[發(fā)明專利]一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計(jì)方法

無效

• 申請?zhí)枺?/td>: 201110212093.0
• 申請日: 2011-07-27
• 公開（公告）號: CN102289717A
• 公開（公告）日: 2011-12-21
• 發(fā)明（設(shè)計(jì)）人: 李元誠;王憲吉
• 申請（專利權(quán)）人: 華北電力大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08;H02J3/00
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 黃家俊

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)狀態(tài)估計(jì)技術(shù)領(lǐng)域，尤其涉及一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計(jì)方法。

背景技術(shù)

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，電力系統(tǒng)中的網(wǎng)絡(luò)結(jié)構(gòu)日趨復(fù)雜，電力系統(tǒng)調(diào)度中心的自動化水平也需要逐步向高級發(fā)展，能量管理系統(tǒng)EMS(Energy?Management?System)得到了廣泛的應(yīng)用。狀態(tài)估計(jì)系統(tǒng)是能量管理系統(tǒng)EMS的核心功能模塊，基于電網(wǎng)的結(jié)構(gòu)、參數(shù)以及實(shí)時量測，為其他高級應(yīng)用軟件提供一個可靠而完整的電力系統(tǒng)實(shí)時數(shù)據(jù)庫，是電力系統(tǒng)運(yùn)行、控制和安全評估等方面的基礎(chǔ)，因此研究適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計(jì)方法與系統(tǒng)具有重要意義。

電力系統(tǒng)中一種常用的狀態(tài)估計(jì)方法是把對電力系統(tǒng)中狀態(tài)量的預(yù)測和估計(jì)迭代結(jié)合起來，通過對已完成的估計(jì)時間序列的回歸，尋找到狀態(tài)變量變化的軌跡，對狀態(tài)變量進(jìn)行預(yù)測，把預(yù)測值作為迭代計(jì)算的出發(fā)點(diǎn)完成對電力系統(tǒng)中狀態(tài)量的估計(jì)。這種狀態(tài)估計(jì)方法實(shí)質(zhì)是一個回歸迭代過程。在這個過程中，狀態(tài)估計(jì)主要處理對象是一系列時間斷面上的高維空間問題。在電力系統(tǒng)中與之相對應(yīng)的，就是系統(tǒng)中所量測到的功率、電壓、電流等量測信息，這些信息經(jīng)過采樣和標(biāo)準(zhǔn)化處理之后，在計(jì)算機(jī)系統(tǒng)中表現(xiàn)為按采樣時間點(diǎn)排列的一組向量。電力系統(tǒng)中隨著網(wǎng)絡(luò)節(jié)點(diǎn)增加，向量的維數(shù)也會相應(yīng)增加，由于各個節(jié)點(diǎn)和支路數(shù)據(jù)之間存在著相關(guān)性，也就是存在著冗余信息，因此對數(shù)據(jù)進(jìn)行降維就可以提高狀態(tài)估計(jì)系統(tǒng)的速度。在設(shè)計(jì)狀態(tài)估計(jì)系統(tǒng)的時候，由于電力系統(tǒng)一般積累了大量的歷史數(shù)據(jù)，通過回歸方法建立系統(tǒng)模型，利用新增量測信息對狀態(tài)量進(jìn)行預(yù)測，從而就能實(shí)現(xiàn)對系統(tǒng)實(shí)時狀態(tài)的估計(jì)。

對于樣本數(shù)據(jù)進(jìn)行降維，本發(fā)明引入了一種自編碼神經(jīng)網(wǎng)絡(luò)Autoencoder(Autoencoder?Neural?Network)來對數(shù)據(jù)進(jìn)行降維。該方法采用局限型波茲曼模型RBM(Restricted?Boltzmann?Machine)的網(wǎng)絡(luò)結(jié)構(gòu)，通過訓(xùn)練具有多個中間層的雙向深層神經(jīng)網(wǎng)絡(luò)將高維數(shù)據(jù)轉(zhuǎn)換成低維嵌套并繼而重構(gòu)高維數(shù)據(jù)。特別地，自編碼神經(jīng)網(wǎng)絡(luò)Autoencoder提供了高維數(shù)據(jù)空間和低維嵌套結(jié)構(gòu)的雙向映射，有效解決了大多數(shù)非線性降維方法所不具備的逆向映射問題。實(shí)驗(yàn)表明，自編碼神經(jīng)網(wǎng)絡(luò)Autoencoder不僅能發(fā)現(xiàn)嵌入在高維數(shù)據(jù)中的非線性低維結(jié)構(gòu)，也能有效地從低維結(jié)構(gòu)中恢復(fù)原始高維數(shù)據(jù)。

在設(shè)計(jì)狀態(tài)估計(jì)系統(tǒng)時，本發(fā)明引入了相關(guān)向量機(jī)RVM(Relevant?Vector?Machine)的方法對系統(tǒng)狀態(tài)量進(jìn)行預(yù)測和估計(jì)。相對于擴(kuò)展卡爾曼濾波、遺傳算法、神經(jīng)網(wǎng)絡(luò)等系統(tǒng)建模方法，相關(guān)向量機(jī)RVM對于動態(tài)系統(tǒng)建模具有良好的推廣能力、只需要有限訓(xùn)練樣本、全局最優(yōu)和系統(tǒng)的理論基礎(chǔ)等方面的優(yōu)點(diǎn)并且其生成的模型簡單且稀疏。相關(guān)向量機(jī)RVM不僅擁有支持相量機(jī)SVM(Support?Vector?Machine)的工作性能，同時具有一些支持相量機(jī)SVM所不具備的優(yōu)點(diǎn)，如：相關(guān)向量機(jī)RVM的核函數(shù)K不必滿足Mercer條件；相關(guān)向量機(jī)RVM在權(quán)系數(shù)之上引進(jìn)了超參數(shù)，從而大大降低了計(jì)算的復(fù)雜度等。由于在之前的步驟上對數(shù)據(jù)進(jìn)行了降維，降低了訓(xùn)練的時空復(fù)雜度，就可以在系統(tǒng)計(jì)算時間允許的情況下盡量擴(kuò)大樣本規(guī)模，取得更好的估計(jì)精度。

發(fā)明內(nèi)容

針對上述背景技術(shù)中提到的現(xiàn)有狀態(tài)估計(jì)法精度不高、實(shí)時性較差等不足，本發(fā)明提出了一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計(jì)方法。

本發(fā)明的技術(shù)方案是，一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計(jì)方法，其特征是所述方法包括下列步驟：

步驟1：在系統(tǒng)數(shù)據(jù)庫中選取前T個時刻的電壓幅值和電壓相角組成二維數(shù)組；

步驟2：采用自編碼神經(jīng)網(wǎng)絡(luò)方法對二維數(shù)組進(jìn)行非線性降維；

步驟3：在步驟2的基礎(chǔ)上，對電壓幅值進(jìn)行樣本訓(xùn)練，生成電壓幅值樣本模型，并利用生成的電壓幅值樣本模型，進(jìn)行電壓幅值預(yù)測；

步驟4：在步驟2的基礎(chǔ)上對電壓相角進(jìn)行樣本訓(xùn)練，生成電壓相角樣本模型，并利用生成的電壓相角樣本模型，進(jìn)行電壓相角預(yù)測；

步驟5：利用指定方法對電壓幅值預(yù)測和電壓相角預(yù)測的預(yù)測值進(jìn)行修正，進(jìn)而獲得電壓幅值和電壓相角的狀態(tài)估計(jì)值；

步驟6：將電壓幅值和電壓相角的狀態(tài)估計(jì)值作為第T個時刻的電壓幅值和電壓相角的真值放置到狀態(tài)量集合中；

步驟7：從狀態(tài)量集合中取前T個時刻的電壓幅值和電壓相角，令T＝T+1，重復(fù)步驟2到步驟6，實(shí)現(xiàn)滾動預(yù)測。

所述指定方法為牛頓拉夫遜迭代法。

所述步驟2具體包括以下步驟：