(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111325799.8 (22)申请日 2021.11.10 (71)申请人 国网山东省电力公司青岛供电公司 地址 266000 山东省青岛市 市南区刘家峡 路17号 (72)发明人 张心怡　盖午阳　张玉敏　吉兴权　 王泽　张小龙　赵祥君　张子衿　 陈磊　盛吉正　李冰　朱晓晔　 张婷婷　白建勋　白志轩　张川　 张琰　李佳奇　张桂韬　郎一凡　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 祖之强 (51)Int.Cl. G06F 30/27(2020.01)G06Q 50/06(2012.01) G06F 119/02(2020.01) (54)发明名称 基于深度学习的电力系统鲁棒状态估计方 法及系统 (57)摘要 本发明提供了一种基于深度学习的电力系 统鲁棒状态估计方法及系统， 获取电力系统的运 行参量数据； 对获取的运行参量数据进行异常 和/或缺失判断； 当存在异常和/或缺失时， 根据 获取的运行参量数据和内核岭回归模 型， 得到鲁 棒状态估计结果； 当存在异常和/或缺失时， 采用 注意力机制的卷积神经网络对运行参量数据进 行权重筛选， 根据长短期记忆神经网络， 得到鲁 棒状态估计结果； 本发明克服了电力系统状态估 计中量测量存在非高斯噪声、 预测精度低和时效 性差的问题， 提高了 鲁棒状态估计的准确性。 权利要求书1页 说明书13页 附图4页 CN 114021465 A 2022.02.08 CN 114021465 A 1.一种基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 包括以下 过程： 获取电力系统的运行参 量数据； 对获取的运行参 量数据进行异常和/或缺失判断； 当存在异常和/或缺失时， 根据获取的运行参量数据和内核 岭回归模型， 得到鲁棒状态 估计结果； 当存在异常和/或缺失时， 采用注意力机制的卷积神经网络对运行参量数据进行权重 筛选， 根据长短期记 忆神经网络， 得到 鲁棒状态估计结果。 2.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 采用支持向量机模型对获取的运行参 量数据进行异常和/或缺失判断。 3.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 采用注意力机制的卷积神经网络对运行参 量数据进行权 重筛选， 包括： 对预处理后的运行参量数据区分强弱特征， 去 除弱相关性特征， 提取强相关特征作为 长短期记 忆神经网络的输入。 4.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 运行参量数据的过程噪声与量测噪声均服从非高斯分布。 5.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 内核岭回归模型中， 采用核方法将数据特征值映射到高维空间， 对样本点的关系进行 线性化。 6.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 对获取的运行参 量数据进行归一 化处理后再输入到模型中。 7.如权利要求1所述的基于深度学习的电力系统鲁棒状态估计方法， 其特 征在于： 运行参量数据包括有功 功率和无功 功率。 8.一种基于深度学习的电力系统鲁棒状态估计系统， 其特 征在于： 包括： 数据获取模块， 被 配置为： 获取电力系统的运行参 量数据； 数据判断模块， 被 配置为： 对获取的运行参 量数据进行异常和/或缺失判断； 第一估计模块， 被配置为： 当存在异常和/或缺失时， 根据获取的运行参量数据和内核 岭回归模型， 得到 鲁棒状态估计结果； 第二估计模块， 被配置为： 当存在异常和/或缺失时， 采用注意力机制的卷积神经网络 对运行参 量数据进行权 重筛选， 根据长短期记 忆神经网络， 得到 鲁棒状态估计结果。 9.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 该程序被处理器执行时实 现如权利要求1 ‑7任一项所述的基于深度学习的电力系统鲁棒状态估计方法中的步骤。 10.一种电子设备， 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， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7任一项所述的基于深度学 习的电力系统鲁棒状态估计方法中的步骤。权　利　要　求　书 1/1 页 2 CN 114021465 A 2基于深度学习的电力系统鲁棒 状态估计方 法及系统 技术领域 [0001]本发明涉及电力系统状态估计技术领域， 特别涉及一种基于深度学习的电力系统 鲁棒状态估计方法及系统。 背景技术 [0002]本部分的陈述仅仅是提供了与本发明相关的背景技 术， 并不必然构成现有技 术。 [0003]电力系统状态估计是能源管理系统的核心组成部分， 为其提供精度可靠的系统状 态实时信息， 对电力系统的安全与经济运行起到 至关重要的作用。 [0004]目前， 主要的电力系统状态估计方法： 包括静态估计(Static  State Estimation， SSE)、 动态状态估计(Dynamic  State Estimation， DSE)、 跟踪状态估计(Tracking  State  Estimation， TSE)和预测辅助状态估计(Forecasting ‑Aided State Estimation， FASE)。 其 中， FASE作为DSE的特殊应用， 基于准稳态与动态的系统状态建立状态转换模型， 为后续电 网运行控制提供有效数据。 估计精度和时效性是衡量电力系统状态估计性能的重要指标。 [0005]有研究人员提出一种基于伪量测自适应插值策略的插值强跟踪扩展卡尔曼滤波 (Extended  Kalman Filter， E KF)状态估计方法， 该方法在E KF的基础上引入强跟踪理论， 利 用强跟踪扩展卡尔曼滤波对增益矩阵进行在线调整， 增强了算法鲁棒性。 有研究人员基于 无迹卡尔曼滤波(U nscented Kalman Filter， UKF)， 引入渐消记忆指数加权的Sage ‑Husa噪 声统计估值器实时估计噪声的方差与均值， 可提升估计精度。 为减少计算量， 该方法采取了 较少的采样点， 所以其运算速度相较于传统UKF有所提升， 但在状态量维度升高时， 该方法 时效性有待检验。 为进一步提升状态估计的性能， NarriYadaiah首次将深度学习方法应用 于电力系统状态估计中。 由于深度学习算法具有强大 的数据分析和预测能力， 可使状态估 计的精度和 时效性得以有效提升。 有研究人员提出了一种基于深度学习的数据驱动的方 法， 该方法可以较准确 地填补丢失的电源测量单元数据， 而无需依赖测 量单元的可观察性 和网络拓扑。 有研究人员针对大规模状态估计问题提出了一种基于深度神经网络的电力系 统快速状态估计方法， 以相关性分析方法筛选特征输入， 通过含噪声量测增广训练样本以 提高模型 的抗差能力， 但未考虑非高斯噪声的情况。 有研究人员基于粒子滤波和卷积神经 网络， 提出了离线学习和在线状态估计的电力系统状态估计方法。 离线学习部分通过粒子 滤波算法生成训练样本训练卷积神经网络； 在线估计部分将实时量测数据预处理后， 注入 离线学习获得 的神经网络， 完成对电力系统的实时状态估计， 但该方法仅在小规模系统中 针对加权最小二乘方法进行对比仿真， 在大规模系统中的估计性能有待进一步验证。 针对 电力系统状态估计中量测量存在非高斯噪声、 预测精度不高和时效性差的问题。 发明内容 [0006]为了解决现有技术的不足， 本发明提供了一种基于深度学习的电力系统鲁棒状态 估计方法及系统， 克服了电力系统状态估计中量测量存在非高斯噪声、 预测精度低和时效 性差的问题， 提高了 鲁棒状态估计的准确性。说　明　书 1/13 页 3 CN 114021465 A 3