(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110471665.0 (22)申请日 2021.04.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113158573 A (43)申请公布日 2021.07.23 (73)专利权人 广西大学 地址 530001 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 贾愉靖　白晓清　李滨　陈衍杏　 秦征凤　张歌　李云翼　刁天一　 刘广　陈丹蕾　韦尚富　汤鲜　 郑丽琴　王新雯　朱嵩阳　翁宗龙　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 张雪(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/06(2006.01) G06F 113/04(2020.01) (56)对比文件 CN 112018777 A,2020.12.01 CN 1047945 31 A,2015.07.2 2 CN 109274116 A,2019.01.25 CN 105576657 A,2016.0 5.11 US 2020092552 A1,2020.0 3.19 审查员 张昕 (54)发明名称 一种基于深度学习的小水电群区域配网最 优潮流获取方法 (57)摘要 本发明公开了一种基于深度学习的小水电 群区域配网最优潮流获取方法， 具体包括： 采用 连续潮流和潮流方程计算方法来生成需要的数 据集； 将数据集随机分为训练数据(80％)和测试 数据(20％)； 用训练数据对 搭建好的卷积神经网 络模型进行训练， 学习负荷与发电机输出功率之 间的映射关系； 输入测试数据直接由训练好的卷 积神经网络求得PG和QG； 用传统潮流求解器求解 剩余变量Vi和θi。 本申请能够加快最优潮流问 题的求解速度， 并具有较高的预测精度。 权利要求书2页 说明书6页 附图2页 CN 113158573 B 2022.03.29 CN 113158573 B 1.一种基于深度学习的小水电群区域配网最优潮流获取方法， 其特征在于： 包括以下 步骤： 基于连续潮流法跟踪负荷变化和发电机功率变化下的电力系统稳态行为， 获得电力系 统稳态行为模型， 基于所述电力系统稳态行为模型获得节点电压幅值和相角； 基于所述节点电压幅值和所述相角， 由潮流方程计算获得负荷数据； 基于所述负荷数据， 由传统最优潮流求解器获得发电机有功功率 和发电机无功功 率 ； 构建卷积神经网络模型， 将所述负荷数据、 所述发电机有功功率和发电机无功功率整 合为第一数据集， 将所述第一数据集按照 8： 2的比例分为训练数据和测试数据， 基于所述训 练数据对所述卷积神经网络模型进行训练； 基于所述卷积神经网络模型， 预测发电机有功功率和发电机无功功率， 获得发电机有 功功率预测值和发电机无功功率预测值， 将所述发电机有功功率预测值、 所述发电机无功 功率预测值和所述负荷数据， 输入到传统潮流求解器， 得到最优潮流解的剩余变量， 将所述 发电机有功 功率 、 发电机无功 功率 和所述剩余变量 合并， 构成最优潮流的解； 所述电力系统稳态行为模型包括： 其中 R代表一维空间， 代表n维空间， 代表临界 负荷， 向量 中包含系统中所有母线电压的幅值和相角， 为一个反映系统负荷水平的标 量参数； 基本负荷表达式为： 其中 分别表示母线 的两个基本负荷； 指定了随着 表面化， 母线 负荷 变化率的乘子； 为母线 负荷变化的功率因数角； 为规定 适当比例的视在功 率； 发电机有功出力修 正 为： 其中 是母线 发电机的基本有功出力； 用于指定发电机有功出力随 变化的 常数； 所述有功 功率基于潮流方程的表达式为：权　利　要　求　书 1/2 页 2 CN 113158573 B 2其中 表示每条母线的有功功率； 表示母线 的电压幅值； 分别为节点导 纳矩阵第 行第 列元素的实部与虚部； 表示系统所有节点集合； ， 其中 表示母线 的电压相角； 所述无功 功率基于潮流方程的表达式为： 其中 表示每条母线的无功 功率， 。 2.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法， 其特征在于： 基于所述训练数据对所述卷积神经网络模型进行训练的作用为： 学习负荷与 发电机输出功率之间的映射关系。 3.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法， 其特征在于： 所述负荷数据是基于潮流方程计算方法所 得到的。 4.根据权利要求1所述的一种基于深度学习的小水电群区域配网最优潮流获取方法， 其特征在于： 所述卷积神经网络采用1层卷积网络 。权　利　要　求　书 2/2 页 3 CN 113158573 B 3