1.一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:包括以下步骤:
基于连续潮流法跟踪负荷变化和发电机功率变化下的电力系统稳态行为,获得电力系统稳态行为模型,基于所述电力系统稳态行为模型获得节点电压幅值和相角;
基于所述节点电压幅值和所述相角,由潮流方程计算获得负荷数据;
基于所述负荷数据,由传统最优潮流求解器获得发电机有功功率pg和发电机无功功率qg;
构建卷积神经网络模型,将所述负荷数据、所述发电机有功功率和发电机无功功率整合为第一数据集,将所述第一数据集按照8∶2的比例分为训练数据和测试数据,基于所述训练数据对所述卷积神经网络模型进行训练;
基于所述卷积神经网络模型,预测发电机有功功率和发电机无功功率,获得发电机有功功率预测值和发电机无功功率预测值,将所述发电机有功功率预测值、所述发电机无功功率预测值和所述负荷数据,输入到传统潮流求解器,得到最优潮流解的剩余变量,将所述发电机有功功率pg、发电机无功功率qg和所述剩余变量合并,构成最优潮流的解。
2.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:其中所述电力系统稳态行为模型包括:
f(x,λ)=0
0≤λ≤λcritical
其中f∈rn,x∈rn,λ∈r,r代表一维空间,rn代表n维空间,λcritical代表临界负荷,向量x中包含系统中所有母线电压的幅值和相角,λ为一个反映系统负荷水平的标量参数;
基本负荷表达式为:
其中pli、qli分别表示母线i的两个基本负荷;kli指定了随着λ表面化,母线i负荷变化率的乘子;
发电机有功出力修正pgi为:
pgi=pgi(0)+(1+λkgi)
其中pgi(0)是母线i发电机的基本有功出力;kgi用于指定发电机有功出力随λ变化的常数。
3.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:基于所述训练数据对所述卷积神经网络模型进行训练的作用为:学习负荷与发电机输出功率之间的映射关系。
4.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:所述负荷数据是基于潮流方程计算方法所得到的。
5.根据权利要求1或4所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:所述有功功率基于潮流方程的表达式为:
其中pi表示每条母线的有功功率;vi表示母线i的电压幅值;gij、bij分别为节点导纳矩阵第i行第j列元素的实部与虚部;sb表示系统所有节点集合;θij=θi-θj,其中θi表示母线i的电压相角。
6.根据权利要求1或4所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:所述无功功率基于潮流方程的表达式为:
其中qi表示每条母线的无功功率,θij=θi-θj。
7.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法,其特征在于:所述卷积神经网络采用1层卷积网络。