一种电力系统动态估计方法、装置、设备和可读存储介质与流程

1.本技术涉及电力系统分析领域，更具体地说，涉及一种电力系统动态估计方法、装置、设备和可读存储介质。


背景技术：

2.状态估计对智能电网中的能量管理系统(energy management system,ems)的性能起着重要作用。根据需要估计的状态，状态估计可以分为静态估计和动态估计。静态估计缺乏对状态转移的识别，主要分析时不变系统在时间点的误差。与静态方法不同的是，动态估计由于具有快速响应的状态预测能力，可以及时跟踪状态的转变，最大限度地减少伪测量的误差。由于电力系统的非线性估计很难进行。此外，电力系统中高维状态向量的快速变化也对估计算法的响应灵敏度提出了挑战。因此，动态估计更适合在电力系统中实现。
3.卡尔曼滤波(kalman filter,kf)作为动态估计的基础，用于估计线性动态系统的状态，它最大的优点是在不同的情况下进行计算，不需要任何修改。为了解决非线性系统中的问题，扩展卡尔曼滤波(extended kalman filter,ekf)通过获取非线性动态系统的状态转移矩阵的雅可比矩阵来跟踪状态，而在泰勒展开中忽略了高阶分量。然而，计算雅可比矩阵可能导致较慢的收敛和更多的运行时间，高阶分量的忽略也降低了算法的精度。
4.为此提出了无气味卡尔曼滤波(unscentedkalman filter,ukf)方法来克服这些限制。ukf在动态非线性系统中考虑了三阶或更高阶状态转移矩阵的泰勒展开，并以更简单的实现获得了更好的精度。然而ukf算法依然存在如下两个问题：
5.1)一些基于ukf的动态状态估计研究缺乏对状态预测过程误差的评估，认为协方差为常数。这些算法不能有效地过滤预测过程中的累积误差，可能会增大估计值与真实值之间的误差，降低收敛速度；
6.2)对电力系统实际运行的关注较少，预测模型描述为简单模型，不能反映电力系统的实际运行情况。由于电力系统状态向量变化频繁，传统的基于线性回归的预测模型或holt线性方法无法准确描述电力系统的状态转移。不能反映电力系统的实际运行情况。
7.基于此，本技术提出了一种电力系统动态估计方案，以解决上述问题。


技术实现要素：

8.有鉴于此，本技术提供了一种电力系统动态估计方法、装置、设备和可读存储介质，通过引入cnn和lstm结构，提高预测模型对数据的识别能力，构造时间序列数据集的向量，进而提高传统动态状态估计在预测下一次状态过程中的可靠性和准确性。
9.一种电力系统动态估计方法，包括：
10.获取当前时刻的时间序列数据集；
11.确定电力系统动态估计模型，所述电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过
sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
12.将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
13.可选的，所述cnn-lstm网络由cnn网络和lstm网络构成；
14.所述cnn网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，生成时序状态向量；
15.所述lstm网络通过递归神经网络利用时间序列对所述时序状态向量进行分析，确定对所述当前时刻的下一时刻的预测状态向量。
16.可选的，所述cnn网络，包括卷积层、池化层和第一致密层；
17.所述卷积层用于通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取；
18.所述池化层用于对所述卷积层所提取的特征做最大池化处理，生成池化状态特征；
19.所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。
20.可选的，所述lstm网络，包括lstm层和第二致密层；
21.所述lstm层用于通过递归神经网络利用时间序列对所述时序状态向量进行信息增强，生成时序关联状态向量；
22.所述第二致密层用于对所述时序关联状态向量进行特征组合，生成对所述当前时刻的下一时刻的预测状态向量。
23.可选的，所述lstm层由若干lstm单元组成，所述lstm层的执行逻辑描述为：
[0024][0025][0026][0027][0028][0029]
其中，j为根据时间序列输入向量维数的lstm单元个数；i表示电力系统中母线的编号；是输入向量的第j个元素；是第i总线的输出向量的第j个元素；是第i总线的第j个lstm单元的过程状态向量的第j个元素；分别表示第i总线的第j个lstm单元的输出门、遗忘门和输入门；p(
·
)和u(
·
)是双曲正切函数；σ(
·
)是点sigmoid函数；符号
⊙
表示相同大小的矩阵对应元素的乘法；t
i(
·
)
、v
i(
·
)
和分别是带有φ、ψ、标签的输入、输出和遗忘门的参数。
[0030]
可选的，所述ukf网络，包括ut层、传播计算层、迭代更新层和估计预测层；
[0031]
所述ut层用于通过无迹过渡生成所述预测状态向量的sigma点；
[0032]
所述传播计算层用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差；
[0033]
所述迭代更新层用于根据已有参数生成的sigma点，对状态向量和协方差以及卡尔曼增益进行更新；
[0034]
所述估计预测层用于基于所述状态向量和协方差以及卡尔曼增益，结合所述预测状态向量，得到所述当前时刻的下一时刻的状态向量的估计值。
[0035]
可选的，所述确定电力系统动态估计模型，还包括误差处理层，用于根据大数定律，采用多次采样的方法对高斯噪声的均值和方差进行误差归一化处理。
[0036]
一种电力系统动态估计装置，包括：
[0037]
时间序列获取单元，用于获取当前时刻的时间序列数据集；
[0038]
估计模型确定单元，用于确定电力系统动态估计模型，所述电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
[0039]
状态向量预测单元，用于将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0040]
一种电力系统动态估计设备，包括存储器和处理器；
[0041]
所述存储器，用于存储程序；
[0042]
所述处理器，用于执行所述程序，实现如上述的电力系统动态估计方法的各个步骤。
[0043]
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的电力系统动态估计方法的各个步骤。
[0044]
从上述的技术方案可以看出，本技术实施例提供的一种电力系统动态估计方法、装置、设备和可读存储介质，通过获取当前时刻的时间序列数据集，并将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。其中，电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值。
[0045]
本技术通过引入cnn和lstm结构，利用cnn网络进行预处理，构造时间序列数据集的向量，提高预测模型对数据的识别能力，进而提高传统动态状态预测估计下一时刻状态向量中的可靠性和准确性，lstm网络可以根据历史数据准确地预测状态，规避梯度增长过快或衰减的问题，有效提高了估计精度。同时本技术中提出适用于电力系统的ukf网络，通过生成sigma点并引入到状态估计的预测和测量过程中，实现对电力系统状态向量的真值的跟踪，兼顾了估计算法的速度和准确性。
[0046]
因此，本技术具有如下的优点：
[0047]
(1)利用cnn进行预处理，提高预测模型对数据的识别能力，进而提高预测估计结果的可靠性和准确性；
[0048]
(2)通过构建cnn-lstm预测模型，规避梯度增长过快或衰减的问题，可以根据历史数据准确地预测状态；
[0049]
(3)通过ukf网络实现对电力系统状态向量的真值的跟踪。
附图说明
[0050]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0051]
图1为本技术公开的一种电力系统动态估计模型的结构示意图；
[0052]
图2为本技术公开的一种cnn-lstm网络的结构示意图；
[0053]
图3为本技术公开的一种lstm单元的处理逻辑示意图；
[0054]
图4为本技术公开的一种ukf网络的结构示意图；
[0055]
图5为本技术公开的一种电力系统动态估计方法流程图；
[0056]
图6为本技术公开的一种电力系统动态估计装置的结构框图；
[0057]
图7为本技术公开的电力系统动态估计设备的硬件结构框图。
具体实施方式
[0058]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0059]
接下来介绍本技术方案，本技术提出如下技术方案，具体参见下文。
[0060]
在介绍本技术的电力系统动态估计方法之前，首先需要对本技术的电力系统动态估计模型的结构功能进行具体介绍。
[0061]
图1为本技术实施例公开的一种电力系统动态估计模型的结构示意图，如图1所示，所述电力系统动态估计模型由cnn-lstm网络a以及ukf网络b构成。
[0062]
所述cnn-lstm网络a用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量。
[0063]
所述ukf网络b用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值。
[0064]
图2为本技术公开的一种cnn-lstm网络的结构示意图，图3为本技术公开的一种lstm单元的处理逻辑示意图，图4为本技术公开的一种ukf网络的结构示意图。下面结合图2至图4，依次对cnn-lstm网络a以及ukf网络b进行具体介绍。
[0065]
cnn-lstm网络a：
[0066]
可选的，如图2所示，所述cnn-lstm网络a由cnn网络a1和lstm网络a2构成，包括：
[0067]
①
cnn网络a1：所述cnn网络用于对输入的所述当前时刻的时间序列数据集进行特
征提取，生成时序状态向量。
[0068]
具体的，所述cnn网络，包括卷积层、池化层和第一致密层；
[0069]
所述卷积层用于通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取；
[0070]
所述池化层用于对所述卷积层所提取的特征做最大池化处理，生成池化状态特征；
[0071]
所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。
[0072]
卷积神经网络(convolution neural network,cnn)在提取时间序列数据的特征方面表现优异，可作为数据预处理的方法。利用cnn进行预处理，构造时间序列数据集的向量，提高预测模型对数据的识别能力，进而提高传统动态状态估计在预测下一次状态过程中的可靠性和准确性。
[0073]
卷积运算的目的是提取输入的不同特征，本技术中卷积层通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取。
[0074]
最大池化层对卷积层所提取的信息做更一步降维，去除冗余信息、对特征进行压缩、减少计算量和内存消耗，提高了估计精度和鲁棒。
[0075]
致密层在于建立了不同层之间的连接关系，充分利用了特征关系，进一步减轻了梯度消失问题，本技术中所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。
[0076]
cnn层是在lstm层之前的一维卷积层，用于提取时间序列数据集的特征，为此，电力系统的状态向量表示为：
[0077]
xi(k-n:k)＝{xi(k-n),...,xi(k-1),xi(k)}
[0078]
其中，xi(k-n:k)表示总线i从k-n到k时刻状态向量的时间序列数据集。
[0079]
②
lstm网络a2：所述lstm网络通过递归神经网络利用时间序列对所述时序状态向量进行分析，确定对所述当前时刻的下一时刻的预测状态向量。
[0080]
具体的，所述lstm网络，包括lstm层和第二致密层；
[0081]
所述lstm层用于通过递归神经网络利用时间序列对所述时序状态向量进行信息增强，生成时序关联状态向量；
[0082]
所述第二致密层用于对所述时序关联状态向量进行特征组合，生成对所述当前时刻的下一时刻的预测状态向量。
[0083]
lstm可以根据历史数据准确地预测状态，规避梯度增长过快或衰减的问题，原始数据经过cnn层预处理后输入到lstm层，该体系结构可以提高预测的效率和准确性。cnn-lstm模型可以提高预测的准确性，考虑了历史数据集的趋势。
[0084]
其中，所述lstm层由若干lstm单元组成，所述lstm层的执行逻辑描述为：
[0085][0086][0087]
[0088][0089][0090]
其中，j为根据时间序列输入向量维数的lstm单元个数；i表示电力系统中母线的编号；是输入向量的第j个元素；是第i总线的输出向量的第j个元素；是第i总线的第j个lstm单元的过程状态向量的第j个元素；分别表示第i总线的第j个lstm单元的输出门、遗忘门和输入门；p(
·
)和u(
·
)是双曲正切函数；σ(
·
)是点sigmoid函数；符号
⊙
表示相同大小的矩阵对应元素的乘法；t
i(
·
)
、v
i(
·
)
和分别是带有φ、ψ、标签的输入、输出和遗忘门的参数。
[0091]
如图3所示，时间序列数据{x(t-2),x(t-1),x(t)}被提供给lstm单元，下一次的值y(t+1)通过致密层从lstm单元的每个输出计算。lstm单元的数量对应着时间序列数据的大小，例如，数据集由时间t-2到时间t的三种状态组成，需要三个lstm单元来处理数据。通过致密层生成下一次时刻状态，致密层的输入大小也对应于lstm单元的输出大小。
[0092]
ukf网络b：
[0093]
可选的，如图4所示，所述ukf网络，包括ut层、传播计算层、迭代更新层和估计预测层；
[0094]
所述ut层用于通过无迹过渡生成所述预测状态向量的sigma点；
[0095]
所述传播计算层用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差；
[0096]
所述迭代更新层用于根据已有参数生成的sigma点，对状态向量和协方差以及卡尔曼增益进行更新；
[0097]
所述估计预测层用于基于所述状态向量和协方差以及卡尔曼增益，结合所述预测状态向量，得到所述当前时刻的下一时刻的状态向量的估计值。
[0098]
具体的，无迹过渡ut(unscented transition,ut)逼近非线性模型均值和协方差实际分布的一个重要途径是通过统计抽样的方法生成一组sigma点，这些点将引入到状态估计的预测和测量过程中。然后，这些点通过状态转移和测量函数进行传播，计算状态预测和协方差。ukf在动态非线性系统中考虑了三阶或更高阶状态转移矩阵的泰勒展开，并以更简单的实现获得了更好的精度。它兼顾了估计算法的速度和准确性。因此，本技术采用ukf进行状态估计，以保证电力系统的收敛性和准确性。
[0099]
根据历史估计构建预测状态向量为：
[0100][0101]
其中，表示第m个sigma点对应的预测状态向量。
[0102]
所述ut层用于通过无迹过渡生成所述预测状态向量的sigma点的执行逻辑为：
[0103][0104]
[0105][0106]
ζ
(0)
＝λ/(n+λ)
[0107]
ξ
(0)
＝λ/(n+λ)+(1-α2+β)
[0108]
ζ
(m)
＝ξ
(m)
＝1/2(n+λ)m＝1,2,
…
,2n
[0109]
其中，表示估计值；操作(
·
)m表示获取矩阵的第m列；n是状态向量的维数，它由m来索引；pi(k)关于为状态向量的误差协方差矩阵；为状态向量的sigma点；代表sigma点的初始值，也可以说是点集的中心点位置；λ＝α(n+κ)-n表示点的分布程度；α和β是关于加权矩阵值的参数；ζ
(m)
表示点集的密集程度，用来调整取点步长；ξ
(m)
表示根据取点步长初始值推算得到的第m个状态向量的步长。
[0110]
所述迭代更新层用于根据已有参数生成的sigma点，对状态向量和协方差以及卡尔曼增益进行更新，具体为：
[0111]
通过sigma点的传播计算下一次状态向量和协方差：
[0112][0113][0114][0115]
其中，符号(
·
)-表示预测值。
[0116]
在测量过程中，根据已有参数生成sigma点，更新下一次测量矢量和协方差：
[0117][0118][0119][0120][0121][0122][0123][0124]
其中，符号表示预测状态向量的点。p
i,z
(k+1)为测量向量的误差协方差矩阵；p
i,xz
(k+1)为状态与测量向量之间的误差协方差矩阵。
[0125]
计算下一次迭代的卡尔曼增益，得到状态向量的估计值：
[0126]
[0127][0128][0129]
其中，符号hi(k+1)表示为卡尔曼增益矩阵。
[0130]
进一步可选的，所述确定电力系统动态估计模型，还可以包括误差处理层c。
[0131]
所述误差处理层c，用于根据大数定律，采用多次采样的方法对高斯噪声的均值和方差进行误差归一化处理。
[0132]
具体的，估计过程中的协方差矩阵需要在迭代过程中进行判断，测量过程的高斯噪声di(k)是常量，取决于乘积的精度。但是，预测模型中的高斯噪声难以识别，虽然该预测能够有效地逼近真实值，但该体系结构的预测模型并不是绝对准确的。预测过程中应考虑并识别高斯噪声ri(k)，以提高收敛速度。与线性预测模型不同，神经网络可以通过损失归一化来量化预测误差。cnn-lstm中的误差为：
[0133][0134]
其中，s为预测值与估计值之间的误差，根据大数定律(law of large numbers，lln)，采用多次采样的方法对高斯噪声的均值和方差进行误差归一化处理。
[0135]
从上述的技术方案可以看出，本技术实施例提供的一种电力系统动态估计模型通过引入cnn和lstm结构，利用cnn网络进行预处理，构造时间序列数据集的向量，提高预测模型对数据的识别能力，进而提高传统动态状态预测估计下一时刻状态向量中的可靠性和准确性，lstm网络可以根据历史数据准确地预测状态，规避梯度增长过快或衰减的问题，有效提高了估计精度。同时本技术中提出适用于电力系统的ukf网络，通过生成sigma点并引入到状态估计的预测和测量过程中，实现对电力系统状态向量的真值的跟踪，兼顾了估计算法的速度和准确性。
[0136]
基于上述的电力系统动态估计模型结构，对一种电力系统动态估计方法进行介绍。
[0137]
图5为本技术实施例公开的一种电力系统动态估计方法流程图，如图5所示，该方法可以包括：
[0138]
步骤s1、获取当前时刻的时间序列数据集。
[0139]
步骤s2、确定电力系统动态估计模型。
[0140]
具体的，本技术为了进一步缩短检测时间，并提高检测效率，可以对电力系统动态估计模型进行在线训练。神经网络的显著优点是学习能力强，提高了运行过程中的预测性能。通过在线训练，预测值会更接近目标值。通过ukf对状态向量的估计为cnn-lstm架构提供了更准确的目标预测，使训练的收敛速度更快。采用均方误差来计算损耗。损失函数可以描述为：
[0141][0142]
更具体地，在本文进行的电力系统仿真环境中，可以选用ieee 33总线系统作为测试电力系统。pmu和scada的放置总线如表1所示，以确保对电力系统的观测；仿真参数如表2所示；利用cnn-lstm架构生成电力系统中各母线的预测如表3所示。
[0143]
cnn-lstm的输入矩阵由9个元素组成，内核的大小为2
×
1，卷积层有64个单元。
lstm的深度为2，每个深度的lstm细胞数为16个。为了避免神经网络的过拟合，引入了dropout方法，并将dropout参数设置为0.2。此外，训练数据来自于电力系统的实际历史状态向量。
[0144]
pmu和scada的总线布局
[0145][0146]
表1
[0147]
仿真相关参数
[0148][0149]
表2
[0150]
cnn-lstm结构
[0151][0152]
表3
[0153]
步骤s3、将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0154]
从上述的技术方案可以看出，本技术实施例提供的一种电力系统动态估计方法，通过获取当前时刻的时间序列数据集，并将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。其中，电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值。
[0155]
本技术通过引入cnn和lstm结构，利用cnn网络进行预处理，构造时间序列数据集的向量，提高预测模型对数据的识别能力，进而提高传统动态状态预测估计下一时刻状态向量中的可靠性和准确性，lstm网络可以根据历史数据准确地预测状态，规避梯度增长过快或衰减的问题，有效提高了估计精度。同时本技术中提出适用于电力系统的ukf网络，通过生成sigma点并引入到状态估计的预测和测量过程中，实现对电力系统状态向量的真值
的跟踪，兼顾了估计算法的速度和准确性。
[0156]
因此，本技术具有如下的优点：
[0157]
(1)利用cnn进行预处理，提高预测模型对数据的识别能力，进而提高预测估计结果的可靠性和准确性；
[0158]
(2)通过构建cnn-lstm预测模型，规避梯度增长过快或衰减的问题，可以根据历史数据准确地预测状态；
[0159]
(3)通过ukf网络实现对电力系统状态向量的真值的跟踪。
[0160]
本技术实施例提供的电力系统动态估计装置进行描述，下文描述的电力系统动态估计装置与上文描述的电力系统动态估计方法可相互对应参照。
[0161]
参见图6，图6为本技术实施例公开的一种电力系统动态估计装置的结构框图。
[0162]
如图6所示，所述电力系统动态估计装置可以包括：
[0163]
时间序列获取单元110，用于获取当前时刻的时间序列数据集；
[0164]
估计模型确定单元120，用于确定电力系统动态估计模型，所述电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
[0165]
状态向量预测单元130，用于将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0166]
从上述的技术方案可以看出，本技术实施例提供的一种电力系统动态估计，通过获取当前时刻的时间序列数据集，并将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。其中，电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值。
[0167]
本技术通过引入cnn和lstm结构，利用cnn网络进行预处理，构造时间序列数据集的向量，提高预测模型对数据的识别能力，进而提高传统动态状态预测估计下一时刻状态向量中的可靠性和准确性，lstm网络可以根据历史数据准确地预测状态，规避梯度增长过快或衰减的问题，有效提高了估计精度。同时本技术中提出适用于电力系统的ukf网络，通过生成sigma点并引入到状态估计的预测和测量过程中，实现对电力系统状态向量的真值的跟踪，兼顾了估计算法的速度和准确性。
[0168]
因此，本技术具有如下的优点：
[0169]
(1)利用cnn进行预处理，提高预测模型对数据的识别能力，进而提高预测估计结果的可靠性和准确性；
[0170]
(2)通过构建cnn-lstm预测模型，规避梯度增长过快或衰减的问题，可以根据历史数据准确地预测状态；
[0171]
(3)通过ukf网络实现对电力系统状态向量的真值的跟踪。
[0172]
在本技术的一些实施例中，所述电力系统动态估计模型的所述cnn-lstm网络可以由cnn网络和lstm网络构成；
[0173]
所述cnn网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，生成时序状态向量；
[0174]
所述lstm网络通过递归神经网络利用时间序列对所述时序状态向量进行分析，确定对所述当前时刻的下一时刻的预测状态向量。
[0175]
在本技术的一些实施例中，所述电力系统动态估计模型的所述cnn网络，可以包括卷积层、池化层和第一致密层；
[0176]
所述卷积层用于通过卷积运算对输入的所述当前时刻的时间序列数据集进行特征提取；
[0177]
所述池化层用于对所述卷积层所提取的特征做最大池化处理，生成池化状态特征；
[0178]
所述第一致密层用于对所述池化状态特征进行特征组合，生成时序状态向量。
[0179]
在本技术的一些实施例中，所述电力系统动态估计模型的所述lstm网络，可以包括lstm层和第二致密层；
[0180]
所述lstm层用于通过递归神经网络利用时间序列对所述时序状态向量进行信息增强，生成时序关联状态向量；
[0181]
所述第二致密层用于对所述时序关联状态向量进行特征组合，生成对所述当前时刻的下一时刻的预测状态向量。
[0182]
在本技术的一些实施例中，所述电力系统动态估计模型的所述lstm层可以由若干lstm单元组成，所述lstm层的执行逻辑可以描述为：
[0183][0184][0185][0186][0187][0188]
其中，j为根据时间序列输入向量维数的lstm单元个数；i表示电力系统中母线的编号；是输入向量的第j个元素；是第i总线的输出向量的第j个元素；是第i总线的第j个lstm单元的过程状态向量的第j个元素；分别表示第i总线的第j个lstm单元的输出门、遗忘门和输入门；p(
·
)和u(
·
)是双曲正切函数；σ(
·
)是点sigmoid函数；符号
⊙
表示相同大小的矩阵对应元素的乘法；t
i(
·
)
、v
i(
·
)
和分别是带有φ、ψ、标签的输入、输出和遗忘门的参数。
[0189]
在本技术的一些实施例中，所述电力系统动态估计模型的所述ukf网络，可以包括
ut层、传播计算层、迭代更新层和估计预测层；
[0190]
所述ut层用于通过无迹过渡生成所述预测状态向量的sigma点；
[0191]
所述传播计算层用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差；
[0192]
所述迭代更新层用于根据已有参数生成的sigma点，对状态向量和协方差以及卡尔曼增益进行更新；
[0193]
所述估计预测层用于基于所述状态向量和协方差以及卡尔曼增益，结合所述预测状态向量，得到所述当前时刻的下一时刻的状态向量的估计值。
[0194]
在本技术的一些实施例中，所述电力系统动态估计模型，还可以包括误差处理层，用于根据大数定律，采用多次采样的方法对高斯噪声的均值和方差进行误差归一化处理。
[0195]
本技术实施例提供的电力系统动态估计装置可应用于电力系统动态估计设备。图7设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0196]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0197]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0198]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0199]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0200]
获取当前时刻的时间序列数据集；
[0201]
确定电力系统动态估计模型，所述电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
[0202]
将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0203]
可选地，所述程序的细化功能和扩展功能可参照上文描述。
[0204]
本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
[0205]
获取当前时刻的时间序列数据集；
[0206]
确定电力系统动态估计模型，所述电力系统动态估计模型由cnn-lstm网络以及ukf网络构成，所述cnn-lstm网络用于对输入的所述当前时刻的时间序列数据集进行特征提取，并分析确定对所述当前时刻的下一时刻的预测状态向量，所述ukf网络用于通过sigma点的传播计算所述当前时刻对应的状态向量和协方差，并结合所述预测状态向量得到所述当前时刻的下一时刻的状态向量的估计值；
[0207]
将所述当前时刻的时间序列数据集输入到所述电力系统动态估计模型中，得到所
述电力系统动态估计模型输出的对所述当前时刻的下一时刻的状态向量的估计值。
[0208]
可选地，所述程序的细化功能和扩展功能可参照上文描述。
[0209]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0210]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0211]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。