基于SC-DNN和多源数据融合的新能源电力系统状态估计方法

大规模新能源并网重塑了电力系统的控制运行特性,现有的电力系统状态估计方法面临新能源波动数据识别困难、估计精度低、估计速度慢等问题.为改善现有方法的不足,提出了一种基于残差连接(skip connection,SC)-深度神经网络(deep neural network,DNN)和多源数据融合的新能源电力系统状态估计方法.首先采用基于双向长短期神经网络(bidirectional long short-term memory,BILSTM)预测的改进插值法进行多源数据融合.然后利用联合时空交叉机制和BILSTM网络的数据辨识技术替代传统的量测量突变检测法,以便更好地处理新能源波动数据.最后根据原始量测数据集建立基于SC-DNN的状态估计模型,把残差模块的拟合优势和神经网络的速度优势结合起来,从而实现状态估计精度和速度的提高.基于IEEE39节点系统和新疆某地区实网的算例分析表明,相比于传统方法,所提方法能在更准确地分辨新源波动数据与不良数据的同时提高状态估计的精度和速度.