技术特征：
1.一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，包括如下步骤：(1)、根据电力系统运行过程中的潮流模型，得到节点注入功率与电压幅值、相角的灵敏度矩阵；(2)、根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；(3)、获取电力系统在不同负载和不同断线情况下的运行数据，利用分区结果将数据集划分为多个子数据集；(4)、根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型的训练、调优、保存及测试。2.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(1)具体包含：电力系统潮流模型，方程表达式如下：式中，v表示电压幅值，θ电压相角，p为节点有功功率和q为无功功率，g和b为系统的导纳矩阵的实部和虚部；对其采用简化形式表达如下：其中，x为状态变量，u为控制变量，y表示支路的功率；设定系统的稳定运行点为(x0,u0)，系统受到干扰后系统的稳态运行点变为(x0+δx,u0+δu)，在(x0,u0)处将式(2)展开得到，所以，其中，s
xu
，s
yu
表示u变化引起x与y变化的灵敏度矩阵；进一步得到：其中，s
xy
，s
uy
表示y变化引起x与u变化的灵敏度矩阵。
3.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(2)具体包含如下：(201)灵敏度矩阵表示如下：其中，n表示系统的节点数；(202)利用k-means算法对电网进行分区的目标函数定义如下式(7)，其中，γ
ij
∈(0,1)表示节点i属于区域j,μ
j
表示第j个聚类中心，d
k
表示区域的个数；表示区域的个数；4.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(3)获取的运行数据，具体包括：电力系统运行过程中的负载、电压幅值、发电机出力和出现的断线故障信息，即data＝[p
d
,q
d
,ξ],其中，p
d
为系统的有功负载，q
d
为系统的无功负载，ξ为系统的故障信息。5.根据权利要求1所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述步骤(4)深度神经网络模型的训练过程具体包含以下步骤：(401)、基于堆栈去噪自动编码器对划分之后的数据集进行预训练、去噪和特征提取；(402)、基于获取的数据特征参数，构建深层神经网络训练模型，初始化每一层网络的权重值，偏置值，分组数据大小，权重惩罚因子大小；(403)、训练过程中隐含层的激活函数选用relu激活函数，采用droupout层抑制训练过程中的过拟合现象；(404)、深度神经网络训练过程中的损失函数定义如下：其中，c
p
，c
q
，cv，c
θ
为自定义系数，p
g
为发电实际有功出力，为发电机有功出力预测值；(405)、使用衰减学习率和多次调参优化后，保存训练模型，进行测试与评价。6.根据权利要求5所述的一种基于模型信息辅助深度学习校正交流潮流的方法，其特征在于，所述的步骤(402)具体为：基于堆栈自动编码器的预训练包含编码过程和解码过程，训练完成后，舍弃解码过程的训练参数，利用编码过程的训练参数保留，训练过程的损失函数定义为：其中，m是输入数据维度，h是sdae的输出值，w，b分别为权重和偏置，y是实际的输入数
据，λ是防止过拟合的权重参数，n
t
是层数，s
t
和s
t+1
为输入输出层节点数。
技术总结
一种基于模型信息辅助深度学习校正交流潮流的方法，包括以下步骤：1)根据电力系统运行过程中的潮流模型，得到节点注入功率变化引起节点电压变化的灵敏度矩阵；2)根据潮流模型得到系统的灵敏度矩阵，使用聚类算法根据矩阵信息对电力网络进行区域划分；3)获取电力系统在不同负载和不同故障情况下的数据，应用优化的方法获得在当前状态下的电网调度方案，作为数据的标签信息；4)根据划分之后的数据集，对数据集进行预训练和特征提取，根据获取的数据特征构建多深度神经网络模型并对模型进行训练和调优；本发明将电力系统模型与深度学习相结合，在电力系统发生故障问题时，可以快速、高效的得到大型电力网络的近似最优解。效的得到大型电力网络的近似最优解。效的得到大型电力网络的近似最优解。
技术研发人员：叶洪兴 翟亚东
受保护的技术使用者：四川数字经济产业发展研究院
技术研发日：2021.12.28
技术公布日：2022/4/12