一种基于卷积神经网络的新型配电网状态估计方法

技术领域

本发明涉及智能配电网技术领域，尤其涉及一种基于卷积神经网络的新型配电网状态估计方法。

背景技术

随着新能源技术的大力发展，以风、光为主的大规模可再生能源接入电网形成新型配电网。然而，随着越来越多的新能源被广泛接入，使配电网的能源结构、运行机理、平衡模式出现根本性的变化，光伏及风电的随机性、波动性增加了配电网的不确定性，可能会带来电压违规、潮流越限等问题，这为配电网的安全稳定运行带来了极大的风险。因此，运用状态估计技术实时感知新能源广泛接入下的配电网运行状态，预测未来电压变化情况，对保障配电网安全运行具有重要意义。

现有技术的配电网估计方法有：基于加权最小二乘法估计配电网状态，然而在实际配电网中，存在大量的非常高斯噪声和粗差，这将导致加权最小二乘法难以收敛，精度下降，并难以应对新能源广泛接入导致的复杂运行状态和随机波动等问题。鲁棒状态估计可以对误差进行补偿和纠正，并具备良好的抗差能力，但他需要为不同的系统和环境设计合适的算法，因此设计难度比较大。此外，鲁棒状态估计通常需要引入非二次元估计准则，因此需要大量的计算资源和时间，难以适应新型配电网下的实际要求。

发明内容

本发明是为了克服现有技术的新型配电网状态估计方法需要大量的计算量和计算时间难以满足新型配电网状态估计的准确度要求的问题，提供一种基于卷积神经网络的新型配电网状态估计方法，构建卷积神经网络，利用配电网历史数据进行建模和训练，改善新型配电网状态估计精度，提高计算效率。

为实现上述目的，本发明采用以下技术方案：

一种基于卷积神经网络的新型配电网状态估计方法，包括：

采集电网历史量测数据，对电网历史量测数据进行预处理形成多断面新型配电网学习样本数据；

构建卷积神经网络模型，基于多断面新型配电网学习样本数据对构建好的卷积神经网络模型进行训练，形成训练好的卷积神经网络状态估计模型；

将当前断面的量测信息输入到训练好的卷积神经网络状态估计模型中，获得当前断面的新型配电网状态估计值。状态估计方法采用数据驱动，利用大量的配电网历史数据进行建模和训练，并通过反向传播算法更新网络参数，使得模型能够逐渐适应训练数据的特征；从而提高状态估计的精度和准确性，卷积神经网络能够处理大规模和复杂的各类数据，具有大量数据处理能力和较强的泛化能力，从而改善新型配电网的状态估计精度和计算效率。

作为优选，所述对电网历史量测数据进行预处理形成学习样本数据包括：

在采集的配电网量测数据中添加随机混合高斯误差，添加有随机混合的高斯误差的配电网数据进行相关性分析和归一化处理，获得多断面新型配电网学习样本数据。在采集的历史量测数据添加随机高斯噪声，使数据驱动状态估计模型适应实际新型配电网的各种工况，提升其抗差性。

作为优选，所述对添加有随机混合的高斯误差的配电网数据进行相关性分析包括：

选择Pearson相关系数法作为量测信息与状态量相关性指标：

其中，X为卷积神经网络的某一输入变量；Y为卷积神经网络的某一输出变量；X为卷积神经网络输入变量的平均值；

作为优选，所述对添加有随机混合的高斯误差的配电网数据进行归一化处理包括：

对卷积神经网络的输入输出数据进行归一化处理：

其中：

作为优选，所述构建卷积神经网络模型包括：采用Python中的Keras模块搭建卷积神经网络模型，设置卷积层中的filter个数，全连接神经元个数、batch_size和epochs。根据模型需求设置模型参数。

作为优选，所述卷积神经网络模型的向前传播阶段满足：第l层第p个的净输入z

其中，卷积核w

f(x)＝max{0，x}。卷积神经网络的数学原理包括向前传播阶段和反向传播阶段，这两个阶段交替进行，卷积神经网络的反向传播阶段：将实际结果和预期结果的误差按照向前传播路径逐层返回，计算出每一层的误差，然后进行权值更新，最后得出满足要求的结果。

作为优选，所述配电网历史量测数据包括：配电网支路电流、节点注入有功功率、节点注入无功功率以及节点电压幅值。利用大量的配电网历史数据进行建模和训练，从而提高状态估计的精度和准确性。

综上所述，本发明具有如下有益效果：(1)状态估计方法采用数据驱动，利用大量的配电网历史数据进行建模和训练，并通过反向传播算法更新网络参数，使得模型能够逐渐适应训练数据的特征；从而提高状态估计的精度和准确性(2)在采集的历史量测数据添加随机高斯噪声，使数据驱动状态估计模型适应实际新型配电网的各种工况，提升其抗差性。(3)。卷积神经网络能够处理大规模和复杂的各类数据，具有大量数据处理能力和较强的泛化能力，从而改善新型配电网的状态估计精度和计算效率。

附图说明

图1是本发明一实施例的基于卷积神经网络新型配电网状态估计方法流程图。

图2是本发明又一实施例的新型配电网接线示意图。

图3是本发明又一实施例的节点2的多种算法估计结果误差对比图。

图4是本发明又一实施例的节点20的多种算法估计结果误差对比图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例：

实施例1：一种基于卷积神经网络的新型配电网状态估计方法，包括如下步骤：

S1：采集配电网历史量测数据，包括：配电网支路电流、节点注入有功功率、节点注入无功功率以及节点电压幅值；

S21：在采集的配电网量测数据中添加随机混合高斯误差，

S22：对添加有随机混合高斯误差的配电网数据进行相关性分析和归一化处理，获得多断面新型配电网学习样本数据，包括：选择Pearson相关系数法作为量测与状态量相关性指标：

其中，X为卷积神经网络的某一输入变量；Y为卷积神经网络的某一输出变量；

对卷积神经网络的输入输出数据进行归一化处理：

其中：

S31：构建卷积神经网络模型，卷积神经网络包括卷积层、激活层和池化层；

卷积神经网络的向前传播阶段：

第l层第p个的净输入z

其中，卷积核w

f(x)＝max{0，x}；

卷积神经网络的反向传播阶段：将实际结果和预期结果的误差按照向前传播路径逐层返回，计算出每一层的误差，然后进行权值更新，最后得出满足要求的结果；

S32：设置卷积神经网络模型参数：采用Python中的Keras模块搭建卷积神经网络模型，设置卷积层中的filter个数，全连接神经元个数、batch_size和epochs；

S33：利用构建好的卷积神经网络模型对样本数据进行离线训练：

输入经过步骤S22处理过的多断面新型配电网学习样本数据，对卷积神经网络模型进行训练，并通过反向传播算法更新网络参数，经过多次迭代训练，获得训练好的适应于新型配电网的卷积神经网络状态估计模型；

S4：将当前断面的量测信息输入到步骤S33中训练好的卷积神经网络状态估计模型中，获得当前断面的新型配电网状态估计值。

实施例2：本实施例与实施例1的区别在于：新型配电网的接线图如图2所示，其中节点9、节点12和节点20分别安装有光伏设备，节点39安装有风力涡轮机。卷积神经网络模型参数设置为：卷积层中的filter个数分别为64和32，全连接神经元个数为64、batch_size选择32和epochs选择45。

本实施例利用电网实际运行数据得到负荷曲线，并得到新型配电网的多断面量测，利用加权最小绝对值进行多断面状态估计，获取相应状态量；并按照训练集与测试集数量比例为14:1的原则，将得到的量测与对应状态量进行数据分配，输入到卷积神经网络中进行离线训练。

将本申请的基于新型配电网的卷积神经网络状态估计模型与最小二乘法估计算法即WLS和加权最小绝对值估计算法即WLAV进行对比：对比包括估计精度对比和计算效率对比：

其中，估计精度对比包括：

采用平均绝对评估误差指标和最大绝对评估误差指标进行对比，对比公式满足如下关系：

其中，

如图3所示，为节点2在系统量测噪声为高斯白噪声时，本申请所提供的卷积神经网络状态估计模型即CNN的节点电压幅值和节点电压相角估计精度明显高于WLS和WLAV。以节点2为例，对比结果如表一：不同算法下状态估计结果指标表所示：

表一：不同算法下状态估计结果指标表：

采用CNN的节点电压幅值的平均绝对误差与WLS相比降低了61.53％，节点电压相角的平均绝对误差降低了82.22％；采用CNN的节点电压幅值的平均绝对误差与WLAV相比降低了60.06％，节点电压相角的平均绝对误差降低了81.87％；采用CNN的节点电压幅值的最大绝对误差与WLS相比降低了52.14％，节点电压相角的最大绝对误差与WLS相比降低了55.88％；采用CNN的节点电压幅值的最大绝对误差与WLAV相比降低了52.73％，节点电压相角的最大绝对误差与WLAV相比降低了55.27％。图4为节点20在，在系统量测噪声为高斯白噪声时，本申请的采用CNN的估计方法具有比传统采用WLS和WLAV的估计方法更高的精度。

计算效率对比包括：

如表二：不同算法下状态估计时间表，所示，本申请基于CNN的估计方法相较于传统基于WLS和WLAV状态估计方法的估计时间大大减小到几乎可以忽略不计，更适用于当前大数据的处理，在保证估计性能的前提下，本申请提供的估算方法的计算效率较传统的物理模型显著提高。

表二：不同算法下状态估计时间表；

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了多断面新型配电网学习样本数据、高斯噪声、卷积神经网络等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。