一种基于潮流嵌入技术的潮流计算方法与流程

技术特征：

1.一种基于潮流嵌入技术的潮流计算方法，其特征在于：包括如下步骤：

1)确定最大节点数n，构造训练集k、验证集v、测试集t；

2)对于步骤1)中的训练数据，构造相应的正样本k⁺及负样本k^-；

3)基于步骤2)中的训练样本k、正样本k⁺、负样本k^-，使用基于三元组的孪生神经网络，充分训练后，得到潮流嵌入层p；

4)将步骤3)中的潮流嵌入层作为深度神经网络的第一层隐层，在此基础上训练该深度神经网络，保留训练完毕的深度神经网络参数；

5)对于任意一个需要进行潮流计算的电网，使用步骤4)中训练完毕的深度神经网络，通过前向计算，得到相应潮流解。

2.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于，对于步骤2)进一步包括：

2-1)对于每个训练集中的数据(xi，ti)，执行如下步骤：

⑴对ti施加一个小扰动得到保留原始导纳矩阵，根据潮流方程计算每个节点的有功功率和无功功率

⑵对ti施加一个大扰动得到保留原始导纳矩阵，根据潮流方程计算每个节点的有功功率和无功功率

⑶输出相应正样本以及负样本

2-2)将作为正样本集中输入矩阵以及标签矩阵的某一行，作为负样本集中输入矩阵以及标签矩阵的某一行，输出训练集的正样本集k⁺与负样本集k^-。

3.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于，所述步骤3)进一步包括：

3-1)基于如附图一所示的三元组损失函数的孪生神经网络模型，将训练集k中的xi、正样本集k⁺中的负样本集k^-中的作为孪生神经网络的输入，孪生神经网络的前向过程可描述为：

y1＝wxi+b，

d1＝||y1-y2||，

d2＝||y1-y3||，

3-2)采用adam优化方法最小化loss损失函数，充分训练后输出输入层至隐层的权值以及偏置(w，b)作为嵌入层参数p。

4.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于，所述步骤4)进一步包括：

4-1)选择一种深度神经网络，将训练集样本k中的xi作为其输入，k中的ti作为标签，将网络第一层隐层的参数初始化为嵌入层参数p，其他层的参数根据所选深度神经网络选择初始化方式，网络的前向计算过程可描述为：

oi＝f(p，w1，b1，w2，b2，…，wn，bn，xi)，

4-2)采用adam优化方法最小化loss损失函数，充分训练后输出并保留每一层的参数(w1，b1，w2，b2，…，wn，bn)。

5.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于，所述步骤5)进一步包括：

5-1)对于任意一个电网，将pq节点的有功功率及无功功率、pv节点的有功功率及电压幅值、平衡节点的电压幅值及电压相角、导纳矩阵实部与虚部上神经网络的输入xi，带入oi＝f(p，w1，b1，w2，b2，…，wn，bn，xi)中，输出oi，即所有节点的电压幅值与电压角度。

6.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于：所有训练样本以及测试样本由仿真得到。

7.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于：步骤3)中的孪生神经网络采用的是单隐层前馈神经网络。

8.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于：本专利所涉及的神经网络包括浅层bp神经网络、深度bp神经网络、深度relu神经网络、栈式自编码器以及残差网络，其中，栈式自编码器采用逐层初始化的方法初始化参数后通过adam算法进行微调，浅层bp神经网络、深度bp神经网络、深度relu神经网络的参数采用反向传播算法进行优化，残差网络的参数直接使用adam算法进行优化。

9.根据权利要求1所述的一种基于潮流嵌入技术的潮流计算方法，其特征在于：训练完毕的深度神经网络可用于计算n节点内任意拓扑结构电网的潮流值。

技术总结
本发明公开了一种基于潮流嵌入技术的潮流计算方法，包括如下步骤：确定最大节点数N，构造训练集K、验证集V、测试集T；对于步骤1)中的训练数据，构造相应的正样本K+及负样本K‑；基于步骤2)中的训练样本K、正样本K+、负样本K‑，使用基于三元组的孪生神经网络，充分训练后，得到潮流嵌入层P。本发明的计算方法是一种直接法，在最终使用时，只需要将已知参数按规则进行排列后，作为深度神经网络的输入，通过几个矩阵的相乘以及神经元的非线性运算，即可得到最终的潮流值，因此该方法较为简单、计算速度较快，可用于在线潮流计算，且不存在收敛性问题。

技术研发人员：李艳君;叶倩莹;潘树文
受保护的技术使用者：浙江大学城市学院
技术研发日：2019.06.10
技术公布日：2020.12.11