来源：期刊VIP网 时间：
作者：陈明;孙国强;陈胜;卫志农;臧海祥;
单位：河海大学电气与动力工程学院;
摘要：针对现有的基于深度学习的概率潮流模型在拓扑灵活多变场景下无法实现配电网高效准确概率潮流计算的问题，提出了一种深度神经网络（deep neural network,DNN）多拓扑联合训练方法。首先，在不同的拓扑结构下根据支路的开断状态对支路导纳进行采样，从而实现以支路导纳的变化反映配电网拓扑结构的变化。然后，将多种拓扑结构下的支路导纳作为决策变量，与光伏出力和负荷联合作为输入，将节点电压幅值和相角作为输出来训练DNN。最后，通过IEEE 33节点配电网算例和Bus 119大型实际配电网算例进行仿真分析，验证了在拓扑灵活多变的情况下，使用所提多拓扑联合训练方法训练出的DNN模型计算配电网概率潮流具有较好的计算精度。
关键词：配电网;;分布式电源;;概率潮流;;深度神经网络;;拓扑灵活性
基金资助：国家自然科学基金项目（52077060）~~
