一种电力系统动态估计方法、装置、设备和可读存储介质制造方法及图纸

本申请公开了一种电力系统动态估计方法、装置、设备和可读存储介质，通过获取当前时刻的时间序列数据集，并将当前时刻的时间序列数据集输入到电力系统动态估计模型中，得到电力系统动态估计模型输出的对当前时刻的下一时刻的状态向量的估计值。其中，电力系统动态估计模型由CNN

【技术实现步骤摘要】
一种电力系统动态估计方法、装置、设备和可读存储介质


[0001]本申请涉及电力系统分析领域，更具体地说，涉及一种电力系统动态估计方法、装置、设备和可读存储介质。

技术介绍

[0002]状态估计对智能电网中的能量管理系统(energy management system,EMS)的性能起着重要作用。根据需要估计的状态，状态估计可以分为静态估计和动态估计。静态估计缺乏对状态转移的识别，主要分析时不变系统在时间点的误差。与静态方法不同的是，动态估计由于具有快速响应的状态预测能力，可以及时跟踪状态的转变，最大限度地减少伪测量的误差。由于电力系统的非线性估计很难进行。此外，电力系统中高维状态向量的快速变化也对估计算法的响应灵敏度提出了挑战。因此，动态估计更适合在电力系统中实现。
[0003]卡尔曼滤波(Kalman filter,KF)作为动态估计的基础，用于估计线性动态系统的状态，它最大的优点是在不同的情况下进行计算，不需要任何修改。为了解决非线性系统中的问题，扩展卡尔曼滤波(extended Kalman filter,EKF)通过获取非线性动态系统的状态转移矩阵的雅可比矩阵来跟踪状态，而在泰勒展开中忽略了高阶分量。然而，计算雅可比矩阵可能导致较慢的收敛和更多的运行时间，高阶分量的忽略也降低了算法的精度。
[0004]为此提出了无气味卡尔曼滤波(unscentedKalman filter,UKF)方法来克服这些限制。UKF在动态非线性系统中考虑了三阶或更高阶状态转移矩阵的泰勒展开，并以更简单的实现获得了更好的精度。然而UKF算法依然存在如下两个问题：
[0005]1)一些基于UKF的动态状态估计研究缺乏对状态预测过程误差的评估，认为协方差为常数。这些算法不能有效地过滤预测过程中的累积误差，可能会增大估计值与真实值之间的误差，降低收敛速度；
[0006]2)对电力系统实际运行的关注较少，预测模型描述为简单模型，不能反映电力系统的实际运行情况。由于电力系统状态向量变化频繁，传统的基于线性回归的预测模型或Holt线性方法无法准确描述电力系统的状态转移。不能反映电力系统的实际运行情况。
[0007]基于此，本申请提出了一种电力系统动态估计方案，以解决上述问题。

技术实现思路

[0008]有鉴于此，本申请提供了一种电力系统动态估计方法、装置、设备和可读存储介质，通过引入CNN和LSTM结构，提高预测模型对数据的识别能力，构造时间序列数据集的向量，进而提高传统动态状态估计在预测下一次状态过程中的可靠性和准确性。
[0009]一种电力系统动态估计方法，包括：
[0010]获取当前时刻的时间序列数据集；
[0011]确定电力系统动态估计模型，所述电力系统动态估计模型由CNN
‑
LSTM网络以及UKF网络构成，所述CNN
‑
LSTM网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述UKF网络用于通过
Sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
[0012]将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0013]可选的，所述CNN
‑
LSTM网络由CNN网络和LSTM网络构成；
[0014]所述CNN网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，生成时序状态向量；
[0015]所述LSTM网络通过递归神经网络利用时间序列对所述时序状态向量进行分析，确定对所述当前时刻的下一时刻的预测状态向量。
[0016]可选的，所述CNN网络，包括卷积层、池化层和第一致密层；
[0017]所述卷积层用于通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取；
[0018]所述池化层用于对所述卷积层所提取的特征做最大池化处理，生成池化状态特征；
[0019]所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。
[0020]可选的，所述LSTM网络，包括LSTM层和第二致密层；
[0021]所述LSTM层用于通过递归神经网络利用时间序列对所述时序状态向量进行信息增强，生成时序关联状态向量；
[0022]所述第二致密层用于对所述时序关联状态向量进行特征组合，生成对所述当前时刻的下一时刻的预测状态向量。
[0023]可选的，所述LSTM层由若干LSTM单元组成，所述LSTM层的执行逻辑描述为：
[0024][0025][0026][0027][0028][0029]其中，j为根据时间序列输入向量维数的LSTM单元个数；i表示电力系统中母线的编号；是输入向量的第j个元素；是第i总线的输出向量的第j个元素；是第i总线的第j个LSTM单元的过程状态向量的第j个元素；分别表示第i总线的第j个LSTM单元的输出门、遗忘门和输入门；p(
·
)和u(
·
)是双曲正切函数；σ(
·
)是点sigmoid函数；符号
⊙
表示相同大小的矩阵对应元素的乘法；T
i(
·
)
、V
i(
·
)
和分别是带有φ、ψ、标签的输入、输出和遗忘门的参数。
[0030]可选的，所述UKF网络，包括UT层、传播计算层、迭代更新层和估计预测层；
[0031]所述UT层用于通过无迹过渡生成所述预测状态向量的Sigma点；
[0032]所述传播计算层用于通过Sigma点的传播计算所述当前时刻对应的状态向量和协方差；
[0033]所述迭代更新层用于根据已有参数生成的Sigma点，对状态向量和协方差以及卡尔曼增益进行更新；
[0034]所述估计预测层用于基于所述状态向量和协方差以及卡尔曼增益，结合所述预测状态向量，得到所述当前时刻的下一时刻的状态向量的估计值。
[0035]可选的，所述确定电力系统动态估计模型，还包括误差处理层，用于根据大数定律，采用多次采样的方法对高斯噪声的均值和方差进行误差归一化处理。
[0036]一种电力系统动态估计装置，包括：
[0037]时间序列获取单元，用于获取当前时刻的时间序列数据集；
[0038]估计模型确定单元，用于确定电力系统动态估计模型，所述电力系统动态估计模型由CNN
‑
LSTM网络以及UKF网络构成，所述CNN
‑
LSTM网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述UKF网络用于通过Sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统动态估计方法，其特征在于，包括：获取当前时刻的时间序列数据集；确定电力系统动态估计模型，所述电力系统动态估计模型由CNN
‑
LSTM网络以及UKF网络构成，所述CNN
‑
LSTM网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述UKF网络用于通过Sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。2.根据权利要求1所述的方法，其特征在于，所述CNN
‑
LSTM网络由CNN网络和LSTM网络构成；所述CNN网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，生成时序状态向量；所述LSTM网络通过递归神经网络利用时间序列对所述时序状态向量进行分析，确定对所述当前时刻的下一时刻的预测状态向量。3.根据权利要求2所述的方法，其特征在于，所述CNN网络，包括卷积层、池化层和第一致密层；所述卷积层用于通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取；所述池化层用于对所述卷积层所提取的特征做最大池化处理，生成池化状态特征；所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。4.根据权利要求2所述的方法，其特征在于，所述LSTM网络，包括LSTM层和第二致密层；所述LSTM层用于通过递归神经网络利用时间序列对所述时序状态向量进行信息增强，生成时序关联状态向量；所述第二致密层用于对所述时序关联状态向量进行特征组合，生成对所述当前时刻的下一时刻的预测状态向量。5.根据权利要求4所述的方法，其特征在于，所述LSTM层由若干LSTM单元组成，所述LSTM层的执行逻辑描述为：行逻辑描述为：行逻辑描述为：行逻辑描述为：行逻辑描述为：其中，j为根据时间序列输入向量维数的LSTM单元个数；i表示电力系统中母线的编号；是输入向量的第j个元素；是第i总线的输出向量的第j个元素；是第i总
线的第j个LSTM单元的过程状态向量的第j个元素；分别表示第i总线的第j个LSTM单元的输出门、遗忘门和输入门；p(

【专利技术属性】
技术研发人员：林伟军，区华勇，王庆斌，尹兴鹏，黄辉，谈赢杰，徐敏，余泓圻，刘晓腾，温彩健，黄文广，伍锃杰，龙经纬，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：