專利名稱：一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力系統(tǒng)狀態(tài)估計技術(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)估計方法。
背景技術(shù)：
隨著電網(wǎng)規(guī)模的不斷擴大，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)實時數(shù)據(jù)庫，是電力系統(tǒng)運行、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)估計方法是把對電力系統(tǒng)中狀態(tài)量的預(yù)測和估計迭代結(jié)合起來，通過對已完成的估計時間序列的回歸，尋找到狀態(tài)變量變化的軌跡，對狀態(tài)變量進行預(yù)測，把預(yù)測值作為迭代計算的出發(fā)點完成對電力系統(tǒng)中狀態(tài)量的估計。這種狀態(tài)估計方法實質(zhì)是一個回歸迭代過程。在這個過程中，狀態(tài)估計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，在計算機系統(tǒng)中表現(xiàn)為按采樣時間點排列的一組向量。電力系統(tǒng)中隨著網(wǎng)絡(luò)節(jié)點增加，向量的維數(shù)也會相應(yīng)增加，由于各個節(jié)點和支路數(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)進行降維就可以提高狀態(tài)估計系統(tǒng)的速度。在設(shè)計狀態(tài)估計系統(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)量進行預(yù)測，從而就能實現(xiàn)對系統(tǒng)實時狀態(tài)的估計。對于樣本數(shù)據(jù)進行降維，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。實驗表明，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)計狀態(tài)估計系統(tǒng)時，本發(fā)明引入了相關(guān)向量機RVM (Relevant Vector Machine)的方法對系統(tǒng)狀態(tài)量進行預(yù)測和估計。相對于擴展卡爾曼濾波、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)點并且其生成的模型簡單且稀疏。相關(guān)向量機RVM不僅擁有支持相量機SVM(Support Vector Machine)的工作性能，同時具有一些支持相量機SVM所不具備的優(yōu)點，如相關(guān)向量機RVM的核函數(shù)K不必滿足Mercer條件； 相關(guān)向量機RVM在權(quán)系數(shù)之上引進了超參數(shù)，從而大大降低了計算的復(fù)雜度等。由于在之前的步驟上對數(shù)據(jù)進行了降維，降低了訓(xùn)練的時空復(fù)雜度，就可以在系統(tǒng)計算時間允許的情況下盡量擴大樣本規(guī)模，取得更好的估計精度。
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)估計法精度不高、實時性較差等不足，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)組進行非線性降維；步驟3 在步驟2的基礎(chǔ)上，對電壓幅值進行樣本訓(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)測值進行修正，進而獲得電壓幅值和電壓相角的狀態(tài)估計值；步驟6 將電壓幅值和電壓相角的狀態(tài)估計值作為第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具體包括以下步驟步驟2. 1 對于二維數(shù)組進行標(biāo)準(zhǔn)化處理，去除其中的空數(shù)據(jù)和錯誤數(shù)據(jù)；步驟2. 2 在步驟2. 1的基礎(chǔ)上，采用局限型波茲曼模型對二維數(shù)組進行預(yù)訓(xùn)練， 得到一組獨立的局限型波茲曼模型和一組權(quán)值；步驟2. 3 每個局限型波茲曼模型的輸出神經(jīng)元和下一個局限型波茲曼模型的輸入神經(jīng)元合并為一層，展開形成自編碼神經(jīng)網(wǎng)絡(luò)；步驟2. 4 采用基于交叉熵函數(shù)的BP算法進行自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過調(diào)整所述權(quán)值，使交叉熵函數(shù)取到最小值；步驟2. 5 在步驟2. 4的基礎(chǔ)上，將降維后的數(shù)據(jù)組成的二維數(shù)組作為數(shù)據(jù)處理的輸入數(shù)據(jù)，完成二維數(shù)組的非線性降維。所述步驟3具體為步驟3. 1 將前T-I個時刻的電壓幅值作為電壓幅值訓(xùn)練樣本；步驟3.2 選擇高斯核函數(shù)作為相關(guān)向量機的核函數(shù)，對相關(guān)向量機的參數(shù)初始化；步驟3.3 通過相關(guān)向量機對電壓幅值訓(xùn)練樣本中的數(shù)據(jù)進行迭代運算，求解出最優(yōu)的權(quán)值分布，得出電壓幅值樣本模型；步驟3. 4 在步驟3. 3的基礎(chǔ)上，以第T個時刻的電壓幅值作為電壓幅值預(yù)測的輸入數(shù)據(jù)，計算得到T時刻的預(yù)測值。
所述電壓幅值樣本模型為
權(quán)利要求
1.一種適用于電力系統(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)組進行非線性降維； 步驟3 在步驟2的基礎(chǔ)上，對電壓幅值進行樣本訓(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)測值進行修正，進而獲得電壓幅值和電壓相角的狀態(tài)估計值；步驟6 將電壓幅值和電壓相角的狀態(tài)估計值作為第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，實現(xiàn)滾動預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法，其特征是所述指定方法為牛頓拉夫遜迭代法。
3.根據(jù)權(quán)利要求1所述的一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法，其特征是所述步驟2具體包括以下步驟步驟2. 1 對于二維數(shù)組進行標(biāo)準(zhǔn)化處理，去除其中的空數(shù)據(jù)和錯誤數(shù)據(jù)； 步驟2. 2 在步驟2. 1的基礎(chǔ)上，采用局限型波茲曼模型對二維數(shù)組進行預(yù)訓(xùn)練，得到一組獨立的局限型波茲曼模型和一組權(quán)值；步驟2. 3 每個局限型波茲曼模型的輸出神經(jīng)元和下一個局限型波茲曼模型的輸入神經(jīng)元合并為一層，展開形成自編碼神經(jīng)網(wǎng)絡(luò)；步驟2. 4 采用基于交叉熵函數(shù)的BP算法進行自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過調(diào)整所述權(quán)值，使交叉熵函數(shù)取到最小值；步驟2. 5 在步驟2. 4的基礎(chǔ)上，將降維后的數(shù)據(jù)組成的二維數(shù)組作為數(shù)據(jù)處理的輸入數(shù)據(jù)，完成二維數(shù)組的非線性降維。
4.根據(jù)權(quán)利要求1所述的一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法，其特征是所述步驟3具體為步驟3. 1 將前T-I個時刻的電壓幅值作為電壓幅值訓(xùn)練樣本； 步驟3. 2 選擇高斯核函數(shù)作為相關(guān)向量機的核函數(shù)，對相關(guān)向量機的參數(shù)初始化； 步驟3.3 通過相關(guān)向量機對電壓幅值訓(xùn)練樣本中的數(shù)據(jù)進行迭代運算，求解出最優(yōu)的權(quán)值分布，得出電壓幅值樣本模型；步驟3. 4 在步驟3. 3的基礎(chǔ)上，以第T個時刻的電壓幅值作為電壓幅值預(yù)測的輸入數(shù)據(jù)，計算得到T時刻的預(yù)測值。
5.根據(jù)權(quán)利要求4所述的一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法，其特征是所述電壓幅值樣本模型為
全文摘要
本發(fā)明公開了電力系統(tǒng)狀態(tài)估計技術(shù)領(lǐng)域中的一種適用于電力系統(tǒng)復(fù)雜網(wǎng)絡(luò)的快速狀態(tài)估計方法。本發(fā)明首先在系統(tǒng)數(shù)據(jù)庫中選取T個時刻的電壓幅值和電壓相角組成二維數(shù)組并對二維數(shù)組進行非線性降維；然后對其進行樣本訓(xùn)練，生成電壓幅值樣本模型和電壓相角樣本模型并進行電壓幅值和電壓相角預(yù)測；之后利用牛頓拉夫遜迭代法對預(yù)測值進行修正，獲得電壓幅值和電壓相角的狀態(tài)估計值；將其作為第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；最后從狀態(tài)量集合中取前T個時刻的系統(tǒng)狀態(tài)數(shù)據(jù)，令T＝T+1，獲得第T+1個時刻的狀態(tài)估計值，實現(xiàn)滾動預(yù)測。本發(fā)明降低了樣本數(shù)據(jù)的維度，加快了預(yù)測速度，且估計精度高。
文檔編號G06N3/08GK102289717SQ20111021209
公開日2011年12月21日 申請日期2011年7月27日 優(yōu)先權(quán)日2011年7月27日
發(fā)明者李元誠, 王憲吉 申請人:華北電力大學(xué)