專利名稱:適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法
技術(shù)領(lǐng)域:
本發(fā)明屬于電力系統(tǒng)狀態(tài)估計(jì)技術(shù)領(lǐng)域,尤其涉及一種適用于復(fù)雜節(jié)點(diǎn) 及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法。
背景技術(shù):
電力系統(tǒng)狀態(tài)估計(jì)中的一類方法就是把對(duì)電力系統(tǒng)狀態(tài)量的預(yù)測(cè)和估計(jì) 迭代結(jié)合起來,通過對(duì)己經(jīng)完成的估計(jì)時(shí)間序列的回歸,尋找到狀態(tài)變量運(yùn) 動(dòng)軌跡,對(duì)狀態(tài)變量的進(jìn)一步變化進(jìn)行預(yù)測(cè),把預(yù)測(cè)值作為迭代計(jì)算的出發(fā) 點(diǎn)完成對(duì)狀態(tài)量的估計(jì)。狀態(tài)估計(jì)的精度決定了現(xiàn)代電力系統(tǒng)能否準(zhǔn)確而全 面地掌握系統(tǒng)的實(shí)際運(yùn)行狀態(tài);狀態(tài)估計(jì)的實(shí)時(shí)性決定了現(xiàn)代電力系統(tǒng)能否 及時(shí)預(yù)測(cè)和分析系統(tǒng)的運(yùn)行趨勢(shì),對(duì)運(yùn)行中發(fā)生的各種問題提出對(duì)策,并決 定下一步的決策。因此狀態(tài)估計(jì)的實(shí)時(shí)性和準(zhǔn)確性在一定程度上決定了現(xiàn)代 電力系統(tǒng)的性能。
這類狀態(tài)估計(jì)方法的過程,其實(shí)質(zhì)就是一個(gè)回歸迭代過程。在這個(gè)過程 中,狀態(tài)估計(jì)主要處理對(duì)象是一系列時(shí)間斷面上的高維空間(網(wǎng)絡(luò))問題。具 體來說就是系統(tǒng)中各個(gè)節(jié)點(diǎn)以及支路量測(cè)點(diǎn)所量測(cè)到的功率電壓電流等量測(cè) 信息。這些信息經(jīng)過采樣和標(biāo)準(zhǔn)化處理之后在計(jì)算機(jī)系統(tǒng)中表現(xiàn)為按采樣時(shí) 間點(diǎn)排列的一組N維向量。在不考慮量測(cè)點(diǎn)配置的前提下,當(dāng)系統(tǒng)的拓?fù)浣Y(jié) 構(gòu)復(fù)雜性增加時(shí),向量的維數(shù)也相應(yīng)增加,并且各個(gè)節(jié)點(diǎn)和支路數(shù)據(jù)之間存 在著相當(dāng)?shù)年P(guān)聯(lián)性。存在著相關(guān)性也就意味著存在著信息冗余,這對(duì)后續(xù)預(yù) 測(cè)和估計(jì)步驟的計(jì)算速度和精度都有一定的影響,因此怎樣在盡量保持量測(cè)量能夠?yàn)楹竺娴臓顟B(tài)估計(jì)器提供足夠的信息的前提下,盡量約減數(shù)據(jù)的維數(shù), 以提高狀態(tài)估計(jì)的速度,成為這個(gè)領(lǐng)域研究的熱點(diǎn)問題。同時(shí)在狀態(tài)估計(jì)器 設(shè)計(jì)方面,由于電力系統(tǒng)一般積累了大規(guī)模的量測(cè)數(shù)據(jù),怎樣盡量充分地利 用這些歷史量測(cè)、狀態(tài)和系統(tǒng)參數(shù)組成的時(shí)間序列中包含的信息,通過回歸 方法建立系統(tǒng)模型,利用新增量測(cè)信息對(duì)狀態(tài)量進(jìn)行預(yù)測(cè),從而實(shí)現(xiàn)對(duì)系統(tǒng) 實(shí)時(shí)狀態(tài)的估計(jì),也是狀態(tài)估計(jì)設(shè)計(jì)中需要解決的一個(gè)重要問題。
針對(duì)第一個(gè)問題,本發(fā)明在量測(cè)量信息預(yù)處理的降維過程中引入一種通 過局部線性關(guān)系的聯(lián)合來揭示全局非線性結(jié)構(gòu)的非線性降維方法即局部線性 嵌入流形學(xué)習(xí)方法。其他的降維方法如獨(dú)立主成分方法沒有考慮數(shù)據(jù)在觀測(cè) 空間的全局與局部性質(zhì)。主成分分析在數(shù)據(jù)集是高度非線性時(shí),存在一定的
缺陷。與其他降維方法相比較,LLE方法基于流形學(xué)習(xí)能夠較好的解決以上 問題,并且在速度上更有優(yōu)勢(shì)。
針對(duì)第二個(gè)問題,本發(fā)明在狀態(tài)估計(jì)器的設(shè)計(jì)上引入了核匹配追蹤學(xué)習(xí) 機(jī)的方法對(duì)系統(tǒng)狀態(tài)量進(jìn)行預(yù)測(cè)和估計(jì)。相對(duì)于擴(kuò)展卡爾曼濾波、遺傳算法、 神經(jīng)網(wǎng)絡(luò)等系統(tǒng)建模方法,匹配追蹤學(xué)習(xí)機(jī)對(duì)于動(dòng)態(tài)系統(tǒng)建模具有良好的推 廣能力、只需要有限訓(xùn)練樣本、全局最優(yōu)和系統(tǒng)的理論基礎(chǔ)等方面的優(yōu)點(diǎn)并 且其生成的模型簡(jiǎn)單且稀疏,卻能夠具有與復(fù)雜的回歸預(yù)測(cè)方法如SVM近乎 相同的性能,具有更好的適應(yīng)性。由于在之前的步驟上對(duì)量測(cè)量的維數(shù)上進(jìn) 行了大規(guī)模的約減,降低了訓(xùn)練的時(shí)空復(fù)雜度,就可以在系統(tǒng)計(jì)算時(shí)間允許 的情況下盡量擴(kuò)大樣本規(guī)模,取得更好的預(yù)測(cè)精度。
發(fā)明內(nèi)容
本發(fā)明的目的在于,提供一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀 態(tài)估計(jì)方法,在盡量保持原有系統(tǒng)大規(guī)模量測(cè)樣本數(shù)據(jù)必要信息的前提下,實(shí) 現(xiàn)對(duì)大規(guī)模高維樣本數(shù)據(jù)的快速訓(xùn)練,并通過對(duì)樣本數(shù)據(jù)的學(xué)習(xí)訓(xùn)練,實(shí)現(xiàn)對(duì)系統(tǒng)狀態(tài)量的預(yù)測(cè)。
本發(fā)明的技術(shù)方案是, 一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài) 估計(jì)方法,其特征在于所述方法包括下列步驟
步驟1:選擇連續(xù)的r個(gè)時(shí)刻,在每個(gè)時(shí)刻測(cè)量電力系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)的注入
功率和支路功率,并將M個(gè)測(cè)量值納入到量測(cè)集合中,之后按照測(cè)量時(shí)刻的先
后順序,對(duì)r個(gè)時(shí)刻的測(cè)量值進(jìn)行排列,形成Mxr二維數(shù)組;
步驟2:選定適當(dāng)參數(shù),對(duì)所述Mxr二維數(shù)組進(jìn)行LLE非線性降維; 步驟3:對(duì)每個(gè)節(jié)點(diǎn)電壓幅值進(jìn)行樣本訓(xùn)練,生成電壓幅值樣本模型,并
利用生成的電壓幅值樣本模型,進(jìn)行節(jié)點(diǎn)電壓幅值預(yù)測(cè);
步驟4:對(duì)每個(gè)節(jié)點(diǎn)相角進(jìn)行樣本訓(xùn)練,生成相角樣本模型,并利用生成
的相角樣本模型,進(jìn)行節(jié)點(diǎn)相角預(yù)測(cè);
步驟5:利用牛頓拉夫遜迭代法進(jìn)行預(yù)測(cè)值修正,繼而獲得狀態(tài)估計(jì)值; 步驟6:將狀態(tài)估計(jì)值作為第r個(gè)時(shí)刻的狀態(tài)真值放置到狀態(tài)量集合中;
步驟7:取到第r+i個(gè)時(shí)刻為止的前r個(gè)時(shí)刻的量測(cè)數(shù)據(jù),重復(fù)步驟l到 步驟5,獲得第r+i個(gè)時(shí)刻的狀態(tài)估計(jì)值,實(shí)現(xiàn)滾動(dòng)預(yù)測(cè)。
所述步驟2包括下列步驟
步驟21:對(duì)于Mxr二維數(shù)組進(jìn)行標(biāo)準(zhǔn)化處理,去除其中的空數(shù)據(jù)和明顯 越界的錯(cuò)誤量測(cè)數(shù)據(jù);將處理后的二維數(shù)組表示為X二^,A,…,;c^i ",向量
《的維數(shù)為AT,其中M、M;
步驟22:設(shè)定樣本嵌入維數(shù)d和鄰域參數(shù)h 步驟23:計(jì)算出每個(gè)向量X,的鄰域點(diǎn);
步驟24:在X,的鄰域中,計(jì)算能最好地重構(gòu)每個(gè)X,的權(quán)值^.,使重構(gòu)后 的誤差最??;其中,誤差表達(dá)式為SU,-Z^、1、步驟25:由權(quán)值^.重構(gòu)低維嵌入向量《滿足重構(gòu)誤差最小;其中,重構(gòu)
誤差表達(dá)式為SW —SKT/;降維后的數(shù)據(jù)集y—x,^,…,;^i^組成
Z 乂'
的二維數(shù)組作為進(jìn)行下一步數(shù)據(jù)處理的輸入數(shù)據(jù);其中/ = 1,2,...,7; 7 = 1,2,...," 所述步驟3包括下列步驟
步驟31:將降維后的數(shù)組的前r-i個(gè)時(shí)刻的數(shù)據(jù)作為電壓幅值的訓(xùn)練樣本
的輸入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理;
步驟32:將前r-l個(gè)時(shí)刻的節(jié)點(diǎn)電壓幅值作為電壓幅值的訓(xùn)練樣本的輸出 數(shù)據(jù),加入到步驟31的電壓幅值的訓(xùn)練樣本中,構(gòu)成KMPLM電壓幅值訓(xùn)練 樣本;
步驟33:根據(jù)電壓幅值訓(xùn)練樣本特點(diǎn)選定合適的KMPLM電壓幅值訓(xùn)練 參數(shù)值;
步驟34:對(duì)KMPLM電壓幅值訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得電壓幅值的訓(xùn)練 模型;
步驟35:得到電壓幅值的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù), 計(jì)算得到r時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。 所述步驟4包括下列步驟
步驟4l:將降維后的數(shù)組的前r-l個(gè)時(shí)刻的數(shù)據(jù)作為相角的訓(xùn)練樣本的輸 入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理;
步驟42:將前r-l個(gè)時(shí)刻的節(jié)點(diǎn)相角作為相角的訓(xùn)練樣本的輸出數(shù)據(jù),加 入到步驟41的相角的訓(xùn)練樣本中,構(gòu)成KMPLM相角訓(xùn)練樣本;
步驟43:根據(jù)相角訓(xùn)練樣本特點(diǎn)選定合適的KMPLM相角訓(xùn)練參數(shù)值; 步驟44:對(duì)KMPLM相角訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得相角的訓(xùn)練模型; 步驟45:得到相角的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù),計(jì) 算得到r時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。所述步驟3和所述步驟4執(zhí)行的先后順序任意或者同時(shí)執(zhí)行。
所述樣本嵌入維數(shù)"小于等于r。
本發(fā)明在保證預(yù)測(cè)估計(jì)精度的前提下,使?fàn)顟B(tài)估計(jì)器在復(fù)雜節(jié)點(diǎn)和大規(guī)模 量測(cè)樣本存在的條件下,能夠在低維度的樣本數(shù)據(jù)上進(jìn)行模型訓(xùn)練,大大降低
了狀態(tài)估計(jì)器進(jìn)行預(yù)測(cè)估計(jì)的訓(xùn)練時(shí)間開銷;同時(shí)由于利用了系統(tǒng)歷史積累的 大規(guī)模量測(cè)數(shù)據(jù),能夠更好的得到狀態(tài)量的歷史變化規(guī)律,進(jìn)而很好滿足系統(tǒng) 狀態(tài)估計(jì)中對(duì)于精度和實(shí)時(shí)性的要求。
圖1是適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法流程圖; 圖2是LLE非線性降維方法流程圖。
具體實(shí)施例方式
下面結(jié)合附圖,對(duì)優(yōu)選實(shí)施例作詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是,下述說明僅 僅是示例性的,而不是為了限制本發(fā)明的范圍及其應(yīng)用。
在復(fù)雜節(jié)點(diǎn)存在大規(guī)模量測(cè)數(shù)據(jù),且對(duì)預(yù)測(cè)實(shí)時(shí)性和準(zhǔn)確性要求較高的 條件下, 一種好的回歸訓(xùn)練方法必須同時(shí)考慮訓(xùn)練所能達(dá)到的預(yù)測(cè)精度和時(shí) 空復(fù)雜度問題的影響,同時(shí)能夠有效克服樣本維數(shù)較大所帶來的訓(xùn)練效能劇 降所帶來的不利影響。KMPLM (Kernel Matching Pursuit Learning Machine, 核匹配追蹤學(xué)習(xí)機(jī))很好地解決了預(yù)測(cè)精度的問題,但在大規(guī)模和高維樣本 集下的訓(xùn)練時(shí)空復(fù)雜度太大。而LLE (Locally Linear Embedding,局部線性 嵌入)方法是通過局部線性關(guān)系的聯(lián)合來揭示全局非線性結(jié)構(gòu)的非線性降維 方法即局部線性嵌入流形學(xué)習(xí)方法,能夠在盡量保持觀測(cè)空間的全局與局部 性質(zhì)的前提下降低空間維數(shù),能夠解決KMPLM在大規(guī)模和高維樣本集下訓(xùn) 練時(shí)空復(fù)雜度大的問題。因此,本發(fā)明的解決思路是首先對(duì)量測(cè)量數(shù)據(jù)進(jìn)行LLE方法的維數(shù)約減,使之從高維空間數(shù)據(jù)映射為低維空間數(shù)據(jù),降低了 KMPLM的訓(xùn)練樣本維數(shù),可以增加對(duì)大規(guī)模量測(cè)數(shù)據(jù)量的支持,在利用 KMPLM進(jìn)行樣本訓(xùn)練和狀態(tài)量的預(yù)測(cè)的過程中可以增加訓(xùn)練樣本條數(shù),提 高了預(yù)測(cè)精度。從而解決了狀態(tài)估計(jì)中預(yù)測(cè)精度與訓(xùn)練時(shí)空復(fù)雜度的矛盾。 圖1是適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法流程圖。 圖1中,本發(fā)明提出的適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方 法包括下列步驟
步驟l:選擇連續(xù)的r個(gè)時(shí)刻,在每個(gè)時(shí)刻測(cè)量電力系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)的注入 功率和支路功率,并將M個(gè)測(cè)量值納入到量測(cè)集合中,之后按照測(cè)量時(shí)刻的先 后順序,對(duì)7個(gè)時(shí)刻的測(cè)量值進(jìn)行排列,形成Mx7二維數(shù)組。
步驟2:選定適當(dāng)參數(shù),對(duì)所述Mxr二維數(shù)組進(jìn)行LLE非線性降維。圖2 是LLE非線性降維方法流程圖,圖2中,Mxr二維數(shù)組進(jìn)行LLE非線性降維 包括下列步驟
步驟21:對(duì)于Mxr二維數(shù)組進(jìn)行標(biāo)準(zhǔn)化處理,去除其中的空數(shù)據(jù)和明顯 越界的錯(cuò)誤量測(cè)數(shù)據(jù);將處理后的二維數(shù)組表示為X^^,X2,…,;c,ei ^,向量
、的維數(shù)為M',其中M、M。
步驟22:設(shè)定樣本嵌入維數(shù)d和鄰域參數(shù)L LLE方法需要確定2個(gè)參數(shù), 嵌入后的維數(shù)J和樣本近鄰點(diǎn)的個(gè)數(shù)L降維的質(zhì)量與這2個(gè)參數(shù)有很大的關(guān) 系。如果"太高,降維時(shí)會(huì)增加噪聲;如果d太低,數(shù)據(jù)可能會(huì)產(chǎn)生重疊。如 果A太小,降維時(shí)不會(huì)體現(xiàn)任何全局的特性;如果^太大,降維時(shí)就會(huì)失去它 的非線性特性而變得像傳統(tǒng)的PCA(Principal Component Analysis,主成分分 析)。考慮到電力系統(tǒng)動(dòng)態(tài)狀態(tài)估計(jì)樣本特點(diǎn),雖然系統(tǒng)的量測(cè)數(shù)據(jù)較為豐富, 但由于每次預(yù)測(cè)都要對(duì)訓(xùn)練樣本進(jìn)行更新以滿足實(shí)時(shí)預(yù)測(cè)的要求,因此樣本條 數(shù)不應(yīng)過多,從而限制了降維前的二維數(shù)組的行數(shù),考慮到以上原因,選取的
10樣本條數(shù)應(yīng)在50-100條之間,即r在50-100之間。嵌入維數(shù)d的選取也必須要
小于樣本條數(shù),即小于r。對(duì)于樣本近鄰點(diǎn)的個(gè)數(shù)^參數(shù)選擇,應(yīng)在10-20之間。
例如IEEE14節(jié)點(diǎn)系統(tǒng),樣本維數(shù)大約為80-120維,樣本條數(shù)選取為50條, 則嵌入維數(shù)"的選取可以為25-45之間較為適合,^選取15較為適合。
步驟23:計(jì)算出每個(gè)向量x,.的鄰域點(diǎn),即取距離最近的/fc個(gè)鄰域點(diǎn)或固定
半徑f的球狀鄰域。
步驟24:在、的鄰域中,計(jì)算能最好地重構(gòu)每個(gè)《的權(quán)值^.,使重構(gòu)后
的誤差最??;其中,誤差表達(dá)式為Z^,-S^^12。 / = l,2,...,r; / = 1,2,..1。
i 乂
步驟25:由權(quán)值^.重構(gòu)低維嵌入向量"滿足重構(gòu)誤差最?。黄渲?,重構(gòu) 誤差表達(dá)式為SIX-Z^^l2;降維后的數(shù)據(jù)集y—乂,A,…,Xei^組成
' 乂
的二維數(shù)組作為進(jìn)行下一步數(shù)據(jù)處理的輸入數(shù)據(jù);其中"1,2,...了; y = l,2,...,/fc。
步驟3:對(duì)每個(gè)節(jié)點(diǎn)電壓幅值進(jìn)行樣本訓(xùn)練,生成電壓幅值樣本模型,并 利用生成的電壓幅值樣本模型,進(jìn)行節(jié)點(diǎn)電壓幅值預(yù)測(cè)。具體過程是
步驟3l:將降維后的數(shù)組的前r-l個(gè)時(shí)刻的數(shù)據(jù)作為電壓幅值的訓(xùn)練樣本
的輸入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理。
步驟32:將前r-l個(gè)時(shí)刻的節(jié)點(diǎn)電壓幅值作為電壓幅值的訓(xùn)練樣本的輸出 數(shù)據(jù),加入到步驟31的電壓幅值的訓(xùn)練樣本中,構(gòu)成KMPLM電壓幅值訓(xùn)練 樣本。默認(rèn)這r-l個(gè)時(shí)刻的電壓幅值是可以從SCADA(Supervisory Control And Data Acquisition,數(shù)據(jù)采集與監(jiān)視控制)系統(tǒng)歷史數(shù)據(jù)中獲得的??梢允侵邦A(yù)測(cè) 值,或者是歷史數(shù)據(jù)庫中已經(jīng)有的記錄。在第一次預(yù)測(cè)前必須由歷史數(shù)據(jù)提供 的,以后預(yù)測(cè)則用新預(yù)測(cè)出來的值進(jìn)行替換。
步驟33:根據(jù)電壓幅值訓(xùn)練樣本特點(diǎn)選定合適的KMPLM電壓幅值訓(xùn)練 參數(shù)值。步驟34:對(duì)KMPLM電壓幅值訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得電壓幅值的訓(xùn)練模型。
根據(jù)步驟2的降維結(jié)果,《為第/個(gè)時(shí)刻降維后的量測(cè)數(shù)據(jù),則加入的電 壓幅值的值為y,。
首先應(yīng)當(dāng)確定KMPLM的核函數(shù)K,由于徑向基函數(shù)具有較高的預(yù)測(cè)精度, 并且對(duì)噪聲不敏感,具有較廣泛的自適應(yīng)性。因此本發(fā)明采用徑向基函數(shù)作為 KMPLM方法的核函數(shù)。
利用給定的輸入樣本數(shù)據(jù)來求最優(yōu)的權(quán)系數(shù)和基函數(shù)數(shù)據(jù)。從訓(xùn)練數(shù)據(jù)集 中選x,x"求出^)(;c)^《Oc,Xi),然后利用m^l;;-v^d)(x,.)l的原則,求解出權(quán)
系數(shù)w「《)(x)xj;/l;;d)(x)12,再求出所有x,.對(duì)應(yīng)的權(quán)系數(shù)w,,將w,j(,.)(x)與輸
出的真值X之間差值最小的所對(duì)應(yīng)的A作為第一個(gè)基函數(shù)數(shù)據(jù)^ 。
假設(shè)已求出L個(gè)權(quán)系數(shù)和基函數(shù)數(shù)據(jù),利用KMP(Kernel Matching Pursuit,
核匹配追蹤)的思想,則第L+l個(gè)的求法如下
令力=3^-t^X(;c,^),從而將問題轉(zhuǎn)化為擬合力的問題。采用上一步的方
法可以求解出第L+l個(gè)基函數(shù)數(shù)據(jù),進(jìn)而利用已知的L+l個(gè)基函數(shù)數(shù)據(jù)采用后 反向預(yù)測(cè)方法尋優(yōu),求出全部L+l個(gè)權(quán)值,其計(jì)算為
= X .K(x,/1尺(x, I2 , 乂 = 1, 2,…,丄+1
z_+i — 其中,力=_y —S^K(x,x,)。
'力
令L = L+l,重復(fù)上一步,直至算法收斂。
對(duì)于判斷KMP算法是否收斂采用的方法是設(shè)定一個(gè)門限值,用于限定誤 差大小,利用此門限值來確定權(quán)系數(shù)的個(gè)數(shù),具體來說利用式J<X) = tWiiC(X,A + W。)以及已經(jīng)得到的基函數(shù)信息和權(quán)系數(shù),求出每次迭代時(shí)
的誤差參數(shù)&Hy-y(^1,為&設(shè)定一個(gè)門限值^,當(dāng)&小于^時(shí),則算法終
止,顯然仏越小,迭代次數(shù)越多。所以對(duì)于7/的選取應(yīng)從實(shí)際應(yīng)用情況下考慮,
如運(yùn)算器的運(yùn)算效率,估計(jì)的精度要求等等。
步驟35:得到電壓幅值的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù), 計(jì)算得到r時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。
由于KMPLM具有優(yōu)于SVM等方法的稀疏解特性,能夠更好的解決狀態(tài) 估計(jì)中預(yù)測(cè)的非線性問題,所以預(yù)測(cè)值大多可以收斂,判斷后可以直接用于下 一次的滾動(dòng)預(yù)測(cè)。 一定程度上節(jié)省了預(yù)測(cè)的時(shí)空開銷。
步驟4:對(duì)每個(gè)節(jié)點(diǎn)相角進(jìn)行樣本訓(xùn)練,生成相角樣本模型,并利用生成 的相角樣本模型,進(jìn)行節(jié)點(diǎn)相角預(yù)測(cè)。這個(gè)過程與步驟3類似,只是將降維后 的數(shù)據(jù)作為相角的訓(xùn)練樣本的輸入數(shù)據(jù),而輸出數(shù)據(jù)以節(jié)點(diǎn)相角作為相角的訓(xùn)
練樣本的輸出數(shù)據(jù)。其過程如下
步驟4l:將降維后的數(shù)組的前r-i個(gè)時(shí)刻的數(shù)據(jù)作為相角的訓(xùn)練樣本的輸 入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理。
步驟42:將前r-l個(gè)時(shí)刻的節(jié)點(diǎn)相角作為相角的訓(xùn)練樣本的輸出數(shù)據(jù),加 入到步驟41的相角的訓(xùn)練樣本中,構(gòu)成KMPLM相角訓(xùn)練樣本。
步驟43:根據(jù)相角訓(xùn)練樣本特點(diǎn)選定合適的KMPLM相角訓(xùn)練參數(shù)值。
步驟44:對(duì)KMPLM相角訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得相角的訓(xùn)練模型。獲 得模型的過程與步驟34類似,這里不再贅述。
步驟45:得到相角的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù),計(jì) 算得到T時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。
上述步驟3和步驟4執(zhí)行的先后順序可以任意,也可同時(shí)執(zhí)行。
步驟5:利用牛頓拉夫遜迭代法進(jìn)行預(yù)測(cè)值修正,繼而獲得狀態(tài)估計(jì)值。步驟6:將狀態(tài)估計(jì)值作為第r個(gè)時(shí)刻的狀態(tài)真值放置到狀態(tài)量集合中。
步驟7:取到第r+i個(gè)時(shí)刻為止的前r個(gè)時(shí)刻的量測(cè)數(shù)據(jù),重復(fù)步驟l 到步驟5,獲得第r+i個(gè)時(shí)刻的狀態(tài)估計(jì)值,實(shí)現(xiàn)滾動(dòng)預(yù)測(cè)。
電力系統(tǒng)狀態(tài)估計(jì)的量測(cè)量和狀態(tài)變量是時(shí)變的,用于支持向量訓(xùn)練的樣 本集是向前滾動(dòng)的,為保持訓(xùn)練速度,在新的樣本出現(xiàn)后即拋棄舊的樣本,考 慮到支持向量機(jī)的特點(diǎn)和電力系統(tǒng)狀態(tài)估計(jì)的實(shí)時(shí)性,樣本數(shù)據(jù)可以按照時(shí)間 先后依次流入一個(gè)定長(zhǎng)的數(shù)據(jù)隊(duì)列,使每一條樣本記錄按照時(shí)間點(diǎn)順序排列, 當(dāng)數(shù)據(jù)隊(duì)列滿時(shí),新的數(shù)據(jù)將最早流入的數(shù)據(jù)自動(dòng)刪除。按照這種方式,在預(yù) 測(cè)時(shí)就可以連續(xù)得到預(yù)測(cè)起始點(diǎn)后連續(xù)時(shí)間范圍內(nèi)的各個(gè)預(yù)測(cè)點(diǎn)的值,而不用 頻繁構(gòu)造樣本集和存儲(chǔ)多個(gè)針對(duì)不同預(yù)測(cè)時(shí)間段的預(yù)測(cè)模型。
本發(fā)明在保證預(yù)測(cè)估計(jì)精度的前提下,使?fàn)顟B(tài)估計(jì)器在復(fù)雜節(jié)點(diǎn)和大規(guī) 模量測(cè)樣本存在的條件下,能夠在低維度的樣本數(shù)據(jù)上進(jìn)行模型訓(xùn)練,大大
降低了狀態(tài)估計(jì)器進(jìn)行預(yù)測(cè)估計(jì)的訓(xùn)練時(shí)間開銷;同時(shí)由于利用了系統(tǒng)歷史
積累的大規(guī)模量測(cè)數(shù)據(jù),能夠更好的得到狀態(tài)量的歷史變化規(guī)律,進(jìn)而很好 滿足系統(tǒng)狀態(tài)估計(jì)中對(duì)于精度和實(shí)時(shí)性的要求。
以上所述,僅為本發(fā)明較佳的具體實(shí)施方式
,但本發(fā)明的保護(hù)范圍并不 局限于此,任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi),可 輕易想到的變化或替換,都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此,本發(fā)明 的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。
1權(quán)利要求
1.一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法,其特征在于所述方法包括下列步驟步驟1選擇連續(xù)的T個(gè)時(shí)刻,在每個(gè)時(shí)刻測(cè)量電力系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)的注入功率和支路功率,并將M個(gè)測(cè)量值納入到量測(cè)集合中,之后按照測(cè)量時(shí)刻的先后順序,對(duì)T個(gè)時(shí)刻的測(cè)量值進(jìn)行排列,形成M×T二維數(shù)組;步驟2選定適當(dāng)參數(shù),對(duì)所述M×T二維數(shù)組進(jìn)行LLE非線性降維;步驟3對(duì)每個(gè)節(jié)點(diǎn)電壓幅值進(jìn)行樣本訓(xùn)練,生成電壓幅值樣本模型,并利用生成的電壓幅值樣本模型,進(jìn)行節(jié)點(diǎn)電壓幅值預(yù)測(cè);步驟4對(duì)每個(gè)節(jié)點(diǎn)相角進(jìn)行樣本訓(xùn)練,生成相角樣本模型,并利用生成的相角樣本模型,進(jìn)行節(jié)點(diǎn)相角預(yù)測(cè);步驟5利用牛頓拉夫遜迭代法進(jìn)行預(yù)測(cè)值修正,繼而獲得狀態(tài)估計(jì)值;步驟6將狀態(tài)估計(jì)值作為第T個(gè)時(shí)刻的狀態(tài)真值放置到狀態(tài)量集合中;步驟7取到第T+1個(gè)時(shí)刻為止的前T個(gè)時(shí)刻的量測(cè)數(shù)據(jù),重復(fù)步驟1到步驟5,獲得第T+1個(gè)時(shí)刻的狀態(tài)估計(jì)值,實(shí)現(xiàn)滾動(dòng)預(yù)測(cè)。
2. 根據(jù)權(quán)利要求1所述的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法,其特征在于所述步驟2包括下列步驟步驟21:對(duì)于Mxr二維數(shù)組進(jìn)行標(biāo)準(zhǔn)化處理,去除其中的空數(shù)據(jù)和明顯越界的錯(cuò)誤量測(cè)數(shù)據(jù);將處理后的二維數(shù)組表示為1 = ^^2,...,、€/ ",向量X,.的 維數(shù)為M',其中M'SM;步驟22:設(shè)定樣本嵌入維數(shù)d和鄰域參數(shù)yt;步驟23:計(jì)算出每個(gè)向量X,的鄰域點(diǎn);步驟24:在、的鄰域中,計(jì)算能最好地重構(gòu)每個(gè)x,的權(quán)值^.,使重構(gòu)后的誤差最小;其中,誤差表達(dá)式為Sk-S^^l2;步驟25:由權(quán)值^重構(gòu)低維嵌入向量K滿足重構(gòu)誤差最??;其中,重構(gòu)誤差表達(dá)式為SlK-S^ZI、降維后的數(shù)據(jù)集y—X,h,…,xei^組成的二維數(shù)組作為進(jìn)行下一歩數(shù)據(jù)處理的輸入數(shù)據(jù);其中hl,2,…,r; ;=1,2,...,"
3. 根據(jù)權(quán)利要求1所述的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀 態(tài)估計(jì)方法,其特征在于所述歩驟3包括下列步驟步驟31:將降維后的數(shù)組的前r-i個(gè)時(shí)刻的數(shù)據(jù)作為電壓幅值的訓(xùn)練樣本的輸入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理;步驟32:將前r-i個(gè)時(shí)刻的節(jié)點(diǎn)電壓幅值作為電壓幅值的訓(xùn)練樣本的輸出數(shù) 據(jù),加入到步驟31的電壓幅值的訓(xùn)練樣本中,構(gòu)成KMPLM電壓幅值訓(xùn)練樣本;步驟33:根據(jù)電壓幅值訓(xùn)練樣本特點(diǎn)選定合適的KMPLM電壓幅值訓(xùn)練參 數(shù)值;步驟34:對(duì)KMPLM電壓幅值訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得電壓幅值的訓(xùn)練模型;步驟35:得到電壓幅值的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù), 計(jì)算得到r時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。
4. 根據(jù)權(quán)利要求1所述的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀 態(tài)估計(jì)方法,其特征在于所述步驟4包括下列步驟步驟4l:將降維后的數(shù)組的前r-i個(gè)時(shí)刻的數(shù)據(jù)作為相角的訓(xùn)練樣本的輸入數(shù)據(jù),并根據(jù)KMPLM訓(xùn)練樣本的格式要求對(duì)輸入數(shù)據(jù)進(jìn)行處理;步驟42:將前r-l個(gè)時(shí)刻的節(jié)點(diǎn)相角作為相角的訓(xùn)練樣本的輸出數(shù)據(jù),加入到步驟41的相角的訓(xùn)練樣本中,構(gòu)成KMPLM相角訓(xùn)練樣本;步驟43:根據(jù)相角訓(xùn)練樣本特點(diǎn)選定合適的KMPLM相角訓(xùn)練參數(shù)值;步驟44:對(duì)KMPLM相角訓(xùn)練樣本進(jìn)行訓(xùn)練,獲得相角的訓(xùn)練模型;步驟45:得到相角的訓(xùn)練模型后,以第r個(gè)時(shí)刻的數(shù)據(jù)作為輸入數(shù)據(jù),計(jì)算 得到r時(shí)刻的預(yù)測(cè)輸出數(shù)據(jù)。
5. 根據(jù)權(quán)利要求1所述的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀 態(tài)估計(jì)方法,其特征在于所述步驟3和所述步驟4執(zhí)行的先后順序任意或者同時(shí) 執(zhí)行。
6. 根據(jù)權(quán)利要求2所述的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀 態(tài)估計(jì)方法,其特征在T所述樣本嵌入維數(shù)d小于等于r。
全文摘要
本發(fā)明公開了電力系統(tǒng)狀態(tài)估計(jì)技術(shù)領(lǐng)域中的一種適用于復(fù)雜節(jié)點(diǎn)及大規(guī)模量測(cè)數(shù)據(jù)的快速狀態(tài)估計(jì)方法。包括分別將連續(xù)的T個(gè)時(shí)刻的M個(gè)測(cè)量值納入到量測(cè)集合中,形成M×T二維數(shù)組;對(duì)所述M×T二維數(shù)組進(jìn)行LLE非線性降維;對(duì)每個(gè)節(jié)點(diǎn)電壓幅值和相角分別進(jìn)行樣本訓(xùn)練,生成電壓幅值和相角樣本模型,并利用生成的樣本模型,進(jìn)行節(jié)點(diǎn)電壓幅值和相角預(yù)測(cè);利用牛頓拉夫遜迭代法進(jìn)行預(yù)測(cè)值修正,獲得狀態(tài)估計(jì)值;將狀態(tài)估計(jì)值作為第T個(gè)時(shí)刻的狀態(tài)真值放置到狀態(tài)量集合中;取到第T+1個(gè)時(shí)刻為止的前T個(gè)時(shí)刻的量測(cè)數(shù)據(jù),重復(fù)前述步驟,獲得第T+1時(shí)刻的狀態(tài)估計(jì)值,實(shí)現(xiàn)滾動(dòng)預(yù)測(cè)。本發(fā)明在保證預(yù)測(cè)精度的前提下,實(shí)現(xiàn)了對(duì)大規(guī)模高維樣本數(shù)據(jù)的快速訓(xùn)練和對(duì)系統(tǒng)狀態(tài)量的預(yù)測(cè)。
文檔編號(hào)G06N99/00GK101587154SQ20091008666
公開日2009年11月25日 申請(qǐng)日期2009年6月17日 優(yōu)先權(quán)日2009年6月17日
發(fā)明者李元誠, 珂 高 申請(qǐng)人:華北電力大學(xué)