基于深度学习的城市配电网多级动态重构决策方法

多级动态重构技术相比于传统全局重构技术更适合用以改善大规模城市配电网的运行经济性,但是随之而来的重构级别识别又成了新问题。由此,该文依托现有的多级动态重构数学模型,提出一种基于深度学习算法的城市配电网多级动态重构决策方法,可跨过级别识别过程直接实现输入净负荷数据与最优重构决策方案之间的非线性映射。建立了将特征空间注意力机制、时间序列注意力机制、卷积神经网络与门控循环单元相结合的组合神经网络,针对城市配电网净负荷数据时空分布不均衡的特性,采用特征空间注意力机制与卷积神经网络对整个配电网的净负荷数据进行空间特征的学习以感知其高维特征空间的潜在联系。接着采用门控循环单元与时间序列注意力机制来充分挖掘净负荷数据在长时间尺度下的时序特征,提取其在时间分布上的不平衡特征,充分训练所提组合神经网络以拟合现有数学模型。最后,通过实际的145节点系统、IEEE 33节点系统、PG&E 69节点系统进行算例分析,验证了所提方法的有效性。