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！

龙图腾网恭喜重庆大学申请的专利一种强泛化能力的最优潮流可信数据驱动求解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：CN116629110B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202310570200.X，技术领域涉及：G06F30/27；该发明授权一种强泛化能力的最优潮流可信数据驱动求解方法是由高茂胜;余娟;杨知方;萨拉赫·卡莫设计研发完成，并于2023-05-19向国家知识产权局提交的专利申请。

本一种强泛化能力的最优潮流可信数据驱动求解方法在说明书摘要公布了：本发明公开一种强泛化能力的最优潮流可信数据驱动求解方法，包括以下步骤：1对最优潮流输出与输入的固定关系模型进行优化，得到最优潮流输出与输入的梯度关系模型；2建立考虑最优潮流输出与输入的梯度关系的损失函数；3对神经网络进行训练，得到最优潮流计算神经网络；4将输入数据传输至最优潮流计算神经网络的隐含层；5对输入数据进行解码，得到最优潮流输入特征，若最优潮流计算神经网络对最优潮流输入特征是适应的，则所述隐含层将最优潮流输入特征传输至输出层，解算得到最优潮流输出；本发明增强了最优潮流数据驱动计算方法对新能源渗透率变化的适应能力。

本发明授权一种强泛化能力的最优潮流可信数据驱动求解方法在权利要求书中公布了：1.一种强泛化能力的最优潮流可信数据驱动求解方法，其特征在于，包括以下步骤：1建立最优潮流输出与输入的固定关系模型；2对最优潮流输出与输入的固定关系模型进行优化，得到最优潮流输出与输入的梯度关系模型；3建立考虑最优潮流输出与输入的梯度关系的损失函数；4基于考虑最优潮流输出与输入的梯度关系的损失函数，利用最优潮流输出与输入训练集对神经网络进行训练，得到最优潮流计算神经网络；5最优潮流计算神经网络的输入层获取输入数据，并将输入数据传输至最优潮流计算神经网络的隐含层；6所述隐含层对输入数据进行编码，得到最优潮流隐含层特征，然后对最优潮流隐含层特征进行适应性判断，若最优潮流计算神经网络对最优潮流隐含层特征是适应的，则进入步骤7，否则，进入步骤8；7所述隐含层将最优潮流隐含层特征传输至输出层，解算得到最优潮流输出；8利用数值计算方法对最优潮流输入特征进行解算，得到最优潮流输出，并将最优潮流输入特征和输出写入最优潮流输出与输入训练集中，返回步骤4；最优潮流输出与输入的固定关系模型如下所示： s.t.eGPG＝eDPD2 PL＝MGPG-MDPD5式中，PG,PD和PL表示机组有功出力、负荷和线路有功潮流；H1,H2和H3表示机组出力的成本系数矩阵；eG和eD表示维度与机组数和负荷数且元素为1的向量；和*表示*的上下限；MD和MG表示与PG和PD相关的关联矩阵；最优潮流输出与输入的梯度关系模型如下所示： 式中，MG,j和MD,j分别表示矩阵MD和矩阵MG的第j行；g表示机组出力的上限或者下限；PG,i是第i个机组的有功出力；表示第j条线路达到的最大或者最小传输功率；考虑最优潮流输出与输入的梯度关系的损失函数如下所示：L＝κ0L0+κ1L1+κ2L2+κ3L3+κ4L4+κ5L511其中，κ0、κ1、κ2、κ3、κ4、κ5表示不同损失函数项的权重系数；L为考虑最优潮流输出与输入的梯度关系的损失函数；其中，损失函数项L0、损失函数项L1、损失函数项L2、损失函数项L3、损失函数项L4、损失函数项L5分别如下所示：L0＝E[PG-P′G2]12 式中，表示输入特征扰动量；表示增加扰动之后神经网络新的输入特征；P″G表示新输入特征对应的神经网络输出；P′G表示神经网络输出的机组出力大小；E[*]表示*的期望；对最优潮流输入特征进行适应性判断的步骤包括：6.1根据最优潮流隐含层特征hhidden，使用均方差损失函数训练最优潮流隐含层特征映射到输入特征PD的解码神经网络ψ·；6.2计算最优潮流输入特征的解码误差error，如下式所示； 式中，PD,i表示输入特征向量负荷的第i个元素；ψhhidden表示解码神经网络参数；n为元素数量；6.3判断解码误差是否成立，若是，则最优潮流计算神经网络对最优潮流输入特征是适应的；是预设误差阈值。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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”。