(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111263533.5 (22)申请日 2021.10.28 (71)申请人 国网山东省电力公司烟台供电公司 地址 264000 山东省烟台市芝罘区解 放路 158号 申请人 东北电力大 学 (72)发明人 吴长龙　魏莘　沈盛　孙卓新　 林芳　康伟　何佳安　杨喆　 于浩明　林英俊　殷德惠　董豆　 张雷　孙晋　刘杰　杨浩　伍柏臻　 (74)专利代理 机构 山东明宇知信知识产权代理 事务所(普通 合伙) 3732 9 代理人 张永辉 (51)Int.Cl. G06F 30/27(2020.01)G06Q 50/06(2012.01) G06N 3/08(2006.01) G06K 9/62(2022.01) H02J 3/06(2006.01) H02J 3/38(2006.01) (54)发明名称 基于ELM集 成在线学习的电力系统潮流数据 驱动回归方法 (57)摘要 本发明提供了一种基于ELM集 成在线学习的 电力系统潮流数据驱动回归 方法， 属于基于数据 驱动的新能源电力系统潮流计算技术领域。 解决 了新能源大规模接入下电网潮流计算依赖于系 统准确模型及参数， 需要多次迭代获取潮流运算 结果， 系统拓扑结构和模型参数不准确、 潮流迭 代求解时耗性的问题。 其技术方案为： 通过大量 潮流时序断面数据构建出基于ELM集成在线学习 的电力系统潮流映射模型。 本发明的有益效果 为： 本发明能够实现含有新能源配电网系统不依 赖电网元件模 型和参数系统潮流快速求解， 进行 系统运行潮流状态的快速感知， 适用于对含新能 源电网功率波动频繁场景下电网运行状态的分 析。 权利要求书2页 说明书7页 附图6页 CN 113987940 A 2022.01.28 CN 113987940 A 1.一种基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其特征在于， 包括以 下步骤： (1)、 潮流时序断面数据， 得到用于训练的潮流断面样本集； (2)、 确定集成学习ELM数目， 给定用于集成学习的集成规模； (3)、 ELM参数初始化， 用于确定各ELM 输入权重和偏置项参数； (4)、 ELM时序在线学习， 基于递归算法进行在线输出权 重更新； (5)、 确定各ELM 输出， 各ELM 输出节点电压和相角的潮流结果； (6)、 合成各ELM 输出， 用于得到最终的集成学习模型。 2.根据权利要求1所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其 特征在于， 所述步骤(1)中， 收集不同负荷水平下系统潮流时序断面数据， 包括由所有节点 有功功率、 无功 功率电压和相位(P、 Q、 V、 θ )构成的向量 集合； 其中， 样本表示为(Xi， ti)， Xi表示由节点(P、 Q)构成的第i个样本的输入向量， ti表示由 节点(V、 θ )构成的第i个样本的输出向量。 3.根据权利要求1或2所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方 法， 其特征在于， 所述步骤(2)中， 确定集 成学习ELM数目， 给定用于集 成学习的集 成规模， 根 据基于数据驱动潮流回归问题的规模， 确定用于集成的ELM数目。 4.根据权利要求1所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其 特征在于， 所述步骤(3)中， 对于步骤(2)确定的数个ELM进行初始 化， 用于确定各ELM输入权 重和偏置项参数， 在给定区间内[30  90]随机选取隐含层神经元数目， 形成多样化ELM集合， 随机初始化各ELM的输入权 重Wi和偏置bi， 完成所有ELM初始化。 5.根据权利要求1所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其 特征在于， 所述 步骤(4)中， 具体方法为： (4‑1)、 ELM在初始训练样本上进行训练， 在给定输入权重Wi， 偏置bi， m个输出的N0个初 始训练样本， 对于一个有L个隐层节点ELM， 可表达为： 式中： βi为输出权 重， 以矩阵形式表示 为 H0β0＝T0      (2) 式中： 根据广义逆的计算方法， 可以计算出β0 式中： 确定初始β0后， 带入式(1)得到基于初始训练数据的ELM潮流回归模型， 同时对于300个 ELM进行上述操作初始化训练， 得到每 个ELM的潮流回归 模型；权　利　要　求　书 1/2 页 2 CN 113987940 A 2(4‑2)、 基于时序潮流数据的在线学习， 随着电力系 统运行状态的实时变化， 时序潮流 断面数据不断获取， 针对新来的样本数据进行快速学习， 得到新的输出权重β0， 考虑新获取 潮流断面构成的样本为 则输出权 重β1可表示为： 式中： H1是样本数据N1对应的隐层节点的输出， T1为样 本数据N1对应的输出向量； 令 则有： 将β1表示成β0， F1， H1和T1的表达式： 由此， 可进一 步得到权重更新的递推公式： 式中， k表示第k次训练过程； (4‑3)、 更新每 个ELM输出权重β， 得到更新后的每 个ELM潮流回归 模型。 6.根据权利要求1所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其 特征在于， 所述步骤(5)中， 确定各ELM输出节 点电压和相角的潮流结果， 并通过更新后每个 ELM潮流回归模 型， 输入测试样 本总输入向量(P， Q)， 得到每个ELM输出的节 点电压和相位的 回归结果。 7.根据权利要求1所述的基于ELM集成在线学习的电力系统潮流数据驱动回归方法， 其 特征在于， 所述步骤(6)中， 通过合成各ELM输出， 得到最终的节点电压和相位的回归结果， 完成最终的集成学习模型， 合成方式表示 为： 式中， Output(i)表示第i个ELM输出的节点电压和相位向量， Output表示合成后输出的 节点电压和相位向量。权　利　要　求　书 2/2 页 3 CN 113987940 A 3