[发明专利]基于深度信念网络伪量测建模的配电网状态估计方法

权利要求书

1.一种基于深度信念网络伪量测建模的配电网状态估计方法，其特征在于包括如下步骤：

步骤1，将负荷历史值、气象信息、日期类型输入深度信念网络对其进行训练获取伪量测；

所述步骤1中，采用深度信念网络对节点的伪量测功率进行建模，具体过程为：

步骤11，采用两个受限玻尔兹曼机和一个BP神经网络构成深度信念网络模型，受限玻尔兹曼机是由一个可见层和一个隐含层构成的对称、无自反馈的随机神经网络模型，层内神经元无连接，层间神经元通过权重全连接，网络中神经元只有未激活、激活两种状态，用二进制0和1表示；

受限玻尔兹曼机是一种基于能量的模型，令n、m分别为可见层和隐含层神经元的个数，v_i、h_j分别为可见层第i个神经元的状态和隐含层第j个神经元的状态，状态确定的受限玻尔兹曼机系统所具有的能量表示为：

式中，θ＝{a_i,b_j,W_ij}是受限玻尔兹曼机的参数；当参数确定时，得到给定状态的联合分布概率：

式中：Z(θ)为归一化因子；当可见层各神经元的状态给定时，隐含层第j个神经元的激活概率为：

同理，隐含层各神经元的状态给定时，可见层第i个神经元的激活概率为：

式中为sigmoid激活函数；

步骤12，在伪量测建模时首先对深度信念网络进行训练，确定连接权重与神经元偏置；

步骤13，输入负荷历史值、气象信息、日期类型，采用无监督贪心算法训练第一个受限玻尔兹曼机，完成后将该受限玻尔兹曼机隐含层输出作为后一个受限玻尔兹曼机输入并对其进行训练；

步骤14，采用BP神经网络的反向传播算法对参数进行微调，将最后一个受限玻尔兹曼机的隐含层作为传统BP神经网络的输入使模型收敛到最优点；

步骤2，读取网络参数进行潮流计算，状态估计的实时量测数据由潮流计算结果叠加服从高斯分布的随机噪声获得；

步骤3，节点电压赋初值，三相电压幅值初值v_ABC＝[1,1,1]，三相电压相角初值δ_ABC＝[0,-2/3π,2/3π]；

步骤4，功率量测和支路电流幅值量测转换为等效电流量测，状态变量为节点电压的实部和虚部，则雅克比矩阵为常数，计算该雅克比矩阵的值；

步骤5，设置初始迭代次数l为1；

步骤6，根据第l次迭代时的节点电压值计算等效电流量测值；

步骤7，将虚拟量测从总的量测中分离，以线性约束形式进行处理；

步骤8，计算节点电压，判断是否收敛，若未收敛将l加1返回步骤6继续迭代；

所述步骤8中，直接求解节点电压，其过程是：

设虚拟量测节点电压为：

非零注入节点电压X_n与非虚拟量测Z_n的关系为：

其中，H₀₀、H_0n分别为雅克比矩阵中虚拟量测函数对零注入节点电压X₀及非零注入节点电压X_n求偏导的部分；H_n0、H_nn分别为雅克比矩阵中非虚拟量测函数对零注入节点电压X₀及非零注入节点电压X_n求偏导的部分；

求解节点电压X₀、X_n是含等式约束的加权最小二乘法优化问题，其目标函数为：

min J(x)＝(Z_n-AX_n)^TW(Z_n-AX_n)

利用牛顿法迭代求解上式，迭代方程组形式为：

式中，W为量测量权重，l为迭代次数，为第l次迭代时的等效电流量测，Z_n(X^l)为第l次迭代时等效电流量测与节点电压之间的线性量测函数；由于则：