1.一种基于CNN的GPU并行潮流越限判别方法，其特征在于，包括步骤：步骤(1)：获取电力系统的系统参数、负荷曲线和额定运行状态数据；步骤(2)：潮流越限判别数据集数据增强根据负荷曲线确定电力系统负荷水平，计算各节点负荷的有功功率和无功功率，并使用安全经济调度最优潮流模型计算各发电机的有功功率和机端电压，得到数据增强后的运行状态数据；具体步骤包括：2.1计算额定运行状态下各节点额定负荷功率占系统总额定负荷功率的比例，具体是：设电力系统中共有N个节点，根据各节点额定负荷的有功功率和无功功率计算各节点负荷占总负荷的比例：其中P DNi 表示第i个节点额定负荷的有功功率，Q DNi 表示第i个节点额定负荷的无功功率，r PDi 表示第i个节点额定负荷的有功功率占系统额定总负荷有功功率的比例，r QDi 表示第i个节点额定负荷无功功率占系统额定总负荷无功功率的比例；2.2根据负荷曲线确定系统负荷水平的上下限，随机生成当前系统的负荷水平，进而计算各节点负荷有功功率和无功功率，具体是：根据系统全年的负荷曲线，确定系统总负荷功率与额定负荷功率比值的上限 和下限 p ，按均匀分布：随机生成系统的负荷水平p，进而生成各节点负荷有功功率和无功功率：P Di ＝P DN ×p×(r PDi +Δr PDi ),i＝1,2,…,N (4)Q Di ＝Q DN ×p×(r QDi +Δr QDi ),i＝1,2,…,N (5)其中P Di 是第i个节点负荷的有功功率，Q Di 是第i个节点负荷的无功功率，P DN 是系统总额定负荷的有功功率，Q DN 是系统总额定负荷的无功功率，Δr PDi 是第i个节点负荷有功功率占系统总负荷有功功率比例的扰动系数，Δr QDi 是第i个节点负荷无功功率占系统总负荷无功功率比例的扰动系数；2.3根据确保发电机运行的安全性和经济性原则，考虑潮流方程约束、节点约束、线路潮流约束，以系统总发电成本为目标函数构建安全经济调度最优潮流模型，进一步计算得到各发电机的有功功率和机端电压；系统总发电成本目标函数为其中C 2i 、C 1i 和C 0i 分别为第i个节点发电机发电成本函数的二次项、一次项和常数项系数，P Gi 是第i个节点发电机的有功功率；潮流方程约束为其中P Di 和Q Di 是步骤2.2生成的第i个节点负荷的有功功率和无功功率，Q Gi 是第i个节点发电机的无功功率，U i 是第i个节点电压，U j 是第j个节点电压，G ij 、B ij 和δ ij 是第i个节点和第j个节点间线路的电导、电纳和相角差；节点约束可进一步分为各节点发电机有功功率、无功功率约束和各节点电压约束，具体为其中， 和 P Gi 是第i个节点发电机有功出力的上下限， 和 Q Gi 是第i个节点发电机无功出力的上下限， 和 U i 是第i个节点电压的上下限；线路潮流约束为其中，P ij 、Q ij 、 是第i个节点和第j个节点间线路输送的有功、无功和视在功率；2.4根据步骤2.2-2.3生成的各节点负荷的有功功率和各节点发电机的有功功率，构建卷积神经网络的输入特征；步骤(3)：构建标签根据步骤(2)数据增强后的运行状态数据计算系统潮流，判别是否有节点电压或线路传输功率越限，并将判别结果作为标签；步骤(4)：以步骤(2)数据增强后的运行状态数据作为输入，标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集，其中一部分作为训练数据集，另一部分为测试数据集；将上述训练数据集和卷积神经网络模型移动至GPU，使用训练数据集并行训练模型的参数；步骤(5)：获取实际环境中的电力系统运行状态数据，使用训练完成的用于潮流越限判别的卷积神经网络模型以获取潮流越限判别结果。
2.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于：所述电力系统的系统参数包括电网的网络拓扑数据、网络参数数据；网络拓扑数据包括网络的节点数、线路数、不同节点之间的线路连接关系等；网络参数数据包括系统中各条线路的阻抗、对地导纳和传输功率上限，以及各节点对地导纳、节点类型和节点电压上下限；所述的运行状态数据包括各节点负荷的有功功率和无功功率，以及各发电机的有功功率和机端电压。
3.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于步骤(3)具体是使用通过潮流计算求解各节点电压和各线路传输功率，并分别与各节点电压上下限和线路传输功率上限对比，若存在一个节点电压不满足节点电压约束，或存在一条线路传输功率不满足线路潮流约束，视为发生潮流越限，标签 设置为1，否则标签 设置为0。
4.根据权利要求1所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于用于潮流越限判别的卷积神经网络(CNN)模型包括输入层、卷积层、池化层、全连接层。
5.根据权利要求1-4任一所述的一种基于CNN的GPU并行潮流越限判别方法，其特征在于步骤(4)GPU并行训练用于潮流越限判别的卷积神经网络(CNN)模型的方法为：1)给定需要训练的模型，每块GPU及其相应的显存将分别独立维护一份完整的模型参数；2)在模型训练的任意一次迭代中，给定一个随机小批量，将该批量中的样本划分成k份并分给每块显卡的显存一份；3)每块GPU将根据相应显存所分到的小批量子集和所维护的模型参数分别计算模型参数的本地梯度；4)把k块显卡的显存上的本地梯度相加，得到当前的小批量随机梯度；5)每块GPU都使用这个小批量随机梯度分别更新相应显存所维护的那一份完整的模型参数。
6.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4中任一项所述的方法。
7.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-4中任一项所述的方法。
