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_lay ...
【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
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。