[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

权利要求书

1.一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法，其特征在于，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。

2.根据权利要求1所述的一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法，其特征在于：所述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)以高斯分布作为子概率分布，使总体模型具有高斯分布的数学性质及良好的计算能力，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表示协方差矩阵。

3.根据权利要求1所述的一种基于CNN-LSTM模型含分布式电源的低压配电网拓扑辨识方法，其特征在于，所述通过蒙特卡罗模拟法生成多个配电网拓扑场景；配电网拓扑场景主要依赖于分布式电源在配电网中的优化配置，通过仿真生成不同分布式电源配置场景下的量测数据并构建数据集，本专利主要模拟基于风电(WT)和光伏(PV)两种分布式电源的配置场景，采用蒙特卡罗模拟法生成风光联合出力场景，在不同配置场景下存在不同的拓扑结构；

蒙特卡洛法基本原理是根据随机变量样本空间的概率分布，通过模拟实验计算样本发生的概率或样本属性的平均值；根据大数定律，假设随机变量g(x)的概率模型是f(x)，期望值是E(x)，通过概率模型采样可得到随机变量样本空间X＝{X1,X2,…,Xn}，该样本空间满足概率模型是f(x)的期望E(x)和方差D(x)，数学表达式为：

基于上述原理，利用蒙特卡洛模拟法生成多个配电网拓扑场景的具体步骤为：

1)利用蒙特卡洛法从服从风光联合出力的混合高斯模型中抽取n组随机变量(x1i,x2i,…,xki)，i＝1,2,…,n，k表示采样点数；

2)计算n组随机变量的期望E(x)和方差D(x)，检验n组随机变量，剔除不符合的随机变量组；

3)对随机变量进行累积分布逆变换，产生随机风光联合出力变量(p_1i,p_2i,…,p_ki)，进而生成n组服从风光联合出力的场景，根据不同的风光出力场景，进行配电网重构，即以各支路功率损耗最小为目标，得到不同的开关组合，选取满足要求的开关组合方案，从而得到不同的配电网拓扑结构。