本发明涉及电力领域，尤其涉及一种面向不可观测配电网的状态估计与量测分布并行优化方法。
背景技术：
1、有效的状态估计对有源配电网及其资源的优化实时控制至关重要，而观测性是保证状态估计准确性和一致性的前提，观测性依赖于一定的系统量测。现阶段部分配电网难以满足量测要求，无法开展常态下的可观测状态估计。若对现有不可观测配电系统进行大规模量测配置改造，从经济性角度考虑显然不够合理。
2、数据驱动状态估计(date-driven state estimation，ddse)是一种面向不可观测配电系统的状态估计方法，受益于其量测要求低、估计精度高的特点，为量测数量较低的不可观测配电系统稳定高效估计提供了可能，然而现有技术缺少能与ddse配套的高效灵活量测分布配置方法。在不可观测的配电系统中，如何通过优化量测的位置使数据驱动状态估计的估计误差降低、如何通过优化配置量测的数量和位置使数据驱动状态估计以较低成本满足估计精度要求、如何利用量测数量和位置与数据驱动状态估计的估计精度之间的关系来制定兼具较高精度和性价比的配置方案均是现有技术未能解决的难题。
3、因此，亟需一种新的技术方案，用以解决量测分布优化方案的缺乏导致面向不可观测配电系统的数据驱动状态估计方法难以同时满足估计精度和成本要求的技术问题。
技术实现思路
1、本发明提供了一种面向不可观测配电网的状态估计与量测分布并行优化方法，用以解决量测分布优化方案的缺乏导致面向不可观测配电系统的数据驱动状态估计方法难以同时满足估计精度和成本要求的技术问题。
2、为实现上述目的，本发明提供了一种面向不可观测配电网的状态估计与量测分布并行优化方法，包括以下步骤：
3、s1、基于生成对抗网络结构构建第一模型；第一模型包括生成器和估计器；生成器用于生成配电网的量测分布；估计器用于根据量测分布实现数据驱动状态估计；
4、s2、以配电网真实负荷数据结合第一数据集生成第一负荷数据，根据第一负荷数据得到训练数据；
5、s3、根据训练数据对第一模型进行离线训练，在生成器和估计器的损失函数收敛后停止训练，得到待优化模型；对待优化模型进行估计器参数优化，得到第二模型；
6、s4、根据第二模型得到第一量测分布，根据第一量测分布通过第二模型对配电网进行在线状态估计，完成不可观测配电网的状态估计与量测分布并行优化。
7、优选的，生成器包括：
8、为得到量测在配电网的最优布置区间ρg，基于给定的噪声分布定义一个输入噪声向量由生成器寻找函数使得生成器的输出服从ρg；是一个由多层神经网络构成的可微分函数，θg是网络参数；生成器的输入和输出可通过如下关系式进行表示：
9、
10、
11、
12、其中，n表示配电网的节点数量；的维度为n×1，的子元素z服从标准正态分布，即的维度为n×n，g为的子元素；
13、生成器中各层神经网络之间的关系可通过如下关系式进行表示：
14、y(i)＝δ(wiy(i-1)+b(i))
15、
16、
17、其中，y(i)表示第i层网络的输出向量，维度为mi×1；δ()表示非线性激活函数；wi表示第i层网络的连接权重，维度为mi×mi-1；b(i)表示第i层神经元的偏置，维度为mi×1；mi表示i层网络的神经元个数；@copy()表示复制转换层；表示第i层网络到第i+1层网络的权重连接。
18、优选的，s1中估计器用于根据量测分布实现数据驱动状态估计包括：
19、第一模型还包括离散采样模块，离散采样模块用于将量测分布转换为表征量测配置方案的离散整形变量；估计器根据离散整形变量实现数据驱动状态估计；
20、离散采样模块包括条件函数使离散采样模块的输入与输出满足：
21、
22、
23、其中，extract()表示提取数值，用于将梯度变量转变为常数变量；维度为n×n；g'i,j取值为0或1。
24、优选的，估计器包括：
25、为根据离散整形变量估计配电网各节点的电压，基于给定的量测数据集合定义估计器输入量测向量由估计器寻找函数使估计器的输出与配电网各节点的真实电压的差值最小，是由深度卷积神经网络构成的可微分函数，θe是估计器网络参数；估计器的输入和与估计器的输出满足：
26、
27、其中，维度为n×n×2，x为的子元素，x的对角元素表征节点上的量测数据，x的非对角元素表示支路量测；xσ和为量测的实部和虚部；维度为2n×1，e为的子元素；ea和eθ为各节点电压幅值估计值和相角估计值。
28、优选的，第一模型还包括模型总体目标函数，可通过如下关系式进行表示：
29、
30、其中，α表示比例系数，通过改变α，可获得不同量测数量的估计方案；
31、模型总体目标函数包括：
32、生成器的损失函数：
33、
34、其中，为生成器损失函数，表示配置方案所需的量测数量；用于优化生成器，表示以最少的量测实现最高精度的状态估计；
35、估计器的损失函数：
36、
37、其中，为估计器损失函数，表示依托生成器配置方案的估计误差；表示配电网电压真实值，包括电压幅值及电压相角e表示估计器输出的配电网电压估计值，包括电压幅值ea及电压相角eθ；用于优化估计器，表示最小化当前量测配置方案下的估计误差。
38、优选的，s2包括：
39、s21、将配电网真实负荷取平均并进行归一化至0～1区间，得到基准日负荷曲线；根据基准日负荷曲线得到各节点负荷实际有功和无功功率曲线；根据各节点负荷实际有功和无功功率曲线结合第一数据集生成节点注入功率的真实量测值，即第一负荷数据；第一数据集包括预设的高斯噪声；
40、s22、根据第一负荷数据计算潮流真值，得到各节点的电压幅值、相角、注入功率和线路功率的潮流真值；
41、s23、对潮流真值添加服从正态分布的量测噪声，得到训练数据。
42、优选的，s3包括：
43、s31、初始化生成器和估计器的学习率αg和αe、生成器和估计器权重参数θg和θe；
44、s32、固定生成器参数，每次往估计器里输入一批次量测数据，计算估计器的损失值以及梯度更新估计器参数可以通过如下关系式进行表示：
45、
46、其中，adam(·)表示使用adam梯度下降算法；
47、s33、固定估计器参数，每当估计器接受到一个输入，计算生成器的损失值以及梯度更新生成器参数可以通过如下关系式进行表示：
48、
49、s34、得到待优化模型；将待优化模型的估计器输出结果对系统进行伪量测补充，作为额外的量测数据进行最小二乘线性状态估计，对待优化模型的输出结果进行优化；最小二乘线性状态估计的输入包括估计器输出电压、量测电压和量测电流，估计器输出电压包括待优化模型优化后的估计电压；当配电网网络结构、参数给定时，最小二乘线性状态估计的输入和输出之间的线性关系可通过如下关系式进行表示：
50、
51、其中，z表示输入量测矩阵；ue表示估计器输出的电压向量；ug、ig分别表示生成器配置量测方案采集到的量测电压和电流数据；use表示状态估计优化后待优化模型输出的电压向量；h表示转换矩阵；ε表示误差；
52、根据最大似然定理，当误差最小时，估计状态变量为真实值的可能性最大，因此最小二乘线性状态估计的输入和输出之间的线性关系可转换为最小二乘问题进行模型求解，模型求解的待优化目标函数j以及优化后得到的电压向量use可以通过如下关系式进行表示，其中r表示权重矩阵：
53、j＝min(εtr-1ε)
54、＝min(z-huse)tr-1(z-huse)
55、use＝[htr-1h]-1htr-1z
56、s35、根据s34中电压向量use开展估计器网络增量学习，在估计器运行过程持续优化其网络参数，得到第二模型。
57、优选的，s35包括：
58、计算待优化模型和电压向量use的残差值uresa/θ，判断uresa/θ中的电压相角或幅值指标平均值是否大于设定的阈值；若是则使用最小二乘线性状态估计结果及对应的量测输入数据对估计器进行增量训练，计算估计器的损失值并对估计器参数进行更新，包括：
59、uresa/θ＝mae(usea/θ-uea/θ)
60、
61、其中，uresa/θ表示电压幅值/相角残差值，usea/θ和uea/θ分别表示电压向量use及待优化模型的输出电压幅值和相角；mae()表示平均绝对误差值。
62、本发明具有以下有益效果：
63、本发明的面向不可观测配电网的状态估计与量测分布并行优化方法，构建了基于生成对抗网络结构的模型，其中生成器用于生成配电网的量测分布，估计器用于根据量测分布数据实现数据驱动状态估计，在模型训练过程中生成器和判别器间进行了博弈对抗相互进化，对状态估计和量测分布进行了并行优化，使得本发明的方法能够得到量测数量远少于传统方法的量测布置方案和相应配套的具有高精度的状态估计器；本发明通过对状态估计与量测分布进行并行优化，为面向不可观测配电系统的数据驱动状态估计方法提供了配套的量测分布优化方案，使用本发明的方法进行状态估计和量测分布的优化能够同时满足配电系统估计精度和成本的要求。
64、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
1.一种面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，包括以下步骤：
2.根据权利要求1的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，所述生成器包括：
3.根据权利要求2的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，s1中所述估计器用于根据所述量测分布实现数据驱动状态估计包括：
4.根据权利要求3的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，所述估计器包括：
5.根据权利要求4的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，第一模型还包括模型总体目标函数，可通过如下关系式进行表示：
6.根据权利要求5的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，s2包括：
7.根据权利要求6的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，s3包括：
8.根据权利要求7的面向不可观测配电网的状态估计与量测分布并行优化方法，其特征在于，s35包括：
