一种基于潮流嵌入技术的潮流计算方法技术

本发明专利技术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

【技术实现步骤摘要】
一种基于潮流嵌入技术的潮流计算方法
本专利技术涉及电力系统
，具体涉及一种基于潮流嵌入技术的潮流计算方法。
技术介绍
随着新能源技术不断发展，出现了能源互联网这一新型能源利用体系。能源互联网的作用在于在大数据、机器学习等人工智能技术的支持下，整合一系列电网运行数据来进行各种情况的预测，并最终使所有机器、设备、系统可以进行实时动态调整，提高电网的整体运作效率。随着大数据时代的到来和计算机技术的提升，神经网络，尤其是深度学习，在人工智能领域的表现大大超过了其它机器学习模型，并在语音识别、图像分类、自然语言处理等领域均得到了广泛的应用以及瞩目的成就。将深度学习技术应用于潮流计算，是对潮流计算的新探索，旨在扩展深度学习在电力系统中的应用，潮流计算是电力系统非常重要的分析计算，对电网的潮流值进行精准快速的估计是电力系统中各个计算环节的基础，也是对电力系统进行稳定性与可靠性分析的前提。将深度学习技术应用于潮流计算，是对现有传统潮流计算方法的补充，在能源互联网的新形势下，潮流计算所涉及的电网结构变得越来越复杂，对算法在快速性、收敛性方面的要求更为严苛，高斯赛德尔迭代法原理简单，占用计算机内存少，但将其应用于大规模电力系统时会出现迭代次数增加以及不收敛的情况；牛顿拉夫逊法收敛快、精度高，但在每次迭代过程中都需重新计算雅各比矩阵，从而造成占用计算机内存过多以及计算速度过慢等问题；快速解耦法在计算速度和占用内存上有所改进，但当出现某些病态条件时可能会导致不收敛的情况。潮流计算从本质上来说就是一组非线性方程组的求解，而深度学习在一定程度上就是一种有着强大的非线性拟合能力的工具，因此，使用深度学习来求解潮流具有一定的可行性，为此，我们提出一种基于潮流嵌入技术的潮流计算方法。
技术实现思路
本专利技术的主要目的在于提供一种基于潮流嵌入技术的潮流计算方法，该方法简单方便、计算速度较快，可用于在线潮流计算，且不存在收敛问题，可以计算N个节点内任意拓扑结构电网的潮流值。为实现上述目的，本专利技术采取的技术方案为：本专利技术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：1)确定最大节点数N以及最大PV节点数K，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。作为优选，所述步骤1)进一步包括：1-1)确定数据集大小，对于每个数据，执行如下步骤：①以随机数形式确定其节点个数n以及PV节点数k，并对每个节点进行随机编号；②根据图论以及深度优先搜索算法生成一个n节点连通图，随机生成每条连边的阻抗，得到并保存导纳矩阵；③将节点1定义为平衡节点，节点2～(k-1)为PV节点，剩余节点未PQ节点，随机生成每个节点的电压幅值v与相角θ；④按照潮流方程计算每个节点的有功功率p和无功功率q，其中潮流方程的描述如下：其中，pi、qi分别表示节点i的有功及无功功率，vi表示节点i的电压幅值，Gij、Bij分别表示节点导纳矩阵中位于第i行第j列的元素的实部与虚部，θij＝θi-θj，表示的是节点i与节点j之间的电压相位差，符号j∈i意味着节点i与节点j是相连的，包括i＝j的情况；⑤将PQ节点的有功功率p和无功功率q、PV节点的有功功率p和电压幅值v、平衡节点的电压幅值v和电压相角θ、导纳矩阵的实部上三角矩阵G和虚部上三角矩阵B作为数据集中的输入部分，将其作为输入矩阵中的某一行；⑥将所有节点的电压幅值v和电压相角θ作为标签矩阵的某一行；1-2)将生成的数据集分为训练集K、验证集V、测试集T。作为优选，所述步骤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-。作为优选，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，如附图1所示的基于三元组损失函数的孪生神经网络模型可描述为：y1＝Wxi+b，d1＝||y1-y2||，d2＝||y1-y3||，其中，嵌入层系数P由最终的(W，b)组成；3-2)采用Adam算法充分训练后输出嵌入层参数P，采用Adam算法更新参数x的规则如下：mn＝β1·mn-1+(1-β1)·gn，其中，下标n表示正处于第n次迭代过程中，gn表示f(x)在xn处的梯度，mn和分别表示梯度的一阶矩估计以及修正后的一阶矩估计，vn和分别表示梯度的二阶矩估计以及修正后的二阶矩估计。作为优选，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)。作为优选，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。与现有技术相比，本专利技术具有如下有益效果：本专利技术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；本专利技术的计算方法不仅可以用于固定拓扑结构的电网，还可以用于求解任意节点数不大于N的可变拓扑电网本文档来自技高网...

【技术保护点】
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：/n1)确定最大节点数N，构造训练集K、验证集V、测试集T；/n2)对于步骤1)中的训练数据，构造相应的正样本K

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李艳君，叶倩莹，潘树文，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：浙江;33