[发明专利]基于元迁移学习的变拓扑网络潮流计算方法

权利要求书

1.一种基于元迁移学习的变拓扑网络潮流计算方法，其特征在于，包括：

获取当前电力系统的拓扑网络结构相对于原始拓扑网络的网络拓扑结构变化和当前电力系统每个节点的运行状态数据；

将网络拓扑结构变化输入至训练好的元学习器，获得基学习器的网络结构参数；

基于获得的网络结构参数更新基学习器，将当前电力系统每个节点的运行状态数据输入至更新的基学习器，输出获得潮流计算结果；

其中，所述训练好的元学习器的训练方法包括以下步骤：

(1)构建用于元学习器训练的第二数据集，包括以下子步骤：

(1.1)收集获取第一数据集，所述第一数据集包括L种拓扑网络结构下的子数据集，其中每种拓扑网络结构下的子数据集的每个样本包括对应拓扑网络结构下的电力系统每个节点的运行状态数据和潮流计算结果真值；

(1.2)构建L个与L种拓扑网络结构一一对应的基学习器，每个基学习器以对应的拓扑网络结构下的子数据集每个样本中运行状态数据作为输入，以预测潮流计算结果作为输出，通过最小化第一损失函数为目标进行训练，训练完成后获得L个训练好的基学习器；

(1.3)提取L个训练好的基学习器的网络结构参数构建获得用于元学习器训练的第二数据集；所述用于元学习器训练的第二数据集的每个样本包括拓扑网络结构相对原始拓扑网络的网络拓扑结构变化和对应的训练好的基学习器的网络结构参数；

(2)构建元学习器的神经网络结构，并以第二数据集每个样本中拓扑网络结构相对原始拓扑网络的网络拓扑结构变化作为输入，以预测基学习器网络结构参数作为输出，通过最小化第二损失函数为目标进行训练，训练完成后获得训练好的元学习器。

2.根据权利要求1所述的方法，其特征在于，所述元学习器的神经网络结构包括依次连接的嵌入层、多头注意力机制层和多层全连接层。

3.根据权利要求1所述的方法，其特征在于，所述基学习器的神经网络结构为全连接层神经网络或图神经网络。

4.根据权利要求1所述的方法，其特征在于，所述第一损失函数为基学习器的输出与潮流计算结果真值的均方误差。

5.根据权利要求2所述的方法，其特征在于，所述第二损失函数为元学习器的输出与对应的训练好的基学习器的网络结构参数的均方误差或绝对平均误差。