[发明专利]一种基于多元卷积神经网络的分布式能源状态监测方法

说明书

本发明公开一种基于多元卷积神经网络的分布式能源状态监测方法，属于电力系统自动化领域，该方法可以对微网运行数据进行变换处理分析，利用多元谱数据和深度卷积神经网络监测微网分布式能源状态。首先将微网运行数据采用数据叠积变换得到协方差矩阵，在此基础上得到相应的特征值和最大特征矩阵；然后分别对特征值和最大特征矩阵作数据差异化缩放处理，并且将其作为深度卷积神经网络的输入；最后分别通过一维和二维深度卷积神经网络对微网分布式能源节点状态进行预测，得到分布式能源状态监测结果。本发明对微网分布式能源节点状态的判断准确率高，为微网运行的安全性和可靠性提供依据。

技术领域

本发明涉及电力系统自动化技术领域，尤其涉及一种基于多元卷积神经网络的分布式能源状态监测方法。

背景技术

随着全球能源的日益枯竭，为了能够实现资源可持续发展的目标，人们将风力、光伏等可再生能源发电技术以补充电力能源的形式大规模地接入到微网当中，从而尽可能地减少对化石能源的消耗和依赖，并且降低了远距离电能传输损耗。然而，由于风力、光伏发电对于自然天气因素有很强的依赖性以及风力、光伏发电间相互耦合影响会导致微网内节点电压和频率会随之产生相关的随机性波动改变，给微网的正常运行带来诸多不良隐患。因此，及时地获取可靠的微网分布式能源状态具有重要意义，并且依据相应结果采取措施才能够保证微网的稳定运行。

微网分布式能源状态监测通常分为两种方法，分别为基于等值模型的数值计算和基于数据驱动的变化检测，其中尤其以通过学习历史微网数据特征和波动规律的神经网络数据驱动方法得到了较为广泛的应用。但是这些以神经网络为基础的数据驱动方法仍然存在一些问题，例如模型输入为人工提取的数据特征，不能够充分反映数据的内在特征，容易发生过拟合问题，并且现有模型参数训练方法收敛速度慢，导致模型训练时间过长。

目前，随着深度学习理论和方法的跨越式发展，深度神经网络能够更加充分、精确地挖掘隐藏在大量运行数据背后的特征，因此在众多领域得到了广泛应用。在此背景下，将深度卷积神经网络作为微网分布式能源状态监测模型，通过随机矩阵提取的微网多元谱数据能够更加准确地感知微网分布式能源状态监测情况，可以为微网的可靠性运行调度提供依据。

发明内容

针对上述现有技术的不足，本发明提供一种基于多元卷积神经网络的分布式能源状态监测方法，以达到准确识别微网分布式能源运行状态的目的。

为解决上述技术问题，本发明所采取的技术方案是：一种基于多元卷积神经网络的分布式能源状态监测方法，其流程如图1所示，包括如下步骤：

步骤1：获取微网历史运行数据并且对其进行数据叠积变换，得到检测协方差矩阵

步骤1.1：将不同的微网历史运行数据d_ij按照数据自身时间戳顺序排列构成不同运行数据序列其中i(i＝1,2,…,n)为从不同维度获取的微网历史运行数据，j(j＝1,2,…,m)为微网节点编号，q为运行数据的采样次数，ξ为数据偏移系数；

步骤1.2：对步骤1.1所获得的不同运行数据序列d_ij进行如下所示的加权点乘转换，其表达式为：

其中，Ψ为归一化函数，Θ为点乘运算符，Υ_ij为实常数构成的行向量，κ₁和κ₂为加权系数，κ₃为数据缩放系数。

步骤1.3：依据微网节点编号顺序，将步骤1.2所得的不同运行数据序列转换结果依次堆叠组成运行数据矩阵n*m作为矩阵的行数，将运行数据的采样次数q作为矩阵的列数；

步骤1.4：对运行数据矩阵的每一行进行标准化变换，得到标准化检测数据矩阵其中，标准化变换表达式为：