【技术实现步骤摘要】
本专利技术属于新型电力系统的伪量测预测，涉及一种配电网伪量测建模方法，尤其是一种基于粒子群优化的深度神经网络的配电网伪量测建模方法。
技术介绍
1、随着新能源发电的逐步接入，配电网管理系统(dms)需要更加全面、准确的数据进行实时控制。配电网状态估计能够提供系统实时运行状态信息，是进行配电网控制的前提条件。
2、然而，当前配电网状态估计面临的一个突出问题是实时量测数目不足。为了保证系统的可观测性和提高量测冗余度，一般将超短期负荷预测软件提供的负荷节点注入功率作为伪量测。但是伪量测的量测误差远远大于实时量测误差，使得状态估计精度下降，难以为配电网运行提供准确、可靠的参考。因此，如何提高伪量测模型精度是值得深入研究的问题。
3、经检索，未发现与本专利技术相同或相近似的现有技术中的文献。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，能够解决由于实时量测数目少，系统不可观导致状态估计不可解的技术问题。
2、本专利技术解决其现实问题是采取以下技术方案实现的：
3、一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，包括以下步骤：
4、步骤1、构建配电网伪量测模型；
5、步骤2、基于步骤1构建的粒子群优化的dnn伪量测模型(pso-dnn)，构建配电网伪量测误差模型。
6、而且，所述步骤1的具体步骤包括：
7、(1)选取配
8、(2)对输入数据进行归一化处理，将样本数据初始化至[0,1]区间内；
9、(3)使用dnn模型根据输入数据分别对有功功率和无功功率进行伪量测建模；
10、(4)使用pso算法对dnn模型进行优化，得到最优网络权值，重置网络，记录粒子群优化的dnn伪量测模型(pso-dnn)，并输出当前时刻的负荷节点注入功率。
11、而且，所述步骤1第(1)步的输入数据的构建方法为：
12、选取配电网中支路某一时间段的功率量测作为数据集，模型的输入包括当前时刻的实时支路功率量测和相关性较大的历史时刻的支路功率量测；
13、其中，功率量测包括有功功率和无功功率，实时支路功率量测根据负荷曲线，对配电网进行潮流计算，在量测量的潮流真值的基础上添加高斯噪声后得到，历史时刻支路功率量测采用主成分分析法进行特征提取得到。
14、而且，所述步骤1第(2)步的对输入数据进行归一化处理的具体方法为：
15、采用min-max归一化方法，按照某种映射关系将数据映射到[0,1]区间，实现数据的归一化处理，映射函数为：
16、
17、其中，xmax为样本数据的最大值，xmin为样本数据的最小值。
18、而且，所述步骤1的第(3)步的具体步骤包括：
19、①建立dnn伪量测模型：对于每个节点，建立两个单独的dnn，输出分别为负荷有功和无功功率，输入为配电网支路的实时量测值和相关性较大的历史量测值；
20、将dnn的输出与实际的节点负荷功率进行比较，差值即为该伪量测模型的输出误差；
21、②对dnn伪量测模型进行训练：
22、1)导入构建的输入数据，即当前时刻的实时支路功率量测和相关性较大的历史时刻的支路功率量测；
23、2)搭建具有三个隐含层的dnn，选择神经元数量、batch_size、epoch和学习率等参数，将实时量测值和相关性较大的历史量测值作为输入，负荷节点注入功率作为目标输出来训练；
24、3)训练迭代结束后，使用测试集中的实时量测数据和历史量测数据输入dnn，将dnn的输出与实际的负荷节点功率进行比较，若相对误差较大，则需要调整网络参数，返回步骤2)；若相对误差满足要求，则进入步骤4)。
25、4)保存dnn的参数和测试集的相对误差：
26、训练完成的dnn能在实时量测更新时，快速生成节点注入功率伪量测；dnn输出功率的最大相对误差为emax，根据3-sigma原则，伪量测的权重为1/(emax/3)2，然后利用实时量测和伪量测一起进行在线状态估计。
27、而且，所述步骤1的第(4)步的具体步骤包括：
28、①对dnn伪量测模型的拓扑结构、参数进行设置，初始化突触权值以及粒子群(每个粒子均为伪量测模型的超参数)，设当前迭代次数为1。
29、②选择适应度函数：将dnn伪量测模型训练误差作为适应度函数；
30、③评估目前每个粒子的适应度值。同时，将每个粒子的最佳适应度值及其位置pbest更新至pi中；将整个粒子群的最佳适应度值及其位置gbest更新至pg中；
31、④根据式(2)和式(3)更新粒子的速度和位置，生成新的粒子，根据式(4)更新惯性权值ω，并根据步骤③更新粒子适应度值的个体和全体最优值；
32、速度和位置的更新公式如下：
33、vi+1＝ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi) (2)
34、xi+1＝xi+vi+1 (3)
35、其中，ω×vi为记忆项，表示上次速度大小和方向的影响；c1×rand()×(pbesti-xi)为自身认知项，；c2×rand()×(gbesti-xi)为群体认知项；ω为惯性因子；
36、采用动态惯性因子以获得更好的寻优结果，计算公式如式(4)所示；c1和c2是学习因子，通常c1＝c2＝2；rand()是介于(0,1)之间的随机数。
37、ω(t)＝(ωini-ωend)(gk-g)/gk+ωend (4)
38、其中，gk为最大迭代次数；ωini为初始惯性权值，通常为0.9；ωend为迭代至最大进化代数时的惯性权值，通常为0.4；g为群体解；
39、⑤假如迭代次数未达到设定上限，则转到步骤③；反之，输出网络突触端最优权值。
40、⑥根据最优权值，重置网络，记录粒子群优化的dnn伪量测模型(pso-dnn)，输出当前时刻的负荷节点注入功率。
41、而且，所述步骤2的具体步骤包括：
42、(1)将pso-dnn模型输出的当前时刻的负荷节点注入功率进行反归一化处理，得到功率预测值；
43、(2)将功率预测值与节点的负荷真实值共同作为输入数据，使用gmm模型近似pso-dnn模型输出伪量测的误差，得到伪量测的误差概率分布，进而完成配电网伪量测误差模型的构建；
44、而且，所述步骤2第(2)步的具体步骤包括：
45、①将功率预本文档来自技高网...
【技术保护点】
1.一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1的具体步骤包括：
3.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1第(1)步的输入数据的构建方法为：
4.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1第(2)步的对输入数据进行归一化处理的具体方法为：
5.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1的第(3)步的具体步骤包括：
6.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1的第(4)步的具体步骤包括：
7.根据权利要求1所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤2的具体步骤包括：
8.根据权利要求7所述的一
...【技术特征摘要】
1.一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1的具体步骤包括：
3.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1第(1)步的输入数据的构建方法为：
4.根据权利要求2所述的一种基于粒子群优化的深度神经网络的配电网伪量测建模方法，其特征在于：所述步骤1第(2)步的对输入数据进行归一化处理的具体方法为：
...
【专利技术属性】
技术研发人员：王天昊，郭凌旭，郝毅，魏炜，王冬阳，黄盼，李振斌，张光欣，党玮，孙明军，陈建，鄂志君，仝新宇，李强，孙宁，
申请(专利权)人：国网天津市电力公司电力科学研究院，
类型：发明
国别省市：
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。