基于GRU伪量测建模的动态状态估计方法

本发明属于电网智能化运行和管理，具体涉及一种基于gru伪量测建模的动态状态估计方法。

背景技术：

1、电力系统状态估计是电网实现智能化运行和管理的重要组成部分。其目的是通过对所采集测量数据的分析，实现对网络状态的实时感知，从而为电网运行优化、动态安全评估等高级应用提供坚实的理论依据和强大的数据支撑。然而，在当前实际电网中，基于数据采集与监视控制(supervisory control and data acquisition,scada)系统构建的传统量测体系难以全面覆盖整个网络，不仅限制了网络的可观性，也降低了状态估计算法的精度。随着高级量测体系的发展，采用高级量测系统(advanced metering infrastructure,ami)采集的数据和scada数据进行电力系统状态估计成为应对实际网络量测不足的重要研究方向之一。

2、ami数据和scada数据量测间隔的差异，使得实现高分辨率的状态估计仍然具有较大挑战，针对这个问题，目前主流解决方案分为两类，一类是借助人工智能方法实现弱量测条件下的状态估计，但这类方法仅依靠scada数据进行估计，在远离量测点的节点，其估计性能将大幅度下降。另外一类是通过生成实时的ami伪量测数据，并结合scada数据和ami伪量测数据，实现电力系统动态状态估计。但ami装置的量测间隔固定，其历史数据并不存在高分辨率的ami数据，进而增加了ami伪量测数据生成的难度。

技术实现思路

1、基于以上背景，本发明提出了一种基于门控循环单元(gated recurrent uni,gru)伪量测建模的动态状态估计方法，通过设置不同量测数据的匹配参考时段，构建scada-ami量测数据对，并基于量测数据对训练基于gru神经网络的ami伪量测数据生成模型，能够生成高分辨率的ami伪量测数据，从而实现以scada数据为时标的电力系统动态状态估计。

2、首先，以ami数据的更新时间为基准时刻，叠加scada数据的采集间隔，得到量测数据集的匹配参考时段，依据匹配参考时段内采集时间最相邻的scada数据和ami数据构建scada-ami量测数据对。其次，搭建基于gru的伪量测数据生成模型，并采用量测数据对训练所建模型，使得模型能够拟合scada数据和ami数据间的非线性关系。最后，在ami更新时刻，采用ami数据和scada数据进行动态状态估计，而在非ami更新时刻，则先生成ami的伪量测数据，进而依据伪量测数据和实时测量的scada数据，实现基于扩展卡尔曼滤波的电力系统动态状态估计。

3、本发明解决其技术问题具体采用的技术方案是：

4、一种基于gru伪量测建模的动态状态估计方法，其特征在于，通过设置不同量测数据的匹配参考时段，构建scada-ami量测数据对，并基于量测数据对训练基于gru神经网络的ami伪量测数据生成模型，以生成高分辨率的ami伪量测数据，从而实现以scada数据为时标的电力系统动态状态估计。

5、进一步地，首先，以ami数据的更新时间为基准时刻，叠加scada数据的采集间隔，得到量测数据集的匹配参考时段，依据匹配参考时段内采集时间最相邻的scada数据和ami数据构建scada-ami量测数据对；其次，搭建基于gru的伪量测数据生成模型，并采用量测数据对训练所建模型，使得模型能够拟合scada数据和ami数据间的非线性关系；最后，在ami更新时刻，采用ami数据和scada数据进行动态状态估计：先生成ami的伪量测数据，进而依据伪量测数据和实时测量的scada数据，实现基于扩展卡尔曼滤波的电力系统动态状态估计。

6、进一步地，构建scada-ami量测数据对具体包括以下步骤：

7、首先，确定量测数据集的匹配参考时段：

8、以ami数据的上传时刻为基准时刻，依据不同网络中scada数据上传的间隔，叠加至基准时刻，构建量测数据集的匹配参考时段；

9、

10、式中，tire表示第i个量测数据集的匹配参考时段；ti表示第i个ami量测数据的上传时刻；δt表示scada系统的量测间隔；

11、其次，构建scada-ami量测数据对：

12、以匹配参考时段为基准，确定所有与ami数据量测时刻最接近的scada量测数据，从而构建scada-ami量测数据对：

13、

14、式中，a和s分别表示ami量测数据和scada量测数据，其中，上标表示装有量测装备的节点编号，下标表示量测数据的测量时刻；p和q分别表示装有ami量测装置和scada量测装置的节点数量；n表示ami的测量时刻；n表示scada和ami的量测间隔之比。

15、进一步地，搭建基于gru的伪量测数据生成模型的过程具体为：

16、首先，将量测数据对进行归一化处理：

17、

18、式中，xi表示第i个节点ami数据或scada数据；表示第i个节点第j个量测数据；

19、其次，搭建伪量测数据生成模型，包括：

20、门控循环单元gru层：输入维度为1，隐含层节点数为64，循环神经网络的层数为2；

21、有效通道注意力eca层：输入维度为64；

22、激活函数relu层；

23、以及，全连接层：输入维度为64，输出维度为1；

24、最后，训练伪量测数据生成模型：

25、采用scada-ami量测数据对训练所建立的模型，其中，scada数据作为模型输入，ami数据作为模型输出；设置模型的损失函数为均方误差：

26、

27、式中，yi表示真实的ami量测数据；表示模型生成的伪量测数据；m表示ami量测数据的数量；

28、采用adam优化器对伪量测数据生成模型的网络权重参数进行迭代更新。

29、进一步地，基于卡尔曼滤波的电力系统动态状态估计具体包括以下步骤：

30、首先，设置量测量数据矩阵：

31、若在状态估计的目标时刻，ami数据更新，则直接使用该时刻下的ami数据和量测时刻最相邻的scada数据构成量测量数据矩阵；若目标时刻下ami数据未更新，则以该时刻下的scada数据为输入，借助伪量测数据生成模型，获取该时刻下ami的伪量测数据，进而采用ami伪量测数据和scada数据构成量测量数据矩阵；

32、其次，设置状态量为电压幅值和电压相角；预测状态量并计算误差协方差矩阵：

33、

34、式中，表示对于k+1时刻状态向量的预测值；表示对于k时刻状态向量的估计值；fk和gk分别表示状态量状态转移矩阵和控制向量；pk∣k和qk分别表示k时刻状态滤波的协方差矩阵和模型误差的方差矩阵；

35、接着，基于增益矩阵和量测量修正k+1时刻的状态向量估计值：

36、

37、

38、pk+1∣k+1＝(i-kk+1hk+1)pk+1∣k (8)

39、式中，和kk+1分别表示k+1时刻的状态量估计值和增益矩阵；h(·)表示量测方程；pk+1∣k+1和hk+1分别表示k+1时刻状态滤波的协方差矩阵和雅可比矩阵；i和rk+1分别表示单位矩阵和量测误差的方差矩阵；

40、最后，检测当前时刻k是否大于所设定的时刻，是则停止迭代，否则设置k＝k+1并返回至量测量数据矩阵设置模块。

41、进一步地，实现基于gru伪量测建模的动态状态估计的流程包括以下步骤：

42、s1：依据式(1)确定量测数据集的匹配参考时段；

43、s2：依据式(2)构建scada-ami量测数据对；

44、s3：依据式(3)将量测数据对进行归一化处理；

45、s4：搭建基于gru的伪量测数据生成模型，并采用adam优化器对伪量测数据生成模型的网络权重参数进行迭代更新；

46、s5：确定量测量数据矩阵，依据是否为ami数据的更新时刻，分别采用真实ami数据和ami伪量测数据构建量测量数据矩阵；

47、s6：依据式(5)-式(8)进行电力系统状态估计，并检测当前时刻k是否大于所设定的时刻，是则停止迭代，否则设置k＝k+1并返回至s5。

48、相比于现有技术，本发明及其优选方案以ami数据的更新时间为基准时刻，叠加scada数据的采集间隔，得到量测数据集的匹配参考时段，依据匹配参考时段内采集时间最相邻的scada数据和ami数据构建scada-ami量测数据对。其次，搭建基于gru的伪量测数据生成模型，并采用量测数据对训练所建模型，使得模型能够拟合scada数据和ami数据间的非线性关系。最后，在ami更新时刻，采用ami数据和scada数据进行动态状态估计，而在非ami更新时刻，则先生成ami的伪量测数据，进而依据伪量测数据和实时测量的scada数据，实现基于扩展卡尔曼滤波的电力系统动态状态估计。