买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津大学;国网信息通信产业集团有限公司申请的专利一种用于电力系统最优潮流预测的小样本学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115907000B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211101634.7，技术领域涉及：G06N3/096；该发明授权一种用于电力系统最优潮流预测的小样本学习方法是由侯恺;董紫珩;李强;刘泽宇;肖迁;李温静;刘迪设计研发完成，并于2022-09-09向国家知识产权局提交的专利申请。

本一种用于电力系统最优潮流预测的小样本学习方法在说明书摘要公布了：一种用于直流电力系统最优潮流预测的小样本学习方法，帮助深层神经网络利用有限标注样本学习电力系统的最优潮流。包括在堆叠去噪自编码器网络中采用预训练策略，通过将工作转移到无监督的预训练阶段来降低对标记数据的需求量；将DC‑OPF任务分解策略和知识蒸馏相结合，降低学习复杂度。通过教师退火策略改进知识蒸馏学习以提高准确性；在训练阶段基于focalloss改进了损失函数，在不增加额外样本的情况下增强了训练效果。本发明可以实现小样本学习的准确性，通过复用预训练结果和减少训练集规模提高了模型训练速度，降低了模型准确性对样本规模的依赖性，避免因少数类样本的数据不足影响深度学习的准确性，从而实现对于样本有限的电力系统的应用。

本发明授权一种用于电力系统最优潮流预测的小样本学习方法在权利要求书中公布了：1.一种用于电力系统最优潮流预测的小样本学习方法，其特征在于，包括如下步骤： 1输入电力系统潮流不同状态下的历史数据或仿真数据作为训练样本； 2将训练样本分为有标签数据与无标签数据两类： 3构建基于堆栈降噪自动编码器神经网络的电压相角预测模型和发电量预测模型，表示为如下的数学形式； Yl＝hlhl-1hl-2···h1X1 hkX＝sWkXk+bk2 Z＝glgl-1gl-2···g1Yl4 gkYk＝sWk TYk+b′k5 其中，X是输入特征向量；Yl是网络的潜在特征向量，也是第l个编码层的输出向量，所由输入向量经过从第1层到第l层的连续编码获得；hk是第k层的编码函数；s表示激活函数；Wk和bk分别表示第k层隐藏层中的权重和偏置；Xk是第k层的输入向量，第1个编码层的输入是网络的输入特征向量，而第2层到第l层中每一编码层的输入即为前一编码层的输出；l是堆栈降噪自动编码器神经网络中编码层的个数；Z是解码输出的重构特征，该向量的长度与原始输入X相同；gk表示第k层的解码变换函数；Yk是第l个编码层的输出向量，等于第l个解码层的输入向量；Wk T和bk’表示第k个解码层中的权重和偏差； 其中，当输入特征向量X是负荷需求水平数据，网络的潜在特征向量Yl是电压相角数据时，公式1-5构成电压相角预测模型；当输入特征向量X是负荷需求水平数据，网络的潜在特征向量Yl是是发电量数据时，公式1-5构成发电量预测模型； 4模型预训练，具体过程为：将所述的无标签数据输入到电压相角预测模型和发电量预测模型中，根据电压相角预测模型和发电量预测模型所输出的重构特征按照如下公式6计算损失函数，并用梯度下降法最小化损失函数，从而确定编码层参数； LHX,Zl＝||X-Zl||2 26 其中，LH表示预训练阶段的损失函数；||X-Zl||2是输入特征与重构特征所形成的残差向量的欧几里得范数； 5将直流最优潮流计算任务分解为预测电压相角与预测发电量的两个子任务，两个子任务分别通过电压相角预测模型和发电量预测模型承担； 6使用所述的相角标签数据对电压电压相角预测模型fθ,t进行微调训练； 7使用发电量标签数据对发电量预测模型fG,t进行微调训练； 8确定知识蒸馏所需的教师模型与学生模型，具体为：为学生模型建立一个与电压相角预测模型同等规模的深度神经网络用来同时预测电压相角和发电量，并利用步骤4得的编码层参数初始化深度神经网络的隐藏层参数，将深度神经网络表示为fθ,G,sPD→Vθ,PG；将经过微调训练所得的电压相角预测模型fG,t和发电量预测模型fG,t作为教师模型，则电压相角预测模型的损失函数和发电量预测模型的损失函数构成教师模型的损失函数；将用来同时预测电压和相角的深度神经网络fθ,G,sPD→Vθ,PG作为学生模型； 10设置知识蒸馏训练的最大迭代次数，初始化当前迭代次数为1； 11以均方误差计算并衡量学生模型和教师模型预测值之间的差异： 其中，Lθs,θt与LGs,Gt分别表示教师模型和学生模型对于相角预测值和发电量预测值之间的差异，下标s和t分别表示学生模型和教师模型；Vθs,i和PGs,j是学生模型对第i个节点相角与第j台发电机发电量的预测；Vθt,i和PGt,j是教师模型对第i个相角和第j个发电机单元发电量的预测值； 12计算学生模型的损失函数值，计算公式表示为， 其中，Lθs和LGs分别表示相角与发电量的损失函数值； 13通过所述的学生模型的损失函数值与所述的教师模型的损失函数值，根据下式比较学生模型与教师模型的精度，如果学生模型更精确，则教师模型的权重λ为零，否则，教师模型的权重λ随着对学生模型进行微调训练而线性减小： 其中，λθ和λG是教师模型的权重；e和emax分别是微调的当前迭代次数和最大迭代次数；λ是在动态退火机制下教师模型的权重，它随迭代次数线性增加；Lθ,t表示电压电压相角预测模型fθ,t的损失函数；LGt是发电量预测模型fG,t的损失函数； 14计算教师损失函数和学生损失函数的加权和并用于参数更新，用公式21计算： L＝λθLθs,θt+1-λθLθs+λGLGs,Gt+1-λGLGs21 其中，L是知识蒸馏所用的综合损失函数，由Lθs,θt、Lθs、LGs,Gt和LGs组合而成； 15重复步骤11～14，直到迭代次数达到上限，标志最优潮流小样本学习完成。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津大学;国网信息通信产业集团有限公司，其通讯地址为：300072 天津市南开区卫津路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。