申请/专利权人：国网山东省电力公司烟台供电公司;东北电力大学

申请日：2021-10-28

公开（公告）日：2024-02-23

公开（公告）号：CN113987940B

主分类号：G06F18/27

分类号：G06F18/27;G06F18/214;G06N3/0499;G06N3/084;G06N3/09;G06N3/098;G06Q50/06;H02J3/06;H02J3/38

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2022.02.18#实质审查的生效;2022.01.28#公开

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。

主权项：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；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；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；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[3090]内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；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，表达为： 式中：βi为输出权重，以矩阵形式表示为H0β0＝T02式中： 根据广义逆的计算方法，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进行初始化训练，得到每个ELM的潮流回归模型；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，新获取潮流断面构成的样本为N1，则输出权重β1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，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；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；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，Outputi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。

全文数据：

权利要求：

百度查询： 国网山东省电力公司烟台供电公司;东北电力大学 基于ELM集成在线学习的电力系统潮流数据驱动回归方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD