[发明专利]电网拓扑变更元件的辨识方法、装置、设备及存储介质

权利要求书

1.一种电网拓扑变更元件的辨识方法，其特征在于，包括：

基于牛顿拉夫逊法，计算在电力系统出现拓扑变更后的潮流数据样本集，所述潮流数据样本集包括所述电力系统在不同拓扑元件变更后的潮流数据样本；

对所述潮流数据样本集进行可视化预处理，得到目标潮流数据样本集；

基于所述目标潮流数据样本集，对预设卷积神经网络进行训练，直至所述预设卷积神经网络达到预设收敛条件，得到拓扑元件辨识模型；

利用所述拓扑元件辨识模型，对出现拓扑变更后的所述电力系统进行辨识，得到所述电力系统的拓扑变更元件。

2.如权利要求1所述的电网拓扑变更元件的辨识方法，其特征在于，所述基于牛顿拉夫逊法，计算在电力系统出现拓扑变更后的潮流数据样本集，包括：

获取电力系统在实际运行条件下的第一潮流数据样本；

在仿真环境下，依次断开所述电力系统的每条线路，并采用牛顿拉夫逊法，依次计算在每条线路断开后的全网潮流分布，得到多个第二潮流数据样本；

将所述第一潮流数据样本和所述第二潮流数据样本作为所述潮流数据样本集。

3.如权利要求2所述的电网拓扑变更元件的辨识方法，其特征在于，所述在仿真环境下，依次断开所述电力系统的每条线路，并采用牛顿拉夫逊法，依次计算在每条线路断开后的全网潮流分布，得到多个第二潮流数据样本，包括：

在仿真环境下，依次断开所述电力系统的每条线路，并随机改变发电机有功功率和负载有功功率；

针对每次断开线路后的所述电力系统，计算所述电力系统在断开线路后的节点导纳矩阵；

基于所述节点导纳矩阵，计算雅可比矩阵；

利用牛顿法的修正方程，根据所述雅可比矩阵，计算所述电力系统的第三潮流数据样本。

4.如权利要求3所述的电网拓扑变更元件的辨识方法，其特征在于，所述随机改变发电机有功功率和负载有功功率，包括：

根据所述电力系统的潮流关系，以预设随机数生成范围，生成多个随机数；

根据多个所述随机数，随机改变发电机有功功率和负载有功功率，所述发电机有功功率和所述负载有功功率描述为：

其中，P_g为发电机有功功率，P_gmin为发电机有功功率最小阈值，P_gmax为发电机有功功率最大阈值，P_d为负载有功功率，P_dmin为负载有功功率最小值，P_dmax为负载有功功率最大值，k_g和k_d为随机数，k_gmax和k_dmax为基于潮流关系设置的预设随机数生成范围的最大值。

5.如权利要求1所述的电网拓扑变更元件的辨识方法，其特征在于，所述对所述潮流数据样本集进行可视化预处理，得到目标潮流数据样本集，包括：

根据所述电力系统的拓扑结构，对所述潮流数据样本集中的潮流数据样本进行矩阵化，得到潮流数据矩阵，所述潮流数据矩阵为所述目标潮流数据样本集，其中所述潮流数据样本包括发电机有功功率和负载有功功率，所述潮流数据矩阵中的非0元素表示相邻元件存在电气连接关系或物理连接关系，所述潮流数据矩阵中的0元素表示相邻元件不存在电气连接关系或物理连接关系。

6.如权利要求1所述的电网拓扑变更元件的辨识方法，其特征在于，所述基于所述目标潮流数据样本集，对预设卷积神经网络进行训练，直至所述预设卷积神经网络达到预设收敛条件，得到拓扑元件辨识模型，包括：

根据所述目标潮流数据样本集，对所述预设卷积神经网络进行训练，得到每次训练的样本辨识结果；

基于所述样本辨识结果，计算所述预设卷积神经网络的损失函数值；

利用控制变量法，根据所述损失函数值，更新所述预设卷积神经网络的超参数变量，得到新的预设卷积神经网络；

根据所述目标潮流数据样本集，继续对所述新的预设卷积神经网络进行训练，直至所述损失函数值小于预设值或迭代次数达到预设次数，得到所述拓扑元件辨识模型。