申请/专利权人：广西大学

申请日：2022-06-27

公开（公告）日：2024-06-18

公开（公告）号：CN115021269B

主分类号：H02J3/06

分类号：H02J3/06;G06F18/23213;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.09.23#实质审查的生效;2022.09.06#公开

摘要：本发明公开基于数据驱动的两阶段最优潮流求解方法，包括以下步骤：1获取电力系统基本数据；2建立深度神经网络和最优潮流求解模型；3将电力系统基本数据输入到最优潮流求解模型中，得到最优潮流求解模型的输入变量X；4将输入变量X输入到最优潮流求解模型中，得到电力系统的潮流计算结果；判断潮流计算结果是否收敛，若不收敛，则修正电力系统基本数据，并返回步骤3。本发明在保证求解精度的同时大幅提高了最优潮流、概率最优潮流的求解速度，同时增加了对输出结果的再修正过程，以保证生成结果的可行性。

主权项：1.基于数据驱动的两阶段最优潮流求解方法，其特征在于，包括以下步骤：1获取电力系统基本数据；2建立深度神经网络和最优潮流求解模型；3将电力系统基本数据输入到深度神经网络中，得到最优潮流求解模型的输入变量X；4将输入变量X输入到最优潮流求解模型中，得到电力系统的潮流计算结果；判断潮流计算结果是否收敛，若不收敛，则修正电力系统基本数据，并返回步骤3；所述深度神经网络包括n+1层堆叠的神经元，深度神经网络输入、第n层网络的输出、深度神经网络输出分别记为Xin、Yn、Zout；其中，第n层网络输出和第n-1层输出的函数关系fYn-1如下所示：fYn-1＝Sn-1Wn-1Yn-1+bn-11式中，Wn-1、bn-1分别表示第n-1层的权重和偏置；Sn-1为第n-1层的激活函数；深度神经网络输入Xin和深度神经网络输出Zout的函数关系如下所示：Zout＝fn+1...f1Xin2式中，fn+1表示第n+1层输出和第n层输出的函数关系；建立深度神经网络的步骤包括：a1获取历史电力系统基本数据，并将历史电力系统基本数据分为训练集和测试集；a2基于关联性分析理论生成表征深度神经网络输入输出匹配关系的关联变量组信息；a3对输出数据进行聚类，得到若干类别模块；a4对输入数据和输出数据进行匹配，得到对应关系Ω；a5基于对应关系Ω，确定与每类输出数据对应的输入量；a6对每一模块数据中的输入数据求均值，得到各模块中心值centeri，记为关联聚类中心；a7基于关联变量组信息，将测试集进行关联变量组匹配，并在各组内求出负荷变量到该组各关联聚类中心的距离，之后按照距离最近原则进行模块划分，以完成对测试集所属模块的归类；a8利用带有类别属性的训练集和测试集对深度神经网络进行训练和测试；所述输入变量X包括发电机的有功出力Pg、无功出力Qg、平衡节点的电压幅值Vs；最优潮流求解模型的目标函数如下所示：minCPg3式中，C表示发电机的发电成本函数；Pg表示发电机有功出力向量；最优潮流求解模型的约束条件如下所示：s.t.FPPg,Pd,V,θ＝04FQQg,Qd,V,θ＝05LPg,Qg,Pd,Qd,V,θ≤06式中，Pg、Qg、Pd、Qd、V、θ分别表示发电机有功出力向量、无功出力向量、有功负荷向量、无功负荷向量、节点电压幅值向量、节点电压相角向量；FP、FQ为有功和无功平衡函数；L表示安全约束函数，包含发电机出力约束、电压约束、功率流约束；步骤3中，在获取输入变量X后，还进行数据预处理，步骤包括：首先，在训练集输入量Mx中求Pg、Qg、Vs的最大关联集，记做负荷变量M1、M2、M3，构建关联变量组[M1，Pg]、[M2，Qg]、[M3，Vs]，并生成表征DNN输入输出匹配关系的关联变量组信息；其次，对输出量预聚类处理，步骤如下：b1计算Pg、Qg中每一变量的标准差，去除标准差小于1的变量，以进一步降低数据维度，得到P'g、Q'g；b2对P'g、Q'g进行min-max归一化处理，得到P″g、Q″g；归一化方式如下： 其中,x*为归一化后的样本值，x为原始的样本值，xmin为原始样本最小值；xmax为原始样本最大值；然后，基于结果导向的聚类理论，将[M1，P″g]，[M2，Q″g]，[M3，Vs]生成模块1-l，模块1-m，模块1-n，作为DNN的输入，并记录各模块关联聚类中心信息。

全文数据：

权利要求：

百度查询： 广西大学 基于数据驱动的两阶段最优潮流求解方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD