(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111457307.0 (22)申请日 2021.12.02 (71)申请人 国网浙江省电力有限公司 地址 310007 浙江省杭州市黄龙路8号 申请人 国网浙江省电力有限公司绍兴供电 公司 (72)发明人 徐洋超　方珺　焦晓鹏　周志攀　 童莹　王杰　罗李子　殷明慧　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 代理人 秦晓刚 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于宽度学习的电力系统状态估计方 法 (57)摘要 本发明公开了一种基于宽度学习的电力系 统状态估计方法， 其步骤包括： 结合电力系统已 知运行参数数据库， 利用Spearman相 关系数， 筛 选出与待估计运行参数强相关的已知运行参数， 并构建状态估计模型的训练集与测试集； 基于宽 度学习理论， 搭建具有输入层、 隐藏层及输出层 共三部分的电力系统状态估计模 型； 在训练集上 多次迭代训练状态估计模型， 确定模 型中输入层 到隐藏层、 特征节点到增强节点、 隐藏层到输出 层的权重系数， 并在测试集上对状态估计模型进 行精度测试， 实现对电力系统待估计运行参数的 精准估计。 与传统基于物理模型的状态估计方法 相比， 本发明在确保估计精度的条件下， 大幅提 升状态估计速度， 更加符合大型复杂电网的应用 需求。 权利要求书3页 说明书8页 附图2页 CN 114298475 A 2022.04.08 CN 114298475 A 1.一种基于 宽度学习的电力系统状态估计方法， 其特 征在于， 包括以下步骤： 1)结合电力系统已知运行参数数据库， 利用Spearman相关系数， 筛选出与待估计运行 参数强相关的已知运行参数， 其个数记为 N； 2)根据步骤1)中的待估计运行参数和N个已知运行参数， 结合运行参数数据库， 构 建状 态估计模 型的训练集与测试集， 其中N个已知运行参数为状态估计模 型的输入， 待估计运行 参数为状态估计模型的输出； 3)基于宽度学习理论， 搭建具有输入层、 隐藏层及输出层共三部分的电力系统状态估 计模型， 其中隐藏层包 含特征节点和 增强节点两 部分； 4)根据步骤2)、 3)得到的训练集与状态估计模型， 在训练集上多次迭代训练状态估计 模型， 直至满足精度需求， 确定模型中输入层到隐藏层、 特征节点到增强节点、 隐藏层到输 出层的权 重系数； 5)根据步骤2)得到的测试集以及步骤4)中训练完成的状态估计模型， 在测试集上对状 态估计模型进 行精度测试， 若测试结果不满足实际应用需求， 则返回步骤4)重新迭代训练， 直至实现对电力系统待估计运行参数的精准估计。 2.根据权利要求1所述的一种基于宽度 学习的电力系统状态估计方法， 其特征在于： 步 骤1)中Spearman相关系数计算方法如下 所示： 式中， L和K为元素以相同方式排序 的两个随机序列； li和ki分别是来自L和K的对应元 素； n为序列L和K中的元 素个数； ρ 表示Spearman相关系数。 3.根据权利要求2所述的一种基于宽度 学习的电力系统状态估计方法， 其特征在于： 步 骤2)中状态估计模型的训练集与测试集的构建方法如下 所示： 21)根据步骤1)中得到 的Spearman相关系数筛选结果， 从电力系统运行参数数据库中 选取相同数据长度的N个已知运行参数数据与待估计运行参数数据， 并进行数据归一化处 理， 其中N个已知运行参数为状态估计模型的输入， 待估计运行参数为状态估计模型的输 出， 数据归一 化处理计算公式如下： 式中， X为原始数据集； Xmin为X中的最小元素； Xmax为X中的最大元素； xi为X中对应的第i 个元素； x’i为xi归一化后的结果； X ’为归一化后的数据集； 22)根据步骤21)中所得到归一化后的运行参数数据， N个已知运行参数数据集记为XN， 待估计运行参数 数据集记为Y， 构成方式如下：权　利　要　求　书 1/3 页 2 CN 114298475 A 2式中， n为所取数据的长度； 状态估计模型的训练集、 测试集分别记为Tr、 Ts， 构成方式如下： 式中， XTr为训练集中的状态估计模型输入； YTr为训练集中的状态估计模型输出； XTs为 测试集中的状态 估计模型输入； YTs为测试集中的状态 估计模型输出； int为 取整函数； s为占 比系数， 即训练集数据占所 取总数据的比例。 4.根据权利要求3所述的一种基于宽度 学习的电力系统状态估计方法， 其特征在于： 步 骤3)中， 状态估计模型的输入层、 隐藏层 及输出层的搭建方法如下： 31)状态估计模型的输入层由归一化后的输入数据组成， 输入层节点个数为输入数据 的维度； 32)状态估计模型的隐藏层由特征节点与增强节点组成， 特征节点Zu由输入数据经过特 征映射转化得到， 计算公式如下： 式中， Wei和βei分别是随机权重和偏差； φi是线性或非线性激活函数； Wei和βei通常由稀 疏自编码器微调以提取输入数据的稀疏 特征； 将u组特征节点拼接成Zu＝[Z1,Z2,…,Zu]， 然后通过非线性激活函数将它们随机 连接成 增强节点Hv， 如下所示： Hj＝ λj(ZuWhj+βhj),j＝1,2,. ..v         (6) 式中， Hj表示第j组增强隐藏节点； λj是非线性激活函数； Whj和βhj分别为随机权重和偏 差； 33)状态估计模型的输出层由特征节点与增强节点共 同连接得到， 输出层节点个数为 输出数据的维度； 记A＝[Zu|Hv]， 则状态估计模型的输出为： 权　利　要　求　书 2/3 页 3 CN 114298475 A 3