[发明专利]一种基于自适应神经网络的潮流计算方法

权利要求书

1.一种基于自适应神经网络的潮流计算方法，其特征在于：包括，

获取配电网典型节点的数据，并形成训练数据集作为后续输入；

定义隐藏层与神经元的数量，建立神经自适应神经网络模型框架；

利用训练数据集训练自适应神经网络模型，更新神经网络中的参数，构建自适应数据潮流模型。

2.如权利要求1所述的基于自适应神经网络的潮流计算方法，其特征在于：获取配电网典型节点的数据包括获取电压、有功和无功数据。

3.如权利要求2所述的基于自适应神经网络的潮流计算方法，其特征在于：在获取典型节点的电压、有功和无功数据步骤中，对于n个典型节点的配电网络，所有典型节点用集合N＝{1，2，3，…，n}表示，采集所有典型节点在T个时间截面下的电压、有功和无功量测数据，形成的数据矩阵如下：

其中，T为量测总次数；t为时段，t∈[1,T]；V_n,t为第n个节点t时刻的电压；P_n,t为第n个节点t时刻的有功功率；Q_n,t为第n个节点t时刻的无功功率。

4.如权利要求1～3任一所述的基于自适应神经网络的潮流计算方法，其特征在于：深度为L+1的潮流模型正向传播过程如下所示：

f^(l)＝h^(l)Θ^(l),l＝0,...,L

h^(l)＝max(0,W^(l)h^(l-1)+b^(l)),l＝1,...,L

h⁽⁰⁾＝x＝[V₁,ΔP₂,...,ΔP_n,ΔQ₂,...,ΔQ_n]^T

式中，x为1个时间断面的首端变压器节点电压幅值以及其余节点注入有功、无功组成的2n-1维向量；W(l)为第l个隐藏层的权重矩阵，b(l)为第l个隐藏层的偏置向量，Θ(l)为第l个输出层的权重矩阵，α(l)为第l个输出层的权重。与传统神经网络不同，传统神经网络最终的输出结果为h(L)，而自适应神经网络模型的输出结果F(x)是h(0)，…，h(L)的加权组合。

5.如权利要求4所述的基于自适应神经网络的潮流计算方法，其特征在于：数据潮流模型的损失函数如下所示：

y＝[ΔP₁,ΔQ₁,V₂,…,V_n]^T

式中，y为1个时间断面的首端变压器节点注入有功、无功以及其余节点电压幅值组成的n+1维向量。

6.如权利要求1～3或5任一所述的基于自适应神经网络的潮流计算方法，其特征在于：在训练模型的过程中，需要学习的参数为α(l)、Θ(l)、W(l)和b(l)。

7.如权利要求6所述的基于自适应神经网络的潮流计算方法，其特征在于：在第一次迭代时，每一个输出层的权重α都服从均匀分布，即：

在后续迭代中，权重的更新过程如下：

式中，β∈(0，1)为折现率参数，t为迭代次数。

8.如权利要求7所述的基于自适应神经网络的潮流计算方法，其特征在于：在每一轮迭代后，权重α会被归一化，使得

9.如权利要求8所述的基于自适应神经网络的潮流计算方法，其特征在于：隐藏层权重参数W(l)和b(l)以及输出层参数Θ(l)的更新过程如下：

式中，η为学习率。