[发明专利]基于迁移学习的主动配电网分布式状态估计方法及系统

权利要求书

1.一种主动配电网分布式状态估计方法，其特征是，包括：

采集电网中的各个子区域中的各节点的量测数据；

将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正，得到修正后的量测数据；

将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计，得到每个子区域中各个节点的状态估计结果；

将相邻子区域的重叠边界部分的各个节点的状态估计结果做差，将差值与设定阈值比较，并输出最终的状态估计结果。

2.根据权利要求1所述的主动配电网分布式状态估计方法，其特征是，所述电网中的各个子区域的划分方法为：使用扩展子区域法，基于电网的网络拓扑结构将电网分为若干个子区域，并将各个子区域的边界节点进行基于多指标的重要性排序，各个扩展子区域除原有区域外还包含相邻子区域的重要边界节点。

3.根据权利要求2所述的主动配电网分布式状态估计方法，其特征是，所述基于多指标的重要性排序，具体为：

确定电网节点的重要性评估指标，包括度中心性、接近中心性、间接中心性、特征向量中心性和历史故障数据；

依据电网节点的重要性评估指标确定各节点的重要度，进而确定重要边界节点。

4.根据权利要求3所述的主动配电网分布式状态估计方法，其特征是，所述各节点的重要度，通过以下公式确定：

其中，NI_i为节点V_i的重要度；λ为节点V_i的历史故障系数，故障严重程度从一级到五级由高到低分布，历史故障等级数据加权比例为5：4：3：2：1；为节点v_i对线路l_ij重要度的贡献，v_j是与v_i相邻的节点；

代表节点v_i和节点v_j之间线路的线路重要度；k_i和k_j分别代表节点v_i和节点v_j的节点度；t代表在电网拓扑图中以线路l_ij为边组成的三角形的个数；

k_i为节点v_i的节点度；Λ_i为与节点v_i相邻的节点的集合。

5.根据权利要求1所述的主动配电网分布式状态估计方法，其特征是，所述将位于同一子区域的各量测数据分别独立的进行基于迁移学习的卷积神经网络不良数据检测并进行修正，得到修正后的量测数据，具体为：

选取一种基于卷积神经网络的电力系统故障检测模型作为源域模型；

基于源域模型与目标域模型的最大均值差异，度量源域模型与目标域模型的数据分布差异；

基于最大均值差异贡献系数迁移源域数据，保留最大均值差异贡献系数大于零的数据，将最大均值差异贡献系数小于零的数据剔除，得到和目标域数据分布更接近的源域数据，用于微调源域模型的隐藏层参数，得到迁移学习的卷积神经网络模型；

冻结得到的基于迁移学习的卷积神经网络模型的隐层神经元结构的参数，将源域模型的输出层改用softmax分类器，将位于同一子区域的各量测数据分别输入已经训练好的基于迁移学习的卷积神经网络模型，经过softmax分类器输出不良数据的节点信息；

将输出的不良数据检测结果进行修正。

6.根据权利要求1所述的主动配电网分布式状态估计方法，其特征是，所述将各修正后的量测数据分别输入状态估计卷积神经网络对各个子区域中的各节点进行状态估计，得到每个子区域中各个节点的状态估计结果，具体为：

将各修正后的量测数据由一维转化为二维，得到二维量测数据；

以二维量测数据输入状态估计卷积神经网络，输出当前时刻各子区域对应的状态量，完成每个子区域中各个节点的状态估计结果。