基于容积卡尔曼滤波优化神经网络的配电网态势感知方法技术

本发明专利技术公开了基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，属于配电网态势感知技术领域，包括：收集配电网历史数据及信息，应用层次分析法筛选出影响配电网态势感知的高影响因素；将配电网态势感知的高影响因素集中的训练集作为神经网络的输入，并构建小波神经网络模型；构建基于容积卡尔曼滤波改进的小波神经网络模型，将小波神经网络模型的节点连接权值作为容积卡尔曼滤波器的状态参量，使用容积卡尔曼滤波算法对小波神经网络中权值进行更新；使用历史数据集中的测试集数据对基于容积卡尔曼滤波改进的小波神经网络模型的准确可靠性进行验证。本发明专利技术能够提升配电网态势感知的快速性和准确性。势感知的快速性和准确性。势感知的快速性和准确性。

【技术实现步骤摘要】
基于容积卡尔曼滤波优化神经网络的配电网态势感知方法


[0001]本专利技术涉及配电网态势感知
，尤其是基于容积卡尔曼滤波优化神经网络的配电网态势感知方法。

技术介绍

[0002]随着科技的发展，光伏发电设备特别是光伏组件的生产成本正在逐渐降低，而品质与生产工艺却在不断提升，其中蕴含了巨大的行业潜力。亟需提高新型配电网中分布式发电的接入比例和消纳能力，实现分布式发电“应接尽接”。在众多政策推动下，城市及乡村屋顶光伏发电的开发建设迎来了发展热潮。但是，鉴于分布式光伏发电出力产生的随机性、间接性等问题，当大量分布式光伏接入到配电网后，会使其运行状态发生极大改变，也给其运行调控带来极大挑战。因此需要通过最新方法和技术手段，对配电网进行实时或近实时的态势感知，快速准确地判断出系统安全状态，并基于系统安全属性的历史状态纪录,为运行控制人员提供一个较为准确的配电网运行趋势，为运行管理人员制定配电网运行策略和防御措施提供依据。
[0003]为实现配电网实时运行状态的感知，需要以运行及量测数据为基础作为数据支持，配电网状态估计常使用卡尔曼滤波的方式，其中扩展卡尔曼滤波器较快，但滤波性能较差；无迹卡尔曼滤波器虽能解决这个问题，但如果整个系统状态为非高斯环境，就极易产生很大的偏差；而容积卡尔曼滤波基于三阶球面径向容积准则，并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差，理论上是当前最接近贝叶斯滤波的近似算法，是解决非线性系统状态估计的强有力工具。
[0004]深度学习是近年来人工智能技术发展的核心，可以有效地对数据进行多层级的特征表达，学习到数据深层次的抽象特征表达，具备强大的数据处理和信息提取能力。但是深度学习神经网络模型结构复杂、训练速度相对于浅层学习方法慢而且参数众多，其内部参数迭代更新的准确性会大大影响最终神经网络模型的学习效率和准确性。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供一种基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，针对于分布式光伏接入产生的波动性和随机性问题，解决了通过神经网络训练速度慢且精度差的缺点，能够很好的提升配电网态势感知中神经网络的泛化性能和内部参数更新的准确性，从而提升配电网态势感知的准确性和快速性。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，包括以下步骤：
[0008]S1、收集配电网历史数据及信息，建立对态势感知中节点电压、电流、功率的影响因素，应用层次分析法分析各种影响因素的权重占比，并依照权重占比筛选出配电网态势感知的高影响因素；
[0009]S2、将影响配电网态势感知的高影响因素作为历史数据集，并划分为训练集和测
试集，将训练集作为神经网络的输入，并构建小波神经网络模型；
[0010]S3、构建基于容积卡尔曼滤波改进的小波神经网络模型，将小波神经网络模型的节点连接权值作为容积卡尔曼滤波器的状态参量，使用容积卡尔曼滤波算法对神经网络中权值进行更新；
[0011]S4、使用历史数据集中的测试集数据对基于容积卡尔曼滤波改进的小波神经网络模型的准确可靠性进行验证。
[0012]本专利技术技术方案的进一步改进在于：S1中，对态势感知中节点电压、电流、功率的影响因素包括电源出力、负荷需求数据、支路电流数据、节点电压数据、光照数据、温度数据和季节，依照权重占比，筛选出配电网态势感知的高影响因素，包括电源出力数据、负荷需求数据、光照数据和温度数据。
[0013]本专利技术技术方案的进一步改进在于：S2中，小波神经网络的模型结构包括输入节点层、隐含节点层和输出节点层，输入数据分别为电源出力数据、负荷需求数据、光照数据以及温度数据；输出数据为输出的配电网态势感知数据，分别为节点电压、支路电流以及输出功率；输入层、隐含层和输出层三个层面之间的各个节点的连接权值为θ；为小波函数，其中x为函数的输入，当函数的输入为零时，其输出为1，达到最大值，当输入的绝对值较大时，输出很快衰减到0。
[0014]本专利技术技术方案的进一步改进在于：S3中，包括以下步骤：
[0015]S3.1将小波神经网络模型的节点连接权值作为容积卡尔曼滤波器的状态参量，求解小波神经网络的量测非线性映射；
[0016]S3.2使用容积卡尔曼滤波算法对神经网络中权值进行更新。
[0017]本专利技术技术方案的进一步改进在于：S3.1中，假设小波神经网络中节点层数为L，每一层的标号分别为1,2,
…
,L，则连接权值有L
‑
1层，为第p个连接权值层中第i，j个节点的连接权值；阈值节点作为大小固定的输入节点，并根据惯例把输入层的首个节点作为阈值节点；N(p)为第p个节点层的节点总数；为满足容积卡尔曼滤波的循环递归过程，将非线性系统的各个连接权值组成以下状态空间形式，即：
[0018][0019]其中，i＝1,2,
…
,N(p)，j＝2,3,
…
,N(p+1)，p＝1,2,
…
,L
‑
1层与层之间的连接权值总数，即θ的维数为：
[0020][0021]小波神经网络系统模型表示为如下形式：
[0022]θ
k+1
＝θ
k
+u
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0023]y
k
＝g(θ
k
,x
k
)+v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0024]其中，u
k
为均值为零、协方差阵为的过程噪声；第k+1时刻的网络连接权值由k时刻的网络连接权值与系统的过程噪声所决定；x
k
∈R
d
为小波神经网络的输入数据；v
k
为均值为零、协方差阵为的量测噪声；y
k
表示网络的预测输出数据；g(
·
)表示小波神经网络的
量测非线性映射，有：
[0025][0026]其中，Γ(
·
)表示向量中各个分量之间的乘法运算。
[0027]本专利技术技术方案的进一步改进在于：S3.2中，假定小波神经网络k时刻的初始状态和初始状态协方差矩阵分别为θ
k|k
和P
k|k
，k+1时刻的状态和状态协方差矩阵分别为θ
k+1|k
和P
k+1|k
，基于容积卡尔曼滤波改进的小波神经网络模型算法递归，包括以下步骤：
[0028]S3.2.1时间更新；
[0029]计算容积点：
[0030]θ
k|k,i
＝S
k
χ
i
+θ
k|k
ꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，其特征在于：包括以下步骤：S1、收集配电网历史数据及信息，建立对态势感知中节点电压、电流、功率的影响因素，应用层次分析法分析各种影响因素的权重占比，并依照权重占比筛选出影响配电网态势感知的高影响因素；S2、将影响配电网态势感知的高影响因素作为历史数据集，并划分为训练集和测试集，将训练集作为神经网络的输入，并构建小波神经网络模型；S3、构建基于容积卡尔曼滤波改进的小波神经网络模型，将小波神经网络模型的节点连接权值作为容积卡尔曼滤波器的状态参量，使用容积卡尔曼滤波算法对神经网络中权值进行更新；S4、使用历史数据集中的测试集数据对基于容积卡尔曼滤波改进的小波神经网络模型的准确可靠性进行验证。2.根据权利要求1所述的基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，其特征在于：S1中，对态势感知中节点电压、电流、功率的影响因素包括电源出力、负荷需求数据、支路电流数据、节点电压数据、光照数据、温度数据和季节，依照权重占比，筛选出配电网态势感知的高影响因素，包括电源出力数据、负荷需求数据、光照数据和温度数据。3.根据权利要求1所述的基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，其特征在于：S2中，小波神经网络的模型结构包括输入节点层、隐含节点层和输出节点层，输入数据分别为电源出力数据、负荷需求数据、光照数据以及温度数据；输出数据为输出的配电网态势感知数据，分别为节点电压、支路电流以及输出功率；输入层、隐含层和输出层三个层面之间的各个节点的连接权值为θ；为小波函数，其中x为函数的输入，当函数的输入为零时，其输出为1，达到最大值，当输入的绝对值较大时，输出很快衰减到0。4.根据权利要求1所述的基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，其特征在于：S3中，包括以下步骤：S3.1将小波神经网络模型的节点连接权值作为容积卡尔曼滤波器的状态参量，求解小波神经网络的量测非线性映射；S3.2使用容积卡尔曼滤波算法对神经网络中权值进行更新。5.根据权利要求1所述的基于容积卡尔曼滤波优化神经网络的配电网态势感知方法，其特征在于：S3.1中，假设小波神经网络中节点层数为L，每一层的标号分别为1,2,
…
,L，，则连接权值有L
‑
1层，为第p个连接权值层中第i，j个节点的连接权值；阈值节点作为大小固定的输入节点，并根据惯例把输入层的首个节点作为阈值节点；N(p)为第p个节点层的节点总数；为满足容积卡尔曼滤波的循环递归过程，将非线性系统的各个连接权值组成以下状态空间形式，即：其中，i＝1,2,
…
,N(p)，j＝2,3,
…
,N(p+1)，p＝1,2,
…
,L
‑
1层与层之间的连接权值总数，即θ的维数为：
小波神经网络系统模型表示为如下形式：θ
k+1
＝θ
k
+u
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)y
k
＝g(θ
k
,x
k
)+v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)其中，u
k
为均值为零、协...

【专利技术属性】
技术研发人员：王宇飞，王海彪，张涛，安君凯，杜桐，宋茂森，边伟国，魏云峰，王雷，田靖源，杨丽君，
申请(专利权)人：国家电网有限公司燕山大学，
类型：发明
国别省市：