本技术属于电力系统，特别涉及一种电力系统状态估计方法、装置、设备及存储介质。
背景技术：
1、电磁暂态是电力系统中电压和电流的严重短时变化过程，由此产生的能量交换会使网络组件承受更高的应力，从而对电网造成严重的损坏，导致电网失稳、解列。研究表明，在大规模停电事故发生时，通常会先出现暂态故障。因此，对电力系统暂态状态进行精确的预测，是保证电网安全经济运行的重要基础。
2、电力系统暂态状态估计是状态估计器针对系统发生故障时对整体态势的把控，旨在监测电网发生故障时的实时状态，为电力系统调度运行提供依据，也为早期发现电网故障提供了参考。当前，相量测量单元（phasor measurement unit, pmu）和故障录波器主要用于获取电力系统的暂态数据。由于pmu设备价格昂贵，对其大量布点会使经济效益严重下降；而故障录波器采集的数据量较大，且起动频繁，属于非实时信息，利用故障录波数据进行电力系统暂态状态估计并不满足其实时性要求。但在实际电网中，有价值的数据仍然有限。对实际电力系统而言，一方面同一位置发生同一类型故障的样本较少；另一方面故障样本的获取存在量测和通信成本高昂、数量有限的问题；因此，实际电网中往往得到故障条件下的小样本数据集，导致当前数据驱动暂态状态估计无法实时跟踪系统真实态势。同时，当系统发生故障时，系统的稳定性变化会导致原模型性能下降，则需要重新训练出适用于新系统的模型，从而抛弃了原有模型长期积累的知识，模型适应性不高。
技术实现思路
1、本发明的目的在于克服现有技术中的不足，提供一种电力系统状态估计方法、装置、设备及存储介质，首先依托数字孪生技术得到实际电力系统运行的孪生数据，为暂态状态估计提供充足的样本数据来源。其次，将孪生数据划分为源域数据集和目标域数据集，基于电力系统稳态数据构建源域状态估计基础模型。最终，通过深度迁移学习技术，利用目标域中小样本暂态数据来微调基础模型，即可获得适用于暂态的状态估计模型。
2、为实现上述目的，本发明是采用下述技术方案实现的：
3、第一方面，本发明提供一种电力系统状态估计方法，包括：
4、获取实时的电力系统暂态孪生数据并进行归一化处理，得到当前断面的电力系统暂态孪生数据；
5、将当前断面的电力系统暂态孪生数据输入到预训练的暂态状态估计模型，得到电力系统的节点电压幅值和节点相角的状态估计值；
6、其中，所述暂态状态估计模型的训练方法，包括：
7、采用数字孪生技术得到电力系统稳态孪生数据和暂态孪生数据；
8、基于电力系统稳态孪生数据，通过仿真得到多断面稳态数据，在多断面稳态数据中添加高斯白噪得到得多断面稳态量测数据并进行归一化处理；
9、使用多断面稳态量测数据训练卷积神经网络模型，得到状态估计基础模型；
10、基于状态估计基础模型，通过深度迁移学习技术，利用电力系统暂态孪生数据来微调状态估计基础模型，进行迁移训练，得到暂态状态估计模型。
11、进一步地，所述基于电力系统稳态孪生数据，通过仿真得到多断面稳态数据，在多断面稳态数据中添加高斯白噪得到得多断面稳态量测数据并进行归一化处理，包括：
12、对电力系统稳态孪生数据进行仿真模拟，得到多断面稳态数据；
13、在多断面稳态数据中添加高斯白噪声，得到多断面稳态量测数据；
14、将多断面稳态量测数据进行归一化处理；
15、其中，多断面的量测包括节点电压幅值量测、支路首端功率量测和支路末端功率量测，节点状态包括节点电压幅值和节点电压相角；量测和节点状态之间的关系为：
16、；
17、式中： i和 j分别为节点i和节点j； u i、 u j分别为支路 ij的首末端节点电压幅值； p ij为支路 ij的首末端有功功率； q ij为支路 ij的首末端无功功率； k ij为支路 ij的变压器非标准变比； θ ij为支路 ij相角差； g ij和 b ij为电导和电纳。
18、进一步地，所述将多断面稳态量测数据进行归一化处理，包括：
19、对于第 k个断面历史量测值进行数据归一化：
20、；
21、式中，为第 k个归一化后的历史量测值， x k为第 k个原始的历史量测值，min(·)为一组数据中的最小值，max(·)为一组数据的最大值。
22、进一步地，所述使用多断面稳态量测数据训练卷积神经网络模型，得到状态估计基础模型，包括：
23、设置基于卷积神经网络模型的网络结构和模型参数；
24、将多断面稳态量测数据输入到卷积神经网络cnn中进行模型训练，得到状态估计基础模型；
25、其中，卷积神经网络cnn包含卷积层、池化层、全连接层三种神经网络层；
26、所述卷积层用于提取量测数据的有效特征，公式为：
27、；
28、式中：为第 l层输出的第 k个特征；为权重向量；为第 l-1层输出；为可学习的偏置；为非线性激活函数；
29、对池化层利用最大池化方法进行处理，公式如下：
30、；
31、式中，为池化后的值；为未池化的值； d j为第 j个池化区域；
32、对于全连接层，计算公式如下：
33、；
34、式中：为第 l层第 k个神经元激活后的输出；为激活函数；
35、全连接层将多级神经网络的计算结果传递到输出层，并得到最终的电力系统暂态状态估计值。
36、进一步地，所述设置基于卷积神经网络模型的网络结构和模型参数，包括：模型整体层数、卷积层数、优化器、迭代次数；
37、所述非线性激活函数，包括relu函数；所述激活函数包括sigmoid函数。
38、进一步地，所述基于状态估计基础模型，通过深度迁移学习技术，利用电力系统暂态孪生数据来微调状态估计基础模型，进行迁移训练，得到暂态状态估计模型，包括：
39、冻结状态估计基础模型的卷积层参数，保存并加载其结构和权重，利用电力系统暂态孪生数据重新训练未冻结层的参数，具体公式为：
40、；
41、式中， η为学习率； l为损失函数； ω θ表示cnn模型中的超参数； other指除了全连接层以外的神经网络层， fc layer表示全连接层。
42、第二方面，本发明公开一种电力系统状态估计装置，包括：
43、数据获取模块，用于获取实时的电力系统暂态孪生数据并进行归一化处理，得到当前断面的电力系统暂态孪生数据；
44、状态估计模块，用于根据当前断面的电力系统暂态孪生数据，得到电力系统的节点电压幅值和节点相角的状态估计值；
45、其中，所述暂态状态估计模型的训练方法，包括：
46、采用数字孪生技术得到电力系统稳态孪生数据和暂态孪生数据；
47、基于电力系统稳态孪生数据，通过仿真得到多断面稳态数据，在多断面稳态数据中添加高斯白噪得到得多断面稳态量测数据并进行归一化处理；
48、使用多断面稳态量测数据训练卷积神经网络模型，得到状态估计基础模型；
49、基于状态估计基础模型，通过深度迁移学习技术，利用电力系统暂态孪生数据来微调状态估计基础模型，进行迁移训练，得到暂态状态估计模型。
50、进一步地，所述数据获取模块，具体用于：
51、对电力系统暂态孪生数据进行仿真模拟，得到多断面暂态数据；
52、将多断面稳态量测数据进行归一化处理；
53、其中，多断面的量测包括节点电压幅值量测、支路首端功率量测和支路末端功率量测，节点状态包括节点电压幅值和节点电压相角；量测和节点状态之间的关系为：
54、；
55、式中： i和 j分别为节点i和节点j； u i、 u j分别为支路 ij的首末端节点电压幅值； p ij为支路 ij的首末端有功功率； q ij为支路 ij的首末端无功功率； k ij为支路 ij的变压器非标准变比； θ ij为支路 ij相角差； g ij和 b ij为电导和电纳。
56、第三方面，本发明公开一种计算机设备，包括处理器及存储介质；
57、所述存储介质用于存储指令；
58、所述处理器用于根据所述指令进行操作以实现如第一方面所述的电力系统状态估计方法的步骤。
59、第四方面，本发明公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一发方面所述的电力系统状态估计方法。
60、与现有技术相比，本发明所达到的有益效果：
61、（1）本发明依托数字孪生技术输出的数据来进行暂态状态估计的算法开发，并通过深度迁移学习实现了电力系统暂态状态估计。
62、（2）本发明方法的估计精度和鲁棒性优于不使用迁移学习的状态估计器，能较好地跟踪系统的暂态过程，实现电力系统暂态状态的实时监控，可高效发现故障征兆，保证及时响应问题并进行运维。
63、（3）本发明采用数据驱动的方式，在线计算时间受系统规模影响较小；基于深度迁移学习技术，暂态状态估计模型无需从头训练，大大节省了时间成本，可以满足大电网暂态状态估计的实时性要求。
1.一种电力系统状态估计方法，其特征在于，包括：
2.根据权利要求1所述的电力系统状态估计方法，其特征在于，
3.根据权利要求1所述的电力系统状态估计方法，其特征在于，
4.根据权利要求1所述的电力系统状态估计方法，其特征在于，所述使用多断面稳态量测数据训练卷积神经网络模型，得到状态估计基础模型，包括：
5.根据权利要求4所述的电力系统状态估计方法，其特征在于，
6.根据权利要求1所述的电力系统状态估计方法，其特征在于，
7.一种电力系统状态估计装置，其特征在于，包括：
8.根据权利要求7所述的电力系统状态估计装置，其特征在于，所述数据获取模块，具体用于：
9.一种计算机设备，其特征在于，包括处理器及存储介质；
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一所述的电力系统状态估计方法。
