基于1D-CNN的含DG中压馈线合环电流预测方法

“双碳”目标下分布式电源(distributed generator, DG)大量接入配电网，使得传统基于物理建模的合环电流计算方法难以满足工程对计算准确性、适用性的要求。为充分挖掘合环电流输入特征的时空联系，解决输入特征对合环电流的不稳定影响导致的预测精度下降问题，提出了一种基于一维卷积(1D-CNN)的含DG配电网合环电流预测方法。首先，结合实际配电网运行特点分析了合环电流输入特征构建，提出了两种合环电流预测的输入特征选择；其次，基于DIgSILENT/PowerFactory搭建仿真模型形成样本集合；最后，分别对两种输入特征进行模型训练，并对超参数寻优及预测流程等问题进行了分析，从而建立1D-CNN合环电流预测模型。在贵州某地区实际中压配电系统开展仿真分析，结果显示该模型在馈线a、b首端及合环处的电流测试集样本Ia、Ib、Ic上的平均绝对误差分别为0.0927%、0.2704%和0.4797%，表明所提方法能准确且稳定预测合环电流。

在“双碳”目标的推动下，新能源产业迅速发展[1] [2]，大量接入配电网，其不确定性给新型电力系统的建设带来了重大影响[3] [4]。为此，准确计算分布式电源接入配电网后的合环电流，对于推动新型电力系统的建设具有重要意义。

目前已有大量文献对合环运行进行了研究分析。文献[5]以馈线合环稳态电流和暂态电流为约束建立配电网转供优化模型；文献[6]提出了一种考虑多电压等级拓扑约束的合环转供优化模型；文献[7]提出了配电网中背靠背柔性直流的最优合环模型，并研究了潮流优化控制方法；文献[8]采用半不变量法计算合环电流的概率分布特性，并通过计算合环电流越限概率和程度评估合环操作的安全性；文献[9]提出一种通过求解闭区间内目标函数最大值的方法， 推导出合环冲击电流计算数学模型；文献[10]基于馈线首末端微型同步相量测量装置(micro-synchronous phasor measurement units, μPMU)的量测信息，提出一种负荷等值阻抗的合环转供电模型；但主要以物理建模的方法合环运行进行分析，目前仍缺乏人工智能对合环分析的研究。

近年来，人工智能技术的发展日新月异，卷积神经网络(convolution neural network, CNN)由于具有强大的建模和特征学习能力[11]，目前已成为各个领域中的研究热点[12] [13] [14]，相较于基于物理建模的方法速度更快， 涉及的复杂机制更少[15]。

鉴于机器学习强大的学习能力， 已有部分学者将其应用到电力系统的短路电流计算中[16] [17] [18]，这给新型配电网的合环电流计算提供了新的思路。文献[19]基于极限梯度提升(extreme gradient boosting, XGBoost)算法得到影响配电网合环转供电的因素， 并提出相应的调控措施；文献[20]基于神经网络提出了一种数据驱动的配电网合环判定方法；尽管现有研究已取得较好的