[发明专利]一种基于扩展卡尔曼滤波的电力系统状态估计方法

说明书

本发明涉及一种基于扩展卡尔曼滤波的电力系统状态估计方法，包括以下步骤：步骤1、获取多源量测数据；步骤2、构建基于长短期记忆神经网络建立系统的状态预测模型，并判断是否达到模型的训练精度；步骤3、采用扩展卡尔曼滤波对多源量测数据进行处理，对系统的非线性模型线型化；步骤4、采用加权最小二乘法实现对系统的状态估计，得到电力系统的状态最优估计。本发明能够克服在大规模系统中估计时间较长的缺陷，更加满足状态估计实时性的要求。

技术领域

本发明属于电力系统状态估计技术领域，涉及电力系统状态估计方法，尤其是一种基于扩展卡尔曼滤波的电力系统状态估计方法。

背景技术

电力系统状态估计是能量管理系统的重要组成部分，状态估计能够为电网实时调度以及运行规划提供可靠的数据，有效提升了系统的经济效益与运行效率。探索合适的状态估计方法，提升状态估计的精度逐渐成为电力行业的重要课题。随着电网结构以及运行情况的日益复杂化，各种类型的量测设备逐渐应用到电力系统中，状态估计信息的获取不再是依赖单一设备的量测值，而是不同时间尺度与量测精度下的多源量测数据。这些量测数据来自不同的量测系统，会带有随机误差。为了提高数据的可靠性与准确性，需要对多源量测数据进行分析和计算，消除数据中随机误差的干扰。

针对上述问题，通常可以采用数据预处理的方法，该方法通过历史数据对原始数据进行处理，但是，不可避免的所修正的数值会极大地受到历史数据的影响。卡尔曼滤波器根据随机误差的统计特性，遵循线性无偏最小均方差准则，可以消除量测数据中随机误差的影响，从而可以使得多源量测数据更为精准。但是，由于电力系统中的状态方程与量测方程往往都是非线性的，普通的卡尔曼滤波方法对非线性系统并不适用，因此，需要采用扩展卡尔曼滤波的方法，该方法首先将非线性的系统状态预测空间线性化，再通过卡尔曼滤波器滤除噪声干扰。

扩展卡尔曼滤波的核心环节在于建立系统的预测模型，系统的状态方程可能存在非线性环节，求解该状态方程的过程可能较为复杂，甚至没有通用的模型。凭借强大的自主学习能力以及可观的运算速度，人工智能类的算法，如神经网络，逐渐得到各个研究领域的青睐。智能电网的不断发展以及广域量测系统的建设也为人工智能类的算法与电力领域的结合提供了契机，已被成功应用于故障诊断，负荷预测，可靠性评估等多个方面。通过人工智能类的算法的学习，系统对大量的历史数据进行学习，训练得到某种规则或者模型。根据这种规则，当系统输入新的数据时，计算机将迅速生成答案，在保证运算效率的同时开辟了自主学习能力。然而，简单的循环神经网络结构较为简单，参数单一，在训练的过程中会出现梯度爆炸、梯度消失的情况。同时，简单的循环神经网络对于长期记忆的提取效率低，会导致最终的训练的效果较差，难以收获预期的结果。

经检索，未发现与本发明相同或相近似的现有技术的文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于扩展卡尔曼滤波的电力系统状态估计方法，能够克服在大规模系统中估计时间较长的缺陷，更加满足状态估计实时性的要求。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于扩展卡尔曼滤波的电力系统状态估计方法，包括以下步骤：

步骤1、获取多源量测数据；

步骤2、构建基于长短期记忆神经网络建立系统的状态预测模型，并判断是否达到模型的训练精度；

步骤3、采用扩展卡尔曼滤波对多源量测数据进行处理，对系统的非线性模型线型化；

步骤4、采用加权最小二乘法实现对系统的状态估计，得到电力系统的状态最优估计。

所述步骤2的具体方法为：

长短期记忆神经网络采用了遗忘门、输入门和输出门的三门结构；