本發(fā)明涉及一種主配協(xié)同抗差狀態(tài)估計方法、裝置、系統(tǒng)及存儲介質(zhì)，屬于電力系統(tǒng)。

背景技術(shù)：

1、電網(wǎng)的狀態(tài)估計（state?estimation，se）問題是指使用帶有噪聲的量測來計算電網(wǎng)當(dāng)前的運行狀態(tài)。se是一種重要的推理工具，可以為電網(wǎng)提供高級控制和自動化功能。比如，正常運行期間的電壓控制和緊急恢復(fù)期間饋線的重新配置。在完全可觀測的情況下，即當(dāng)未知變量的數(shù)量小于可用測量的數(shù)量時，加權(quán)最小二乘（weighted?least?squares，wls）方法得到了很好的發(fā)展，并在電網(wǎng)中得到了廣泛使用。當(dāng)未知變量的數(shù)量大于測量的數(shù)量時，通過偽量測建模來增加量測的數(shù)量是配電網(wǎng)中的典型做法。

2、基于wls的傳統(tǒng)方法被廣泛應(yīng)用于電力系統(tǒng)狀態(tài)估計中。然而，在實際主配一體化網(wǎng)絡(luò)中，存在大量的非高斯噪聲和粗差，這將導(dǎo)致加權(quán)最小二乘法難以收斂，精度下降，并難以應(yīng)對新能源廣泛接入導(dǎo)致的復(fù)雜運行狀態(tài)和隨機波動等問題?；诖耍梢蕴幚砀鞣N噪聲、干擾和不確定性的魯棒狀態(tài)估計方法被提出。雖然魯棒狀態(tài)估計可以對誤差進行補償和糾正，并具備良好的抗差能力，但它需要為不同的系統(tǒng)和環(huán)境設(shè)計合適的算法，因此設(shè)計難度比較大。此外，魯棒狀態(tài)估計通常需要引入非二次估計準(zhǔn)則，因此需要大量的計算資源和時間，難以適應(yīng)主配一體化網(wǎng)絡(luò)下實際要求。針對上述問題，機器學(xué)習(xí)（machinelearning，ml）和信號處理工具已被用于配電系統(tǒng)狀態(tài)估計并取得了廣泛的發(fā)展，但是現(xiàn)有的大多數(shù)基于ml的方法都需要使用大量的標(biāo)簽作為訓(xùn)練的樣本，這在電力系統(tǒng)中往往是不現(xiàn)實的。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種主配協(xié)同抗差狀態(tài)估計方法、裝置、系統(tǒng)及存儲介質(zhì)，通過利用潮流功率方程計算量測殘差并使用加權(quán)最小殘差平方和作為損失函數(shù)，使得卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練從監(jiān)督學(xué)習(xí)問題轉(zhuǎn)化為了弱監(jiān)督學(xué)習(xí)問題，不再需要大量的標(biāo)簽數(shù)據(jù)作為模型訓(xùn)練的前提，且具有良好的估計精度和抗差能力。

2、為達到上述目的/為解決上述技術(shù)問題，本發(fā)明是采用下述技術(shù)方案實現(xiàn)的。

3、一方面，本發(fā)明提供一種主配協(xié)同抗差狀態(tài)估計方法，包括：

4、獲取主配協(xié)同網(wǎng)絡(luò)中的歷史量測數(shù)據(jù)，并對歷史量測數(shù)據(jù)進行預(yù)處理；

5、采用預(yù)處理后的歷史量測數(shù)據(jù)對預(yù)先構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，同時利用潮流功率方程計算量測殘差，使用加權(quán)最小殘差平方和作為損失函數(shù)，并根據(jù)損失函數(shù)反向傳播更新卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，不斷訓(xùn)練，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型；

6、采用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型進行在線估計，確定主配協(xié)同抗差狀態(tài)估計結(jié)果。

7、可選的，所述歷史量測數(shù)據(jù)包括：發(fā)電機輸出的有功功率、發(fā)電機輸出的無功功率、節(jié)點的有功負荷功率、節(jié)點的無功負荷功率和節(jié)點的電壓幅值；

8、所述對歷史量測數(shù)據(jù)進行預(yù)處理包括：通過發(fā)電機輸出的有功功率、發(fā)電機輸出的無功功率、節(jié)點的有功負荷功率和節(jié)點的無功負荷功率計算節(jié)點的有功注入功率和節(jié)點的無功注入功率，公式如下：

9、；

10、式中， p i為第 i個節(jié)點的有功注入功率， p ig為第 i個節(jié)點的發(fā)電機輸出的有功功率， p il為第 i個節(jié)點的有功負荷功率； q i為第 i個節(jié)點的無功注入功率， q ig為第 i個節(jié)點的發(fā)電機輸出的無功功率， q il為第 i個節(jié)點的無功負荷功率。

11、可選的，所述卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層；

12、所述卷積層的計算公式如下：

13、；

14、式中，為第 l層輸出的第 k個特征，為第 l層的第 k個特征對應(yīng)的權(quán)重向量， x l-1為第 l-1層的輸出，為第 l層的第 k個特征對應(yīng)的可學(xué)習(xí)的偏置， f(·)為卷積層的非線性激活函數(shù)；

15、所述池化層的計算公式如下：

16、；

17、式中，為第 q個池化區(qū)域池化后的值，為池化區(qū)域中第 p個未池化的值， d q為第 q個池化區(qū)域；

18、所述全連接層的計算公式如下：

19、；

20、式中，為第 l層第 k個特征對應(yīng)的卷積層激活后的輸出， g?(·)為全連接層的激活函數(shù)。

21、可選的，所述卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)包括定參數(shù)和可變參數(shù)，所述定參數(shù)包括卷積層和全連接層中的神經(jīng)元個數(shù)、每批模型訓(xùn)練使用的樣本大小和所有樣本訓(xùn)練的遍數(shù)，所述可變參數(shù)包括各層特征對應(yīng)的權(quán)重向量和可學(xué)習(xí)的偏置。

22、可選的，對所述卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練的方法包括：

23、以預(yù)處理后的歷史量測數(shù)據(jù)中的節(jié)點的電壓幅值、節(jié)點的有功注入功率和節(jié)點的無功注入功率作為預(yù)先構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，以節(jié)點的電壓幅值估計值和節(jié)點的電壓相角估計值作為卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，同時利用潮流功率方程計算量測殘差，使用加權(quán)最小殘差平方和作為損失函數(shù)，并根據(jù)損失函數(shù)反向傳播更新卷積神經(jīng)網(wǎng)絡(luò)模型的可變參數(shù)，不斷訓(xùn)練，直到所有樣本訓(xùn)練的遍數(shù)等于預(yù)先設(shè)定值，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型。

24、可選的，所述利用潮流功率方程計算量測殘差，使用加權(quán)最小殘差平方和作為損失函數(shù)的方法包括：

25、對于擁有 n個節(jié)點、 m個量測的電力網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)如下所示：

26、；

27、式中，為維的狀態(tài)估計值，包含電壓幅值估計值和電壓相角估計值， z為維的量測向量， h(·)為聯(lián)系和 z的非線性函數(shù)， r為量測誤差的協(xié)方差矩陣， r是一個對角矩陣，其對角中第 u個元素為第 v個量測值對應(yīng)的量測方差，其中， u= v；

28、 z的表達式為：

29、；

30、式中， u、 p、 q分別為預(yù)處理后的歷史量測數(shù)據(jù)中的節(jié)點的電壓幅值、節(jié)點的有功注入功率和節(jié)點的無功注入功率， t表示矩陣的轉(zhuǎn)置；

31、在中，節(jié)點的有功注入功率和節(jié)點的無功注入功率與的非線性函數(shù)關(guān)系，即潮流功率方程的表達式如下：

32、；

33、；

34、式中，和分別為第 i個節(jié)點和第 j個節(jié)點的電壓幅值估計值，為第 i個節(jié)點和第 j個節(jié)點的電壓相角估計值的差，為第 i個節(jié)點的自電導(dǎo)，為第 i個節(jié)點和第 j個節(jié)點之間的互電導(dǎo)，為第 i個節(jié)點的自電納，為第 i個節(jié)點和第 j個節(jié)點之間的互電納；

35、所述量測殘差為，因此損失函數(shù)的表達式轉(zhuǎn)換如下：

36、；

37、式中， z v為第 v個量測值，為與 z v對應(yīng)的通過非線性函數(shù)計算出來的值。

38、可選的，所述采用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型進行在線估計的方法包括：

39、根據(jù)實時量測中的發(fā)電機輸出的有功功率、發(fā)電機輸出的無功功率數(shù)據(jù)、節(jié)點的有功負荷功率、節(jié)點的無功負荷功率計算節(jié)點的有功注入功率和節(jié)點的無功注入功率；

40、將實時量測中的節(jié)點的電壓幅值、節(jié)點的有功注入功率和節(jié)點的無功注入功率作為訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，得到節(jié)點的電壓幅值估計值和節(jié)點的電壓相角估計值。

41、第二方面，本發(fā)明提供一種主配協(xié)同抗差狀態(tài)估計裝置，包括：

42、數(shù)據(jù)獲取和預(yù)處理模塊，被配置為用于獲取主配協(xié)同網(wǎng)絡(luò)中的歷史量測數(shù)據(jù)，并對歷史量測數(shù)據(jù)進行預(yù)處理；

43、模型訓(xùn)練模塊，被配置為用于采用預(yù)處理后的歷史量測數(shù)據(jù)對預(yù)先構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，同時利用潮流功率方程計算量測殘差，使用加權(quán)最小殘差平方和作為損失函數(shù)，并根據(jù)損失函數(shù)反向傳播更新卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，不斷訓(xùn)練，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型；

44、狀態(tài)估計模塊，被配置為用于采用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型進行在線估計，確定主配協(xié)同抗差狀態(tài)估計結(jié)果。

45、第三方面，本發(fā)明提供一種計算機系統(tǒng)，包括：

46、存儲器，用于存儲計算機程序；

47、處理器，用于執(zhí)行所述計算機程序以實現(xiàn)第一方面所述的主配協(xié)同抗差狀態(tài)估計方法的步驟。

48、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時，實現(xiàn)第一方面所述的主配協(xié)同抗差狀態(tài)估計方法的步驟。

49、與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果：

50、本發(fā)明通過采用預(yù)處理后的歷史量測數(shù)據(jù)對預(yù)先構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，同時利用潮流功率方程計算量測殘差，使用加權(quán)最小殘差平方和作為損失函數(shù)，并根據(jù)損失函數(shù)反向傳播更新卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，不斷訓(xùn)練，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型，再通過采用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型進行在線估計，確定主配協(xié)同抗差狀態(tài)估計結(jié)果；本發(fā)明提供的主配協(xié)同抗差狀態(tài)估計方法是一種基于物理的機器學(xué)習(xí)方法，能夠利用問題的物理結(jié)構(gòu)來提高標(biāo)準(zhǔn)機器學(xué)習(xí)算法的性能；其中，利用潮流功率方程計算量測殘差并使用加權(quán)最小殘差平方和作為損失函數(shù)，使得卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練從監(jiān)督學(xué)習(xí)問題轉(zhuǎn)化為了弱監(jiān)督學(xué)習(xí)問題，不再需要大量的標(biāo)簽數(shù)據(jù)作為模型訓(xùn)練的前提，更加的符合電網(wǎng)的實際條件；同時，損失函數(shù)的修改減少了卷積神經(jīng)網(wǎng)絡(luò)搜索空間的大小，這反過來有助于在訓(xùn)練過程中更好地收斂，并且具有良好的估計精度和抗差能力；本發(fā)明所提方法可以被視為一種基于物理的機器學(xué)習(xí)方法，它利用問題的物理結(jié)構(gòu)來提高標(biāo)準(zhǔn)機器學(xué)習(xí)算法的性能。