一种台区融合终端状态估计方法、系统、设备及介质与流程
本发明属于台区融合终端状态估计,具体涉及一种台区融合终端状态估计方法、系统、设备及介质。
背景技术:
1、低压配电网台区融合终端是配电网边缘感知的核心载体,负责汇聚变压器出口电流互感器、电压互感器、分支监测单元、智能电表等多源量测数据,并对台区运行状态进行实时感知。随着分布式光伏大规模接入和拓扑频繁重构,终端需在资源受限的嵌入式平台上实现高精度、低延迟、可自适应的状态估计。然而,嵌入式平台的功耗、散热与实时性约束使其算力与存储带宽远低于云端服务器,难以直接部署依赖高算力的复杂算法。
2、目前,配电网状态估计主要采用加权最小二乘状态估计方法。该方法逐断面独立求解,不记忆历史状态分布,无法追踪时序演化趋势,缺少记忆筛选机制,不能区分珍贵异常工况和随机量测噪声;且需三至五次非线性迭代,单断面延迟五至十毫秒,难以满足秒级实时性要求,算术加权融合易丢失多源量测协方差的方向性信息;此外,量测通道权重固定,无法自动降权异常通道,工况突变时缺少快速可用的冷启动恢复策略。
3、为应对量测中的坏数据问题,现有技术进一步发展出基于统计检验的坏数据检测与定时重估方法。然而,该方法依赖残差正态假设,对非高斯异常漏检率高,无记忆筛选逻辑,容易将偶然噪声存入历史样本;仅能二值判断,无法逐通道降权,造成高精度量测协方差方向性信息被平均稀释;且定时重估周期固定,稳态浪费算力,剧变期响应滞后,拓扑改动后原有时序样本失效,缺少可靠的冷启动恢复机制。
4、与此同时,机器学习领域提出了基于在线分布估计的测试时自适应方法,并尝试将其思想引入状态估计。但该方法假设特征维度独立,无视配电网量测间的物理耦合;未设置记忆分区,不能区分特殊工况与日常噪声;伪标签权重仅取决于分类器置信度,异常量测易污染分布估计;采用简单加权平均融合,损耗协方差方向特征;且不涉及电力系统量测函数、精度矩阵和拓扑矩阵,无法迁移至配电终端,亦不存在适配台区场景的冷启动恢复架构。
5、综上,上述方法共同存在三方面短板:记忆维度缺少工况样本筛选管理机制,无法区分应留存的珍贵异常工况与应遗忘的随机日常噪声;融合维度采用算术平均加权融合,致使高精度量测协方差的方向性信息被模糊丢失;冷启动维度在拓扑重构、极端天气、分布式光伏大规模投切后原有历史样本失效,缺少快速恢复机制。
技术实现思路
1、基于现有技术中存在的上述缺点和不足,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种台区融合终端状态估计方法、系统、设备及介质,以达到在资源受限的嵌入式平台上实现低时延、低存储占用且可自适应的状态估计的目的。
2、为了达到上述发明目的,本发明采用以下技术方案:
3、第一方面,本发明提供一种台区融合终端状态估计方法,包括步骤:
4、获取当前采样周期的量测数据;
5、若当前采样周期为首个周期,则以默认值作为初始状态估计值;
6、否则,
7、根据所述量测数据与上一周期的状态估计结果计算惊奇度,所述惊奇度用于表征当前量测数据偏离历史状态分布的程度;
8、根据所述惊奇度确定状态估计的更新步长,所述惊奇度越高则所述更新步长越大;
9、判断所述惊奇度是否超过预设阈值,若超过则启动冷启动模式,根据预先训练的量测-状态映射关系以及长期记忆库中的历史快照,生成初始状态估计值,若未超过则沿用上一周期的状态估计结果作为初始状态估计值;
10、以所述初始状态估计值为起点,采用高精度量测通道的实时数据进行加权最小二乘计算,得到高精度状态估计结果;
11、当低精度量测通道的数据到达时,根据所述低精度量测通道的数据计算低精度状态估计结果,计算所述高精度状态估计结果与所述低精度状态估计结果之间的偏差,根据所述偏差生成校正系数,采用所述校正系数沿偏差方向修正所述高精度状态估计结果,得到最终状态估计结果;若所述低精度量测通道的数据未到达,则将所述高精度状态估计结果作为最终状态估计结果。
12、第二方面,本发明提供一种台区融合终端状态估计系统,用于实现如第一方面所述的方法,包括:
13、数据获取模块,用于获取当前采样周期的量测数据;
14、初始化模块,用于在当前采样周期为首个周期时,以默认值作为初始状态估计值;
15、惊奇度计算与双记忆管理模块,用于在当前采样周期非首个周期时,根据所述量测数据与上一周期状态估计结果计算惊奇度,并根据所述惊奇度确定状态估计的更新步长;所述惊奇度用于表征当前量测数据偏离历史状态分布的程度,所述惊奇度越高则所述更新步长越大;所述双记忆管理包括短期记忆库和长期记忆库,所述短期记忆库用于暂存近期样本,所述长期记忆库用于存储历史快照,并根据所述惊奇度、存续时长及外部场景标签对所述长期记忆库进行淘汰管理;
16、冷启动模块,用于在所述惊奇度超过预设阈值时启动冷启动模式,根据预先训练的量测-状态映射关系以及所述长期记忆库中的历史快照生成初始状态估计值;
17、高精度估计模块,用于以所述初始状态估计值为起点,采用高精度量测通道的实时数据进行加权最小二乘计算,得到高精度状态估计结果;
18、微分融合模块,用于在低精度量测通道的数据到达时,计算低精度状态估计结果,并根据其与高精度状态估计结果的偏差生成校正系数,沿偏差方向修正高精度状态估计结果,得到最终状态估计结果;以及在所述低精度量测通道的数据未到达时,将所述高精度状态估计结果作为最终状态估计结果。
19、第三方面,本发明提供一种电子设备,所述电子设备包括存储器、处理器以及计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
20、第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
21、与现有技术相比,本发明具有以下有益效果:
22、1、本发明以惊奇度作为统一驱动指标,同时控制状态估计的更新步长、冷启动判断以及双记忆管理。由于惊奇度表征当前量测数据偏离历史状态分布的程度,稳态工况下惊奇度低,更新步长自动压低,抵御随机量测噪声;光伏骤变、开关变位等高惊奇工况下,更新步长自动放大,快速跟踪新状态。由此,稳态无效计算减少约95%,工况剧变之后时延由分钟级缩短至秒级。相比于现有技术中量测通道权重固定、无法自动降权异常通道的方案,本发明实现了场景自适应的更新速率。
23、2、本发明在低精度量测通道数据到达后,不采用算术平均方式融合高精度与低精度估计结果,而是计算两者之间的偏差,根据偏差生成校正系数,沿偏差方向对高精度状态估计结果进行单向修正。由于校正方向始终以高精度量测为基准,高精度量测协方差矩阵携带的方向性信息得以完整保留,避免了算术平均融合导致方向信息被平均稀释的问题。由此,末端稀疏测点状态估计rmse相比加权平均降低18-25%。
24、3、本发明通过增量联想记忆在冷启动模式下生成初始状态估计值。具体地,通过量测-状态映射关系对当前量测数据作矩阵乘法得到第一估计值,并结合长期记忆库中余弦相似度达标的历史快照生成初始状态估计值。由于该初始状态估计值已经接近真实状态,加权最小二乘计算的迭代次数由3-5次下降为1-2次,冷启动时延由25ms降低至8ms。相比于现有技术中拓扑改动后原有时序样本失效、缺少可靠冷启动恢复机制的方案,本发明摆脱了对历史时序变化规律的依赖。
25、4、本发明的长期记忆库淘汰管理综合惊奇度、存续时长及外部场景标签三项因素加权计算综合评分,评分最低的条目优先删除。由于罕见电压边界、故障前兆等工况的惊奇度和场景重要性标签均较高,此类快照可长期留存于长期记忆库;而日常重复稳态快照因惊奇度低、场景标签权重低而被自动清理。由此,存储空间可控,且避免了关键工况模式被遗忘的问题。
26、5、本发明整套算法只包含矩阵分解、矩阵乘法、秩-1更新等确定性运算,不需要神经网络反向传播,不需要梯度运算,也不依赖大量标注样本。由此,单周期耗时2ms-3ms,可以和负荷预测、故障告警等多任务并行运行,适配资源受限的嵌入式终端。
27、进一步地或者更细节的有益效果将在具体实施方式中结合具体实施例进行说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com