本发明属于配电网,特别涉及一种配电网状态估计方法、系统、设备及介质。
背景技术:
1、随着太阳能、风能等分布式新能源发电系统以及新能源汽车大量接入配电网系统,配电网单项潮流的特性发生了极大改变,整个配电网系统变得更加复杂;且由于分布式发电系统和电源的随机性和波动性,配电网的状态变化频繁。配电网作为整个电力系统的终端,与大量用户直接连接,配电网运行状态的稳定性对供电可靠性直接相关;此外,配电网作为分布式发电的主要接入形式,是实现“双碳”目标的巨大推力。综上,构建准确、实时、高效的配电网运行状态计算系统具有重要的作用。
2、随着人工智能技术的发展,深度学习算法广泛应用于配电网状态估计中,与传统的机器学习算法不同,深度学习算法需要提供大量的训练数据。进一步解释性的,配电网设备具有规模庞大、覆盖范围广泛以及位置分布散乱的特点,相较于主网的冗余量测设备部署方式,配电网的量测需要更大的投资和运维成本,经济可行性不高;量测设备的覆盖不全面、台账信息的误差、量测设备的故障以及数据传输的延迟或缺失等因素,导致量测数据不足,使得深度学习算法不能充分挖掘数据信息,无法精确预测或估算到配电网的运行状态。
3、另外,制约模型预测精度的因素还包括模型超参数的设定。进一步解释性的,现有的智能优化算法主要有粒子群算法、灰狼优化算法、鲸鱼优化算法和蚁群算法等,上述现有算法均有较好的参数优化效果;但是,在处理复杂数据时,上述现有算法容易陷入局部寻优中,导致模型预测精度无法进一步提升。
技术实现思路
1、本发明的目的在于提供一种配电网状态估计方法、系统、设备及介质,以解决上述存在的一个或多个技术问题。本发明提供的技术方案,能够实现对配电网运行状态的有效估计,且具有较高的估算精度。
2、为达到上述目的,本发明采用以下技术方案:
3、本发明第一方面,提供一种配电网状态估计方法,包括以下步骤:
4、获取配电网的量测数据,通过生成对抗神经网络对所述量测数据进行增强,获得增强后数据;
5、基于所述增强后数据,采用由改进的鲸鱼优化算法优化后的门控循环单元神经网络进行运行状态估计,获得配电网状态估计结果;
6、其中,所述改进的鲸鱼优化算法,通过引入非线性递减因子、自适应权值因子和最佳领域扰动对标准鲸鱼优化算法进行改进获得。
7、本发明方法的进一步改进在于,所述量测数据包括馈线关键设备的电流、电压、有功、无功以及开关状态数据。
8、本发明方法的进一步改进在于,所述生成对抗神经网络的训练步骤包括:
9、以真实量测样本作为输入,交替训练生成器和判别器进行量测数据增强,达到预设收敛条件后获得训练好的生成对抗神经网络;其中,所述生成器的目标是生成趋近真实的假量测样本,以欺骗所述判别器;所述判别器的目标是趋近准确区分出真实量测样本和假量测样本;
10、其中,所述生成对抗神经网络采用的损失函数为,
11、
12、式中,v(d,g)表示生成对抗神经网络的损失函数;e表示期望值;pdata(x)表示目标函数的数据分布;d(x)表示真实数据经判别器后的输出;pz(z)表示基地函数的数据分布;g(z)表示生成器得到的数据;d(g(z))表示生成数据经过判别器后的输出;
13、所述判别器的损失函数jd为,
14、
15、所述生成器的损失函数jg为,
16、jg=-jd。
17、本发明方法的进一步改进在于,所述标准鲸鱼优化算法的参数寻优过程包括围捕猎物阶段、气泡网捕食阶段和搜索猎物阶段;其中,
18、所述围捕猎物阶段是通过寻找当前最优解来对周围的解进行优化,表示为,
19、
20、式中,t表示算法的迭代次数;表示搜索个体与鲸鱼的位置距离;表示当前最优解的位置向量;和分别表示在第t和第t+1次迭代时鲸鱼的位置向量;和表示系数向量,α表示线性递减因子;r1和r2表示[0,1]之间的任意值;
21、所述气泡网捕食阶段是算法的全局搜索机制,通过在搜索空间中随机分布试验解来寻找全局最优解,分为收缩包围机制和螺旋更新位置两种策略;其中,所述收缩包围机制为,α在[2,0]区间上进行线性递减,系数向量的搜索范围随之压缩,确定算法的最优解其中,式中,tmax表示最大迭代次数;所述螺旋更新位置为,在计算鲸鱼与猎物之间的距离时,采用螺旋更新方式进行优化搜索,表示为,式中,表示鲸鱼与目标物间的距离;b表示螺线更新参数;l∈[0,1]的随机量;
22、所述搜索猎物阶段是通过在搜索空间中进行随机搜索来寻找新的可行解,表示为,
23、
24、式中,表示随机鲸鱼的位置向量。
25、本发明方法的进一步改进在于,所述改进的鲸鱼优化算法中,
26、引入非线性递减因子β替换所述标准鲸鱼优化算法中的线性递减因子α,
27、引入自适应权值因子ω(t),使用公式对公式和公式进行更新;其中,p∈[0,1],用于决定鲸鱼应该选择气泡捕食策略还是收缩包围策略,
28、在所述标准鲸鱼优化算法的围捕猎物阶段引入最佳领域扰动;其中,表示更新后的位置,在算法的全局寻优中,如果比原先位置更佳,则被更新为全局最优解;反之,则不变。
29、本发明第二方面,提供一种配电网状态估计系统,包括:
30、数据获取及增强模块,用于获取配电网的量测数据,通过生成对抗神经网络对所述量测数据进行增强,获得增强后数据;
31、运行状态估计模块,用于基于所述增强后数据,采用由改进的鲸鱼优化算法优化后的门控循环单元神经网络进行运行状态估计,获得配电网状态估计结果;
32、其中,所述改进的鲸鱼优化算法,通过引入非线性递减因子、自适应权值因子和最佳领域扰动对标准鲸鱼优化算法进行改进获得。
33、本发明系统的进一步改进在于,所述量测数据包括馈线关键设备的电流、电压、有功、无功以及开关状态数据。
34、本发明系统的进一步改进在于,所述数据获取及增强模块中,所述生成对抗神经网络的训练步骤包括:
35、以真实量测样本作为输入,交替训练生成器和判别器进行量测数据增强,达到预设收敛条件后获得训练好的生成对抗神经网络;其中,所述生成器的目标是生成趋近真实的假量测样本,以欺骗所述判别器;所述判别器的目标是趋近准确区分出真实量测样本和假量测样本;
36、其中,所述生成对抗神经网络采用的损失函数为,
37、
38、式中,v(d,g)表示生成对抗神经网络的损失函数;e表示期望值;pdata(x)表示目标函数的数据分布;d(x)表示真实数据经判别器后的输出;pz(z)表示基地函数的数据分布;g(z)表示生成器得到的数据;d(g(z))表示生成数据经过判别器后的输出;
39、所述判别器的损失函数jd为,
40、
41、所述生成器的损失函数jg为,
42、jg=-jd。
43、本发明系统的进一步改进在于,所述运行状态估计模块中,所述标准鲸鱼优化算法的参数寻优过程包括围捕猎物阶段、气泡网捕食阶段和搜索猎物阶段;其中,
44、所述围捕猎物阶段是通过寻找当前最优解来对周围的解进行优化,表示为,
45、
46、式中,t表示算法的迭代次数;表示搜索个体与鲸鱼的位置距离;表示当前最优解的位置向量;和分别表示在第t和第t+1次迭代时鲸鱼的位置向量;和表示系数向量,α表示线性递减因子;r1和r2表示[0,1]之间的任意值;
47、所述气泡网捕食阶段是算法的全局搜索机制,通过在搜索空间中随机分布试验解来寻找全局最优解,分为收缩包围机制和螺旋更新位置两种策略;其中,所述收缩包围机制为,α在[2,0]区间上进行线性递减,系数向量的搜索范围随之压缩,确定算法的最优解其中,式中,tmax表示最大迭代次数;所述螺旋更新位置为,在计算鲸鱼与猎物之间的距离时,采用螺旋更新方式进行优化搜索,表示为,式中,表示鲸鱼与目标物间的距离;b表示螺线更新参数;l∈[0,1]的随机量;
48、所述搜索猎物阶段是通过在搜索空间中进行随机搜索来寻找新的可行解,表示为,
49、
50、式中,表示随机鲸鱼的位置向量。
51、本发明系统的进一步改进在于,所述运行状态估计模块中,所述改进的鲸鱼优化算法中,
52、引入非线性递减因子β替换所述标准鲸鱼优化算法中的线性递减因子α,
53、引入自适应权值因子ω(t),使用公式对公式和公式进行更新;其中,p∈[0,1],用于决定鲸鱼应该选择气泡捕食策略还是收缩包围策略,
54、在所述标准鲸鱼优化算法的围捕猎物阶段引入最佳领域扰动;其中,表示更新后的位置,在算法的全局寻优中,如果比原先位置更佳,则被更新为全局最优解;反之,则不变。
55、本发明第三方面,提供一种电子设备,包括:
56、至少一个处理器;以及,
57、与所述至少一个处理器通信连接的存储器;其中,
58、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如本发明第一方面中任一项所述的配电网状态估计方法。
59、本发明第四方面,提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面中任一项所述的配电网状态估计方法。
60、与现有技术相比,本发明具有以下有益效果:
61、本发明公开了一种基于数据增强技术的配电网状态估计方法,其主要包括基于生成对抗神经网络进行数据增强、基于改进的鲸鱼优化算法进行网络参数优化、基于参数优化后的门控循环单元神经网络完成配电网运行状态估计。进一步具体解释性的,本发明技术方案中,使用生成对抗神经网络进行数据增强,降低量测数据不足对配电网运行状态的估计结果;使用非线性递减因子、自适应权值因子和最佳领域扰动对标准鲸鱼优化算法进行改进,提升鲸鱼优化算法的收敛速率和参数优化能力;使用改进的鲸鱼优化算法确定门控循环单元神经网络的最优超参数组合,参数优化后的门控循环单元神经网络能够实现对配电网运行状态的有效估计。