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！

龙图腾网获悉华南理工大学申请的专利一种基于数据增强及混合增强智能的配电网无功优化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：CN119561174B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202510078778.2，技术领域涉及：H02J3/50；该发明授权一种基于数据增强及混合增强智能的配电网无功优化方法是由全欢;刘肇熙;刘紫罡;王文浩;戴逢哲;肖嘉睿;陈逸凡;祝敬华设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本一种基于数据增强及混合增强智能的配电网无功优化方法在说明书摘要公布了：本发明公开了一种基于数据增强及混合增强智能的配电网无功优化方法。所述方法包括如下步骤：建立扩散模型扩充光荷训练数据集；建立配电网有功无功协同优化的马尔科夫决策模型；基于马尔科夫决策模型构建T‑MAAC离线集中式训练模型，输入光荷训练数据集对T‑MAAC离线集中式训练模型进行离线训练，得到训练完成的T‑MAAC离线集中式训练模型；将训练完成的T‑MAAC离线集中式训练模型部署到平台上，在线实时生成优化策略，执行优化策略实现配电网无功优化。本发明可以提供实时的电压控制策略，自适应源荷不确定性，具有良好的实时性和控制经济性。

本发明授权一种基于数据增强及混合增强智能的配电网无功优化方法在权利要求书中公布了：1.一种基于数据增强及混合增强智能的配电网无功优化方法，其特征在于，包括如下步骤： S1、建立扩散模型扩充光荷训练数据集；具体包括： S1.1、数据采集与预处理： 采集一段时间内的配电网运行数据，包括光伏有功出力、负荷有功功率和负荷无功功率；将所采集的数据进行标准化处理； S1.2、前向扩散过程： 从预处理后的光伏有功出力数据样本、负荷有功功率数据样本和负荷无功功率数据样本中分别随机采样一组数据作为初始样本，、、分别为光伏有功出力、负荷有功和负荷无功的初始值，设定扩散步数和噪声参数，在每一步向样本中逐步添加噪声，，得到经过不同噪声影响的样本，、和分别为第步的光伏有功、负荷有功和负荷无功； S1.3、反向生成过程： 训练去噪神经网络模型，去噪神经网络模型的输入是带有噪声的数据样本，即步骤S1.2中前向扩散过程生成的样本，输出是预测的噪声，训练的目标是最小化去噪误差，即最小化模型在每个时间步的预测噪声与真实噪声之间的差异； S1.4、生成训练数据集： 将步骤S1.3中生成的多样化的光伏出力与负荷功率数据添加到原始数据集中，从而构建包括多样化的光伏有功出力、负荷有功功率和负荷无功功率数据组合的训练数据集； S2、建立配电网有功无功协同优化的马尔科夫决策模型；建立配电网有功无功协同优化的马尔科夫决策模型，通过优化配电网分布式光伏的无功出力和分布式储能的有功功率来实现协同优化，具体如下： 采用分区分散式控制框架，配电网包括多个子区域，子区域中包括多个节点，每个节点为该子区域中设置分布式光伏或分布式储能的位置，各个子区域的局部控制器即为智能体，通过局部控制器控制子区域中的分布式光伏和分布式储能，配电网为强化学习环境，马尔科夫决策模型POMDP定义为，其中为智能体数量，为折扣因子； 为由节点特征矩阵和邻接矩阵构成的状态集，其中，特征矩阵表示所有节点的特征信息，，、、、、和分别代表节点的负荷有功、负荷无功、光伏有功出力、光伏无功出力，分布式储能的荷电状态和节点电压幅值；节点集合表征配电网拓扑所有的节点，表示第个节点，为配电网中的节点总数，包括个节点的电压幅值；邻接矩阵表征拓扑的连接关系，邻接矩阵有行列，邻接矩阵中的第行第列的元素表示第个节点与第个节点的连接关系，当第个节点与第个节点之间具有连接关系时，邻接矩阵中第行第列的元素，否则为0； 观测集表示所有智能体的观测信息集合，每个智能体只能观测到智能体所在子区域的状态量，观测集包括所有智能体的观测量，各个智能体的观测量包括该智能体所在子区域所有节点的观测量； 动作集表示所有智能体的动作集合，包括各个智能体所在子区域中所有节点设置的光伏逆变器的无功出力和分布式储能的充放电功率； T为表示智能体执行完动作后从当前状态转移到下一状态的概率的状态转移函数； 为表示智能体在执行动作后获得的奖励的奖励函数；根据配电网有功无功协同优化模型，奖励函数如下： ； ； 其中，和分别为节点电压偏移和网损的附加惩罚系数；为取正函数，为第个节点的电压幅值，和分别为节点电压的安全上限和下限值； 在每个时间步中，每个智能体通过动作网络根据观测量做出最优动作，然后根据奖励函数获得即时的奖励；每个智能体的目标是学习最优策略以最大化累积奖励；在所有智能体都执行完最优动作之后，POMDP将转移到下一个状态； S3、基于马尔科夫决策模型构建T-MAAC离线集中式训练模型，输入光荷训练数据集对T-MAAC离线集中式训练模型进行离线训练，得到训练完成的T-MAAC离线集中式训练模型；所述T-MAAC离线集中式训练模型中，将transformer模块嵌入智能体的动作网络架构中，将注意力权重机制嵌入智能体评价网络中，动作网络和评价网络相互协同作用，各个智能体为合作关系，采取同构智能体参数共享机制，即每个智能体的动作网络和评价网络相同； 所述transformer模块中，将原始状态特征映射到输入空间，生成各个智能体的嵌入表示： ； ； 其中，为第个智能体的嵌入信息；为第个智能体所在子区域的第个节点的观测量的投影，投影层为一个线性变换，将原始观测量转换为嵌入向量；为第个智能体所在子区域的节点数，；为原始输入矩阵； 根据原始输入矩阵，将嵌入信息映射到适合计算注意力的空间中： ； 其中，是transformer模块中transformer层数的索引；、、分别表示第层transformer层的Query矩阵、Key矩阵、Value矩阵；、、分别代表计算Query矩阵、Key矩阵、Value矩阵的可学习权重矩阵；为第层transformer层的输入矩阵； 利用带掩码的自注意力机制来建立区域内节点之间的相关性；带掩码自注意力计算公式如下： ； 其中，为第层transformer层的掩码自注意力计算值；表示带掩码矩阵的自注意力机制计算函数；为激活函数；为Key矩阵的转置，为缩放因子，其值为Query矩阵的维度；为掩码矩阵，其中的元素为0或1，掩码矩阵为邻接矩阵； 在每一层transformer层的输出中应用层归一化和Linear线性变换来更新嵌入特征，迭代地构建高层次的嵌入特征，具体如下： ； 其中，为第层transformer层输出的嵌入特征； 在经过多层掩码自注意力计算后，通过一个聚合嵌入模块，以聚合所有节点的嵌入特征： ； ； ； ； 其中，、、分别为所述聚合嵌入模块的Query、Key、Value矩阵，、、分别为聚合嵌入模块的Query、Key、Value矩阵的可学习参数；为使用标准注意力计算机制Attention得到的全局特征加权表示即全局特征；为通过残差连接和层归一化进一步处理得到的全局嵌入特征；为通过MaskAttention提取的局部邻域特征即第层transformer层输出的嵌入特征，将局部邻域特征和全局特征融合，局部邻域特征不会因全局加权过程而丢失，提升T-MAAC离线集中式训练模型的稳定性和表征能力； 使用选择嵌入模块SelectEmbedding选择所有设置分布式光伏或分布式储能的节点嵌入，得到以该节点所在子区域对应的智能体为视角的全局信息： ； 其中，表示从第个智能体的视角提取的全局信息，为第个智能体所在子区域的第个节点； 使用门控循环单元模块将映射为第个智能体的动作值： ； S4、利用训练完成的T-MAAC离线集中式训练模型，在线实时生成优化策略，执行优化策略实现配电网无功优化。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。

以上内容由龙图腾AI智能生成。