基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。     

基于深度神经网络伪量测建模的交直流混合配电网交替迭代法状态估计

当前配电网状态估计面临的一个突出问题是实时量测数量不足,难以实现全网可观性。为了给配电管理系统提供准确的基础数据,提出一种基于深度神经网络伪量测建模的交直流混合配电网交替迭代状态估计方法。首先,建立电压源换流器的稳态模型和混合配电网的实时量测模型;然后,利用历史量测数据对深度神经网络进行离线训练,建立负荷节点注入功率的伪量测模型;最后,对交流区域和直流区域进行交替迭代状态估计,在交替过程中区域间交换VSC支路状态量的估计值,保证了边界状态量的一致性。算例测试结果表明,所提方法能在实时量测覆盖率低的情况下,准确估计混合配电网的状态值。     

基于深度神经网络伪量测建模的交直流混合配电网交替迭代法状态估计

当前配电网状态估计面临的一个突出问题是实时量测数量不足,难以实现全网可观性。为了给配电管理系统提供准确的基础数据,提出一种基于深度神经网络伪量测建模的交直流混合配电网交替迭代状态估计方法。首先,建立电压源换流器的稳态模型和混合配电网的实时量测模型;然后,利用历史量测数据对深度神经网络进行离线训练,建立负荷节点注入功率的伪量测模型;最后,对交流区域和直流区域进行交替迭代状态估计,在交替过程中区域间交换VSC支路状态量的估计值,保证了边界状态量的一致性。算例测试结果表明,所提方法能在实时量测覆盖率低的情况下,准确估计混合配电网的状态值。     

深度学习辅助的区域交直流配电网区间状态估计

针对区域交直流混合配电网中实时量测覆盖率低、量测误差分布具有不确定性的问题,提出了基于深度神经网络(DNN)伪量测建模的交直流配电网区间状态估计方法。该方法首先对DNN进行离线训练,然后将实时量测数据和电压源换流器控制的变量值作为DNN的输入特征,建立伪量测模型;接着,在实时量测更新时,利用已训练好的DNN快速生成伪量测;最后,对伪量测和实时量测的不确定性采用区间形式建模并进行区间状态估计,进而准确监测交直流系统状态。算例仿真结果表明,所提方法能够避免对量测误差的概率分布进行假设,并且能够在低冗余量测配置或量测缺失时,准确获得交直流配电网状态变量的上下界信息。