(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 202111486131.1 (22)申请日 2021.12.07 (71)申请人 上海电力大 学 地址 200090 上海市杨 浦区平凉 路2103号 (72)发明人 赵健　张海鹏　王小宇　李梁　 边晓燕　曹俊杰　王炜韬　徐明杰　 徐斌　刘波　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 代理人 马建军 (51)Int.Cl. G06N 3/08(2006.01) G06F 30/18(2020.01) G06F 30/27(2020.01) H02J 3/06(2006.01) (54)发明名称 一种基于自适应神经网络的潮流计算方法 (57)摘要 本发明公开了一种基于自适应神经网络的 潮流计算方法， 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。 本发 明提出了一种基于自适应神经网络 的潮流计算方法， 根据所采集的测量数据集， 基 于自适应神经网络模型建立自适应潮流模型， 实 现在拓扑以及线路参数 未知场景 下的潮流计算。 权利要求书2页 说明书5页 附图2页 CN 114266349 A 2022.04.01 CN 114266349 A 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]； Vn,t为第n个节点t时刻的电压； Pn,t为第n个 节点t时刻的有功 功率； Qn,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,...,ΔPn,ΔQ2,...,ΔQn]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,…,Vn]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)。权　利　要　求　书 1/2 页 2 CN 114266349 A 27.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。权　利　要　求　书 2/2 页 3 CN 114266349 A 3