[发明专利]一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法

说明书

本发明涉及一种基于CNN‑LSTM模型含分布式电源的低压配电网拓扑辨识方法，包括如下步骤：基于混合高斯模型建立风光联合出力概率模型；通过蒙特卡罗模拟法生成多个配电网拓扑场景；根据配电网节点敏感度选择mPMU接入节点位置和数量；量测数据的获取及预处理；建立CNN‑LSTM拓扑辨识模型并对拓扑辨识效果进行评价。本发明采用CNN‑LSTM混合神经网络辨识模型，能够实现在含分布式电源的配电网中的精确拓扑辨识，并制定了mPMU设备接入方法，可以减少设备成本，具有较高的经济性。

技术领域

本发明属于配电网技术领域，具体涉及一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法。

背景技术

随着国家和社会对用电需求的逐年增加，对供电质量和可靠性提出了新的挑战，要求逐步完善中高压电网智能化的同时加快低压配电网走向信息化、科技化、数据化，社会各行各业感受安全、绿色、高效的用电体验。

配电系统中分布式新能源发电设备接入的比例逐年攀升，为应对“源-荷”双侧不确定性带来的潮流高频波动和电压越限问题，配电网馈线开关动作将愈加频繁，配电网的系统结构将愈发复杂，其网络拓扑变化更加频繁，运行方式呈现多样化、复杂化的特点，从而给配电网安全稳定控制及经济运行分析带来了全新的挑战。

精确的拓扑结构是配电系统进行潮流计算、状态估计、整定计算等分析应用的基础，也是规划运行、安全稳定控制的前提。然而，相较于输电网，配电网中监控及量测设备数量远不能满足实际需求，导致配电网结构大多数情况下难以准确获取，且目前尚未进行拓扑校验工作，使得开展配电网拓扑辨识方法的研究、利用当前量测数据实现拓扑精确辨识成为亟需解决的关键问题。

发明内容

本发明的目的是为了克服现有技术的不足，针对分布式电源接入下配电网拓扑结构变化频繁的问题及人工智能技术应用新方向，提出一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法，能够在含有分布式电源的配电网中实现精确的拓扑辨识，并制定μPMU设备接入策略，减少系统的设备成本，具有较高的经济性。

本发明采用的技术方案为：一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法，包括如下步骤：

S1：基于混合高斯模型建立风光联合出力概率模型；

S2：通过蒙特卡罗模拟法生成多个配电网拓扑场景；

S3：根据配电网节点敏感度选择μPMU接入节点位置和数量；

S4：量测数据的获取及预处理；

S5：建立CNN-LSTM拓扑辨识模型；

S6：拓扑辨识效果评价。

具体的，所述步骤S1中，基于混合高斯模型建立风光联合出力概率模型。高斯混合模型(GMM)的概率分布为：

式中，X为输入拟合数据；K是混合模型中子高斯模型的个数；θ为参数集，即θ_k＝{w_k；μ_k；σ_k}，三个参数分别表示权重系数、期望、协方差，且权重系数满足条件：

采用二维高斯混合模型建立风光联合出力的概率分布：

式中，X表示风光出力数据的二维矩阵；U表示均值矩阵；C为协方差矩阵。

具体的，所述步骤S2中，通过蒙特卡罗模拟法生成多个配电网拓扑场景。