[发明专利]一种基于CNN的电网拓扑辨识方法及系统

权利要求书

1.一种基于卷积神经网络CNN的电网拓扑辨识方法,其特征在于包括以下步骤:

步骤1，基于电网历史潮流数据进行分析，以获得“图片矩阵化”样本数据；包括：

步骤1.1：辨识“拓扑易变线路”；所述辨识“拓扑易变线路”的方法为统计样本中每条线路两端节点电压在正常运行状态下最大、最小电压范围内流过电流和/或功率为零和非零的概率，当电流和/或功率为零和非零的概率均不为零时，判定其为“拓扑易变线路”；

步骤1.2：对电网拓扑类别进行全概率分类，并以向量形式表示；

步骤1.3：对样本数据进行“图片矩阵化”处理；所述对样本数据进行“图片矩阵化”处理的方法具体为对于l条支路的电网拓扑结构，形成4×l矩阵，其中矩阵中的列表示支路号，矩阵中第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值；

步骤2，对样本数据进行CNN训练与优化，形成基于样本数据的电网拓扑识别模型。

2.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：

在进行所述步骤2之前，还包括判断样本数据量是否充足的步骤，当样本数据量不足时，通过连续潮流计算以补足样本数据；当样本数据量充足时，直接进入步骤2。

3.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述步骤1.2具体为按照电网安全运行方式要求，分析“拓扑易变线路”之间通/断状态的组合关系，依据所有可能的组合将电网拓扑进行全概率分类，并按类别进行编号，将类别形式表示为向量形式。

4.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：其中4×l矩阵中对于测量缺失的值设为0，“拓扑易变线路”对应的功率量设为0，表明其通/断状态无法测量判断。

5.根据权利要求2所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述通过连续潮流计算以补足样本数据具体为从电网安全运行状态中随机选择初始状态，并设置负荷节点基于该初始状态的功率变化趋势和变化步长，按功率变化趋势和步长形成一系列新的各节点状态量，在每个新的状态下计算潮流，直到潮流计算不收敛为止；连续潮流计算结果用于补足该拓扑类别下的样本数据。

6.根据权利要求5所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述负荷节点的功率变化趋势和变化步长可由负荷曲线上初始点处斜率的正负和大小来确定。

7.根据权利要求1所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：所述对样本数据进行CNN训练与优化是在TensorFlow环境下训练可以辨识网络拓扑的CNN。

8.根据权利要求7所述的一种基于卷积神经网络CNN的电网拓扑辨识方法，其特征在于：基于CNN的电网拓扑识别结构为：卷积层1-池化层1-卷积层2-池化层2-全连接层1-全连接层2。

9.一种基于卷积神经网络CNN的电网拓扑辨识系统，其特征在于包括：数据处理模块、样本补充模块、以及拓扑辨识模块，所述数据处理模块包括：“拓扑易变线路”辨识子模块、电网拓扑类别全概率分类子模块以及样本“图片矩阵化”子模块；

所述“拓扑易变线路”辨识子模块通过统计样本中每条线路两端节点电压在正常运行状态下最大、最小电压范围内流过电流和/或功率为零和非零的概率，当电流和/或功率为零和非零的概率均不为零时而确定该线路为“拓扑易变线路”；

所述样本“图片矩阵化”子模块包括针对l条支路的电网拓扑结构，形成4×l矩阵，其中矩阵中的列表示支路号，矩阵中第一行表示各支路可测量的首端注入功率，第二行表示各支路首端连接节点的电压值，第三行表示各支路可测量的末端注入功率，第四行表示各支路末端连接节点的电压值。