买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电力设备制造有限公司;国网浙江省电力有限公司杭州市余杭区供电公司;国网浙江省电力有限公司杭州供电公司;重庆大学

摘要：本发明公开一种考虑拓扑特征学习的数据驱动最优潮流计算方法，包括以下步骤：1建立电力系统最优潮流模型；2构建基于最优潮流模型的图卷积神经网络，并对图卷积神经网络进行训练，得到最优潮流计算的神经网络模型；3基于电力系统最优潮流模型，构建神经网络模型输入特征；4将神经网络模型输入特征输入到最优潮流计算的神经网络模型中，得到最优潮流计算结果。本发明能够训练在多种拓扑下的最优潮流计算图卷积神经网络，对于多种拓扑具有良好的适应性。本发明能够训练在多种拓扑下的最优潮流计算图卷积神经网络，对于多种拓扑具有良好的适应性，同时利用本发明计算得到的最优潮流结果近似数值计算结果。

主权项：1.一种考虑拓扑特征学习的数据驱动最优潮流计算方法，其特征在于，包括以下步骤：1建立电力系统最优潮流模型；2构建基于最优潮流模型的图卷积神经网络，并对图卷积神经网络进行训练，得到最优潮流计算的神经网络模型；3基于电力系统最优潮流模型，构建神经网络模型输入特征；4将神经网络模型输入特征输入到最优潮流计算的神经网络模型中，得到最优潮流计算结果；所述电力系统最优潮流模型如下所示： 式中，ai，bi，ci是第i台机组的成本系数；PGi，QGi是第i台机组的有功和无功出力；是第i台机组有功无功出力的上限和下限；SG，SB，SK分别是机组、节点和线路序号集合；PDi，QDi是第i个节点有功和无功负荷；Γ·，Ψ·分别是节点有功和无功注入功率计算表达式；z·是拓扑改变的函数；是第i节点电压上下限；Gij，Bij分别是电导矩阵和电纳矩阵中的第i行j列元素；PLk是第k条线路的有功潮流；是第k条线路有功潮流的上下限制；步骤2中，构建基于最优潮流模型的图卷积神经网络的步骤包括：2.1分别以电力系统中的节点与线路分别为GCNN中的节点和边，构建GCNN的图结构其中和是顶点集和边集；其中，每个图卷积层Y如下所示：Y＝fφX，AW+B6式中，φ·为图神经网络中节点特征的聚集函数；X，Y分别为图卷积层的输入和输出特征；A表示图的拓扑连接关系；W和B为图卷积层的可训练参数；2.2将公式3表示为直角坐标系下的潮流方程，并用z·表示系统拓扑改变的情况，得到： 式中，ei、fi为图卷积输入特征；2.3将公式7-8中包含的所有项移动至等式左边，然后引入变量αi，βi，δi，λi，得到新的潮流表达式，即：δi＝eiαi+fiβi9λi＝fiαi-eiβi10其中，参数αi，βi，δi，λi分别如下所示： 2.4建立在给定拓扑下图卷积邻域聚集表达式，即： 2.5将公式15-16代入公式6，得到用于提取拓扑特征和物理特征的图卷积函数，即： 步骤3中，基于电力系统最优潮流模型，构建神经网络模型输入特征的步骤包括：3.1设置迭代次数m，给定图卷积输入特征e和图卷积输入特征f的初值，即：e＝1,f＝0；183.2将公式18与节点负荷带入公式7和公式8，计算机组有功和无功出力；3.3根据机组有功和无功出力上下限约束，对PGi，QGi进行限幅，得到： 3.4将限幅的机组有功无功出力带入领域聚集表达式15和16，更新图卷积输入特征e和图卷积输入特征f，并对更新后的图卷积输入特征e和图卷积输入特征f进行归一化，得到： 3.5判断迭代次数m≤0是否成立，若是，则输出神经网络模型输入特征，否则，令m＝m-1，并返回步骤3.2；图卷积神经网络训练过程中的损失函数如下所示：L＝Lsupervised+LΔ，PG22其中，有监督损失函数Lsupervised、关联学习损失函数LΔ，PG分别如下所示：LΔ，PG＝E[PGout-fPGVout2]23Lsupervised＝E[yout-ylabel2]。24

全文数据：

权利要求：

百度查询： 杭州电力设备制造有限公司 国网浙江省电力有限公司杭州市余杭区供电公司 国网浙江省电力有限公司杭州供电公司 重庆大学 一种考虑拓扑特征学习的数据驱动最优潮流计算方法