【技术实现步骤摘要】
基于数据驱动的电力系统预测状态估计方法及系统
本公开涉及一种基于数据驱动的电力系统预测状态估计方法及系统。
技术介绍
在电力系统状态估计(Powersystemstateestimation,PSSE)过程中，量测信息的冗余是为了提高数据准确性，然后可以估计或预测系统的运行状态。PSSE的最初研究可以追溯到1970年代。从此，PSSE已被学者广泛而深入地研究。目前总结了电力系统状态估计的主要方法，包括静态估计，动态状态估计，跟踪状态估计和预测辅助状态估计(Forecasting-aidedstateestimation,FASE)。FASE使用状态空间模型来表征系统状态的准稳态动态，从而能够跟踪状态演化。对于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。值得注意的是，FASE是动态状态估计的一种特殊情况，因为其仅估计代数状态变化。在最近的几十年中，大量文献致力于改善电力系统的FASE方法。目前的一种用于电力系统FASE的分布式框架，该框架使用点高斯近似和各种正交规则来计算相关后验以提高估计精度。一个鲁棒...
【技术保护点】
1.一种基于数据驱动的电力系统预测状态估计方法，其特征在于，步骤包括：/n获取电力系统的历史数据和节点的量测数据；/n将历史数据输入递归神经网络，获得训练好的递归神经网络模型；/n判断节点的量测数据是否存在异常数据；/n若不存在异常数据，将节点的量测数据通过高斯过程状态估计得到电力系统预测状态；若存在异常数据，则将节点的量测数据输入训练好的递归神经网络模型，获取当前时刻的系统状态，并通过潮流计算获取当前时刻的量测数据，根据当前时刻的量测数据对节点的量测数据进行修正，将修正后的节点的量测数据通过高斯过程状态估计得到准确的电力系统预测状态。/n
【技术特征摘要】
1.一种基于数据驱动的电力系统预测状态估计方法，其特征在于，步骤包括：
获取电力系统的历史数据和节点的量测数据；
将历史数据输入递归神经网络，获得训练好的递归神经网络模型；
判断节点的量测数据是否存在异常数据；
若不存在异常数据，将节点的量测数据通过高斯过程状态估计得到电力系统预测状态；若存在异常数据，则将节点的量测数据输入训练好的递归神经网络模型，获取当前时刻的系统状态，并通过潮流计算获取当前时刻的量测数据，根据当前时刻的量测数据对节点的量测数据进行修正，将修正后的节点的量测数据通过高斯过程状态估计得到准确的电力系统预测状态。
2.如权利要求1所述的电力系统预测状态估计方法，其特征在于，判断节点的量测数据是否存在异常数据的步骤包括，获取历史数据的量测函数，采用高斯过程对量测函数进行建模，获得高斯混合模型；将节点的量测数据输入高斯混合模型获得概率密度值，通过概率密度值判断节点的量测数据是否存在异常数据。
3.如权利要求1所述的电力系统预测状态估计方法，其特征在于，在获得电力系统预测状态后，判断电力系统预测状态的预测值是否存在缺失数据；若是，则将节点的量测数据输入训练好的递归神经网络模型，对节点的量测数据进行修正，将修正后的节点的量测数据通过高斯过程状态估计过程得到准确的电力系统预测状态；若否，则输出电力系统预测状态。
4.如权利要求1所述的电力系统预测状态估计方法，其特征在于，将历史数据输入递归神经网络，获得训练好的递归神经网络模型的步骤包括：将输入门、输出门和遗忘门在训练过程中的权重矩阵和偏置向量，以及从时刻t-n到时刻t的历史状态数据输入递归神经网络，获得训练好的递归神经网络模型。
5.如权利要求1所述的电力系统预测状态估计方法，其特征在于，所述获取当前时刻的系统状态，并通过潮流计算获取当前时刻的量测数据，根据当前时刻的量测数据对节点的量测数据进行修正的步骤包括，
获得历史数据的概率密度函数和每个概率密度函数的最小值；
根据历史数据的概率密度函数和每个概率密度函数的最小值得到概率密度指数矩阵；
根据递归神经网络和潮流计算获得时刻t中节点n的伪量测；异常数据的数量通过概率...
【专利技术属性】
技术研发人员：张玉敏，吉兴全，王金玉，尹孜阳，于一潇，郑元，张旋，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37
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。