基于数据驱动与深度神经网络的智能配电网拓扑辨识

摘要

网架结构的拓扑辨识是配电系统优化与控制的基础。随着风能和太阳能等可再生能源发电的高比例接入，配电网的拓扑结构变得更加复杂且变化频繁，显著增加了拓扑辨识的难度。为了提高拓扑辨识的准确率，本文结合配电网的结构和运行特点，提出了一种基于自组织映射(SOM)和卷积神经网络(CNN)深度学习框架的配电网拓扑辨识方法。考虑到配电网数据的高维特性，该方法首先利用主成分分析(PCA)对高维电压幅值和有功功率数据进行降维，进而使用SOM提取数据特征，将其转换为二维特征图，并通过CNN学习输入特征与拓扑标签之间的映射关系，从而实现配电网拓扑结构的精准辨识。通过在33、69、123节点配电网算例上进行仿真实验，验证了所提方法的有效性，并且相较于其他方法，该方法在辨识准确率和鲁棒性等性能上具有明显优势。

关键词

配电网系统 / 拓扑结构辨识 / 数据驱动 / 深度学习 / 卷积神经网络