[发明专利]一种基于多任务深度学习的最优潮流计算方法

权利要求书

1.一种基于多任务深度学习的最优潮流计算方法，其特征在于，包含以下步骤：

步骤1、获取电网在某一调度时刻的状态数据，通过采样方式对采集到的数据样本进行扩增，得到训练数据；

步骤2、应用最优化方法获得不同采样状态下的电网调度方案，得到训练数据的标签信息；

步骤3、设计深度学习神经网络模型，对最优潮流计算问题的可行性、最优解分别进行学习，输出可行性判断和最优解预测；

步骤4、基于多任务学习框架，对最优潮流计算问题中的可行性判断与最优解预测两个任务同时训练，得到训练后的多任务深度学习模型；

步骤5、根据多任务深度学习模型的输出结果，判断是否存在可行的电网调度方案，输出电网最优调度方案或预警信息；

所述步骤1具体如下：

在步骤1.1中，采集电网在某一调度时刻的状态数据，包含系统中的节点数量N_bus，发电机数量N_gen，线路数量N_branch，节点i与节点j间的电抗x_ij，以及负载功率，为对应节点i的负载功率；

在步骤1.2中，对采集到的节点负载功率分别进行采样扩增，得到样本；经过采样扩增过程n次，得到训练样本；

所述步骤2具体如下：

把采样样本作为输入，通过基于最优化方法的传统最优潮流求解器，输出对应的可行性标志与调度方案；对每一个训练样本重复上述过程，得到所有训练数据对应的标签信息，包括调度方案与可行性标志；

所述步骤3具体如下：

首先对训练数据的输入和输出做预处理，得到预处理后的训练数据输入以及输出；

然后将输入到如下深度学习神经网络中：

h_i=Ф(W_ih_i-1+b_i)

其中h₀代表神经网络模型的原始输入，h_i代表模型的第i个隐藏层输出，W_i是第i个隐藏层的权重，b_i是第i个隐藏层的偏差，Ф(·)是激活函数；

针对最优潮流计算问题的可行性，设计如下输出层进行学习：

F_G=ψ^cls(W_l^clsh_l-1+b_l^cls)

其中，ψ^cls为激活函数，F_G为可行性标志的预测值，h_l-1是最后一个隐藏层输出，W_l^cls是分类问题的输出层权重，b_l^cls是分类问题的输出层偏差；

针对最优潮流计算问题的最优解，设计如下输出层进行学习：

P_G=ψ^reg(W_l^regh_l-1+b_l^reg)

其中，ψ^reg为激活函数，P_G为调度方案的预测值，h_l-1是最后一个隐藏层输出，W_l^reg是回归问题的输出层权重，b_l^reg是回归问题的输出层偏差。