【技术实现步骤摘要】
本专利技术涉及电力系统潮流计算，特别涉及一种基于虚拟图智能学习的电力系统潮流计算方法。
技术介绍
1、随着电力系统中大规模、实时分布式能源资源的渗透，传统的潮流(pf)计算方法(如牛顿-拉夫森法和高斯-赛德尔法)面临巨大的计算负担，难以满足在线安全评估的需求。近年来，深度学习(dl)技术因其强大的非线性逼近能力和快速的前馈特性，成为提高潮流计算效率和准确性的有效工具。
2、然而，在实际应用中，现有的深度学习方法面临一些挑战。首先，传统的学习方法在优化模型时主要关注最小化预测值与标签值之间的统计误差，这可能导致模型的预测结果与电力系统的实际物理约束之间存在一定差距。此外，深度学习模型通常被视为“黑箱”，其决策过程缺乏透明性，限制了在关键分析中的应用。最后，神经网络模型的训练通常是在特定环境下进行的，当电网拓扑发生变化或遇到新的运行条件时，模型的适应性较差，难以提供准确的预测结果。上述这些缺点限制了现有深度学习方法在需要严格遵循物理约束、高透明度和强适应性的电力系统分析和决策中的广泛应用。
技术实现思路
1、针对上述问题，本专利技术旨在提供一种基于虚拟图智能学习的电力系统潮流计算方法。
2、本专利技术的技术方案如下：
3、一种基于虚拟图智能学习的电力系统潮流计算方法，包括以下步骤：
4、s1：采用变量vsin、vsqu以及vcos分别表示电压的二次正弦项、二次项以及二次余弦项，并基于所述变量建立考虑电压的潮流计算公式；
5、s
6、s3：构建虚拟图约束消息传递神经网络；
7、s4：准备自由变量w和特解参数b，并拟定自由变量然后采用所述考虑电压的潮流计算公式的通解形式计算获得
8、s5：对所述进行数据标准化，获得
9、s6：采用所述虚拟图约束消息传递神经网络对所述进行训练，获得
10、若所述不满足所述虚拟图约束消息传递神经网络的物理损失函数，则对所述进行去范式化，并重复步骤s4-s6；
11、若所述满足所述虚拟图约束消息传递神经网络的物理损失函数，则对所述进行反范式化，并进入步骤s7；
12、s7：对反范式化后的数据采用所述考虑电压的潮流计算公式的通解形式进行计算，获得
13、s8：采用所述虚拟图约束消息传递神经网络的激活函数对所述进行处理，获得潮流计算结果
14、作为优选，步骤s1中，所述考虑电压的潮流计算公式包括欠定线性方程组和数值非线性约束，所述欠定线性方程组为：
15、
16、
17、
18、gλ＝diag(g),bλ＝-diag(b) (4)
19、式中：p＝(pi)n×1,q＝(qi)n×1，分别表示节点实时有功功率和无功功率的注入矩阵；pi为节点i实时有功功率；qi为节点i实时无功功率；n为节点总数；bp,gλ,gp,gq,bλ,bq均为基于传统关联矩阵a＝(aik)n×m得到的分割矩阵；aik为传统关联矩阵的一个元素；m为线路总数；bij为线路导纳的虚部；gij为线路导纳的实部；e(i,j)为线路以i,j作为起始节点和结束节点；ek为第k条线路；e为线路构成的集合；g为线路节点导纳矩阵的实部；b为线路节点导纳矩阵的虚部；
20、所述数值非线性约束为：
21、
22、
23、式中：vi为节点i的电压；vj为节点j的电压；θij为节点i与节点j电压的相角差；n为节点构成的集合。
24、作为优选，步骤s2中，所述考虑电压的潮流计算公式的通解形式为：
25、
26、式中：为自由变量特定的解；w1,1为自由变量w矩阵第一行第一列的元素；w1,2m+n为自由变量w矩阵第一行第2m+n列的元素；b1为特解参数b矩阵第一行的元素；b2m+n为特解参数b矩阵第2m+n行的元素；
27、因所述数值非线性约束满足三角替换约束，此时，所述数值非线性约束用下式进行表示：
28、
29、式中：c1,c2,c3,c4为与线路标识符相关的线性变换矩阵；·为元素积运算符号。
30、作为优选，所述与线路标识符相关的线性变换矩阵分别为：
31、
32、
33、
34、c1＝[0m×n 0m×n im×n],c2＝[im×n 0m×n 0m×n] (12)
35、c3＝[0m×n (ik,i)m×n 0m×n],c4＝[0m×n (ik,j)m×n 0m×n] (13)
36、式中：im×n表示m×n维的单位矩阵，ik,i和ik,j均为二进制变量，当节点i为线路k的起始节点时，ik,i＝1，否则ik,i＝0；同理当节点j为线路k的结束节点时，ik,j＝1，否则ik,j＝0。
37、作为优选，步骤s3中，构建所述虚拟图约束消息传递神经网络时，通过下式定义虚拟图：
38、
39、
40、式中：x,wr分别为虚拟图gr＝(nr,er)的节点特征和边特征；nr为虚拟图中的节点集；er为虚拟图中的边集；xu为虚拟节点u的特征向量；为虚拟节点；u和v均为节点标识符，表示虚拟图中的一个节点；wu,v为在虚拟图中从节点u到节点v的连接权重；w为自由变量；
41、在虚拟图的每一层通过下式聚合和更新节点信息：
42、
43、
44、式中：为在t+1时刻节点v的消息传递值；为在t时刻节点u的特征值；为在虚拟图中从节点u到节点v在t时刻的连接权重；bv为用于调整节点v特征值的偏置向量；为在t+1时刻节点v的特征值；
45、所述虚拟图约束消息传递神经网络的输出层采用的激活函数为：
46、
47、式中：t-relu为截断的relu激活函数；x为电压；
48、所述虚拟图约束消息传递神经网络采用无监督学习，并采用下式作为物理损失函数：
49、l＝mape(c1(x·x)+c2(x·x),(c3x)·(c4x)) (19)
50、式中：l为物理损失函数。
51、本专利技术的有益效果是：
52、本专利技术通过引入虚拟图约束信息传递神经网络，将潮流方程的数学约束直接嵌入神经网络的前馈过程中，从而能够确保计算结果的物理一致性和可解释性，并提升模型对电网拓扑变化的适应能力。本专利技术能够确保计算结果物理一致性、提高模型透明性、增强环境适应性的智能潮流计算方法，从而更好地指导电力系统分析与调度决策。
本文档来自技高网...【技术保护点】
1.一种基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，步骤S1中，所述考虑电压的潮流计算公式包括欠定线性方程组和数值非线性约束，所述欠定线性方程组为：
3.根据权利要求2所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，步骤S2中，所述考虑电压的潮流计算公式的通解形式为：
4.根据权利要求3所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，所述与线路标识符相关的线性变换矩阵分别为：
5.根据权利要求1所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，步骤S3中，构建所述虚拟图约束消息传递神经网络时，通过下式定义虚拟图：
【技术特征摘要】
1.一种基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在于，步骤s1中，所述考虑电压的潮流计算公式包括欠定线性方程组和数值非线性约束，所述欠定线性方程组为：
3.根据权利要求2所述的基于虚拟图智能学习的电力系统潮流计算方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。