓扑结构可能会发生变化，对以下情况进行分析：

Case3：网络拓扑在时段100处从原结构0切换为新结构1。结构0与结构1的支路断开情况如表5所示。

表5结构1与结构0的之路断开情况

在Case3的情况下，支路7、10、14、36和37断开的情况下，一半的测量状态对来自于结构0，另一半来自于结构1。对拓扑结构发生改变的情况进行LSTM训练，并将LSTM预测值、LSTM-PF估计值与真实值结果进行对比，如图12所示。

由图12中可以看出，当网络拓扑在样本点序列100处切换为结构1时，LSTM可以捕捉电压的动态变化。此时，LSTM预测值和LSTM-PF估计值的平均AE分别为2.1684×10

可见，当拓扑结构发生变化时，LSTM能够快速响应系统状态变化，而LSTM-PF可以实现拓扑变化后的更高精度的状态估计，同时算法所需时间并未增加。

综上所述，本发明实施例2针对配电网系统存在的非高斯噪声，且为非线性和全局不可观测系统的问题，提出一种基于粒子滤波和神经网络的新型鲁棒FASE方法。利用深层LSTM神经网络强大的逼近能力，为粒子滤波重要性采样提供建议密度分布，与PFC结合，在系统量测缺失和量测误差过大的情况下为估计算法提供伪量测数据。在IEEE33节点标准算例下进行了大量仿真研究：

1)LSTM-PF不受配电网系统中的非高斯噪声模型限制，准确识别并替换异常检测数据，填补缺失的量测数据。LSTM-PF的性能与预训练的深层LSTM模型和量测噪声方差有关。同时LSTM-PF具有较高的精度且可以满足状态估计的时间要求。

2)当拓扑结构发生变化时，由于粒子滤波在重要性采样阶段结合了LSTM预测值和系统量测状态的原因，可以适应在配电网中不确定性日益增加的现状，有效地“捕捉”和“追踪”拓扑结构改变的情况。因此，本实施例2所提LSTM-PF在拓扑结构改变时，仍具有较高的估计精度。

实施例3

本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的配电网预测辅助状态估计方法的指令，所述的方法包括如下步骤：

步骤S110：获取配电网的量测数据；

步骤S120：判断所述量测数据是否存在缺失，若存在缺失，则执行步骤S130；若没有缺失，则执行步骤S140；

步骤S130：使用预训练的LSTM模型得到状态量的预测值，结合潮流计算得到伪量测，补全缺失的量测数据后，执行步骤S150；

步骤S140：通过孤立森林算法判断量测数据是否存在异常，若量测数据正常，则执行步骤S150；若量测数据存在异常则使用伪量测替换异常量测数据后，再执行步骤S150；

步骤S150：通过粒子滤波得到状态估计结果。

实施例4

本实施例4提供一种电子设备，包括如实施例3所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。

综上所述，本发明实施例所述的配电网预测辅助状态估计方法及系统，针对配电系统状态估计(distribution network state estimation,DNSE)中量测数据存在非高斯噪声、异常以及缺失的关键问题，联合长短期记忆神经网络(long short term memory,LSTM)和粒子滤波(particle filter,PF)的配电网预测辅助鲁棒状态估计方法(robustforecasting-aided state estimation,FASE)，实现了对配电网运行状态的实时动态估计。基于配电系统的历史运行数据建立了深层LSTM预测模型，采用改进的PF构建量测和状态之间的非线性模型。针对量测缺失或异常问题，采用孤立森林异常检测技术准确识别量测信息中的缺失和异常数据。基于此，结合深层LSTM预测值经潮流计算(power flowcalculation,PFC)得到的伪量测可实现对缺失和异常数据的替换。可以实现对拓扑结构改变后的节点状态的预测和估计。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。