基于神经网络的配电网多时间尺度状态估计方法、系统及介质与流程

本发明涉及电力系统监控和数据分析领域，具体涉及一种基于神经网络的配电网多时间尺度状态估计方法、系统及介质。

背景技术：

1、配电网状态估计是采用实时测量数据来实现对电力系统状态的准确感知的关键技术，它为电压控制、经济调度和故障定位等高级应用提供了基础数据。随着分布式电源如光伏和风机，以及负荷侧的电动汽车等柔性负荷大量并入配电网，系统的随机性和波动性显著增加，使得运行状态比传统配电网更加复杂和不确定。因此，对智能配电网进行快速准确的状态估计变得尤为重要。

2、量测数据作为状态估计的核心输入，其质量直接影响到状态估计的准确性。与输电网相比，配电网的线路更短，更容易受到噪声和谐波的影响。尽管基于传统的数据采集与监视控制系统(supervisory control and data acquisition，scada)和高级量测系统(advanced metering infrastructure，ami)的量测提供了重要数据，但在精度和实时性方面往往无法满足智能配电网的需求。在这种情况下，以同步相量测量(pmu)为代表的新型测量设备在改善配电网可观测性方面发挥了关键作用。与传统scada和ami量测相比，pmu提供了更高的采样频率(25-100hz)和通过全球导航卫星系统实现的采样数据时间同步，具有更高的量测精度，能够实现幅值量测误差小于0.2％、相角量测误差小于0.05度的高性能。

3、然而，考虑到pmu配置的成本和网络拓扑限制，pmu量测设备最初只部署在网络的部分节点和支路上。尽管配电网pmu的成本已经大幅降低，但全网部署仍是不现实的，在研究和实际应用中，pmu配置的节点比例通常在1/5到1/4之间。这要求配电网的状态估计方法需要融合pmu和scada、ami的数据。

4、但是三种量测量的融合仍有难点。scada量测在配电网中收集了远程终端单元(rtu)、馈线终端单元(ftu)等自动化设备的量测信息，包括节点的注入功率或支路的功率和电流幅值。由于scada量测通常缺乏时标，难以实现与pmu量测的同步采集，并且数据刷新频率为2s。ami量测通过智能电表与电力公司间的双向通信实现，虽然带有时标，但接收到的是非实时的量测数据，通常每15分钟更新一次。三种量测量的性质差异较大，阻碍数据相互融合，难以实现毫秒级时间尺度下配电网实时准确的状态估计。

5、同时，传统的状态估计方法如基于加权最小二乘法(weighted least square,wls)状态估计、基于加权最小绝对值(weighted least absolute value,wlav)状态估计、huber-m估计、指数型目标函数估计等，需要在处理大量实时量测数据的同时完成复杂的数学计算，难以满足大规模配电网对状态估计精度和效率的要求。并且状态估计方法多采用基于物理模型的方法，未能充分挖掘配电网历史运行数据中的有效信息，从而限制了配电网状态估计精度、效率和鲁棒性的提升。

6、因此，需要一种能够融合不同时间尺度量测量且能利用历史数据减少系统计算量，提高计算精度的配电网状态估计方法，来满足目前智能配电网对快速准确的状态估计的需求。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于神经网络的配电网多时间尺度状态估计方法、系统及介质，本发明在配电网原有的ami、scada量测配置基础上引入了pmu量测配置，并且使用神经网络技术进行配电网状态估计，提高了配电网状态估计的计算精度和计算效率。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种基于神经网络的配电网多时间尺度状态估计方法，包括以下步骤：

4、步骤(1)、通过读取区域配电网参数及拓扑结构，读取各量测设备配置及量测数据，所述量测设备包括监控与数据采集系统scada、高级计量基础设施ami和相量测量单元pmu；

5、步骤(2)、使用emd-gru方法，将scada和ami的量测数据扩充到pmu量测数据相同的分辨率和时间尺度，并将时标同步到pmu量测数据；

6、步骤(3)、用步骤(2)中经过emd-gru方法将时间尺度和时标同步后的scada、ami、pmu量测数据作为训练数据集训练transformer模型和gan模型；

7、步骤(4)、将当前时刻scada、ami和pmu量测数据中线性、非线性分量分别输入到步骤(3)训练后的transformer模型中，结合上一时刻由gan模型生成的状态估计优化值，得到当前时刻状态估计值；

8、步骤(5)、将步骤(4)中得到的当前时刻状态估计值输入到步骤(3)训练后的gan模型中，与gan模型中生成器生成的状态估计值进行对抗优化，得到当前时刻的状态估计优化值，所述状态估计优化值为当前时刻系统感知数据，实现对配电网系统的实时状态感知。

9、进一步的，在步骤(1)中，所述通过读取区域配电网参数及拓扑结构，读取各量测设备配置及量测数据，包括：读取配电网负载及设备参数，构建配电网电路导纳矩阵，读取量测设备scada、ami和pmu在配电网中的安装位置、量测量种类以及具体量测数据值，其中：

10、监控与数据采集系统scada：数据刷新周期2s，无时标，量测数据包括节点电压幅值、支路电流幅值、节点注入功率、支路功率；

11、高级计量基础设施ami：数据刷新周期15min，有时标，量测数据包括节点电压幅值、支路电流幅值、节点注入功率、支路功率，用户侧信息；

12、相量测量单元pmu：数据刷新周期10ms，有时标，量测数据包括电压相量、电流相量。

13、进一步的，步骤(2)具体包括：

14、(2-1)对scada、ami和pmu历史量测数据进行预处理，包括异常数据清洗和时间对齐，确保所有数据均位于同一时间节点，为后续分析做好准备；

15、(2-2)应用经验模态分解emd对预处理后的数据进行分解，得到数据信号在不同时间尺度上的变化特性，由数据的特征时间尺度来获得数量不同的本征模态函数imf，捕捉电网数据中的非线性和非平稳特性；

16、(2-3)利用门控循环单元gru网络对步骤(2-2)中emd分解得到的imf进行特征提取，多变量特征序列进行动态时间建模，实现scada和ami量测量在pmu时间尺度下的预测和扩充，并将时标同步到pmu时间尺度。

17、进一步的，在步骤(2-2)中，具体包括：

18、(a)识别所有局部极值；

19、(b)对所有局部极大值和极小值分别进行插值，形成上包络线和下包络线；

20、(c)计算上下包络线的平均值，得到平均包络线；

21、(d)原始信号减去平均包络线，得到第一个imf的候选；

22、(e)重复上述过程，直到无法再分解出新的imf。

23、进一步的，在步骤(2-3)中，使用门控循环单元gru对imf进行特征提取和量测量预测时，gru门控机制函数表达式为：

24、

25、式中，xt为当前时间步的输入向量，ht-1为上一个时间步的隐藏状态向量，zt为更新门向量，决定了多少过去的信息需要被保留，rt为重置门向量，决定了在计算当前候选隐藏状态时忽略多少过去的信息，wz,wr,w分别为更新门、重置门和候选隐藏状态的权重矩阵，bz,br,b分别是更新门、重置门和候选隐藏状态的偏置项，为当前时间步的候选隐藏状态，是考虑了当前输入和经过重置门调整后的上一个隐藏状态的组合，ht为当前时间步的最终隐藏状态，由上一个隐藏状态和当前候选隐藏状态的加权平均决定，其中权重由更新门给出，σ为sigmoid函数，用于将门控信号压缩到0和1之间。

26、进一步的，在步骤(4)中的transformer模型通过自注意力机制处理量测值的线性及非线性分量，以及通过结合上一时刻gan模型生成的状态估计优化值来优化状态估计过程。

27、进一步的，transformer模型中自注意力公式表达式为：

28、

29、式中，q为查询矩阵；k为键矩阵；v为值矩阵；dk为键向量的维度，用于缩放点积，以防止点积太大导致softmax函数的梯度过小；softmax为激活函数，用于计算权重。

30、进一步的，在步骤(5)中的生成对抗网络gan包括一个生成器和一个鉴别器，生成器负责生成可能接近真实数据的假状态估计值，鉴别器负责判别生成的状态估计值与transformer模型生成的状态估计值之间的差异，通过对抗过程优化，得到配电网状态估计优化值。

31、一种基于神经网络的配电网多时间尺度状态估计系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行所述基于神经网络的配电网多时间尺度状态估计方法。

32、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行所述基于神经网络的配电网多时间尺度状态估计方法。

33、与现有技术相比，本发明主要具有下述优点：

34、(1)在配电网原有的scada、ami量测配置基础上引入了pmu量测配置，增加了配电网系统量测量的种类，提高配电网状态估计的准确性。

35、(2)利用emd-gru方法，将scada、ami系统量测数据与pmu系统量测数据融合，将配电网各类量测数据统一到pmu量测系统时间尺度，同时同步时标，大幅度缩短配电网状态估计的更新周期，提高配电网状态估计的实时性。

36、(3)将transformer和生成对抗网络(gan)应用于配电网状态估计，能够捕获长距离依赖关系，即使在序列很长的情况下也能保持高效的信息传递。这对于理解配电网中的时间序列数据(如负荷变化和电力流动)非常重要，可以显著提高状态估计的精度。

37、(4)相较于传统配电网状态估计方法中量测数据非线性分量需要转换量测，将transformer和生成对抗网络(gan)应用于配电网状态估计能够处理和理解高维度、复杂的数据结构，同时由于其并行处理能力，可以在处理大量数据时显著提高计算效率，支持配电网状态估计的实时或近实时需求。