基于LSTM神经网络和改进SCADA数据的抗差线路参数辨识方法与流程

基于lstm神经网络和改进scada数据的抗差线路参数辨识方法
技术领域
1.本发明涉及测量电变量领域，尤其涉及一种基于lstm神经网络和改进scada数据的抗差线路参数辨识方法。


背景技术：

2.随着大容量远距离高压输电、大系统互联、电网高度自动化的发展，我国电力系统已步入大电网、大机组的时代，这也带来了电网节点数量大量增加、计算量变大、安全监控难度增加等困难。其中，输电线路的工频参数是正确进行状态估计、继电保护整定计算、故障分析、网损计算等各种电力系统计算的基础。实践证明，在电力系统中，输电线路参数准确程度直接影响状态估计合格率，从而存在影响电力系统的安全、稳定、可靠运行的问题。
3.现有的输电线路参数测量方法大致可分为：理论计算、离线停电测量、在线带电测量；其中，理论计算通常根据carson模型，利用线路的自几何均距、互几何均距以及导线材料结构等物理参数，并结合气温等外部环境，通过公式计算出电阻、电抗和对地电纳。由于理论分析简化了模型并且忽略了不确定因素的影响，如无法考虑到实时温度、弧垂等实际存在的问题，导致理论计算结果与实际值相差甚大，因此我国继电保护规程规定线路参数必须实测。并且理论计算推导通常只考虑到了完全对称的情况，前提条件过于理想，因此无法考虑到线路所处实时温度、弧垂、避雷线等实际存在的问题，从而导致该方法得到的结果与实际参数存在较大差异；离线停电测量：离线停电测量是在输电线路离线停电的前提下，在线路上行进行不同的测量试验，利用电压表、电流表、功率表、频率计等各种表计测量出线路的各个状态，经人工读取表值后利用相应的公式计算出各个相应的线路参数。测量时要求输电线路停止运行的苛刻前提条件，会造成多回运行的平行线路无法测量互感等问题。
4.现有的在线带电测量，例如，一种在中国专利文献上公开的“一种有限pmu下基于估计的输电线路故障检测方法”，其公告号cn111257696，包括一种有限pmu下基于估计的输电线路故障检测方法，采用间隔母线布置pmu策略，将电网分成几个区域，估计出未布置pmu母线的总估计电流，根据它是否超出阈值来检测疑似故障区域，采用t检验对疑似故障区域进行数据不同步的检查与校正；利用各pmu数据，较精确地估计得到未布置pmu母线的正序估计电压和估计电流，利用双端测距原理，分别计算各疑似线路的故障距离，建立有限pmu下的输电线路故障检测判据。但是上述方案将电网分为几个区域采用根据设计运行条件估计的的方法估计出母线电流，往往与实际运行状态存在较大差异，存在采用模型参数与实际情况不符而导致线路参数预测不准确的问题，而且基于pmu数据的在线测量pmu 装设没有scada范围广，不能普适于所有线路。


技术实现要素：

5.本发明是为了解决现有技术的在线测量方法存在不能普适所有线路，需要多个节
点数据，计算量较大，且辨识精度与实际参数存在较大差异的问题，提供一种辨识精确的基于 lstm神经网络和改进scada数据的抗差线路参数辨识方法，提高辨识方法的鲁棒性。
6.为实现上述目的，本发明采用以下技术方案：一种基于lstm神经网络和改进scada数据的抗差线路参数辨识方法，其特征是，包括如下步骤：步骤s1：建立包含不同运行条件下不同线路scada数据训练集；在对神经网络进行训练前，首先需要获取适当的训练集数据为神经网络的训练提供数据支撑，为了提高神经网络在不同场景，不同线路下的有效性，训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。
7.步骤s2：改进scada数据，建立lstm神经网络，将改进的scada数据输入lstm 神经网络进行门控机制训练；首先，基于传统的线路参数辨识公式，对输入数据进行改造，之后，以改造的scada数据作为输入，对应的线路参数为输出，建立lstm神经网络并对其进行训练；引入上述门控机制后，lstm网络可以使梯度足够陡峭，进而使得训练时间缩短，且准确度较高。
8.步骤s3：将改进后的待辨识线路两端量测scada数据作为输入数据输入训练好的 lstm神经网络获取预测值；获取待辨识线路两端的scada量测数据，包括电压幅值、电流幅值、有功功率、无功功率，改造后输入已训练好的lstm神经网络，并将输出结果反归一化以获取预测值；步骤s4：基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。本方案中获取的待辨识线路的输入数据为线路两端scada量测数据，即电压幅值、电流幅值、有功功率、无功功率和将量测数据组合改进后得到的改进后的scada数据，可知输入数据基于实测数据，实测数据天然包含了当前线路所处的环境及工矿影响，故能够预测出线路在其运行环境下某时间断面内相对应的参数。
9.中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1‑
λ
n
)按从小到大排列(λ
(1)
‑
λ
(n)
)，如果数据数量n为奇数，则中位数为排序后最中间的值，如果数据数量n为偶数，则中位数为排序后的最中间2个数的均值，即：其中，m
0.5
为样本中位数；λ
(i)
为重新排列后的第i个样本数据点。
10.作为优选，所述步骤s1中所述的建立包含不同运行条件下不同线路仿真数据训练集；包括通过改进m端数据以及线路参数，通过潮流计算获取n端数据，从而组成scada数据训练集，其中m端、n端分别为同一线路的两端。
11.作为优选，所述的改进scada数据包括如下步骤：步骤s2.1：建立线路的等值模型；步骤s2.2：根据线路等值模型计算线路的有功损耗和无功损耗；步骤s2.3：将线路等值模型的电阻r，电抗x，电纳b加入训练集中，形成改进后的scada 数据作为lstm神经网络的输入值。
12.作为优选，步骤s2.1中所述的建立线路的等值模型为π型等值模型。
13.作为优选，步骤s2.2所述的计算线路的有功功率和无功损耗包括如下步骤：步骤s2.2.1：根据功率平衡可知：步骤s2.2.1：根据功率平衡可知：步骤s2.2.1：根据功率平衡可知：其中，s
m
为线路m端的视在功率，s
n
为线路n端的视在功率，s
′
m
为无阻抗干扰的m端视在功率，p
′
m
为无阻抗干扰的m端有功功率，q
′
m
为无阻抗干扰的m端无功功率；步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：
14.作为优选，步骤s2.3包括如下步骤：s2.3.1：根据无功损耗和有功损耗转化得出电阻r、电抗x、电纳b的表达式：转化得出电阻r、电抗x、电纳b的表达式：转化得出电阻r、电抗x、电纳b的表达式：s2.3.2：将线路等值模型的电阻r，电抗x，电纳b加入训练集中，得出改进后的scada数据为：
15.改造scada输入数据可以减小训练过程的非线性程度，从而增加神经网络的拟合
能力。
16.作为优选，所述步骤s4还包括如下步骤：对辨识过程神经网络的输入、输出数据进行归一化：其中，x
i
代表神经网络输入或者输出数据，x
min
为神经网络输入或输出数据的最小值，x
max
为输入和输出数据的最大值，x
′
i
为归一化后的数据，提高神经网络的训练速度和训练精度。
17.作为优选，步骤s4还包括将辨识结果进行反归一化：x
i
＝x
′
i
(x
max
‑
x
min
) x
min
。由于训练及测试过程中所用数据均为归一化的数据，则所得辨识结果也是归一化后的数据，因此，辨识结果需要进行反归一化，以恢复原本的量纲。
18.作为优选，所述步骤s2中的lstm神经网络采用adam优化算法，lstm的损失函数选取均方误差mse。mse计算方法如下：其中，n为样本数，为网络的输出，yi为期望输出。
19.adam优化算法在更新权重的过程中同时利用了梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率，且adam算法所需内存小，经过偏置校正后的参数较为平稳。
20.作为优选，所述步骤s2中的门控机制有三种类型门控，三种类型门控分别为：输入门、遗忘门和输出门。所述的输入门、遗忘门和输出门分别用i、f、o来分别表示。门控可以看作一层全连接层，这些门控控制着信息的存储和更新。门控是一个非线性激活函数，作用是将一个实值映射到0～1区间内，反映了信息的流量大小。当门输出值为0时表示没有信息通过，当门输出值为1时表示所有信息均能通过。
21.在时间t时对信息分析，设其隐藏层输入输出向量分别为x
t
和h
t
，记忆单元为c
t
。输入门用于控制网络当前输入数据x
t
流入记忆单元的多少，即能记入保存的量大小。遗忘门决定历史信息中哪些信息被丢弃，即上一时刻的记忆单元信息c
t
‑1对当前记忆单元c
t
的影响。输出门表征记忆单元c
t
对输出值h
t
的影响，即记忆单元中哪部分在时间t时输出。
22.因此，本发明具有如下有益效果：(1)将lstm神经网络与改进scada数据相结合，旨在利用神经网络进行线路参数辨识，提高线路辨识方法的鲁棒性；(2)改进的scada输入数据构建方法能提高lstm神经网络的模型学习效果和辨识精度。(3)应用中位数抗差，去除预测值中的异常数据及噪声，提高预测结果的精准度。
附图说明
23.图1是本发明一实施例的线路参数辨识方法流程图。
24.图2是本发明一实施例的线路π型等值模型示意图。
25.图3是本发明一实施例的lstm神经网络结构示意图。
26.图4是本发明一实施例仿真线路拓扑图。
具体实施方式
27.下面结合附图与具体实施方式对本发明做进一步的描述。
28.实施例：如图1～4所示的一种基于lstm神经网络和改进scada数据的输电线路辨识方法，包括如下步骤：步骤s1、建立包含不同运行条件下不同线路仿真数据训练集；在对神经网络进行训练前，首先需要获取适当的训练集数据为神经网络的训练提供数据支撑。为了提高神经网络在不同场景，不同线路下的有效性，训练集应尽量包括不同运行工况以及不同线路参数仿真的数据。具体地，先通过改变m端数据以及线路参数，通过潮流计算获取n 端测量数据，从而组成scada数据训练集。m端数据如表1：m端数据及线路参数表所示：表1：m端数据及线路参数表：表1中的数据采集方式，以有功功率为例，设置功率变化范围为[29.0mw，30.2mw]以0.01 为步长进行采样，采样点个数为20个，其余电气量的构建方式类似。此外，三个线路参数采用同步变化的方式，例如，0.1r对应0.1x和0.1b，0.2r对应0.2x和0.2b
……
以此类推。
[0029]
步骤s2、改造scada数据，建立lstm神经网络，输入改进scada数据训练lstm 神经网络；首先，基于传统的线路参数辨识公式，对输入数据进行改造，之后，以改造的scada 数据作为输入，对应的线路参数为输出，建立lstm神经网络并对其进行训练；lstm有三种类型的门控分别为：输入门、遗忘门和输出门，用i、f、o来分别表示。门控可以看作一层全连接层，这些门控控制着信息的存储和更新。门控是一个非线性激活函数，作用是将一个实值映射到0～1区间内，反映了信息的流量大小。当门输出值为0时表示没有信息通过，当门输出值为1时表示所有信息均能通过。
[0030]
在时间t时对信息分析，设其隐藏层输入输出向量分别为x
t
和h
t
，记忆单元为c
t
。输入门用于控制网络当前输入数据x
t
流入记忆单元的多少，即能记入保存的量大小。遗忘门决定历史信息中哪些信息被丢弃，即上一时刻的记忆单元信息c
t
‑1对当前记忆单元c
t
的影响。输出门表征记忆单元c
t
对输出值h
t
的影响，即记忆单元中哪部分在时间t时输出。
[0031]
引入上述门控机制后，lstm网络可以使梯度足够陡峭，进而使得训练时间缩短，且准确度较高。
[0032]
步骤s2.1：建立线路的π型等值模型；步骤s2.2：根据线路等值模型计算线路的有功损耗和无功损耗；步骤s2.2.1：根据功率平衡可知：
其中，s
m
为线路m端的视在功率，s
n
为线路n端的视在功率，s
′
m
为无阻抗干扰的m端视在功率，p
′
m
为无阻抗干扰的m端有功功率，q
′
m
为无阻抗干扰的m端无功功率；步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：步骤s2.2.2：根据pmu的正方向计算有功损耗p和无功损耗q，可得：
[0033]
步骤s2.3：将线路等值模型的电阻r，电抗x，电纳b加入训练集中，形成改进后的 scada数据作为lstm神经网络的输入值。
[0034]
s2.3.1：根据无功损耗和有功损耗转化得出电阻r、电抗x、电纳b的表达式：s2.3.1：根据无功损耗和有功损耗转化得出电阻r、电抗x、电纳b的表达式：s2.3.1：根据无功损耗和有功损耗转化得出电阻r、电抗x、电纳b的表达式：s2.3.2：将线路等值模型的电阻r，电抗x，电纳b加入训练集中，得出改进后的scada数据为：
[0035]
步骤s3：将改造后的待辨识线路两端量测scada数据作为输入数据输入训练好的 lstm神经网络获取预测值。
[0036]
获取待辨识线路两端的scada量测数据，包括电压幅值、电流幅值、有功功率、无功功率，改造后输入已训练好的lstm神经网络，并将输出结果反归一化以获取预测值；步骤s4：基于中位数抗差估计，去除预测值中的异常数据及噪声，作为最终辨识结果。
[0037]
中位数可将数值集合分为上下数量相等的两部分。首先将样本数据(λ1‑
λ
n
)按从小到大排列(λ
(1)
‑
λ
(n)
)，如果数据数量n为奇数，则中位数为排序后最中间的值，如果数据数量n为偶数，则中位数为排序后的最中间2个数的均值，即：其中，m
0.5
为样本中位数；λ
(i)
为重新排列后的第i个样本数据点。
[0038]
对辨识过程神经网络的输入、输出数据进行归一化：其中，x
i
代表神经网络输入或者输出数据，x
min
为神经网络输入或输出数据的最小值，x
max
为输入和输出数据的最大值，x
′
i
为归一化后的数据。
[0039]
将辨识结果进行反归一化：x
i
＝x
′
i
(x
max
‑
x
min
) x
min
。
[0040]
本专利实施例建立的lstm神经网络模型lstm优化算法选取为adam：adaptive moment estimation。与传统的随机梯度下降不同，adam在更新权重的过程中并不保持单一的学习率，而是同时利用了梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率。adam算法所需内存小，经过偏置校正后每一次迭代的学习率有一个确定的范围，使得参数较为平稳，基本上只需极少量的调参。本专利选取了均方误差mse：mean square error；作为lstm的损失函数。其中mse的计算方法如下：式中，n为样本数，为网络的输出，yi为期望输出。
[0041]
本专利lstm网络相关参数设置如下：(1)隐藏神经元数设置为15；(2)最大迭代次数设为110；(3)dropout设置为0.7；(4)batch size设置为10；(5)学习率设为0.01。
[0042]
如图4所示本实例利用pscad搭建220kv仿真系统，对单回输电线路的正序参数进行辨识。线路l为单回线，线路长度为40km；以如下情景一和情景二两个情景来模拟冬季与夏季典型气候的情况，情景一为夏季，情景二为冬季。
[0043]
情景一：夏季气温升高，电阻也会随之增大，同时电抗电纳也会随之改变，正序参数设置值为：电阻r1＝0.7126ω、电抗x
l
＝12.55ω，电导y＝1.4623
×
10
‑
4s。um＝126.4kv， pm＝29.54mw，qm＝5.38mvar。
[0044]
基于中位数抗差估计，以改进scada数据为输入的lstm神经网络在有/无噪声情形下的辨识结果如表2：情景一中神经网络在有或无噪声下的辨识结果，所示：表2：情景一神经网络在有或无噪声下的辨识结果
由表2可知，在无噪声和有噪声加入时，本文方法均可对线路参数进行准确辨识，相对误差小于1％，验证了该方法的有效性与鲁棒性。通过无噪声和有噪声情况对比可以发现，噪声对于本文方法的影响较小，这与传统参数方法有着很大的不同。
[0045]
为测试改进scada数据的实际效果，本文通过直接使用scada数据与使用改进 scada数据对lstm网络进行训练，获得两个不同lstm网络，并对加入噪声的测试集数据进行辨识，辨识对比结果如表3：使用传统scada数据与使用改进scada数据辨识结果对比所示。
[0046]
表3：使用传统scada数据与使用改进scada数据辨识结果对比由表3可知，使用改进的scada数据训练的lstm辨识结果明显优于传统的直接使用 scada数据训练的lstm，验证了改进scada数据的优越性。
[0047]
情景二：正序参数设置值为：电阻＝1.1364ω、电抗＝12.78ω，电导＝1.4813
×
10
‑
4s。 um＝126.4kv，pm＝29.54mw，qm＝5.38mvar。辨识结果如表4：情景二中神经网络在有或无噪声下的辨识结果。
[0048]
表4：情景二中神经网络在有或无噪声下的辨识结果：由情景一的辨识结果和情景二的辨识结果可以看出经过训练后的神经网络可以精确捕捉线路运行环境以及工况改变情况下变化的参数，并进行有效的辨识和预测。
[0049]
综上，本发明所述的基于lstm神经网络和改进scada数据的抗差线路参数辨识方法可行，且具有工程应用价值。
[0050]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0051]
尽管本文较多地使用了抗差线路参数、预测值、训练集、潮流计算等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。