利用深度神经网络实时估计与预测电力系统状态：基于DNN的PSSE方案在IEEE 118系统实验中的性能优势，基于深度神经网络的电力系统实时状态估计与预测方法的研究与应用

深度神经网络的电力系统实时状态估计与预测源代码出售代码按照高水平文章复现，保证正确
利用深度神经网络(DNNs)进行电力系统实时监测。
在IEEE 118系统的实际负载数据实验中，新的基于dnn的PSSE方案的性能几乎优于竞争对手的数量级，包括广泛采用的Gauss-Newton PSSE求解器。
基于数据驱动的DNN的改进处理电力系统实时监测(估计和预测)。
为PSSE开发了Prox-linear网络，将网络神经网络与传统的基于物理的优化方法相结合。
在此基础上，引入深度DNN来预测历史(估计)电压对电力系统状态的影响。
基于模型的prox-linear网络的PSSE易于训练，计算成本低廉。
所提出的基于DNN预测考虑了电压时间序列中的长期非线性相关性，增强了PSSE。
在ieee57总线和118节点系统上使用真实负载数据进行的数值测试，说明了开发的方法相对于现有方案的优点。

ID:85200635397772790

SourseCode

深度神经网络在电力系统实时状态估计与预测中的应用

摘要：电力系统是现代社会不可或缺的基础设施，实时状态估计与预测对电力系统的稳定运行至关重要。传统的电力系统状态估计方法多基于物理模型，计算复杂且对数据要求较高。本文提出了一种基于深度神经网络（DNNs）的方法，利用数据驱动的方式改进电力系统实时监测的性能。通过在IEEE 118系统的实际负载数据实验中进行复现，我们发现新的基于DNNs的PSSE方案的性能几乎优于广泛采用的Gauss-Newton PSSE求解器。我们还开发了一种Prox-linear网络，将神经网络与传统的基于物理的优化方法相结合，进一步提升了PSSE的性能。基于模型的prox-linear网络的PSSE易于训练，计算成本低廉。此外，我们引入了深度DNN来预测历史电压对电力系统状态的影响，考虑了电压时间序列中的长期非线性相关性，增强了PSSE的准确性。通过在IEEE 57总线和118节点系统上使用真实负载数据进行的数值测试，我们验证了所开发的方法相对于现有方案的优点。

关键词：深度神经网络，电力系统，实时状态估计，预测，PSSE

1. 引言
   电力系统是现代社会的重要基础设施，它负责向各个领域提供稳定可靠的电力供应。为了确保电力系统的安全和稳定运行，实时状态估计与预测成为了必要的技术手段。传统的电力系统状态估计方法多基于物理模型，但由于计算复杂和对数据要求较高，存在着一定的局限性。因此，基于数据驱动的方法成为了改进电力系统实时监测的有希望的方向。

2. 深度神经网络在电力系统实时监测中的应用
   深度神经网络（DNN）是一种强大的机器学习工具，它在图像识别、自然语言处理等领域取得了巨大的成功。在电力系统实时监测中，DNN具有良好的拟合能力和泛化能力，可以从大量的数据中学习电力系统的复杂模式和规律。

2.1 DNN在PSSE方案中的应用
PSSE（Power System State Estimation）是电力系统实时状态估计的一种基本方法。我们通过将DNN应用于PSSE中，可以显著提高PSSE的准确性和性能。在我们的实验中，我们利用IEEE 118系统的实际负载数据对DNN进行了训练和复现，结果表明新的基于DNN的PSSE方案的性能几乎优于竞争对手的数量级，包括广泛采用的Gauss-Newton PSSE求解器。

2.2 Prox-linear网络的开发
为了进一步提升PSSE的性能，我们开发了一种Prox-linear网络，将神经网络与传统的基于物理的优化方法相结合。Prox-linear网络结合了神经网络的强大的拟合能力和物理模型的准确性，可以更好地适应电力系统实时监测的需求。与传统的PSSE方法相比，基于Prox-linear网络的PSSE易于训练，计算成本低廉。

3. 深度DNN的预测能力
   除了实时状态估计，预测电力系统状态的能力也是电力系统监测的重要任务之一。我们引入了深度DNN来预测历史电压对电力系统状态的影响，考虑了电压时间序列中的长期非线性相关性。通过在IEEE 57总线和118节点系统上使用真实负载数据进行的数值测试，我们验证了基于DNN的预测方法相对于现有方案的优点。

4. 结论
   本文提出了一种基于深度神经网络的方法，利用数据驱动的方式改进电力系统实时监测的性能。通过在IEEE 118系统的实际负载数据实验中进行复现，我们发现新的基于DNN的PSSE方案的性能几乎优于广泛采用的Gauss-Newton PSSE求解器。我们还开发了一种Prox-linear网络，将神经网络与传统的基于物理的优化方法相结合，进一步提升了PSSE的性能。基于模型的prox-linear网络的PSSE易于训练，计算成本低廉。此外，我们引入了深度DNN来预测历史电压对电力系统状态的影响，考虑了电压时间序列中的长期非线性相关性，增强了PSSE的准确性。通过在IEEE 57总线和118节点系统上使用真实负载数据进行的数值测试，我们验证了所开发的方法相对于现有方案的优点。

本文的结果表明，深度神经网络在电力系统实时状态估计与预测中具有巨大的潜力，对于提高电力系统的可靠性和稳定性具有重要意义。未来的研究可以进一步探索深度神经网络在不同电力系统场景下的应用，并进一步优化网络结构和算法，以提升电力系统的性能。

相关的代码,程序地址如下：http://imgcs.cn/635397772790.html