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
⑵对ti施加一个大扰动得到
⑶输出相应正样本
2-2)将
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
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。