一种基于改进卷积神经网络的配电网电压稳定评价方法与流程

1.本发明涉及一种高比例新能源接入的配电网源网荷储友好接入的评价方法，尤其涉及对高比例新能源接入的配电网在接入大量新能源后的电压稳定评价方法。


背景技术：

2.随着如风能、太阳能等新能源大量通过电力电子变换器接入配电网，传统电力系统配电网单向潮流的特征发生了显著改变。配电网由无源网络向有源转变，其动态行为变得日益复杂。同时，各类柔性负荷和感应电机负荷日益增加使配电网中电压稳定问题突出，各类微源动态特性各异，源荷动态深度耦合，配电网动态行为呈现多时间尺度的特征，电压失稳机理不清。然而，源-网-荷-储之间的耦合交互程度进一步加深使得配电网的电压稳定问题更为频发，因此迫切需要准确的配电网电压稳定评价方法。
3.传统的电压稳定评价主要依赖于时域数值仿真和李雅普诺夫直接法。时域数值仿真能够精确建立系统的模型，通过数值积分得到最接近真实情况的电压数值和轨迹。然而，配电网规模庞大，不仅包含海量的用电负荷，大量接入的电力电子变换器电源使得仿真速度慢、硬件要求高。此外，配电网长期存在拓扑不明、线路参数不清等问题，在实际操作中极难获取源网荷储的精确参数，影响了时域数值仿真的精度。此外，受新能源随机性、灵活性影响，高比例新能源接入的配电网运行状态多变而时域仿真只能针对某一运行状态进行计算，也限制了时域仿真计算的应用。李雅普诺夫直接法能够输出稳定裕度信息，但缺乏系统性的构建方法，而其固有的保守性强的不足也容易使长期运行于稳定边界的配电网出现错判等问题。
4.随着深度神经网络技术的不断发展，基于神经网络的稳定评估、稳定控制逐步在电力系统中得到了应用。卷积神经网络作为一种典型的神经网络架构因其出色的特征提取和非线性函数关系表达能力得到越来越广泛的关注和研究，然而，传统的卷积神经网络无法直接应用于高比例新能源接入的配电网稳定评价中，其稳定评价准确性也无法得到保障。


技术实现要素：

5.针对高比例新能源接入的配电网电压稳定评价难题和现有方法存在的不足，本发明提出了一种基于改进卷积神经网络的配电网电压稳定评价方法。该方法考虑了配电网电压稳定的多时间尺度特征，通过改进卷积神经网络结构实现配电网电压稳定问题的准确评价，提示运行管理人员及时采取控制措施避免电压稳定问题恶化。
6.为了达成上述技术效果，本发明的技术方案如下：
7.采集各条母线的电压量测信息；
8.搭建改进卷积神经网络；
9.对所述改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。
10.可选地，还包括，当判断解为电压不稳定时，发出告警信息，并记录故障数据与波形。
11.可选地，所述改进卷积神经网络具有n+1层结构，第一层为输入层，第一层后接n层卷积神经网络；所述改进卷积神经网络接收时序的电压幅值与相位数据；网络输出电压稳定的评价结论，即稳定与不稳定。
12.可选地，搭建改进卷积神经网络包括：
13.确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，其中，输入层为改进卷积神经网络的第1层；
14.按照数值大小将时间尺度向量中元素划分为v簇；
15.获取采集各条母线的电压量测信息中电压幅值和相位数据构建输入参数；
16.计算改进卷积神经网络的第1至第n-1层的卷积核与输入数据相似性d度量；
17.设置改进卷积神经网络的第n层将第n-1层改进卷积神经网络的输出按照顺序展开为列向量xn和卷积核kn，并采用余弦相似性度量不同时间尺度、不同微源、不同负荷经过前n-1层卷积网络输出的特征量与卷积核kn的相似度yn；
18.结合所述相似度yn构建输出参数；
19.根据改进卷积神经网络的n+1层设置结合卷积神经网络，构建改进卷积神经网络。
20.可选地，确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，包括：
21.建立配电网中不同微源、柔性负荷的电压控制的方程；
22.计算所述配电网中电压控制方程的时间尺度公式；
23.根据配电网电压稳定选择电网中微源、负荷根据的所述时间尺度公式计算想过要的时间尺度。
24.可选地，结合所述相似度yn构建输出参数包括：根据所述相似度yn通过非线性激活函数输出得到y’，y’为真实值y的估计，每个输入数据x对应有一个输出结果y’，真实值y为标量；真实值y通过时域仿真或根据真实运行数据，由专家判断该组x运行状态下，配电网是否是电压稳定的。
25.根据本发明实施例的另一方面，还提供了一种基于改进卷积神经网络的配电网电压稳定评价系统，包括：
26.数据获取模块，用于采集各条母线的电压量测信息；
27.改进卷积神经网络模块，用于搭建改进卷积神经网络；
28.神经网络训练模块，用于对所述改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。
29.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于改进卷积神经网络的配电网电压稳定评价方法。
30.根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的基于改进卷积神经网络的配电网电压稳定评价方法。
31.本发明与现有技术相比的有益效果是：
32.本发明所提供的一种基于改进卷积神经网络的配电网电压稳定评价方法，通过采集各条母线的电压量测信息；根据所述电压量测信息搭建改进卷积神经网络；对所述改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。从而解决了现有高比例新能源接入的配电网电压稳定评价难题和现有方法存在的不足。
33.本发明使用调节时间计算各个动态单元的时间尺度，避免了传统卷积网络卷积核需要反复试凑才能确定尺度的不足。采用了向量范数作为主要的度量手段，计算量相比传统的卷积神经网络更小，特别适合于布置在计算能力一般的边缘计算单元，适合在配电台区等地区使用，便于推广。同时，最后采用余弦相似度度量不同微源、不同负荷、不同时间尺度的特征量，更为直观，实时性好，电压失稳识别率高。
附图说明
34.为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1是根据本发明实施例的一种基于改进卷积神经网络的配电网电压稳定评价方法的流程图；
36.图2是根据本发明实施例的改进卷积神经网络的示意图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
38.实施例1
39.根据本发明实施例，提供了一种基于改进卷积神经网络的配电网电压稳定评价方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
40.如图1所示，一种基于改进卷积神经网络的配电网电压稳定评价方法包括模型训练、在线应用和评价结果提示。该评价方法采集各条母线的电压量测信息，在集中式服务器上运算完成，评价结果在服务器存储的同时也通过网络传递至上级单位。具体包括以下步骤：
41.步骤s1、采集各条母线的电压量测信息。
42.作为一种可选的实施例，电压量测信息包括：具有时序的电压幅值与相位数据。
43.步骤s2、搭建改进卷积神经网络。
44.作为一种可选的实施例，如图2所示，改进卷积神经网络具有n+1层结构，第一层为输入层，第一层后接n层卷积神经网络；改进卷积神经网络接收时序的电压幅值与相位数据，电压幅值与相位数据通过布置在配电网各处的同步量测单元每间隔ts秒采样一次的实时测量得到；网络输出电压稳定的评价结论，即稳定与不稳定(稳定为0，不稳定为1)。
45.具体的，继续参考图2，搭建改进卷积神经网络包括：
46.步骤s21、确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，其中，输入层为改进卷积神经网络的第1层；具体的，包括：
47.步骤s211、建立配电网中不同微源、柔性负荷的电压控制的方程，以典型的二阶控制方程为例，其闭环传递函数g为：
[0048][0049]
上式中，ωn为无阻尼自然震荡频率，s为拉普拉斯算子，ξ为阻尼比。
[0050]
步骤s22、计算配电网中电压控制方程的时间尺度公式，即将扰动视为一个阶跃函数，则配电网中微源二阶电压控制方程的时间尺度(欠阻尼情况下)th计算为：
[0051][0052]
其中，λ为常数，根据需要可以选择为3～5之间的任意实数。作为一种可选的实施例，取λ＝5。
[0053]
步骤s23、根据配电网电压稳定选择电网中微源、负荷根据的时间尺度公式计算想过要的时间尺度。
[0054]
具体的，负荷中的异步电机、高阶电压控制方程也可参照上述方式进行简化后计算得到，假设配电网中微源、负荷的时间尺度计算为向量t，则t＝[tg1,tg2,tg3,
…
,tgm,tl1,tl2,tl3,
…
,tlk]，其中m和k分别代表配电网中动态的微源和负荷数量，g代表微源类时间尺度，l代表负荷类时间尺度。
[0055]
步骤s22、按照数值大小将时间尺度向量中元素划分为v簇。
[0056]
具体的，对计算得到的时间尺度向量t，按照数值大小将其中元素划分为v簇，v＝[v1,v2,
…
,vv]，其中每一元素对应于改进卷积神经网络的一个卷积核k的尺寸，每个卷积核k形状为(2
×
(vq/ts))，其中q＝1,2,3,
…
,v。作为一种可选的实施例，取v＝6。
[0057]
步骤s23、获取采集各条母线的电压量测信息中电压幅值和相位数据构建输入参数。
[0058]
具体的，令单次输入x为采集的电压幅值和相位数据，x为一个(2*i)
×
(j*ts)的矩阵，i为配电网中电压量测点数量，j为采样次数。每个量测点产生时序的两行数据，分别为电压幅值时序数据(大小为1
×
(j*ts))和电压相位时序数据(大小为1
×
(j*ts))，在输入x中按照幅值序列在上，相位序列在下的方式排放，摆放完毕第p个量测处采集的两行数据后，继续摆放第p+1个量测处采集的电压数据。
[0059]
步骤s24、计算改进卷积神经网络的第1至第n-1层的卷积核与输入数据相似性d度量。
[0060]
具体的，在第1至第n-1层改进卷积神经网络中，卷积核k与数据κ(2
×
(vq/ts))相似性的度量采用向量2-范数和∞-范数进行度量。其度量公式分别为：
[0061]
[0062][0063]
上式中，k为卷积核，κ为数据，下标q为元素位置，ts为采样周期，r为不是变量，是表示位置的符号，无实际意义。
[0064]
步骤s25、设置改进卷积神经网络的第n层，即计算得到度量的结果经过多层卷积隐含层传递后，将第n-1层改进卷积神经网络的输出按照顺序展开为列向量xn＝[xn1,xn2,
…
,xnμ]
t
和卷积核kn＝[kn1,kn2,
…
,knμ]
t
，并采用余弦相似性度量不同时间尺度、不同微源、不同负荷经过前n-1层卷积网络输出的特征量与卷积核kn的相似度yn。
[0065]
其中，余弦相似性计算公式为：
[0066][0067]
上式中，下标q表示元素位置，xn为第n-1层改进卷积神经网络的输出按照顺序展开为列向量，卷积核kn，相似度yn，μ为向量中元素个数。
[0068]
步骤s26、结合相似度yn构建输出参数；
[0069]
具体的，结合相似度yn构建输出参数包括：根据相似度yn通过非线性激活函数sigmoid或tanh输出得到y’，y’为真实值y的估计，每个输入数据x对应有一个输出结果y’，真实值y为标量，例如0或1；真实值y通过时域仿真或根据真实运行数据，由专家判断该组x运行状态下，配电网是否是电压稳定的
[0070]
步骤s27、根据改进卷积神经网络的n+1层设置结合卷积神经网络，构建改进卷积神经网络。
[0071]
步骤s3、对改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。
[0072]
作为一种可选的实施例，改进卷积神经网络通过误差反向传播等方法训练。
[0073]
作为一种可选的实施例，还包括步骤s4，当判断解为电压不稳定时，发出告警信息，并记录故障数据与波形。
[0074]
作为一种可选的实施例，将步骤s3得到的改进卷积神经网络部署在在集中式服务器上，通过集中式服务器上运算完成步骤s1-s4，评价结果在集中式服务器存储的同时也通过网络传递至上级单位。
[0075]
实施例2
[0076]
根据本发明实施例的另一方面，还提供了一种基于改进卷积神经网络的配电网电压稳定评价系统，应用是上述的基于改进卷积神经网络的配电网电压稳定评价方法，该系统包括：
[0077]
数据获取模块，用于采集各条母线的电压量测信息；
[0078]
改进卷积神经网络模块，用于搭建改进卷积神经网络；
[0079]
神经网络训练模块，用于对改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。
[0080]
作为一种可选的实施例，电压量测信息包括：具有时序的电压幅值与相位数据。
[0081]
作为一种可选的实施例，如图2所示，改进卷积神经网络具有n+1层结构，第一层为输入层，第一层后接n层卷积神经网络；改进卷积神经网络接收时序的电压幅值与相位数据，电压幅值与相位数据通过布置在配电网各处的同步量测单元每间隔ts秒采样一次的实时测量得到；网络输出电压稳定的评价结论，即稳定与不稳定(稳定为0，不稳定为1)。
[0082]
具体的，继续参考图2，改进卷积神经网络模块搭建改进卷积神经网络包括：
[0083]
步骤s21、确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，其中，输入层为改进卷积神经网络的第1层；具体的，包括：
[0084]
步骤s211、建立配电网中不同微源、柔性负荷的电压控制的方程，以典型的二阶控制方程为例，其闭环传递函数g为：
[0085][0086]
上式中，ωn为无阻尼自然震荡频率，s为拉普拉斯算子，ξ为阻尼比。
[0087]
步骤s22、计算配电网中电压控制方程的时间尺度公式，即将扰动视为一个阶跃函数，则配电网中微源二阶电压控制方程的时间尺度(欠阻尼情况下)th计算为：
[0088][0089]
其中，λ为常数，根据需要可以选择为3～5之间的任意实数。作为一种可选的实施例，取λ＝5。
[0090]
步骤s23、根据配电网电压稳定选择电网中微源、负荷根据的时间尺度公式计算想过要的时间尺度。
[0091]
具体的，负荷中的异步电机、高阶电压控制方程也可参照上述方式进行简化后计算得到，假设配电网中微源、负荷的时间尺度计算为向量t，则t＝[tg1,tg2,tg3,
…
,tgm,tl1,tl2,tl3,
…
,tlk]，其中m和k分别代表配电网中动态的微源和负荷数量，g代表微源类时间尺度，l代表负荷类时间尺度。
[0092]
步骤s22、按照数值大小将时间尺度向量中元素划分为v簇。
[0093]
具体的，对计算得到的时间尺度向量t，按照数值大小将其中元素划分为v簇，v＝[v1,v2,
…
,vv]，其中每一元素对应于改进卷积神经网络的一个卷积核k的尺寸，每个卷积核k形状为(2
×
(vq/ts))，其中q＝1,2,3,
…
,v。作为一种可选的实施例，取v＝6。
[0094]
步骤s23、获取采集各条母线的电压量测信息中电压幅值和相位数据构建输入参数。
[0095]
具体的，令单次输入x为采集的电压幅值和相位数据，x为一个(2*i)
×
(j*ts)的矩阵，i为配电网中电压量测点数量，j为采样次数。每个量测点产生时序的两行数据，分别为电压幅值时序数据(大小为1
×
(j*ts))和电压相位时序数据(大小为1
×
(j*ts))，在输入x中按照幅值序列在上，相位序列在下的方式排放，摆放完毕第p个量测处采集的两行数据后，继续摆放第p+1个量测处采集的电压数据。
[0096]
步骤s24、计算改进卷积神经网络的第1至第n-1层的卷积核与输入数据相似性d度量。
[0097]
具体的，在第1至第n-1层改进卷积神经网络中，卷积核k与数据κ(2
×
(vq/ts))相
似性的度量采用向量2-范数和∞-范数进行度量。其度量公式分别为：
[0098][0099][0100]
上式中，k为卷积核，κ为数据，下标q为元素位置，ts为采样周期，r为不是变量，是表示位置的符号，无实际意义。
[0101]
步骤s25、设置改进卷积神经网络的第n层，即计算得到度量的结果经过多层卷积隐含层传递后，将第n-1层改进卷积神经网络的输出按照顺序展开为列向量xn＝[xn1,xn2,
…
,xnμ]
t
和卷积核kn＝[kn1,kn2,
…
,knμ]
t
，并采用余弦相似性度量不同时间尺度、不同微源、不同负荷经过前n-1层卷积网络输出的特征量与卷积核kn的相似度yn。
[0102]
其中，余弦相似性计算公式为：
[0103][0104]
上式中，下标q表示元素位置，xn为第n-1层改进卷积神经网络的输出按照顺序展开为列向量，卷积核kn，相似度yn，μ为向量中元素个数。
[0105]
步骤s26、结合相似度yn构建输出参数；
[0106]
具体的，结合相似度yn构建输出参数包括：根据相似度yn通过非线性激活函数sigmoid或tanh输出得到y’，y’为真实值y的估计，每个输入数据x对应有一个输出结果y’，真实值y为标量，例如0或1；真实值y通过时域仿真或根据真实运行数据，由专家判断该组x运行状态下，配电网是否是电压稳定的
[0107]
步骤s27、根据改进卷积神经网络的n+1层设置结合卷积神经网络，构建改进卷积神经网络。
[0108]
作为一种可选的实施例，神经网络训练模块改进卷积神经网络通过误差反向传播等方法训练。
[0109]
作为一种可选的实施例，告警模块，用于当判断解为电压不稳定时，发出告警信息，并记录故障数据与波形。
[0110]
作为一种可选的实施例，将基于改进卷积神经网络的配电网电压稳定评价系统得到的改进卷积神经网络部署在在集中式服务器上，评价结果在集中式服务器存储的同时也通过网络传递至上级单位。
[0111]
本发明不局限于以上的具体实施方式，以上仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0112]
实施例3
[0113]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的一种基于改进卷积神经网络的配电网电压稳定评价方法。
[0114]
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
[0115]
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：采集各条母线的电压量测信息；搭建改进卷积神经网络；对改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。
[0116]
实施例4
[0117]
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的一种基于改进卷积神经网络的配电网电压稳定评价方法。
[0118]
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现一种基于改进卷积神经网络的配电网电压稳定评价方法的步骤。
[0119]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0120]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0121]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接可以是电性或其它的形式。
[0122]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0123]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0124]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom,read-0nlymemory)、随机存取存储器(ram,randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结
构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0126]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，包括：采集各条母线的电压量测信息；根据所述电压量测信息搭建改进卷积神经网络；对所述改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。2.根据权利要求1所述的基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，还包括，当判断解为电压不稳定时，发出告警信息，并记录故障数据与波形。3.根据权利要求1所述的基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，所述改进卷积神经网络具有n+1层结构，第一层为输入层，第一层后接n层卷积神经网络；所述改进卷积神经网络接收时序的电压幅值与相位数据；网络输出电压稳定的评价结论，即稳定与不稳定。4.根据权利要求1所述的基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，搭建改进卷积神经网络包括：确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，其中，输入层为改进卷积神经网络的第1层；按照数值大小将时间尺度向量中元素划分为v簇；获取采集各条母线的电压量测信息中电压幅值和相位数据构建输入参数；计算改进卷积神经网络的第1至第n-1层的卷积核与输入数据相似性d度量；设置改进卷积神经网络的第n层将第n-1层改进卷积神经网络的输出按照顺序展开为列向量xn和卷积核kn，并采用余弦相似性度量不同时间尺度、不同微源、不同负荷经过前n-1层卷积网络输出的特征量与卷积核kn的相似度yn；结合所述相似度yn构建输出参数；根据改进卷积神经网络的n+1层设置结合卷积神经网络，构建改进卷积神经网络。5.根据权利要求4所述的基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，确定输入层的多时间尺度卷积核，并进行计算相应的时间尺度向量计算，包括：建立配电网中不同微源、柔性负荷的电压控制的方程；计算所述配电网中电压控制方程的时间尺度公式；根据配电网电压稳定选择电网中微源、负荷根据的所述时间尺度公式计算想过要的时间尺度。6.根据权利要求1所述的基于改进卷积神经网络的配电网电压稳定评价方法，其特征在于，结合所述相似度yn构建输出参数包括：根据所述相似度yn通过非线性激活函数输出得到y’，y’为真实值y的估计，每个输入数据x对应有一个输出结果y’，真实值y为标量；真实值y通过时域仿真或根据真实运行数据，由专家判断该组x运行状态下，配电网是否是电压稳定的。7.一种基于改进卷积神经网络的配电网电压稳定评价系统，其特征在于，包括：数据获取模块，用于采集各条母线的电压量测信息；改进卷积神经网络模块，用于搭建改进卷积神经网络；神经网络训练模块，用于对所述改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电
压稳定。8.一种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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的基于改进卷积神经网络的配电网电压稳定评价方法。9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的基于改进卷积神经网络的配电网电压稳定评价方法。

技术总结
本发明公开了一种基于改进卷积神经网络的配电网电压稳定评价方法，通过采集各条母线的电压量测信息；根据电压量测信息搭建改进卷积神经网络；对改进卷积神经网络进行训练，将实时检侧的母线电压量测信息输入训练后的改进卷积神经网络，得到配电网电压稳定相关数值，并判断否是电压稳定。从而解决了现有高比例新能源接入的配电网电压稳定评价难题和现有方法存在的不足。而且本发明使用调节时间计算各个动态单元的时间尺度，避免了传统卷积网络卷积核需要反复试凑才能确定尺度的不足。采用了向量范数作为主要的度量手段，计算量相比传统的卷积神经网络更小，适合于布置在计算能力一般的边缘计算单元，适合在配电台区等地区使用，便于推广。便于推广。便于推广。


技术研发人员：周柯 金庆忍 张龙飞 奉斌 莫枝阅 卢柏桦 张维
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：2023.03.14
技术公布日：2023/7/26