[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

说明书

本发明公开了一种基于预训练模型的最优潮流计算方法和装置，属于智能电网和人工智能相结合的技术领域，包括：在对用于根据有功功率和电压幅值预测无功功率和电压相角的预训练模型进行参数优化的基础上，利用优化后预训练模型构建最优潮流计算模型，即使用优化后预训练模型约束最优潮流计算模型基于负载功率样本和最优潮流计算标签的训练过程，这样使得最优潮流计算模型能够在保证求解有效性的同时快速地进行最优潮流计算求解，更好地满足新型电力系统的需求。

技术领域

本发明属于智能电网和人工智能相结合的技术领域，具体涉及一种基于预训练模型的最优潮流计算方法和装置。

背景技术

最优潮流计算支撑着电力系统的多种应用，包括经济调度、机组组合、需求响应以及可靠性评估等，是电力系统运行的核心问题。通过求解最优潮流计算，电力系统能够实现最优的发电调度和能源传输。

作为一个数学规划问题，最优潮流计算常见形式包括直流最优潮流计算和交流最优潮流计算。一般而言，使用传统数值方法能够较好地获取最优解，满足部分电力系统需求；然而，由于基于最优化理论的数值算法的时间复杂度往往较高，计算过程耗时长，很难满足新型电力系统对算法的需求。

为了解决传统数值求解方法所存在的问题，基于深度学习的求解方法成为了研究热点之一，使用深度学习模型来代替传统求解模型能大大加速求解速度。然而，端到端的深度学习模型可解释性不强，在保证求解速度的同时却无法保证求解的有效性。如何保证最优潮流计算求解效果的同时减小求解过程花费的时间，是目前智能电网领域关心的主要问题之一。

专利文献CN107317338A公开的一种电力系统的最优潮流计算方法及装置，包括依据各个发电机参数及运行约束条件，建立满足运行约束条件的、使机组煤耗成本最低的优化数学模型，并采用量子粒子群算法对优化数学模型进行求解，得到全局最优潮流解，该方法的时间复杂度高，计算过程耗时长。

专利文献CN113283547A公开了一种基于多任务深度学习的最优潮流计算方法，通过对最优潮流计算问题的可行性和最优解进行同时训练，得到可以同时输出调度方案的可行性判断结果和最优调度方案，该方法采用端到端的深度学习模型，由于可解释性不强，在保证求解速度的同时却无法保证求解的有效性。

发明内容

鉴于上述，本发明的目的是提供一种基于预训练模型的最优潮流计算方法和装置，在提升求解速度的同时提升求解的有效性。

为实现上述发明目的，实施例提供了一种基于预训练模型的最优潮流计算方法，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。

在一个实施例中，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。