(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110633909.0 (22)申请日 2021.06.07 (65)同一申请的已公布的文献号 申请公布号 CN 113553755 A (43)申请公布日 2021.10.26 (73)专利权人 国网河北省电力有限公司馆陶县 供电分公司 地址 057750 河北省邯郸市馆陶县筑先路 西侧 专利权人 国网河北省电力有限公司邯郸供 电分公司 　 国家电网有限公司 (72)发明人 李明　霍银超　朗坤　李书钢　 刘志国　郝春雷　殷华强　王凯　 薛珊　孙晖　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 专利代理师 付晓娣(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/00(2006.01) H02J 3/00(2006.01) (56)对比文件 CN 111563348 A,2020.08.21 CN 109740859 A,2019.0 5.10 CN 109256773 A,2019.01.2 2 姜妍等.“基于最小二乘支持向量机的短期 负荷预测 ”. 《黑龙江电力》 .2012,第3 5卷(第5 期),第349- 352页. 贾嵘等.“基于主成分 分析和最小二乘支持 向量机的电力系统状态估计 ”. 《电网技 术》 .2006,第30卷(第21期),第75 -77页. (续) 审查员 胡瑞娟 (54)发明名称 电力系统状态估计方法、 装置及设备 (57)摘要 本发明公开了一种电力系统状态估计方法、 装置及设备， 所述方法包括： 获取多个历史时刻 电力系统各节 点的电力数据， 并以此构成初始数 据矩阵； 根据主成分分析算法对初始数据矩阵进 行降维处理， 得到投影矩阵； 建立最小二乘深度 支持向量机模 型， 根据改进的粒子群算法对该模 型的指定参数进行优化； 根据投影矩阵， 对优化 后的模型进行训练， 得到状态估计模型； 获取采 样时刻各节 点的电力数据， 并根据采样时刻的电 力数据和状态估计模型对电力系统进行状态估 计， 得到目标时刻的状态估计值。 通过带控制因 子的非线性变换公式对粒子群算法进行改进， 然 后采用改进后的算法对深度支持向量机参数进 行寻优， 能够提供更加精确的参数， 降低电力系 统状态估计误差 。 [转续页] 权利要求书3页 说明书13页 附图6页 CN 113553755 B 2022.12.13 CN 113553755 B (56)对比文件 张瑞.“基于深度支持向量机的旋转机 械故 障诊断方法研究 ”. 《CNKI硕士电子期刊》 .2021,王秀云等. “改进粒子 群算法在无功优化中 的应用”. 《电测与仪表》 .2015,第52卷(第15期),2/2 页 2[接上页] CN 113553755 B1.一种电力系统状态估计方法， 其特征在于， 包括： 获取电力系统中各节点在多个历史 时刻的电力数据， 并将获取到的电力数据构成初始数据矩阵； 根据主成分 分析算法对所述初始数据矩阵进行降维处 理， 得到投影矩阵； 建立最小二乘深度支持向量机模型， 根据改进的粒子群算法对最小二乘深度支持向量 机模型的指定参数进行优化； 其中， 所述改进的粒子群算法中更新公式的权重系 数根据带 控制因子的非线性变换公式确定； 根据所述投影矩阵， 对优化后的最小二乘深度支持向量 机模型进行训练， 以得到状态估计模型； 获取电力系统各节点在采样时刻的电力数据， 并根据所述采样时刻的电力数据和所述 状态估计模型对电力系统进行状态估计， 得到目标时刻电力系统的状态估计值； 其中， 所述指定参数包括标准差和惩罚系数； 所述带控制因子的非线性变换公式如下： 其中， ω为权重系数， ωmax为最大权重系数， ωmin为最小权重系数， t为迭代次数， T为最 大迭代次数， k 为控制因子； 所述根据改进的粒子群算法对最小二乘深度支持向量机模型的指定参数进行优化， 包 括： 将所述改进的粒子群算法的参数以及粒子位置进 行初始化； 获取当前的粒子位置； 根据 当前的粒子位置和适应度函数， 确定当前 的粒子适应度值； 根据所述粒子适应度值和更新 公式， 更新当前 的粒子位置； 若更新后的粒子位置不满足预设精度要求且迭代次数小于预 设次数， 则跳转至获取当前 的粒子位置的步骤； 若更新后的粒子位置满足预设精度要求或 迭代次数等于预设次数， 则将当前 的粒子位置作为参数优化结果输出； 所述适应度函数如 下： 其中， MSE为适应度， m为粒子个数， xi为当前的粒子位置， 为目标粒子位置； 所述更新 公式如下： 其中， vi(t)为第t次迭代前第个i粒子的速度， vi(t+1)为第 t+1次迭代前第个i粒子的速 度， n为搜索空 间维度， c1和c2为学习因子， r1和r2为均匀分布在 [0,1]之间的随机数， ai(t)为 第t次迭代前第 个i粒子的位置， ai(t+1)为第t +1次迭代前第 个i粒子的位置， pi(t)为第t次 迭代时第个i粒子的最优位置， pg(t)为第t次迭代时在整个粒子群最优的位置； 所述方法还 包括： 对所述初始数据矩阵进行 预处理， 以得到预处 理矩阵； 根据主成分 分析算法对所述初始数据矩阵进行降维处 理， 得到投影矩阵， 包括： 根据交叉验证算法确定主成分分析的维度 数； 对所述预处理矩阵的所有元素进行中心 化处理； 算中心 化处理后的预 处理矩阵的协方差矩阵； 对所述协方差矩阵进行特征值分解， 得到多个特征值和多个特征向量； 所述特征值和所述特征向量一一对应； 根据所述多个特 征值、 所述多个特 征向量和所述维度数， 构建投影矩阵； 根据多组特 征值和所述特 征向量和所述维度数， 构建投影矩阵， 包括：权　利　要　求　书 1/3 页 2 CN 113553755 B 3