一种基于卷积神经网络的电力系统状态估计方法技术方案

本发明专利技术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。

A Power System State Estimation Method Based on Convolutional Neural Network

The present invention proposes a method of power system state estimation based on convolution neural network. The method trains off-line power flow section data as samples, takes measurement data as input data, and states as expected output. It reduces training parameters and network complexity by means of local connection, weight sharing and downsampling of convolution neural network. Back propagation of error between input and output prevents over-fitting by Dropout method, and trains a convolutional neural network state estimation model based on measurement. The new measurement data are estimated by the trained convolution neural network, and the state of the system at this time is obtained. This method uses convolutional neural network for state estimation, which overcomes the shortcomings of the traditional iterative least squares state estimation method which takes too long to calculate and the gradient transfer difficulty of the fully connected neural network state estimation method, and reduces the computational time as well as the training difficulty of the network.

【技术实现步骤摘要】
一种基于卷积神经网络的电力系统状态估计方法
本专利技术属于电力系统运行与控制
，具体涉及一种基于卷积神经网络的电力系统状态估计方法。
技术介绍
随着智能电网的发展，电网的规模随之增加、结构和运行方式日趋复杂，为了更加精确的掌握电网的运行状态，对电力系统运行状态进行状态估计是必要的。目前，在电力系统状态估计中使用较多的是最小二乘估计，但是由于量测量和状态量之间是非线性约束关系，使得最小二乘状态估计需要借助高斯牛顿反复迭代才能进行非线性方程的求解，计算时间较长且对计算机硬件要求较高，无法满足大电网实时的状态估计需求。近年来随着人工智能、数据挖掘技术的发展，基于全连接的BP神经网络在状态估计领域也得到了运用，但是全连接神经网络随着输入量测量的增多，网络的规模会成倍数的增加，且全连接神经网络的梯度传递很难超过三层，从而使得全连接神经网络的模型训练较为困难。本专利技术提出一种基于卷积神经网络的电力系统状态估计方法，用于解决传统最小二乘估计计算时间长、硬件要求高和全连接神经网络训练困难的问题。
技术实现思路
本专利技术针对现有技术的不足，提出一种基于卷积神经网络的电力系统状态估计方法，具体方案如下：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Ninput；OUTPUT_Layer表示输出层，其神经元个数为Noutput；CONVi表示第i层卷积层；POOLi表示第i层下采样层；FCi表示第i层全连接层；其中，输入层神经元的个数Ninput为量测量的数目，输出层神经元的个数Noutput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：yCONV＝x1·ω1+x2·ω2+x3·ω3+x4·ω4(5)式(5)中，yCONV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，xPOOL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,…,zk,…,zn](1)式(1)中，Z表示一维量测量矩阵，n表示量测量的数目，zk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，Zt为二维化后的量测量矩阵；二维化前后Z和Zt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，youtput为神经网络的输出值，ylabel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。与现有技术相比，本专利技术有着以下优点：本专利技术运用了卷积神经网络的局部连接、权值共享、下采样这三个手段来减少神经网络的参数；同时相邻两层神经网络之间采用具有线性、非饱和、单侧抑制特性的ReLu函数进行激活，从而加速误差反向传播效率，降低模型训练难度；与此同时，采用Dropout手段防止过拟合，提高卷积神经网络的泛化性能。此外，对于训练完毕的卷积神经网络模型，使用网络的前向传播进行状态量的计算，取代传统最小二乘算法的迭代计算，从而大大加快状态估计速度。附图说明图1为本专利技术方法的总体流程示意图。图2为五层卷积神经网络的结构图。具体实施方式下面结合本专利技术的附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作，但本专利技术的保护范围不限于下述的实施例。如图1所示，一种基于卷积神经网络的电力系统状态估计方法，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Ninput；OUTPUT_Layer表示输出层，其神经元个数为Noutput；CONVi表示第i层卷积层；POOLi表示第i层下采样层；FCi表示第i层全连接层；其中，输入层神经元的个数Ninput为量测量的数目，输出层神经元的个数Noutput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：yCONV＝x1·ω1+x2·ω2+x3·ω3+x4·ω4(5)式(5)中，yCONV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，计算公式为本文档来自技高网...

【技术保护点】
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Ninput；OUTPUT_Layer表示输出层，其神经元个数为Noutput；CONVi表示第i层卷积层；POOLi表示第i层下采样层；FCi表示第i层全连接层；其中，输入层神经元的个数Ninput为量测量的数目，输出层神经元的个数Noutput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：

【技术特征摘要】
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Ninput；OUTPUT_Layer表示输出层，其神经元个数为Noutput；CONVi表示第i层卷积层；POOLi表示第i层下采样层；FCi表示第i层全连接层；其中，输入层神经元的个数Ninput为量测量的数目，输出层神经元的个数Noutput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：yCONV＝x1·ω1+x2·ω2+x3·ω3+x4·ω4(5)式(5)中，yCONV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，xPOOL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...

【专利技术属性】
技术研发人员：刘晓莉，姚磊，曾祥晖，张帅东，邓长虹，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42