联合粒子滤波和卷积神经网络的电力系统状态估计方法

摘要：

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.

关键词：状态估计、融合量测、粒子滤波、卷积神经网络、贝叶斯模型

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划;国家电网有限公司总部科技项目

在线出版日期：2020-09-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3361-3367