[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

说明书

本发明公开了电力系统状态估计技术领域的一种基于迁移学习的主动配电网分布式状态估计方法及系统。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。可以提高主动配电网状态估计的精度和速度，解决状态估计模型更新时长较长、进行不良数据检测的训练样本少等问题。

技术领域

本发明属于电力系统状态估计技术领域，具体涉及一种基于迁移学习的主动配电网分布式状态估计方法及系统。

背景技术

随着智能电网的发展，新能源发电的不断渗透，电网的规模随之增加、结构和运行方式日趋复杂，为了更加精确的掌握电网的运行状态，对电力系统运行状态进行状态估计是必要的。

目前，在电力系统状态估计中使用较多的是最小二乘估计，但是由于量测量和状态量之间是非线性约束关系，使得最小二乘状态估计需要借助高斯牛顿反复迭代才能进行非线性方程的求解，方程需满足可观测的约束，计算时间较长且对计算机硬件要求较高，无法满足大电网实时的状态估计需求。近年来，随着人工智能、数据挖掘技术的发展，神经网络在状态估计领域也得到了较为广泛的应用。但是人工智能算法在主动配电网状态估计的研究较少，在状态估计之前需要进行的不良数据检测环节的数据量较少也限制了许多需要大量训练样本的人工智能算法的应用。

发明内容

为解决现有技术中的不足，本发明提供一种基于迁移学习的主动配电网分布式状态估计方法及系统，可以提高主动配电网状态估计的精度和速度，解决因配电网网络架构的变化造成的状态估计模型需定期更新的时长较长、运用神经网络进行不良数据检测的训练样本少等问题。

为达到上述目的，本发明所采用的技术方案是：一种主动配电网分布式状态估计方法，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。

进一步地，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。

进一步地，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。

进一步地，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；