基于深度迁移学习的时变拓扑下电力系统状态估计

臧海祥; 郭镜玮; 黄蔓云; 卫志农; 孙国强; 俞文帅

doi:10.7500/AEPS20210524003

您当前的位置：

首页 >

文章列表页 >

基于深度迁移学习的时变拓扑下电力系统状态估计

学术研究 | 更新时间：2025-06-16

- 基于深度迁移学习的时变拓扑下电力系统状态估计
- State Estimation for Power Systems with Time-varying Topology Based on Deep Transfer Learning
- 电力系统自动化 2021年45卷第24期页码：49-56
- 作者机构：
  
  河海大学能源与电气学院，江苏省南京市 211100
- 作者简介：
  
  臧海祥(1986—)，男，通信作者，博士，副教授，硕士生导师，主要研究方向：电力系统规划与运行分析、人工智能在电力系统中的应用。E-mail：zanghaixiang@hhu.edu.cn
  郭镜玮(1998—)，男，硕士研究生，主要研究方向：数据驱动状态估计。E-mail：657800307@qq.com
  黄蔓云(1991—)，女，博士，讲师，主要研究方向：互联大电网状态估计、中低压配电网态势感知。E-mail：hmy_hhu@yeah.net
- 基金信息：
  
  国家重点研发计划资助项目(2018YFB0904500)
- DOI：10.7500/AEPS20210524003
  中图分类号：
- 收稿日期：2021-05-24，
  
  修回日期：2021-07-04，
  
  网络出版日期：2021-08-25，
  
  纸质出版日期：2021-12-25
- 稿件说明：
移动端阅览
臧海祥,郭镜玮,黄蔓云等.基于深度迁移学习的时变拓扑下电力系统状态估计[J].电力系统自动化,2021,45(24):49-56.

ZANG Haixiang,GUO Jingwei,HUANG Manyun,et al.State Estimation for Power Systems with Time-varying Topology Based on Deep Transfer Learning[J].Automation of Electric Power Systems,2021,45(24):49-56.
臧海祥,郭镜玮,黄蔓云等.基于深度迁移学习的时变拓扑下电力系统状态估计[J].电力系统自动化,2021,45(24):49-56. DOI： 10.7500/AEPS20210524003.

ZANG Haixiang,GUO Jingwei,HUANG Manyun,et al.State Estimation for Power Systems with Time-varying Topology Based on Deep Transfer Learning[J].Automation of Electric Power Systems,2021,45(24):49-56. DOI： 10.7500/AEPS20210524003.

摘要

针对电力系统拓扑实时变化导致数据驱动状态估计器不可用的情况，提出一种基于深度迁移学习的数据驱动状态估计方法。将原拓扑海量历史数据训练得到的模型作为基础模型，当新拓扑实时量测数据更新时，加载和保存基础模型中特征提取层的权重和参数，只需要微调模型的全连接层，即可获得适应于新拓扑的神经网络，提高了数据驱动状态估计模型的自适应性和泛化性能。通过对IEEE标准系统和中国某实际省网的算例测试，并将其估计结果与加权最小二乘法和加权最小绝对值法进行比较。结果表明，在考虑拓扑时变性的情况下，该算法与上述2种物理算法相比具有更优的估计性能和估计效率。

Abstract

A data-driven state estimation method based on deep transfer learning is proposed for the situation that the data-driven state estimator is not available due to the real-time change of power system topology. The model obtained by training the massive historical data of the original topology is used as the base model. When the new topology is updated with real-time measurement data

the weights and parameters of the feature extraction layer in the base model are loaded and saved. Only fully connected layers of the model need to be fine-tuned to obtain a neural network adapted to the new topology

which improves the adaptiveness and generalization performance of the data-driven state estimation model. The estimation results are tested by arithmetic cases on the IEEE standard system and an actual provincial power grid of China

and compared with the weighted least squares method and weighted least absolute value method. The results show that the algorithm has better estimation performance and estimation efficiency compared with the above two physical algorithms when topological time-variability is considered.

关键词

Keywords

references

于尔铿 . 电力系统状态估计［M］. 北京：中国水利电力出版社， 1985 .

YU Erkeng . Power system state estimation ［M］. Beijing ： China Water & Power Press ， 1985 .

BARAN M E ， ABUR A . Power system state estimation ［M］. New York， USA ： John Wiley & Sons Inc ， 1999 .

李碧君，薛禹胜，顾锦汶，等 . 电力系统状态估计问题的研究现状和展望［J］. 电力系统自动化， 1998 ， 22 （ 11 ）： 53 - 60 .

LI Bijun ， XUE Yusheng ， GU Jinwen ， et al . Status quo and prospect of power system state estimation ［J］. Automation of Electric Power Systems ， 1998 ， 22 （ 11 ）： 53 - 60 .

SCHWEPPE F C . Power system static-state estimation Part Ⅲ： implementation ［J］. IEEE Transactions on Power Apparatus and Systems ， 1970 ， 89 （ 1 ）： 130 - 135 .

BIAN X M ， LI X R ， CHEN H M ， et al . Joint estimation of state and parameter with synchrophasors Part Ⅰ： state tracking ［J］. IEEE Transactions on Power Systems ， 2011 ， 26 （ 3 ）： 1196 - 1208 .

陈艳波，马进 . 一种双线性抗差状态估计方法［J］. 电力系统自动化， 2015 ， 39 （ 6 ）： 41 - 47 .

CHEN Yanbo ， MA Jin . A bilinear robust state estimation method for power systems ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 6 ）： 41 - 47 .

GARANAYAK P ， PANDA G . An adaptive linear neural network with least mean M -estimate weight updating rule employed for harmonics identification and power quality monitoring ［J］. Transactions of the Institute of Measurement and Control ， 2018 ， 40 （ 6 ）： 1936 - 1949 .

李超然，肖飞，樊亚翔，等 . 基于门控循环单元神经网络和Huber- M 估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法［J］. 电工技术学报， 2020 ， 35 （ 9 ）： 2051 - 2062 .

LI Chaoran ， XIAO Fei ， FAN Yaxiang ， et al . A hybrid approach to lithium-ion battery SOC estimation based on recurrent neural network with gated recurrent unit and Huber- M robust Kalman filter ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 9 ）： 2051 - 2062 .

郭烨，张伯明，吴文传 . 指数型目标函数电力系统抗差状态估计的解法与性能分析［J］. 中国电机工程学报， 2011 ， 31 （ 7 ）： 89 - 95 .

GUO Ye ， ZHANG Boming ， WU Wenchuan . Solution and performance analysis to a robust state estimation method with exponential objective function ［J］. Proceedings of the CSEE ， 2011 ， 31 （ 7 ）： 89 - 95 .

刘广一，戴仁昶，路轶，等 . 基于图计算的能量管理系统实时网络分析应用研发［J］. 电工技术学报， 2020 ， 35 （ 11 ）： 2339 - 2348 .

LIU Guangyi ， DAI Renchang ， LU Yi ， et al . Graph computing based power network analysis applications ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 11 ）： 2339 - 2348 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

缪家森，成丽珉，吕宏水 . 基于PSO-ELM的储能锂电池荷电状态估算［J］. 电力工程技术， 2020 ， 39 （ 1 ）： 165 - 169 .

MIAO Jiasen ， CHENG Limin ， LYU Hongshui . Estimation of state of charge of energy storage lithium battery based on PSO-ELM ［J］. Electric Power Engineering Technology ， 2020 ， 39 （ 1 ）： 165 - 169 .

赵巍岳，靳松，吕天成 . 基于神经网络的状态估计方法研究［J］. 电力系统保护与控制， 2018 ， 46 （ 22 ）： 109 - 115 .

ZHAO Weiyue ， JIN Song ， LYU Tiancheng . Research on state estimation based on artificial neural networks ［J］. Power System Protection and Control ， 2018 ， 46 （ 22 ）： 109 - 115 .

黄蔓云，孙国强，卫志农，等 . 基于脉冲神经网络伪量测建模的配电网三相状态估计［J］. 电力系统自动化， 2016 ， 40 （ 16 ）： 38 - 43 .

HUANG Manyun ， SUN Guoqiang ， WEI Zhinong ， et al . Three-phase state estimation in distribution systems based on pseudo measurement modeling using spiking neural network ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 16 ）： 38 - 43 .

ZAMZAM A S ， FU X ， SIDIROPOULOS N D . Data-driven learning-based optimization for distribution system state estimation ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 6 ）： 4796 - 4805 .

WENG Y ， NEGI R ， FALOUTSOS C ， et al . Robust data-driven state estimation for smart grid ［J］. IEEE Transactions on Smart Grid ， 2017 ， 8 （ 4 ）： 1956 - 1967 .

YU J F ， WENG Y ， RAJAGOPAL R . PaToPaEM： a data-driven parameter and topology joint estimation framework for time-varying system in distribution grids ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 3 ）： 1682 - 1692 .

JI X Q ， YIN Z Y ， ZHANG Y M ， et al . Real-time robust forecasting-aided state estimation of power system based on data-driven models ［J］. International Journal of Electrical Power & Energy Systems ， 2021 ， 125 ： 106412 .

方静，彭小圣，刘泰蔚，等 . 电力设备状态监测大数据发展综述［J］. 电力系统保护与控制， 2020 ， 48 （ 23 ）： 176 - 186 .

FANG Jing ， PENG Xiaosheng ， LIU Taiwei ， et al . Development trend and application prospects of big data-based condition monitoring of power apparatus ［J］. Power System Protection and Control ， 2020 ， 48 （ 23 ）： 176 - 186 .

赵晋泉，夏雪，徐春雷，等 . 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 1 - 10 .

ZHAO Jinquan ， XIA Xue ， XU Chunlei ， et al . Review on application of new generation artificial intelligence technology in power system dispatching and operation ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 1 - 10 .

程乐峰，余涛，张孝顺，等 . 机器学习在能源与电力系统领域的应用和展望［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 15 - 31 .

CHENG Lefeng ， YU Tao ， ZHANG Xiaoshun ， et al . Machine learning for energy and electric power systems： state of the art and prospects ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 15 - 31 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用综述［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chengshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

肖飞，叶康，邓祥力，等 . 基于最优编码集及智能状态估计的电网故障诊断方法［J］. 电力系统保护与控制， 2021 ， 49 （ 2 ）： 89 - 97 .

XIAO Fei ， YE Kang ， DENG Xiangli ， et al . A fault diagnosis method of a power grid based on an optimal coding set and intelligent state estimation ［J］. Power System Protection and Control ， 2021 ， 49 （ 2 ）： 89 - 97 .

WANG C ， CHEN D L ， CHEN J W ， et al . Deep regression adaptation networks with model-based transfer learning for dynamic load identification in the frequency domain ［J］. Engineering Applications of Artificial Intelligence ， 2021 ， 102 ： 104244 .

REN C ， XU Y . Transfer learning-based power system online dynamic security assessment： using one model to assess many unlearned faults ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 1 ）： 821 - 824 .

王浩，杨东升，周博文，等 . 基于并联卷积神经网络的多端直流输电线路故障诊断［J］. 电力系统自动化， 2020 ， 44 （ 12 ）： 84 - 92 .

WANG Hao ， YANG Dongsheng ， ZHOU Bowen ， et al . Fault diagnosis of multi-terminal HVDC transmission line based on parallel convolutional neural network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 12 ）： 84 - 92 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及恢复过程状态估计误差风险的配电网恢复决策

基于MCC-PCKF的跟网型变流器时变虚拟惯量与状态估计