联合粒子滤波和卷积神经网络的电力系统状态估计方法

作者：刘晓莉^*; 曾祥晖; 黄翊阳; 董凌; 张昊天; 刘大贵; 王学斌; 李永光; 邓长虹

来源：电网技术, 2020, 44(09): 3361-3367.

DOI：10.13335/j.1000-3673.pst.2020.0790

• 状态估计
• 融合量测
• 粒子滤波
• 卷积神经网络
• 贝叶斯模型

随着我国可再生能源入网比例的逐渐增加,电网的随机性、波动性增大,电网拓扑结构日益复杂,这些因素使电网的安全稳定运行面临巨大的挑战。因此,对电力系统的运行状态进行实时监测、分析和控制就显得愈发关键和紧迫。融合电力系统中的向量测量单元(phasor measurement unit,PMU)和远程终端单元(remote terminal unit,RTU)数据,利用粒子滤波和卷积神经网络,提出离线学习和在线状态估计的电网状态估计方法。离线学习部分,先利用历史RTU/PMU量测融合数据,分析系统注入功率的概率分布,再通过粒子滤波算法,利用蒙特卡洛采样,生成训练样本训练卷积神经网络;在线状态估计部分,将实时PMU量测数据预处理后,注入从离线学习部分训练获得的神经网络,完成对电力系统的实时状态估计。仿真结果表明,相比常用的最小二乘算法,所提方法在状态估计的精度和鲁棒性方面都有所改善,并有望在电力系统实时状态估计中发挥作用。

• 单位
  自动化学院; 国网电力科学研究院; 国网青海省电力公司; 武汉大学