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！

龙图腾网获悉清华大学申请的专利一种全局注意力图神经网络辅助的最优潮流求解方法及装置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：CN119740488B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202411937196.7，技术领域涉及：G06F30/27；该发明授权一种全局注意力图神经网络辅助的最优潮流求解方法及装置是由郭庆来;孙宏斌;邓凯航;周艳真;王彬;吴文传设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种全局注意力图神经网络辅助的最优潮流求解方法及装置在说明书摘要公布了：本申请提出一种全局注意力图神经网络辅助的最优潮流求解方法及装置，其中，方法包括：构建最优潮流数学模型，并分别构造原始变量预测训练数据集D11与冗余约束识别训练数据集D22；基于数据集D11、D22和图神经网络，分别构建具有全局注意力的发电机设定点预测模型M11和冗余约束识别模型M22；基于实际电力系统的负荷数据，利用模型M11与模型M22分别预测发电机设定点和约束对偶变量，并基于对偶变量识别冗余约束，对最优潮流问题进行初始化和约束简化后，完成最优潮流计算。本申请能够实现最优潮流问题的快速求解，并且在电网拓扑发生变化时只进行小规模训练或不进行训练即可适用，有效降低了计算成本，提高电力系统运行的安全性和经济性。

本发明授权一种全局注意力图神经网络辅助的最优潮流求解方法及装置在权利要求书中公布了：1.一种全局注意力图神经网络辅助的最优潮流求解方法，其特征在于，包括以下步骤： 构建最优潮流数学模型； 基于所述最优潮流模型，构造原始变量预测训练数据集； 基于所述最优潮流模型，构造冗余约束识别训练数据集； 基于所述原始变量预测训练数据集和图神经网络，构建具有全局注意力的发电机设定点预测模型； 基于所述冗余约束识别训练数据集和图神经网络，构建具有全局注意力的冗余约束识别模型； 基于实际电力系统的负荷数据，利用所述发电机设定点预测模型与所述冗余约束识别模型分别预测发电机设定点和约束对偶变量，并基于所述约束对偶变量识别冗余约束，对最优潮流问题进行初始化和约束简化后，完成最优潮流计算； 基于所述原始变量预测训练数据集和图神经网络，构建具有全局注意力的发电机设定点预测模型，包括： 判断是否存在经过参数训练的发电机设定点预测模型； 若不存在，以电力系统中的节点和线路分别为图的节点和边，构建图结构，其中，表示图，、分别表示节点集和边集，节点特征为,，边特征为，其中为超参数，为节点、间线路的阻抗； 使用线性层作为所述发电机设定点预测模型的嵌入层，将输入的节点特征和边特征映射到高维向量空间，所述嵌入层的输出维数为可调超参数； 将所述嵌入层与多个图注意层或图卷积层相连，所述图注意层或图卷积层的输入维数与所述线性层相同，输出维数为可指定的超参数； 在所述图注意层或图卷积层后连接注意力层，所述注意力层的输入维数与上一层的输出维数保持一致，且采用多头注意力时注意力头数为可指定的超参数； 在所述注意力层后，根据电力系统节点数为每个发电机节点构造一个全连接网络，每个全连接网络的输出结果对应每个发电机节点的设定点预测值，每个所述全连接网络由线性层、ReLU层构成，并构建激活函数作为所述全连接网络的输出层，公式为： 其中，、分别为的最大值和最小值； 基于所述原始变量预测训练数据集，对数据集中种电力系统拓扑构建种对应的网络层，并依次对组训练集进行训练；在训练集上训练后，在训练集上对所述发电机设定点预测模型的嵌入层、图神经网络层和注意力层的参数继续训练，并重新训练与当前拓扑对应的全连接网络层； 设置所述发电机设定点预测模型的损失函数为： 其中，为均方误差损失函数，对于预测值和标签，；为功率平衡惩罚项，，其中为第条样本发电机有功预测值之和，为第条样本负载功率之和； 基于所述冗余约束识别训练数据集和图神经网络，构建具有全局注意力的冗余约束识别模型，包括： 判断是否存在经过参数训练的冗余约束识别模型； 若不存在，以电力系统中的节点和线路分别为图的节点和边，构建图结构，其中，表示图，、分别表示节点集和边集，节点特征为,，边特征为，其中为超参数，为节点、间线路的阻抗； 使用线性层作为所述冗余约束识别模型的嵌入层，将输入的节点特征和边特征映射到高维向量空间，所述嵌入层的输出维数为可调超参数； 将所述嵌入层与多个图注意层或图卷积层相连，所述图注意层或图卷积层的输入维数与所述线性层相同，输出维数为可指定的超参数； 在所述图注意层或图卷积层后连接注意力层，所述注意力层的输入维数与上一层的输出维数保持一致，且采用多头注意力时注意力头数为可指定的超参数； 将经过注意力层处理后的高维特征输入全连接网络，所述全连接网络的输出结果为各约束的对偶变量，所述全连接网络由线性层、ReLU层构成，其输出的每个对偶变量预测值用于判断对应约束是否为冗余； 基于所述冗余约束识别训练数据集，对数据集中种电力系统拓扑构建种对应的网络层，并依次对组训练集进行训练；在训练集上训练后，在训练集上对所述冗余约束识别模型的嵌入层、图神经网络层和注意力层的参数继续训练，并重新训练与当前拓扑对应的全连接网络层。

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清华大学，其通讯地址为：100084 北京市海淀区清华园；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”。

以上内容由龙图腾AI智能生成。