[发明专利]一种基于预训练模型的最优潮流计算方法和装置

权利要求书

1.一种基于预训练模型的最优潮流计算方法，其特征在于，包括以下步骤：

获取电网的负载功率，并对负载功率进行采样扩增得到负载功率样本；

采用最优潮流求解器基于负载功率样本进行求解得到每个负载功率样本对应的调度方案，所述调度方案包括发电机的有功功率和无功功率、节点的电压幅值和电压相角，提取发电机的有功功率和节点的电压幅值作为预训练样本，提取发电机的无功功率和节点的电压相角作为预训练标签，同时将调度方案作为最优潮流计算标签；

采用预训练样本对预训练模型进行相对预训练标签的监督学习，以优化预训练模型参数；

基于优化后预训练模型构建最优潮流计算模型，并利用负载功率样本对最优潮流计算模型进行相对于最优潮流计算标签的监督学习，以优化最优潮流计算模型参数；

利用优化后最优潮流计算模型进行最优潮流计算；

所述预训练模型基于深度神经网络构建，用于依据预训练样本包含的发电机的有功功率和节点的电压幅值计算并输出发电机的无功功率预测值和节点的电压相角预测值；对预训练模型进行监督学习时，依据无功功率预测值与预训练标签包含的无功功率之差，和电压相角预测值与预训练标签包含的电压相角之差构建预训练损失函数，以最小化预训练损失函数为目标优化预训练模型的参数；

所述基于优化后预训练模型构建最优潮流计算模型，包括：基于深度神经网络构建一阶段潮流计算单元，用于根据负载功率样本计算并输出发电机的有功功率预测值和节点的电压幅值预测值；以优化后预训练模型作为二阶段潮流计算单元，用于根据一阶段潮流计算单元输出的有功功率预测值和电压幅值预测值计算并输出发电机的无功功率预测值和节点的电压相角预测值；

对最优潮流计算模型进行监督学习时，依据有功功率预测值与最优潮流计算标签包含的有功功率之差，和电压幅值预测值与最优潮流计算标签包含的电压幅值之差构建第一损失函数；依据无功功率预测值与最优潮流计算标签包含的无功功率之差，和电压相角预测值与最优潮流计算标签包含的电压相角之差构建第二损失函数；以第一损失函数和第二损失函数的加权求和最小为目标，优化最优潮流计算模型的参数。

2.根据权利要求1所述的基于预训练模型的最优潮流计算方法，其特征在于，所述负载功率包括负载有功功率、负载无功功率；

所述对负载功率进行采样扩增得到负载功率样本，包括：采用均匀采样方式分别对负载有功功率和负载无功功率进行采样，每次采样得到的负载有功功率和负载无功功率构成一个负载功率样本。

3.根据权利要求1所述的基于预训练模型的最优潮流计算方法，其特征在于，所述方法还包括：对预训练样本和预训练标签做归一化处理，利用归一化后预训练样本对预训练模型进行相对于归一化后预训练标签的监督学习；

对负载功率样本和最优潮流计算标签做归一化处理，利用归一化后负载功率样本对最优潮流计算模型进行相对于归一化后最优潮流计算标签的监督学习。

4.根据权利要求1所述的基于预训练模型的最优潮流计算方法，其特征在于，利用优化后最优潮流计算模型进行最优潮流计算，包括：

将从电网采集的负载功率输入至优化后最优潮流计算模型中，一阶段潮流计算单元依据负载功率计算输出发电机的有功功率预测值和节点的电压幅值预测值，二阶段潮流计算单元根据一阶段潮流计算单元输出的有功功率预测值和电压幅值预测值计算并输出发电机的无功功率预测值和节点的电压相角预测值；

电机的有功功率预测值和无功功率预测值、节点的电压幅值预测值和电压相角预测值构成最优潮流计算结果。