基于深度学习的城市配电网多级动态重构方法及系统

1.本发明属于城市配电网动态重构技术领域，具体涉及基于深度学习的城市配电网多级动态重构方法及系统。


背景技术：

2.随着科学技术的飞速发展，城市配电网自动化建设逐渐完善，这给配电网重构技术的运用提供了条件。该技术通过改变配电网拓扑结构来转移负荷，可以起到均衡负荷、降低网损、改善经济性的作用，同时也可保障系统各区域的安全稳定运行，避免大面积失负荷情况的发生。近些年来，城市配电网中分布式光伏的含量越来越高，运用该技术可提高光伏消纳水平并改善以传统负荷和分布式光伏为代表的净负荷的时空分布不均衡问题。
3.然而随着城市配电网规模日渐庞大，传统的全局动态重构显然不符合实际，且大范围全局重构并不一定带来更强的潮流转移能力，反而模型因包含大量表征开关状态的布尔变量而变得求解慢、求解难甚至无法求解会产生大规模潮流转移，给配电网运行带来风险，针对这一问题，多级动态重构技术应运而生，该技术可满足大规模配电网优化灵活高效的需求，该方法虽然在一定程度上减少了模型的布尔变量，使得模型的求解难度降低，但是重构方案的决策依赖于重构级别的识别，且在大规模配电网中重构级别识别模型也是相当复杂。深度学习不赖于显式模型，直接以数据为驱动，具有强大的特征提取能力与极快的求解速度，随着问题复杂程度的增大，深度学习的优势愈加明显，可为规模逐渐庞大的复杂配电网多级动态重构策略高效求解问题提供新的思路，故基于深度学习的城市配电网多级动态重构方法值得深入研究。
4.因此，现阶段需设计基于深度学习的城市配电网多级动态重构方法及系统，来解决以上问题。


技术实现要素：

5.本发明目的在于提供基于深度学习的城市配电网多级动态重构方法及系统，用于解决上述现有技术中存在的技术问题，多级动态重构技术可满足大规模配电网优化灵活高效的需求，该方法虽然在一定程度上减少了模型的布尔变量，使得模型的求解难度降低，但是重构方案的决策依赖于重构级别的识别，且在大规模配电网中重构级别识别模型也是相当复杂。
6.为实现上述目的，本发明的技术方案是：
7.基于深度学习的城市配电网多级动态重构方法，包括以下步骤：
8.步骤一，根据“馈线-变压器-变电站”三级重构模式构建三级重构数学模型，获取历史数据标签；
9.步骤二，采用深度学习的方法在调度中心处对配电网多级动态重构进行决策，针对城市配电网净负荷在时间与空间上分布不均衡的数据特性，采用cnn网络对城市配电网净负荷数据进行空间特征上的学习，提取出净负荷分布在空间上的不平衡特征，并引入特
征空间注意力机制来强化模型对负荷、光伏等非连续数据在高维空间中潜在联系的感知；
10.步骤三，采用gru网络来学习数据在时序上的特征，提取出净负荷在时间分布上的不平衡特征，并引入时间注意力机制来强化模型对非连续数据在长时间尺度下的挖掘；
11.步骤四，训练本发明所提模型以充分拟合“馈线-变压器-变电站”三级重构数学模型，获得配电网多级动态重构最优策略。
12.进一步的，步骤一中所述的“馈线-变压器-变电站”三级重构模式包括三个级别：馈线级重构、变压器级重构、变电站级重构，不同级别下参与重构的联络开关的级别也不相同。馈线级重构只改变馈线联络开关和支路分段开关的状态组合，潮流在同一变压器下不同馈线之间转移；变压器级重构可同时改变变压器联络开关、馈线联络开关、支路分段开关的状态组合，潮流可在同一变电站下的不同变压器之间或同一变压器下的不同馈线之间转移；变电站级重构则可改变所有级别开关的状态组合，潮流可实现馈线之间、变压器之间、变电站之间的转移。三种重构级别等级由低到高依次递增，可调节的潮流分布范围也是依次增大。
13.进一步的，步骤一中所述的三级重构数学模型为：
14.目标函数：
15.上层重构级别决策模型对优先局部自治进行成本量化。一定程度上，馈线级重构、变压器级重构、变电站级重构所产生的成本逐渐增大，重构级别成本c
lev
的大小将反映局部化程度。c
lev
越小，则说明系统重构局部化水平更高。
[0016][0017]
式中：表示隶属j变电站的变压器f进行馈线级重构的状态标识；表示j变电站进行变压器级重构和变电站级重构的状态标识；c
fr
、c
tr
、c
sr
分别表示进行单次馈线级重构、变压器级重构、变电站级重构的成本，且c
fr
＜c
tr
＜c
sr
。
[0018]
下层重构优化模型侧重改善配网弃光、失负荷问题，将忽略优化过程中的网络损耗，只计入馈线有功负荷和网络拓扑约束，从而助力上层重构级别决策层快速识别各变电站、变压器的重构级别需求，为系统操作人员快速提供级别识别结果。馈线级重构、变压器级重构、变电站级重构分别以变压器内、变电站内、多变电站内节点的弃光失负荷量最小为目标函数。
[0019][0020][0021][0022]
式中：m为主体标识；m1、m2分别表示失负荷、弃光的惩罚成本；分别表示失负荷、弃光的惩罚成本；分别表示节点j的负荷削减有功、光伏预测出力和光伏实际出力；节点集合bm、光伏节点集合根据不同优化主体m而改变。
[0023]
约束条件：
[0024]
(1)重构级别决策约束
[0025]
馈线级、变压器级、变电站级三级重构模式选择之间存在耦合约束。
[0026][0027]
(m,n关联)
[0028][0029]
式中：表示j变电站包含的变压器总数；上述第一个式子表示j变电站不可能同时参与变电站级重构和变压器级重构；上述第二个式子表示关联的m、n变电站同时参与/不参与变电站级重构；时，上述第三个式子表示对于j变电站下的任意变压器只能为0，即上层变电站j进行变压器级/变电站级重构时，内部变压器不能重复进行馈线级重构。
[0030]
(2)多级重构约束
[0031]
多级重构手段的实施以可操作开关集合、节点支路集合进行区分，这里统一表达不同主体m的节点功率平衡约束、网络重构约束、主网出力约束、pv出力约束和失负荷约束，并省略下标m。
[0032]
1)节点功率平衡
[0033][0034][0035][0036][0037]
式中：α(j)为以j为初始节点的支路终端节点集合；β(j)为以j为终端节点的支路初始节点集合；b表示网络中所有节点集合；p
ij
、表示支路ij传输的有功功率及最大值；pj表示节点j注入的有功功率；w
ij
表示支路ij的开关状态，若w
ij
＝1，则说明支路ij开关闭合；e
sw
、e分别表示优化区域内开关支路集合和所有支路集合。
[0038]
2)网络重构约束
[0039][0040]
式中：e
always
表示网架中一直处于闭合状态不可调节的支路总数；若优化主体为变电站或变压器，即进行变压器级重构或馈线级重构，则n
sub
＝1；若优化主体为多变电站，即进行变电站级重构，则n
sub
与优化主体的变电站数目有关。含有分布式发电的配电网络在以上约束下仍可能出现孤岛运行的情况。因此，在非变电站节点注入较小的节点注入功率ε，通过简化的潮流约束来保证非变电站节点和变电站节点的连通性。
[0041][0042][0043][0044]
式中：表示支路ij上的辅助潮流有功功率而非实际传输有功功率。
[0045]
3)主网出力约束
[0046][0047][0048]
4)pv出力约束
[0049][0050]
5)失负荷约束
[0051][0052]
进一步的，步骤二中所述的采用cnn网络对城市配电网净负荷数据进行空间特征上的学习，提取出净负荷分布在空间上的不平衡特征，cnn网络的特性如下：
[0053]
cnn网络相比前馈神经网络最大的优势就是cnn网络在卷积层操作中通过神经元局部连接和卷积核权重共享的方式大幅度减少训练过程中的参数数量，提高了模型训练速度，使得模型能够更有效提取原始数据中的空间特征信息。将输入x导入后，卷积层的数据特征c表示如下式所示：
[0054][0055]
式中：表示卷积运算；w表示权重向量；b表示偏置向量；f(
·
)为卷积运算中的激活函数，本发明选用relu函数作为激活函数。
[0056]
相比于卷积层提取特征，池化层更多的起到压缩特征图、提取主要特征的作用。通过对特征图的抽象理解来降低特征维数，可在有效降低训练参数数量的同时减轻模型过拟合程度。
[0057]
进一步的，步骤三所属的采用gru网络来学习数据在时序上的特征，提取出净负荷在时间分布上的不平衡特征，gru网络的特性如下：
[0058]
gru网络由lstm网络改进而来，其对lstm网络的输入门、遗忘门、输出门进行优化，将输入门与遗忘门合并为更新门，同时混合神经元状态与隐藏状态，可有效解决rnn网络因长程依赖带来的“梯度爆炸”与“梯度消失”问题，与lstm网络相比，减少了网络单元的参数数量，缩短了模型的训练时间。gru网络原理如下：
[0059]rt
＝σ(wr·
[h
t-1
,x
t
])
[0060]zt
＝σ(wz·
[h
t-1
,x
t
])
[0061][0062]ht
＝(i-z
t
)
×ht-1
+z
t
×vt
[0063]yt
＝σ(wo·ht
)
[0064]
式中：x
t
、h
t-1
、h
t
、r
t
、z
t
、v
t
、y
t
分别为当前时刻的输入向量、上一时刻的状态记忆向量、当前时刻的状态记忆向量、更新门的状态、重置门的状态、当前时刻候选集的状态、当前时刻的输出向量；wr、wz、wo分别为更新门、重置门、候选集、输出向量与x
t
及h
t-1
所构成的连接矩阵相乘的权重参数；i表示单位矩阵；[]表示向量连接；
·
表示矩阵点乘；
×
表示矩阵乘积；σ表示sigmoid激活函数；φ表示tanh激活函数。
[0065]
进一步的，步骤二、三中所述的引入特征空间注意力机制和时间注意力机制来强化模型对负荷、光伏等非连续数据在高维空间和长时间尺度中潜在联系的感知，自注意力机制原理如下：
[0066]
注意力机制是当前深度学习领域最为火热的技术之一，它是一种模拟人类视觉来对数据进行直观解释的方法。目前较多使用的自注意力机制与传统的软性、硬性注意力机制不同，其最大的特征就是其查询向量可以直接使用输入信息来生成，而不是选择一个与任务相关的查询向量。这相当于输入数据送入模型后，模型会根据输入数据本身决定当前的关键信息。
[0067]
设输入信息x＝[x1,x2,...,xn]，需要使用自注意力机制获取每个位置的输出，步骤如下：
[0068]
(1)将原始输入映射到查询空间q、键空间k和值空间v，其表达式如下：
[0069]
q＝xwq＝[q1,q2,...,qn]
[0070]
k＝xwk＝[k1,k2,...,kn]
[0071]
v＝xwv＝[v1,v2,...,vn]
[0072]
(2)计算每个位置的注意力分布，并且将相应结果进行加权求和：
[0073][0074]
式中：s(qi,kj)是经过上述点积、缩放后分数值。
[0075]
(3)使用矩阵计算的方式，一次性计算出所有位置attention输出向量：
[0076][0077]
本发明使用双重自注意力机制，即特征空间自注意力机制和时序自注意力机制相结合，目的在于充分挖掘净负荷数据在高维特征空间以及24小时内各时段之间的关联，提高模型的综合性能。
[0078]
进一步的，步骤四所述的训练本发明所提模型以充分拟合“馈线-变压器-变电站”三级重构数学模型，训练完毕后对神经网络模型进行部署，给神经网络模型送入城市配电网24小时净负荷数据，即可获得配电网多级动态重构最优策略。
[0079]
考虑最大流和信息物理耦合的综合能源系统站选址系统，包括：多级动态重构模块；所述多级动态重构模块包括状态检测模块、信息存储模块、多级重构方案决策模块、馈线联络开关控制决策模块、变压器联络开关控制决策模块、变电站联络开关决策模块。
[0080]
所述状态检测模块，用于检测城市配电网pv实时出力数据与负荷实时需求数据，并将其存储在信息存储模块；
[0081]
所述信息存储模块，用于存储pv与负荷的历史数据信息；
[0082]
所述多级重构方案决策模块即深度学习模型部署模块，生成深度学习多级动态重构模型的求解结果，为配网操作人员建议合适的重构级别及相应级别重构方案；
[0083]
所述馈线联络开关控制决策模块，根据相应重构方案远程控制馈线联络开关的开合闸动作；
[0084]
所述变压器联络开关控制决策模块，根据相应重构方案远程控制变压器联络开关的开合闸动作；
[0085]
所述变电站联络开关控制决策模块，根据相应重构方案远程控制变电站联络开关的开合闸动作。
[0086]
计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时实现如上述的城市配电网多级动态重构方法。
[0087]
与现有技术相比，本发明所具有的有益效果为：
[0088]
本方案其中一个有益效果在于，针对现有城市配电网多级动态重构数学模型在对大规模城市配电网重构级别进行识别时求解速度慢甚至难以求解的问题，本发明跨过级别识别过程，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，可实现输入净负荷数据与重构方案决策之间的非线性映射。根据部署后的深度学习模型获取多级重构方案决策结果，能够帮助配电网运行人员进行快速决策，避免全局大范围潮流转移给电网运行带来的负担，具有实用价值。
附图说明
[0089]
图1为本发明多级动态重构方法流程示意图；
[0090]
图2为本发明多级动态重构工作原理图；
[0091]
图3为本发明多级动态重构的潮流转移图；
[0092]
图4为本发明所用混合神经网络结构图；
[0093]
图5为本发明所用145节点系统结构图；
[0094]
图6为本发明不同特征组合的验证损失对比图；
[0095]
图7为本发明不同特征组合的验证精度对比图；
[0096]
图8为本发明不同特征组合的训练时间对比图；
[0097]
图9为本发明不同算法的验证精度对比图；
[0098]
图10为本发明不同算法的训练时间对比图。
具体实施方式
[0099]
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0100]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0101]
而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
[0102]
提出一种基于深度学习的城市配电网多级动态重构方法。
[0103]
具体的，如图1所示，首先根据“馈线-变压器-变电站”三级重构模式构建三级重构数学模型，获取历史数据标签；然后采用深度学习的方法在调度中心处对配电网多级动态重构进行决策，针对城市配电网净负荷在时间与空间上分布不均衡的数据特性，采用cnn网络对城市配电网净负荷数据进行空间特征上的学习，提取出净负荷分布在空间上的不平衡特征，并引入特征空间注意力机制来强化模型对负荷、光伏等非连续数据在高维空间中潜在联系的感知；接着采用gru网络来学习数据在时序上的特征，提取出净负荷在时间分布上的不平衡特征，并引入时间注意力机制来强化模型对非连续数据在长时间尺度下的挖掘；最后训练本发明所提模型以充分拟合“馈线-变压器-变电站”三级重构数学模型，获得配电网多级动态重构最优策略。
[0104]
如图2所示，所述多级动态重构系统包括状态检测模块、信息存储模块、多级重构方案决策模块、馈线联络开关控制决策模块、变压器联络开关控制决策模块、变电站联络开关决策模块。所述状态检测模块，用于检测城市配电网pv实时出力数据与负荷实时需求数据，并将其存储在信息存储模块；所述信息存储模块，用于存储pv与负荷的历史数据信息；所述多级重构方案决策模块即深度学习模型部署模块，生成深度学习多级动态重构模型的求解结果，为配网操作人员建议合适的重构级别及相应级别重构方案；所述馈线联络开关控制决策模块，根据相应重构方案远程控制馈线联络开关的开合闸动作；所述变压器联络开关控制决策模块，根据相应重构方案远程控制变压器联络开关的开合闸动作；所述变电站联络开关控制决策模块，根据相应重构方案远程控制变电站联络开关的开合闸动作。
[0105]
如图3所示，该系统由变电站substation 1和2组成，变电站1下辖变压器s1t1与s1t2，有馈线s1t11、s1t12与s2t21，变电站2下辖变压器s2t1与s2t2，有馈线s2t11、s2t12与s2t21，开关空心代表断开，开关实心代表闭合。所述多级动态重构的潮流转移有如下含义：
[0106]
城市配电网在结构上具有自然分层的特征，由下至上可分为馈线层级、变压器层级、变电站层级这三种层级，所以根据此结构特征可考虑对馈线联络开关(feeder tie switch，fs)、变压器联络开关(transformer tie switch，ts)、变电站联络开关(station tie switch，ss)和支路分段开关(sectionalizing switch，bs)进行状态上的组合，可以实现馈线层级、变压器层级、变电站层级这三种层级之间的潮流转移，也即实现配电网净负荷转移。
[0107]
配电网多级动态重构模式包括三个级别：馈线级重构、变压器级重构、变电站级重构，不同级别下参与重构的联络开关的级别也不相同。如表1所示，馈线级重构只改变馈线联络开关和支路分段开关的状态组合，潮流在同一变压器下不同馈线之间转移；变压器级重构可同时改变变压器联络开关、馈线联络开关、支路分段开关的状态组合，潮流可在同一变电站下的不同变压器之间或同一变压器下的不同馈线之间转移；变电站级重构则可改变所有级别开关的状态组合，潮流可实现馈线之间、变压器之间、变电站之间的转移。三种重构级别等级由低到高依次递增，可调节的潮流分布范围也是依次增大。为避免全局重构即变电站级重构带来的大规模潮流转移和非理想边际效益，应该采用“优先局部自治、滞后全局协调”的重构策略。
[0108]
表1多级动态重构模式
[0109][0110][0111]
如图3所示，假设虚线表示的区域内馈线s1t11的光伏出现弃光现象，根据“优先局部自治、滞后全局协调”的重构策略，可先进行馈线级重构，调节fs1的状态将s1t11上的负荷转移至s1t12以消纳光伏的出力；当仅靠馈线级重构无法解决弃光问题时，则需要进行变压器级重构，调节ts1的状态将变压器s1t1上的负荷转入变压器s1t2；若依然无法解决问题，则进一步扩大重构范围，调节ss1的状态将变电站s1下的负荷转移至变电站s2下以共同消纳光伏。
[0112]
如图4所示，针对城市配电网净负荷在时间与空间上分布不均衡的数据特征，本发明提出双重注意力机制+cnn+gru混合神经网络来充分挖掘数据在时间与空间上的双重特征。在完成数据预处理后，首先将空间特征自注意力模块与cnn网络(cnn网络由一层2dconv模块与一层最大值池化模块组成)相结合来感知配电网各节点的非连续数据在高维节点空间上的关联，提取到净负荷分布在空间上的不平衡特征，并对其进行降维以减小输入维度，提高学习速度，同时构建时序性的特征向量。然后两层gru网络模块接收上层传来的时序性特征向量，学习和提取出净负荷数据在时间分布上的不平衡特征，并引入时间注意力机制来强化模型对非连续数据在长时间尺度下的挖掘。最后将充分学习后的结果经全连接层降维后送入sigmoid分类器，通过优化器对网络中的参数进行更新训练。
[0113]
数据预处理过程：
[0114]
人工神经网络拥有充分逼近任意复杂非线性关系的能力，在输入数据足够充分的情况下，仅需一层隐藏层即可以任意精度拟合任意复杂度的函数。但神经网络的优越性能是建立在大量数据之上的，而电力系统运行可靠性极高，这使得仅靠历史数据无法覆盖所有重构情况，模型泛化性能不满足要求，故需要对训练样本作如下预处理：
[0115]
1)通常情况下，越高级别的配电网重构所面临的配电网运行风险越大，这直接造成高级别配电网重构数据很少，数据之间会产生严重的不平衡，影响神经网络的学习效果，故考虑对变压器级重构与变电站级重构的数据作过采样处理，平衡三种重构级别的数据数量，提高神经网络的泛化性能；
[0116]
2)以历史运行数据为基准，对现有数据采用蒙特卡洛模拟，在扩充样本数量的同时最大程度上模拟城市配电网运行时可能面临的各种波动情况。
[0117]
样本输入特征集：
[0118]
为了对配电网环境进行精确感知，本文基于电力系统时空大数据的量测特点，将全系统测量的光伏出力量、节点负荷有功、节点负荷无功、上级电网交互量与作为整体净负荷数据输入，使得样本数据同时具有时间和空间特性，同时也拓展了样本的特征空间大小，使多级动态重构决策更为准确。
[0119]
(1)光伏出力时序数据集
[0120][0121]
式中：p
pv
为s个不同光伏出力时序集合；为第k个光伏出力时序中第d个时间断面的光伏出力值。
[0122]
(2)负荷有功时序数据集
[0123][0124]
式中：p
load
为s个不同负荷节点有功功率时序集合；为第k个负荷节点有功功率时序中第d个时间断面的有功功率值。
[0125]
(3)负荷无功时序数据集
[0126][0127]
式中：q
load
为s个不同负荷节点无功功率时序集合；为第k个负荷节点无功功率时序中第d个时间断面的无功功率值。
[0128]
(4)上级电网交互量时序数据集
[0129][0130]
式中：p
sub
为s个不同变电站与上级电网交互量时序集；为第k个变电站与上级电网交互量时序中第d个时间断面的上级电网交互量。
[0131]
(5)数据归一化
[0132]
不同特征的量纲不同且数值差异较大，不利于模型参数的优化，本文以各个数据集特征的最大值、最小值为基准，对上述样本数据按下式进行归一化处理，将输入样本映射到[0,1]之间后才可送入网络进行训练：
[0133][0134]
式中：x
*
为归一化后的数据；x为原始数据；x
max
、x
min
分别为训练集中每个样本数据的最大值与最小值。
[0135]
样本输出特征集：
[0136]
[0137][0138]
式中：βm作为输出有4类，分别为β
sr
(变电站联络开关重构)、β
tr
(变压器联络开关重构)、β
fr
(馈线联络开关重构)、β
bs
(支路分段开关重构)；为第m类重构第k个开关状态序列中第d个时间断面的开关状态量。βm为一系列0—1变量组成的序列集合，值为1表示对应开关的状态为闭合，值为0则表示对应开关的状态为打开。
[0139]
使用双重注意力机制+cnn+gru组合神经网络训练模型时，输入数据为光伏出力时序数据集、负荷有功时序数据集、负荷无功时序数据集、上级电网交互量时序数据集，输出数据为配电网多级重构决策数据集，训练的模型如下式所示：
[0140][0141]
式中：fk为输入与输出之间的映射关系。
[0142]
本发明使用二元交叉熵函数作为损失函数，用于神经网络多标签二分类训练任务。其表达式如下式所示：
[0143][0144]
式中：loss(o,t)表示二元交叉熵损失函数，用来评估给定训练样本的真实标签和预测结果之间的误差；o、t分别表示对标签的预测结果和真实标签；n表示样本总数。
[0145]
本发明采用在多标签分类任务中常用的准确率(acc)、精确率(precision)、召回率(recall)和f1值作为模型的评价指标，取值范围均为[0,1]，值越大代表模型学习效果越好。指标计算公式如下所示：
[0146][0147][0148][0149][0150]
式中：n为每类事件的数量。
[0151]
所述算例验证分析：
[0152]
如图5所示，采用改进的145节点系统对所提方法进行验证，该系统由2个变电站、4台变压器、8条馈线组成。变压器t1低压侧馈线有s1t11、s1t12，变压器t2低压侧馈线有s1t21、s1t22，变压器t3低压侧馈线有s2t11、s2t12，变压器t4低压侧馈线有s2t21、s2t22。
[0153]
不同特征组合下本发明所提模型的性能比较：
[0154]
现有节点负荷有功数据、节点负荷无功数据、光伏有功数据、变电站与上级电网交互数据，可融合成如下三组特征组合：
[0155]
1)组合1：节点负荷有功数据、光伏有功数据、变电站与上级电网交互数据；
[0156]
2)组合2：节点负荷有功数据、节点负荷无功数据、光伏有功数据、变电站与上级电网交互数据；
[0157]
3)组合3：光伏有功数据、变电站与上级电网交互数据。
[0158]
如图6、7、8以及表2所示，三种不同特征组合输入对本发明所提模型有着不同的性能影响：
[0159]
如图6所示，3种组合的验证损失函数值随着遍历轮数的增大不断减小，在第14轮遍历后3种组合均能收敛至0.1050左右，验证精度也均在0.94以上，表明本文所提神经网络模型已经充分拟合了数学模型，实现了对配电网净负荷在空间和时间上的精准感知。
[0160]
由表2所示，组合1相对于组合2而言，损失函数值低了0.0033，准确率、精确率、召回率、f1都分别低了00.01％，从验证结果来看组合1与组合2对本发明所提模型的性能影响极为相似；从图6—图8可见，组合1与组合2在遍历过程上也是极为相似，其中组合1在第6轮至第9轮遍历过程中损失值出现些许波动，精度收敛速度略慢于组合2，但是组合1的训练时间为407.74s，组合2的训练时间为527.21s，组合2训练速度比组合1慢了29.30％，这是由于组合2的输入维度相比于组合1的156维激增到了301维，神经网络处理的数据量大大提高。综合各项指标，遵循“最大相关最小冗余”原则，组合1优于组合2。
[0161]
由表2所示，组合3虽然有着最低的损失值，但是四项精度指标均低于组合1与组合2，与组合1相比分别低了1.82％，1.65％，1.72％，1.78％；从图6—图8可见，组合3由于输入维度进一步缩减到11维，对神经网络的压力大大减少，所以其训练速度也显著提高，但是在遍历的过程中，第1轮至第4轮出现显著抖动，且其在第14轮遍历才开始收敛，而组合1与组合2在第9轮遍历就开始收敛，由此可见维度的急剧减少虽然能加快运算速度，但是加大了神经网络对数据的学习难度。综合各项指标，组合1与组合2均优于组合3。
[0162]
综合表2以及图6—图8的各项性能指标对比，组合1最优，本发明选择组合1作为输入的特征组合。
[0163]
表2各特征组合对模型性能影响对比
[0164][0165]
不同算法性能比较：
[0166]
为进一步说明本发明所提神经网络模型在配电网多级动态重构决策中的优势，将本文模型同目前常用的几种神经网络模型如双重注意力机制+cnn+lstm、双重注意力机制+cnn+gru(对调特征注意力模块与时间注意力模块位置)、特征空间注意力机制+gru、特征空间注意力机制+lstm、cnn+gru、cnn+lstm、lstm等等进行对比。现将以本发明所提模型为首
的8类模型按顺序依次编号为1号至8号。
[0167]
由表3所示，本发明所提神经网络模型即模型1与其余7种模型相比，其损失函数值最低，同时准确率、精确率、召回率、f1最高，这说明本发明所提模型性能最优；
[0168]
由表3所示，模型1与模型2相比，损失函数值低了0.011，准确率、精确率、召回率、f1值一致，训练时间缩短了1.47％，其各项性能指标都很相似，这是由于gru网络是由lstm网络改进而来，在保证其性能的情况下提高了学习速度。由图9可见，模型1在第9轮遍历开始收敛，而模型2在第12轮遍历才开始收敛，这说明gru网络的收敛速度快于lstm网络；对比模型4与模型5，两者性能几乎一致，唯一区别在于模型4训练速度比模型5快了9.2％，这再次证明gru网络性能优于lstm网络；
[0169]
模型1与模型3相比，两种模型的差别仅仅是把基于特征的注意力模块和基于时间的注意力模块对调，但是性能却差异较大，这是由于模型3的双重注意力模块扰乱了输入特征组合中各个序列之间空间与时间上的关联，让cnn网络与gru网络不能很好地感知数据之间的关联，这说明了本文所提“先学习空间特征后学习时间特征”的双重注意力顺序效果明显；
[0170]
由表3所示，模型5与模型10相比，由于多了一层空间注意力模块，其损失函数值虽然高了0.001，但准确率、精确率召回率、f1分别高了0.89％、0.86％、0.81％、0.90％，这说明本文所提特征注意力机制有效；同时将模型1、2与模型6、7作对比，由于模型1、2拥有双重注意力模块，所以其各项性能指标均优于模型6、7，这说明双重注意力模块很好地注意到了输入的特征组合中各个节点数据在空间上的关联以及24小时内各时段的关联，加快了cnn网络与gru网络的学习速度。
[0171]
综合表3以及图9、图10的各项性能指标对比，本发明所提模型拥有最佳性能。
[0172]
表3不同算法性能对比
[0173][0174]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。