一种基于数据驱动和生成对抗的电压暂降状态估计方法技术

一种基于数据驱动和生成对抗的电压暂降状态估计方法，属于电力大数据应用实现电网的全息动态感知领域。该方法利用生成对抗网络(generativeadversarialnetwork,GAN)博弈对抗的思想，通过模型自主提取数据特征和时空分布特性，结合节点间的耦合关系、时序数据特征。从而使生成对抗模型学习并模拟节点间的耦合关系，使得模型实现状态估计。本发明专利技术完全基于数据驱动，克服了配电网复杂环境下，基于机理的方法建立数学公式模型在适应性、算法效率和准确性多方面的局限性。使用该方法避免了传统状态估计过程中需根据大量电网拓扑图结构数据进行数学公式建模，并改善了传统GAN收敛速度慢、训练不稳定，损失函数波动大等缺陷，具有较高的电压暂降状态估计精度。较高的电压暂降状态估计精度。较高的电压暂降状态估计精度。

【技术实现步骤摘要】
一种基于数据驱动和生成对抗的电压暂降状态估计方法


[0001]本专利技术涉及一种基于数据驱动和生成对抗的电压暂降状态估计方法，属于电力大数据处理


技术介绍

[0002]在能源改革与社会发展的大背景下，配电网作为经济和社会发展的重要基础设施，对实现智能电网和能源互联网战略目标起着关键的作用。随着智能配电网信息化、自动化、互动化水平的提高以及与物联网的相互渗透与融合，电力系统量测体系内部积累了大量数据。
[0003]电压暂降是电压方均根值瞬时跌落额定电压幅值90％～10％，并在持续0.5～30个周波后恢复正常的一种暂态扰动现象。电压暂降难以避免且危害巨大，根据电能质量监测数据分析统计，在用电用户经受损失的事件中，70％以上是经电网传播的电压暂降事件。随着智能制造业的不断发展，电网复杂程度增加。电网中敏感用户(半导体加工、精密仪器制作等企业)耐受能力较弱，且数量渐渐增加，电压暂降对电网及用户造成的影响越来越严重，电压暂降带来的损失引起了加工制造业、学术界对电压暂降问题的重视和关注
[0004]电压暂降现已成为最严重的电能质量问题。为了进一步研究电压暂降事件，国家电网公司现已在许多重要节点部署了电能质量监测装置。为实现全网可视，全息动态感知，需要在所有节点部署电能质量检测装置。但是电能质量监测装置昂贵，如果全部部署经济成本过高。而电压暂降的状态估计可以利用有限的检测装置实现对复杂电网的没有安装检测装置的节点的状态估计，从而帮助对解决实际系统电压暂降问题的进一步深入研究。这使得实现稳定可靠准确率高的电压暂降状态估计方法迫在眉睫。面对复杂电网，电压暂降的分析方法各有不同缺点，例如实时监测法：提出在各个节点安装不同电压等级以及不同出线端的监测终端，然而检测装置在实际使用中效果并不理想。因为其经济投入大，安装复杂，检测周期长且数据量过于庞大。还有随机预估法：提出电压暂降随机预估法，是根据系统阻抗矩阵建立高阶 (超过四阶)非线性的暂降电压方程，而大型系统阻抗矩阵的建立和电压暂降方程的求解十分复杂，且系统内拓扑结构复杂，增加了计算电压暂降状态的难度。有些学者提出建立电压暂降状态估计模型，采用仿电磁学算法来求解，利用带电粒子之间库仑力的相互作用机制，建立随机全局智能优化算法模型。此方法运算十分严谨，要求电网数据完美真实才能进行数学计算，而实际电网数据中各种影响因素较多，无法获得完美数据。存在原理复杂、运算过程复杂，参数敏感的局限性。
[0005]深度学习技术的优势在于能由数据驱动、自适应的学习事务特征，对具体数学模型依赖程度低，并具有对源域的迁移学习能力。生成式对抗网络(GAN,generative adversarialnetwork)是目前深度学习领域在数据增强上研究的典型模型，具有无需建模、完全依赖数据驱动可以自适应学习数据潜在特征的特点，通过对抗的方式引导模型缩小与目标分布之间的差距，克服基于极大似然估计生成器对数据概率分布计算困难的问题，并避免了人工设计数据分布的需要。

技术实现思路

[0006]本专利技术的目的在于，针对传统电压暂降状态估计方法难以考虑全面，通过机理的方法存在数据要求完美，运算方式复杂，受到影响因素太多，模型的鲁棒性泛化性较差等问题提出一种新型的基于数据驱动和生成对抗的电压暂降状态估计方法。
[0007]本专利技术采用具有强大自主特征提取能力的生成对抗网络(GAN)作为主要架构，结合数据驱动，使用具有复杂特征的量测数据对生成对抗模型进行训练。这种通过博弈对抗，无监督学习的方式来获取数据潜在特征，完全克服了对数据进行分布假设和显式建模需要大量先验知识方法，在适应性、算法效率和精确度等方面面临的缺陷。本专利技术的方法同时具有良好的抗噪性能和泛化能力。
[0008]一种基于数据驱动和生成对抗的电压暂降状态估计方法，该方法可以分为两大过程，首先是对数据进行预处理，然后对生成对抗模型进行训练，直至获取到数据之间的潜在的耦合关系，再将节点A的数据输入，通过生成模型就可以生成出目标节点的状态估计数据了，具体步骤为：
[0009]步骤1：生成器G生成数据，输入为节点A的真实数据，采用两层的2D
‑
CNN(二维卷积神经网络)提取特征，并在每一层进行归一化操作，中间层采用ReLU激活，输出层采用 tanh激活；
[0010]步骤2：判别器D对真伪数据判断，将步骤1中生成器生成的数据G(Z)和真实数据输入判别模型。采用两层2D
‑
CNN，并在每一层进行归一化操作，中间层采用LeakyReLU 激活，最后使用全连接和sigmoid激活函数输出判断概率；
[0011]步骤3：将判断结果反馈到G和D，重复步骤1、2训练模型至达到纳什均衡，学习到数据的潜在特征；
[0012]步骤4：给训练有素的生成器G输入节点A的真实数据得到状态估计的目标节点的数据G(x)；
[0013]所述的生成器生成数据的步骤为：
[0014]步骤1：将节点A的数据通过reshape操作处理为模型训练输入的32*32*8维度；
[0015]步骤2：采用微步长卷积(fractionally
‑
stride convolution)进行上采样提取数据特征，对每一层进行归一化Batch Normalization操作来加速收敛并减缓过拟合，中间层采用ReLU (Rectified Linear Unit)激活；
[0016]步骤3：G的输出层采用tanh激活函数，最终生成通道数为1、大小10*10的数据。所用的tanh激活函数也称双切正切函数，最终结果会落到[
‑
1,1]之间。
[0017]所述的判别器对真伪数据的判断步骤为：
[0018]步骤1：将生成器生成的数据G(Z)和真实数据输入判别器；
[0019]步骤2：采用两层卷积神经网络，并在每一层进行Batch Normalization归一化操作，中间层采用LeakyReLU激活；
[0020]步骤3：最后使用全连接和sigmoid激活函数输出判断概率，sigmoid也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间。理想情况下，当输入为真实数据时，判别器输出为1，当输入为伪数据时，判别器输出为0。
[0021]所述的配电网量测数据实际情况以及选取节点的步骤为：
[0022]步骤1：选取的节点A和目标节点之间应该存在较为接近的电气拓扑关系，存在较
为紧密的耦合关系；
[0023]步骤2：取数据的时候要注意每次至少取完整的十个周波的数据，成组进行数据量测，并成组将数据存储。
[0024]与现有技术相比，本专利技术方法具有以下的优点：
[0025](1)本专利技术采用的是深度学习技术，可以有效避免传统特征提取步骤的繁琐复杂，及对复杂特征拟合困难等问题；
[0026](2)在配电网中，电力数据时空特性复杂，上下关系紧密，往往具有高维、时变、非本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动和生成对抗的电压暂降状态估计方法，其特征在于，采用深度学习中的生成对抗网络，通过对抗博弈进行电网电压暂降事件数据特征提取训练，得到捕获数据时空分布特性与潜在特征的生成器以及能准确辨别数据真假的判别器；然后依据输入的节点数据和已经训练好的生成器就可以生成出目标节点的数据，从而实现状态估计，该方法的具体步骤为：步骤1：向生成器G输入节点数据Z，采用两层的2D
‑
CNN(二维卷积神经网络)提取特征，并在每一层进行归一化操作，中间层采用ReLU激活，输出层采用tanh激活；步骤2：判别器D对真伪数据判断，将步骤1中生成器生成的数据G(Z)和真实数据Y输入判别模型，采用两层2D
‑
CNN，并在每一层进行归一化操作，中间层采用LeakyReLU激活，最后使用全连接和sigmoid激活函数输出判断概率；步骤3：将判断结果反馈到G和D，重复步骤1、2训练模型至达到纳什均衡，学习到数据的潜在特征；步骤4：给训练有素的生成器G输入节点A数据得到目标节点的数据；从而实现状态估计。2.根据权利要求1所述的一种基于数据驱动和生成对抗的电压暂降状态估计方法，其特征在于，所述的生成器生成数据G(Z)的步骤为：步骤1：将节点A的数据通过reshape操作处理为模型训练输入的32*32*8维度；步骤2：采用微步长卷积(fractionally
‑
stride convo...

【专利技术属性】
技术研发人员：齐林海，曲洪泽，王红，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：