三相不平衡配电网鲁棒状态估计方法、系统、介质及设备

本发明属于配电网，具体涉及一种三相不平衡配电网鲁棒状态估计方法、系统、介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、以光伏、风电为代表的分布式电源( distributed generator,简称 dg)在配电网中的接入比例不断上升。与输电网相比，配电网的三相参数不对称和三相负载不平衡特性是配电网状态估计( distribution network state estimation,简称 dnse)的一个难点，而 dg接入后，由于风、光等一次能源固有的波动性和随机性特点进一步加剧了配网不平衡度，给 dnse问题带来挑战。

3、随着配网结构的日益复杂和用户对供电质量要求的不断提高，作为配电管理系统重要组成部分的 dnse，其估计结果的精度越来越受重视。预测辅助状态估计( forecasting- aided state estimation,简称 fase)可以综合负荷和 dg的历史状态获得系统的状态预测值，有效提高了估计精度，由此在现代能源管理系统中得到了广泛应用。

4、据发明人了解，传统状态估计算法没有充分挖掘电力系统运行数据的深层特征，从而使状态估计的精度受限，深度学习理论的提出为解决该问题提供了新的思路。与传统算法相比，深度学习算法不仅可以有效处理海量信息之间的关系，还可以使得预测结果更加精确。部分学者也提出了相关理论方法：基于物理引导深度学习的电力系统状态估计算法将物理模型与深度学习算法相结合，提高了预测结果的精确性和鲁棒性，但是该算法没有考虑系统参数误差；基于神经网络的电压暂降估计方法引入了区域映射概念提高了特征提取能力，但忽略了 dg出力的影响；基于生成对抗网络的电力系统静态估计模型可以更好地捕捉系统状态的相关性，但是并未考虑非高斯噪声的影响。

技术实现思路

1、为了解决上述问题，本发明提出了一种三相不平衡配电网鲁棒状态估计方法、系统、介质及设备，基于数据挖掘与加权高斯过程回归( wgpr)预测三相不平衡配电系统鲁棒辅助状态估计，利用卷积神经网络（ convolutional neural networks，简称 cnn）-长短期记忆神经网络（ long short-term memory，简称 lstm）的预测值增强高斯过程回归( gaussian  process regression，简称 gpr)的性能，使得状态估计结果更为精确。

2、根据一些实施例，本发明的第一方案提供了一种三相不平衡配电网鲁棒状态估计方法，采用如下技术方案：

3、一种三相不平衡配电网鲁棒状态估计方法，包括：

4、获取三相不平衡配电网的量测数据；

5、判断所获取的量测数据是否存在异常；

6、当量测数据存在异常时，根据所获取的量测数据和预测模型，得到三相不平衡配电网的预测状态量；

7、当量测数据不存在异常时，根据所获取的量测数据和滤波模型，得到三相不平衡配电网的滤波结果；

8、根据所得到的三相不平衡配电网的预测状态量和滤波结果，得到三相不平衡配电网的状态估计结果，完成三相不平衡配电网的鲁棒状态估计。

9、作为一种或多种实施方式，所述预测模型采用卷积神经网络-长短期记忆神经网络模型，对所获取的量测数据进行归一化处理，通过卷积神经网络提取归一化处理后量测数据的细粒度特征，根据长短期记忆神经网络和所提取到的时间强相关性，通过构建时间序列模型，得到三相不平衡配电网的预测状态量。

10、作为一种或多种实施方式，将卷积神经网络-长短期记忆神经网络的状态预测值和高斯过程回归的状态滤波值，输入高斯过程回归模型实现加权回归，得出状态估计值。

11、作为一种或多种实施方式，根据配电网的历史状态量训练的卷积神经网络-长短期记忆神经网络得出的状态预测值和根据历史量测量和状态量训练的高斯过程回归模型得出的状态滤波值输入到高斯过程回归模型进行训练，得出高斯过程回归加权模型；再将卷积神经网络-长短期记忆神经网络得出的预测状态量和高斯回归模型得出的滤波结果，将得出的结果再次输入高斯过程回归模型中实现自适应加权，得到三相不平衡配电网的状态估计结果。

12、进一步的，在得到三相不平衡配电网的状态估计结果的过程中，利用高斯滤波结果和卷积神经网络-长短期记忆神经网络状态预测值重新训练，实现自适应加权。

13、作为一种或多种实施方式，所获取的三相不平衡配电网的量测数据包括节点有功功率、节点无功功率、支路有功功率和支路无功功率。

14、作为一种或多种实施方式，在判断所获取的量测数据是否存在异常的过程中，采用单分类支持向量机(ocsvm)算法对获取的量测数据进行数据异常的判断；具体的，

15、ocsvm算法从单类数据集构建决策函数。 w和 r分别为法向量和偏移相；为样本在高维空间的映射。为了尽可能地将样本点与原点分开，其公式如下。

16、

17、式中：为惩罚项，为了避免函数过拟合而添加到 函数中； n为训练数据集的大小； v为正则化参数，取值为[0,1]。

18、当使用ocsvm方法检测新样本时，决策函数通过核函数转换为下式：

19、

20、式中，为核函数。当时，认为时正常样本。时，认为是异常值。

21、根据一些实施例，本发明的第二方案提供了一种三相不平衡配电网鲁棒状态估计系统，采用如下技术方案：

22、一种三相不平衡配电网鲁棒状态估计系统，包括：

23、获取模块，其被配置为获取三相不平衡配电网的量测数据；

24、判断模块，其被配置为判断所获取的量测数据是否存在异常；当量测数据存在异常时，根据所获取的量测数据和预测模型，得到三相不平衡配电网的预测状态量；当量测数据不存在异常时，根据所获取的量测数据和滤波模型，得到三相不平衡配电网的滤波结果；

25、估计模块，其被配置为根据所得到的三相不平衡配电网的预测状态量和滤波结果，得到三相不平衡配电网的状态估计结果，完成三相不平衡配电网的鲁棒状态估计。

26、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

27、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的三相不平衡配电网鲁棒状态估计方法中的步骤。

28、根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

29、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的三相不平衡配电网鲁棒状态估计方法中的步骤。

30、与现有技术相比，本发明的有益效果为：

31、本发明利用 cnn- lstm的预测值增强 gpr算法的性能，使状态估计结果更精确；采用卷积神经网络 cnn对状态数据进行权重筛选，采用在预测时序数据方面具有显著优势的长短期记忆神经网络 lstm构建 cnn- lstm模型，在数据异常时以较高精度进行预测并快速输出状态量；通过 gpr对量测值进行建模，利用高斯模型对噪声干扰不敏感的特性，在核空间实现量测量与状态量线性化，从而提高估计的精确度，最终通过 gpr模型将状态预测值和状态估计值加权获得最终的状态估计结果。