电力系统交流最优潮流计算方法、系统、设备及存储介质技术方案

本发明专利技术属于电力系统自动化领域，公开了一种电力系统交流最优潮流计算方法、系统、设备及存储介质，包括：获取电力系统的负荷分布数据；将电力系统的负荷分布数据，输入预设的物理信息神经网络模型中，得到电力系统的交流最优潮流分布数据；其中，物理信息神经网络模型通过将交流最优潮流的KKT条件引入预设神经网络模型的损失函数后，经过交流最优潮流预测预训练得到。通过机器学习方法实现了电力系统的交流最优潮流分布数据的高效计算。同时，以交流最优潮流的KKT条件的形式，在神经网络模型中成功引入了物理方程，进而有效的降低了其对训练数据样本的数量和质量的依赖程度，有效降低了训练难度和时间，极大的提升了交流最优潮流预测的准确性。流预测的准确性。流预测的准确性。

【技术实现步骤摘要】
电力系统交流最优潮流计算方法、系统、设备及存储介质


[0001]本专利技术属于电力系统自动化领域，涉及一种电力系统交流最优潮流计算方法、系统、设备及存储介质。

技术介绍

[0002]在最优朝潮流(Optimal Power Flow，OPF)计算问题中，计算交流最优潮流(Alternating Current
‑
Optimal Power Flow，AC
‑
OPF)方程的精确公式是非线性和非凸的，是一个典型的非线性优化问题，且由于约束的复杂性使得其计算复杂，难度较大。虽然已经提出了许多种方法，并且在部分场合有所应用，但是要大规模实用化还有不少问题要解决，特别是随着新能源渗透率越来越高，电网网络越来越复杂，源荷侧资源越来越灵活多变，以及电力市场的出现等，都要求OPF需向大系统、实时控制及在线计算方向发展，进而需要其计算速度更快、收敛性更好以及鲁棒性更强。
[0003]目前，又重新兴起了用机器学习方法来计算AC
‑
OPF的方法，与传统方法相比，用机器学习方法来计算AC
‑
OPF的计算速度可提升100
‑
1000倍。然而，这些机器学习算法对训练数据的数量和质量要求都较高，为了使训练的神经网络有较高的精度，往往需要涵盖大量正常和异常情况运行点的OPF结果，但此类数据集通常生成起来不容易或不存在。而且在应用中，训练好的神经网络在小样本的验证集中虽能得到较好的预测结果，但缺少具有通用性和严谨性的数学公式作支撑，如何能保证其在实际系统复杂多变工况下的计算精度是不得不考虑的问题，这些问题都会导致其在实际生产中的推广应用受到较大阻碍。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术的缺点，提供一种电力系统交流最优潮流计算方法、系统、设备及存储介质。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术第一方面，一种电力系统交流最优潮流计算方法，包括：
[0007]获取电力系统的负荷分布数据；
[0008]将电力系统的负荷分布数据，输入预设的物理信息神经网络模型中，得到电力系统的交流最优潮流分布数据；
[0009]其中，物理信息神经网络模型通过将交流最优潮流的KKT条件引入预设神经网络模型的损失函数后，经过交流最优潮流预测预训练得到。
[0010]可选的，还包括：
[0011]根据预设的交流最优潮流模型，得到交流最优潮流的KKT条件；
[0012]将交流最优潮流的KKT条件引入预设的神经网络模型的损失函数；
[0013]获取训练数据样本；其中，训练数据样本包括电力系统的负荷分布数据以及预计算的电力系统的交流最优潮流分布数据参考值；
[0014]以电力系统的负荷分布数据为神经网络模型的输入，以电力系统的交流最优潮流
分布数据为神经网络模型的输出，通过训练数据样本训练神经网络模型，得到物理信息神经网络模型。
[0015]可选的，还包括：
[0016]以发电成本最小化为目标函数，以电力系统的电力网络约束、潮流方程约束、有功发电约束、无功发电约束、电压约束和线路电流约束为约束条件，构建交流最优潮流模型。
[0017]可选的，所述神经网络模型包括输入层、输出侧和三个隐藏层，三个隐藏层分别用于预测电力系统的交流最优潮流分布数据、电压分布数据以及对偶变量分布数据；所述预设神经网络模型的损失函数以最小化电力系统的交流最优潮流分布数据预测误差、电压分布数据预测误差以及对偶变量分布数据预测误差构建得到。
[0018]可选的，所述将交流最优潮流的KKT条件引入预设神经网络模型的损失函数的具体方法为：
[0019]根据交流最优潮流的KKT条件，得到KKT条件的差值表达式，并根据KKT条件的差值表达式，得到KKT条件的差值；
[0020]以最小化电力系统的交流最优潮流分布数据预测误差、电压分布数据预测误差、对偶变量分布数据预测误差以及KKT条件的差值重新构建预设神经网络模型的损失函数。
[0021]可选的，所述通过训练数据样本训练神经网络模型时，采用反向传播算法修正神经网络模型的模型权重和模型偏置。
[0022]本专利技术第二方面，一种电力系统交流最优潮流计算系统，包括：
[0023]数据获取模块，用于获取电力系统的负荷分布数据；
[0024]潮流计算模块，用于将电力系统的负荷分布数据，输入预设的物理信息神经网络模型中，得到电力系统的交流最优潮流分布数据；
[0025]其中，物理信息神经网络模型通过将交流最优潮流的KKT条件引入预设神经网络模型的损失函数后，经过交流最优潮流预测预训练得到。
[0026]可选的，还包括模型构建模块，用于根据预设的交流最优潮流模型，得到交流最优潮流的KKT条件；将交流最优潮流的KKT条件引入预设的神经网络模型的损失函数；获取训练数据样本；其中，训练数据样本包括电力系统的负荷分布数据以及预计算的电力系统的交流最优潮流分布数据参考值；以电力系统的负荷分布数据为神经网络模型的输入，以电力系统的交流最优潮流分布数据为神经网络模型的输出，通过训练数据样本训练神经网络模型，得到物理信息神经网络模型。
[0027]本专利技术第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述电力系统交流最优潮流计算方法的步骤。
[0028]本专利技术第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述电力系统交流最优潮流计算方法的步骤。
[0029]与现有技术相比，本专利技术具有以下有益效果：
[0030]本专利技术电力系统交流最优潮流计算方法，通过将获取的电力系统的负荷分布数据，输入预设的物理信息神经网络模型中，通过预设的物理信息神经网络模型进行电力系统的交流最优潮流分布数据预测，通过机器学习方法实现了电力系统的交流最优潮流分布
数据的高效计算。同时，该物理信息神经网络模型通过将交流最优潮流的KKT条件引入预设神经网络模型的损失函数后，经过交流最优潮流预测预训练得到，以交流最优潮流的KKT条件的形式，在神经网络模型中成功引入了物理方程，进而有效的降低了其对训练数据样本的数量和质量的依赖程度，有效降低了训练难度和时间。而且，其可以根据所要模仿的实际物理方程来确定其最优参数，极大的提升了交流最优潮流预测的准确性。
附图说明
[0031]图1为本专利技术的电力系统交流最优潮流计算方法流程图；
[0032]图2为本专利技术的传统神经网络模型结构示意图；
[0033]图3为本专利技术的神经网络模型结构示意图；
[0034]图4为本专利技术的电力系统交流最优潮流计算系统结构框图。
具体实施方式
[0035]为了使本
的人员更好地理解本专利技术方案，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统交流最优潮流计算方法，其特征在于，包括：获取电力系统的负荷分布数据；将电力系统的负荷分布数据，输入预设的物理信息神经网络模型中，得到电力系统的交流最优潮流分布数据；其中，物理信息神经网络模型通过将交流最优潮流的KKT条件引入预设神经网络模型的损失函数后，经过交流最优潮流预测预训练得到。2.根据权利要求1所述的电力系统交流最优潮流计算方法，其特征在于，还包括：根据预设的交流最优潮流模型，得到交流最优潮流的KKT条件；将交流最优潮流的KKT条件引入预设的神经网络模型的损失函数；获取训练数据样本；其中，训练数据样本包括电力系统的负荷分布数据以及预计算的电力系统的交流最优潮流分布数据参考值；以电力系统的负荷分布数据为神经网络模型的输入，以电力系统的交流最优潮流分布数据为神经网络模型的输出，通过训练数据样本训练神经网络模型，得到物理信息神经网络模型。3.根据权利要求2所述的电力系统交流最优潮流计算方法，其特征在于，还包括：以发电成本最小化为目标函数，以电力系统的电力网络约束、潮流方程约束、有功发电约束、无功发电约束、电压约束和线路电流约束为约束条件，构建交流最优潮流模型。4.根据权利要求2所述的电力系统交流最优潮流计算方法，其特征在于，所述神经网络模型包括输入层、输出侧和三个隐藏层，三个隐藏层分别用于预测电力系统的交流最优潮流分布数据、电压分布数据以及对偶变量分布数据；所述预设神经网络模型的损失函数以最小化电力系统的交流最优潮流分布数据预测误差、电压分布数据预测误差以及对偶变量分布数据预测误差构建得到。5.根据权利要求2所述的电力系统交流最优潮流计算方法，其特征在于，所述将交流最优潮流的KKT条件引入预设神经网络模型的损失函数的具体方法为：根据交流最优潮流的KKT条件，得到KKT条件的差值表达式，并根据KKT条件的差值表达式，...

【专利技术属性】
技术研发人员：钱甜甜，王珂，王勇，李亚平，杨胜春，耿建，李峰，刘建涛，王礼文，徐鹏，于韶源，毛文博，郭晓蕊，王天昊，宋海涛，王磊，马世乾，刘俊，严嘉豪，
申请(专利权)人：国网天津市电力公司，
类型：发明
国别省市：