【技术实现步骤摘要】
基于深度信念网络伪量测建模的配电网状态估计方法
本专利技术属于电力系统
，特别涉及一种配电系统状态估计方法，用于对配电系统负荷进行状态估计。
技术介绍
近年来，分布式间歇性能源的接入给配电网运行与控制带来了极大的挑战。为实现配电网馈线重构、电压最优控制、故障定位、需求侧管理等一系列高级应用，有必要采用状态估计技术感知配电网实时的运行状态。与输电网相比，配电网量测配置难以保证客观性，而大量配置实时量测装置(如PMU)会带来经济负担。因此实际计算中，需要增加伪量测以提高配电网的量测冗余度。而伪量测与实时量测相比误差较大，使得状态估计结果精度下降，因此有必要研究获取精度较高伪量测的方法。利用超短期负荷预测实时跟踪网络负荷的变化，以获得负荷节点的伪量测功率，在一定程度增强了系统的可观测性。但超短期负荷预测结果的精确度较低，可能使状态估计结果偏离真实状态。利用人工神经网络进行负荷预测，能够提高配电网状态估计的计算精度，但当神经网络的层数增加时，其预测性能降低。而深度学习具有更好的学习能力，适合处理高维、非线性、大规模数据回归与分类问题。基于深度学习理论对短期风速进行多...
【技术保护点】
1.一种基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于包括如下步骤：步骤1，将负荷历史值、气象信息、日期类型输入深度信念网络对其进行训练获取伪量测；步骤2，读取网络参数进行潮流计算，状态估计的实时量测数据由潮流计算结果叠加服从高斯分布的随机噪声获得；步骤3，节点电压赋初值，三相电压幅值初值vABC＝[1,1,1]，三相电压相角初值δABC＝[0,‑2/3π,2/3π]；步骤4，功率量测和支路电流幅值量测转换为等效电流量测，状态变量为节点电压的实部和虚部，则雅克比矩阵为常数，计算该雅克比矩阵的值；步骤5，设置初始迭代次数l为1；步骤6，根据第l次迭代时的节点电压值...
【技术特征摘要】
1.一种基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于包括如下步骤：步骤1，将负荷历史值、气象信息、日期类型输入深度信念网络对其进行训练获取伪量测；步骤2，读取网络参数进行潮流计算，状态估计的实时量测数据由潮流计算结果叠加服从高斯分布的随机噪声获得；步骤3，节点电压赋初值，三相电压幅值初值vABC＝[1,1,1]，三相电压相角初值δABC＝[0,-2/3π,2/3π]；步骤4，功率量测和支路电流幅值量测转换为等效电流量测，状态变量为节点电压的实部和虚部，则雅克比矩阵为常数，计算该雅克比矩阵的值；步骤5，设置初始迭代次数l为1；步骤6，根据第l次迭代时的节点电压值计算等效电流量测值；步骤7，将虚拟量测从总的量测中分离，以线性约束形式进行处理；步骤8，计算节点电压，判断是否收敛，若未收敛将l加1返回步骤6继续迭代。2.如权利要求1所述的基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于：所述步骤1中，负荷历史值包括前15、30、45、60、75、90分钟的负荷值以及前一天、前7天该时刻负荷值。3.如权利要求1所述的基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于：所述步骤1中，气象信息包括待预测时刻温度和前15分钟的温度。4.如权利要求1所述的基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于：所述步骤1中，采用深度信念网络对节点的伪量测功率进行建模，具体过程为：步骤11，采用两个受限玻尔兹曼机和一个BP神经网络构成深度信念网络模型，受限玻尔兹曼机是由一个可见层和一个隐含层构成的对称、无自反馈的随机神经网络模型，层内神经元无连接，层间神经元通过权重全连接，网络中神经元只有未激活、激活两种状态，用二进制0和1表示；受限玻尔兹曼机是一种基于能量的模型，令n、m分别为可见层和隐含层神经元的个数，vi、hj分别为可见层第i个神经元的状态和隐含层第j个神经元的状态，状态确定的受限玻尔兹曼机系统所具有的能量表示为：式中，θ＝{ai,bj,Wij}是受限玻尔兹曼机的参数；当参数确定时，得到给定状态的联合分布概率：式中：Z(θ)为归一化因子；当可见层各神经元的状态给定时，隐含层第j个神经元的激活概率为：同理，隐含层各神经元的状态给定时，可见层第i个神经元的激活概率为：式中为sigmoid激活函数；步骤12，在伪量测建模时首先对深度信念网络进行训练，确定连接权重与神经元偏置；步骤13，输入负荷历史值、气象信息、日期类型，采用无监督贪心算法训练第一个受限玻尔兹曼机，完成后将该受限玻尔兹曼机隐含层输出作为后一个受限玻尔兹曼机输入并对其进行训练；步骤14，采用BP神经网络的反向传...
【专利技术属性】
技术研发人员：孙国强，钱嫱，卫志农，臧海祥，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。