使用深度学习预测低压网络的电压分布

低电压(LV)电路的能量分布将发生变化，而以前的被动“适应和- “忘记”的网络管理方法将是低效的，以确保其有效运行。 需要一种自适应的方法，包括对电路风险的预测。  

文献中描述的大多数方法都要求网络具有完全的可观察性。 考虑到智能电表(SM)覆盖所有低压网络的可能性很低，这个前提在运行中是不现实的。 这一点，加上隐私要求，导致许多配电系统状态估计方法在低压网络分析中的应用很低。 为了解决这个问题，我们提出使用深度学习神经网络(DLNN)来预测电压在低压电路中的分布，尽管有部分SM覆盖。 结果表明，DLNN用于建立预测模型的适用性，并且在低压电路关键位置的SM数据足以进行有效预测，而不需要高粒度的需求功率数据。