1.本技术涉及电学技术领域，特别是涉及一种电网潮流估计方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术：2.随着电网中可再生能源发电设备的逐渐普及，储能设备的大量引入，电能质量问题发生的频率和质量性逐年增高，威胁着供电安全性，也明显降低了用户的满意度。
3.由于，配电网连接的用户对电能质量有着越来越高的要求。因此，需要客观评估配电网采纳的治理方案的治理效果和收益，这一过程必须涉及对相同扰动事件下有治理和治理缺失网络电能质量情况的对比分析；而实际投入运行的网络，同一时刻仅处于有治理和治理缺失状态种的一种，因此用于对比的另一种网络状态必须通过模拟的方式考察其电能质量情况。
4.目前，多物理场仿真速度极慢，在电能质量扰动事件发生后很久后才能给出对比数据。
技术实现要素：5.基于此，有必要针对上述技术问题，提供一种能够快速得到电能质量扰动事件下潮流分布的电网潮流估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种电网潮流估计方法，该方法包括：
7.获取采样数据；
8.根据采样数据，计算当前时刻的潮流分布；
9.根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正；
10.当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
11.在其中一个实施例中，上述根据当前时刻的潮流分布，计算当前时刻的潮流修正值，包括：
12.根据当前时刻的潮流分布，计算得到当前时刻的电磁耦合关系；
13.根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。
14.在其中一个实施例中，上述根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正，包括：
15.当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定；
16.当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
17.在其中一个实施例中，上述当修正后的当前时刻的潮流分布稳定时，输出潮流数
据，包括：
18.当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据；
19.当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
20.在其中一个实施例中，上述当修正后的当前时刻的潮流分布稳定时，输出潮流数据之后，包括：
21.根据潮流数据，计算设备损耗；
22.基于设备损耗以及潮流数据，对电能质量进行评估。
23.在其中一个实施例中，上述当前时刻的潮流分布是根据预先训练的第一模型计算的，第一模型的训练过程包括：
24.获取潮流样本数据，潮流样本数据携带潮流标签；
25.将潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；
26.根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型；
27.上述电磁耦合关系是根据预先训练的第二模型计算的，第二模型的训练过程包括：
28.获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签；
29.将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；
30.根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型；
31.上述设备损耗是根据预先训练的第三模型计算的，第三模型的训练过程包括：
32.获取潮流仿真样本数据，潮流仿真样本数据携带电热标签；
33.将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；
34.根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
35.第二方面，本技术还提供了一种电网潮流估计装置，该装置包括：
36.获取模块，用于获取采样数据；
37.潮流计算模块，用于根据采样数据，计算当前时刻的潮流分布；
38.潮流修正模块，用于根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据潮流修正值，对当前时刻的潮流分布进行修正；
39.潮流输出模块，用于当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
40.第三方面，本技术还提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一个方法中的步骤。
41.第四方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法中的步骤。
42.第五方面，本技术还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一个方法中的步骤。
43.上述电网潮流估计方法、装置、计算机设备、存储介质和计算机程序产品，首先获取采样数据，然后根据采样数据，计算当前时刻的潮流分布，再根据当前时刻的潮流分布计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值对当前时刻的潮流分布进行修正，最后当修正后的当前时刻的潮流分布稳定时，输出潮流数据能够快速得到电网潮流分布。
附图说明
44.图1为一个实施例中电网潮流估计方法的应用环境图；
45.图2为一个实施例中电网潮流估计方法的流程示意图；
46.图3为一个实施例中神经网络训练基本流程示意图；
47.图4为另一个实施例中模型训练示意图；
48.图5为一个实施例中神经网络训练示意图；
49.图6为一个实施例中的潮流估计流程示意图；
50.图7为一个实施例中电网潮流估计装置的结构框图；
51.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
52.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
53.本技术实施例提供的电网潮流估计方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。首先获取采样数据，再根据采样数据计算当前时刻的潮流分布，然后根据当前时刻的潮流分布，就算当前时刻的潮流修正值，并根据当前时刻的潮流修正值对当前时刻的潮流分布进行修正，当修正后的当前时刻的潮流分布稳定时，输出潮流数据。其中，终端102可以但不限于是各种电压检测设备、电流检测设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
54.在一个实施例中，如图2所示，提供了一种电网潮流估计方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
55.s202，获取采样数据。
56.采样数据是指服务从数据库中采样得到的数据，例如从数据库中采样得到的数据，也可以是对各类电能质量扰动事件进行时域的数学建模，例如电能质量扰动事件模型，然后从数学模型中采样得到的数据。其中数据库中的数据是由终端上传的。
57.可选地，服务器可以通过蒙特卡洛法从数学模型中抽样，获取采样数据模型，这是因为采用而蒙特卡洛法能够对各类电能质量事件进行随机模拟，根据仿真数据进行分析，可以克服实测法的缺陷。
58.s204，根据采样数据，计算当前时刻的潮流分布。
59.其中，潮流分布是指配电网的功率分布情况，例如在什么时刻，什么节点，什么线
路，出现了多大的功率，是流进还是流出。
60.服务器根据采样数据进行计算，可以得到当前时刻的潮流分布，可选地，可以通过预先训练的第一模型得到，其中第一模型是指预先训练的能够对潮流分布预测的机器学习模型。
61.可选地，将当前网络拓扑数据输入至第一模型，第一模型根据当前网络拓扑数据对采样数据进行预测，得到当前时刻的潮流分布。其中，网络拓扑数据是指将电网中各个元件抽象成与其样式无关的一个个节点，而把连接这些节点的电力线路抽象成线，进而以拓扑图的形式来表示这些节点之间的关系，拓扑图中包括各个元件的数据，如元件的类型、功率等，以及元件之间的数据。
62.示例性的，假设在t0时刻发生电能质量扰动时间，第一模型根据t0时刻的采样数据，也就是上一时刻的采样数据进行预测，得到当前时刻的潮流分布，即t1时刻的潮流分布。
63.s206，根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正。
64.其中，潮流修正值是指对潮流分布进行修正的数值，其是基于潮流分布的耦合关系进行计算得到的。
65.可选地，服务器可以根据当前时刻的潮流分布，计算得到当前时刻的电磁耦合关系；根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。可选地，服务器可以通过第二模型根据当前时刻的潮流分布进行计算，得到当前时刻的电磁耦合关系，然后基于当前时刻的电磁耦合关系得到当前时刻的潮流修正值，即依据元件之间的电磁耦合关系结合元件随载流变化的电与热之间耦合的规律，将元件的最大允许运行温度设为元件载荷能力的热限值(如，温度限制)，将其转化为电气量的限制(载流、功率的限制)。依据这一限制修正超出限制的电气量，从而达到对潮流进行修正的目的，并通过当前时刻的潮流修正值对当前时刻的潮流分布进行修正。其中，第二模型是指预先训练的能够对电磁耦合关系进行预测的机器学习模型。
66.可选地，将当前网络拓扑数据输入至第二模型，第二模型根据当前网络拓扑数据基于当前时刻的潮流分布进行计算得到当前时刻的电磁耦合关系，然后再根据当前时刻的电磁耦合关系进行计算，得到当前时刻的潮流修正值。
67.可选地，服务器可以使用当前时刻的潮流修正值替代当前时刻的潮流分布，来对当前时刻的潮流分布进行修正。
68.在一些实施例中，服务器可以基于当前时刻的潮流修正值对当前时刻的潮流分布进行加或减的方式，来对当前时刻的潮流分布进行修正。需要说明的一点是，在其他实施例中亦可通过乘、除、方差等方式根据当前时刻的潮流修正值对当前时刻的潮流分布进行修正，在此不作具体限定。
69.s208，当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
70.当服务器判定当前时刻的潮流分布稳定时，即可输出潮流数据，其中潮流数据指的是当电能质量扰动事件发生时刻到潮流分布稳定时刻的潮流分布。示例性的，当t0时刻发生电能质量扰动事件，t3时刻潮流分布稳定，则潮流数据为t
0-t3时刻的潮流分布。
71.可选地，服务器可以通过设置稳定条件，来判断当前时刻的潮流分布是否稳定，当
当前时刻的潮流分布不稳定时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
72.可选地，输出潮流数据之后，还可以根据潮流数据计算各个设备因发热导致的设备损耗。这样服务器可以对整个电网潮流估计中的数据进行质量评价，即对潮流数据，各个时刻的潮流修正值以及设备损耗等进行质量评价。
73.在上述实施例中，首先获取采样数据，然后根据采样数据，计算当前时刻的潮流分布，再根据当前时刻的潮流分布计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值对当前时刻的潮流分布进行修正，最后当修正后的当前时刻的潮流分布稳定时，输出潮流数据能够快速得到电网潮流分布。
74.在一个实施例中，上述根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正，包括：当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定；当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
75.其中，修正条件是指预先设定的用于对潮流分布进行判断是否需要进行修正的指标，示例性的，当当前时刻的潮流修正值大于修正条件时，判定当前时刻的潮流修正值不满足修正条件，对当前时刻的潮流分布进行修正；则相应的，当当前时刻的潮流修正值小于修正条件时，判定当前时刻的潮流修正值满足修正条件。
76.服务器将当前时刻的潮流修正值与修正条件进行比较，当当前时刻的潮流修正值满足修正条件时，进行下一步，对当前时刻的潮流分布是否稳定进行判断。当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新。然后根据更新后的当前时刻的潮流分布计算得到更新后的当前时刻的电磁耦合关系，并根据更新后的当前时刻的电磁耦合关系得到更新后的当前时刻的潮流修正值，并将更新后的当前时刻的潮流修正值与修正条件进行比较，如不满足则根据更新后的当前时刻的潮流修正值对当前时刻的潮流分布进行更新，直至当前时刻的潮流修正值满足修正条件。
77.可选地，修正条件可以设置为一个预设数值，例如10^(-6)，将预设数值设置的那么小的原因是，这样可以将电磁耦合关系对潮流分布的影响减小到足够小。
78.在上述实施例中，通过将当前时刻的潮流修正值与修正条件进行比较，进而减少电磁耦合关系对潮流分布的影响。
79.在一个实施例中，上述当修正后的当前时刻的潮流分布稳定时，输出潮流数据，包括：当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据；当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
80.其中，稳定条件是指预先设定的用于对潮流分布进行判断是否稳定指标，其可以是一个阈值，也可以是一个模型，具体可根据应用场景进行设置，在此不做具体限定。
81.可选地，服务器可以通过比较修正后当前时刻的潮流分布与修正后上一时刻的潮流分布之间差值是否满足稳定条件，示例性的，将稳定条件设置为一个预设阈值，当修正后当前时刻的潮流分布与修正后上一时刻的潮流分布之间的差值小于预设阈值时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据。反之，则计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
82.可选地，可以通过设置步长以及迭代次数来得到下一时刻，示例性的，可以将k设置为迭代次数，δt设置为步长，若当前时刻为t0、k为1、则t1＝t0+1*δt，如果在下一时刻的潮流估计中，下一时刻的潮流分布仍不满足稳定条件，那么就在下一时刻的潮流分布对应的迭代次数上加1，并以此类推，直至潮流分布稳定。
83.在上述实施例中，将潮流分布与稳定条件进行比较，以输出潮流分布稳定后的潮流数据。
84.在一个实施例中，上述当修正后的当前时刻的潮流分布稳定时，输出潮流数据之后，包括：根据潮流数据，计算设备损耗；基于设备损耗以及潮流数据，对电能质量进行评估。
85.当当前时刻的潮流分布稳定后，会输出潮流数据，服务器根据潮流数据，计算设备损耗，可选地，可以使用第三模型根据潮流数据计算再潮流估计过程中各个设备因发热导致的设备损耗。其中，第三模型是指预先训练的能够对设备电热损耗进行预测的机器学习模型。
86.基于设备损耗以及潮流数据，服务器能够进行对电能质量进行评估，设备损耗以及潮流数据的准确性将会影响对电能质量的评估。
87.在上述实施例中，根据潮流数据，能够得到电热损耗，然后基于潮流数据以及电热损耗更够准确的对电能质量进行评估。
88.在一个实施例中，上述当前时刻的潮流分布是根据预先训练的第一模型计算的，第一模型的训练过程包括：获取潮流样本数据，潮流样本数据携带潮流标签；将潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型。
89.其中，潮流样本数据是指用于对第一模型进行训练的数据，潮流标签是指潮流样本数据的真实的潮流分布。
90.服务器将潮流样本数据输入至第一初始模型中，其中第一初始模型可以是任意一个机器学习模型，例如bp神经网络(back propagationneural network，一种按误差反向传播训练的多层前馈网络)，通过第一初始模型可以得到初始潮流预测数据，初始潮流预测数据是指第一初始模型预测的潮流分布，因此根据潮流标签会得到初始潮流预测数据的偏差，也就是预测的潮流分布与真实潮流之间的差距。根据预测的潮流分布与真实潮流之间的差距，服务器会调整第一初始模型的模型参数，可选地，可以通过梯度下降的方式对第一初始模型的参数进行调整，直至第一初始模型预测的潮流分布与潮流标签之间的偏差小于目标值，此时判定训练完毕得到第一模型。其中目标值是预先设置的用于判断第一初始模型是否训练完成的标准。
91.可选地，潮流样本数据是对大数据记录的各类电能质量扰动事件进行时域的数学建模，得到电能质量扰动事件模型，并依据扰动事件的记录频次进行蒙特卡洛抽样得到的。
92.可选地，潮流标签可以是通过扰动潮流仿真工具获得的，其中，扰动潮流仿真工具是一种对潮流分布进行仿真的工具。因为潮流样本数据可能缺失真实的潮流分布，因此需要扰动潮流仿真工具获得。需要说明的一点是，将潮流样本数据输入至扰动潮流仿真工具时，还需要输入网络拓扑数据。
93.在一个实施例中，上述电磁耦合关系是根据预先训练的第二模型计算的，第二模
型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签；将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型。
94.其中，潮流仿真样本数据是指用于对第二模型和第三模型进行训练的数据，电磁标签是指潮流仿真样本数据的真实的电磁耦合关系。服务器将潮流仿真样本数据输入至第二初始模型中，其中第二初始模型可以是任意一个机器学习模型，例如bp神经网络，通过第二初始模型可以得到初始电磁预测数据，初始电磁预测数据是指第二初始模型预测的电磁耦合关系，因此根据电磁标签与初始电磁预测数据存在偏差，也就是预测的电磁耦合关系与真实电磁耦合关系之间的差距。根据初始电磁预测数据与真实耦合关系之间的差距，服务器会调整第二初始模型的模型参数，可选地，可以通过梯度下降的方式对第二初始模型的参数进行调整，直至第二初始模型预测的电磁耦合关系与电磁标签之间的偏差小于第二目标值，此时判定训练完毕得到第二模型。其中第二目标值是预先设置的用于判断第二初始模型是否训练完成的标准。
95.可选地，潮流仿真样本数据还可以是通过扰动潮流仿真工具获得的，因为没有真实的潮流分布，因此需要仿真工具得到。
96.可选地，电磁标签可以是根据电磁耦合仿真工具根据潮流仿真结果得到的。
97.在一个实施例中，上述设备损耗是根据预先训练的第三模型计算的，第三模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电热标签；将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
98.其中，电热标签是指潮流仿真样本数据的真实的电热。由于电热会造成设备损耗，因此根据电热可以计算得到设备损耗。
99.服务器将潮流仿真样本数据输入至第三初始模型中，其中第三初始模型可以是任意一个机器学习模型，例如bp神经网络，通过第三初始模型可以得到初始电热预测数据，初始电热预测数据是指第三初始模型预测的电热，因此根据电磁标签与初始电热预测数据存在偏差，也就是预测的电热与真实电热之间的差距。根据初始电热预测数据与真实电热之间的差距，服务器会调整第三初始模型的模型参数，可选地，可以通过梯度下降的方式对第三初始模型的参数进行调整，直至第三初始模型预测的电热与电热标签之间的偏差小于第三目标值，此时判定训练完毕得到第三模型。其中第三目标值是预先设置的用于判断第三初始模型是否训练完成的标准。
100.可选地，电热标签可以是根据电热仿真工具根据潮流仿真结果得到的。
101.在上述实施例中，通过模型训练能够分别得到对潮流分布、电磁耦合以及电热进行预测的第一、第二以及第三模型。
102.结合图3所示，图3为一个实施例中神经网络训练基本流程示意图，其中nn-flow、nn-mag和nn-therm，分别负责潮流、电磁耦合和电热的物理特性仿真。首先对大数据记录的各类电能质量扰动事件进行时域的数学建模，得到电能质量扰动事件模型，随后依据扰动事件的记录频次对在电能质量扰动事件模型中进行蒙特卡洛抽样，构造大规模事件特征样本，伴随网络拓扑参数，输入至时域潮流仿真平台中，经由高分辨率的仿真，得到各扰动事件发生后各时间点的潮流仿真结果集合。将潮流仿真结果输入时域电磁耦合和电热耦合仿
真平台，经由高分辨率仿真得到相应的电磁和电热仿真结果。
103.其中潮流仿真结果、电磁和电热仿真结果分别作为预测潮流分布、预测电磁耦合关系以及预测电热的训练数据的标签标签数据，即潮流标签、电磁标签以及电热标签。在对第一模型、第二模型以及第三模型的训练过程中，都可以使用图4所示的模型进行训练，结合图4所示，图4为一个实施例中模型训练示意图，在本实施例中，采用逼近法对神经网络进行训练。对于任何一个神经网络，应有大量样本数据进行训练，一组样本中，时域仿真结果y0应与扰动输入参数向量x一一对应，训练中的神经网络接受x作为输入，而其在电能质量扰动发生后时刻t(t从0时刻至潮流稳定时刻)的输出向量y(t)与时域仿真结果向量y0(t)的差距作为另一参数输入神经网络逼近器种，用于调整连接权值，x是指输入模型的特征向量，例如潮流仿真数据的特征向量，y0(t)也就是潮流仿真结果、电磁和电热仿真结果。
104.结合图5所示，图5为一个实施例中神经网络训练示意图，各神经网络从左到右包含三层，最左侧为输入层，在训练中将各神经神经网络仿真时的输入和在输入参数1～i内输入；中间层为神经网络的隐藏层，包含j个节点，节点数量应至少为配电网节点数量的1.5倍，这是为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力。因为各节点负责保存并迭代对于各输入参数和输出层的连接权值。w
ij
表征第j号隐藏层节点和输入参数i的连接权值，w
jl
表明第j号隐藏层节点和第l号输出的连接权值。输出向量y1～y
l
为包含顺时时序的各仿真参数结果数值。
105.每一轮样本输入后，k+1次迭代后隐藏层及输入层的连接权值如公式(1)所示：
106.w
ij
(k+1)＝w
ij
(k)+δw
ij
+α(w
ij
(k)-w
ij
(k-1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
107.而k+1次迭代后隐藏层和输出层的连接权值如公式(2)所示：
108.w
jk
(k+1)＝w
jl
(k)+δw
jl
+α(wjl(k)-wjk(k-1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
109.δw
ij
和δw
jt
为以上两类权值的更新值，其公式如下：
[0110][0111]
δw
jl
＝ηe
l
xjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0112]
其中，α∈[0,1]为动量因子，η∈[0，1]为学习速率，e
l
为第l个bp网络输出与理想值的误差，其计算方法如公式(5)所示
[0113][0114]
为时域仿真的第l个参数的时序数列，y
l
为神经网络第l个输出参数的时序数列。
[0115]
x'j为隐藏层神经元的输出，使用公式(6)运算
[0116][0117]
表征第i号输入时序向量关于其与第j号隐藏层节点间的连接权值的偏导数
[0118]
[0119]
在一个实施例中，结合图6所示，图6为一个实施例中的潮流估计流程示意图，首先，nn-flow、nn-mag网络读取网络的拓扑数据，将迭代次数k设为0。设在t0时刻发生电能质量扰动时间，将采样得到的电能质量扰动事件模型导入nn-flow网络，后者计算t1时刻的潮流分布，并将潮流结果输入nn-mag神经网络，后者参照潮流和拓扑情况给出电磁耦合的仿真，并根据电磁耦合的仿真得到t1时刻的潮流修正值，并对t1时刻的潮流修正值进行判断，当t1时刻的潮流修正值足够小时，即t1时刻的潮流修正值满足修正条件时，对t1时刻的潮流分布是否稳定进行判断。当潮流修正值不满足修正条件时，根据t1时刻的潮流修正值对t1时刻的潮流分布进行更新，并根据更新后的t1时刻的潮流分布计算得到新的t1时刻的潮流修正值，并对t1时刻的潮流修正值是否满足修正条件进行判断，这一潮流修正工作不断迭代直至新的t1时刻的潮流修正值满足修正条件。对t1时刻的潮流分布是否稳定进行判断，即对比t1和t
1-δt时刻的潮流分布是否稳定，当计算后发现潮流在扰动后已趋于稳态，表明扰动引发的电能质量问题已消失，此时将之前整个扰动期间各时间点得到的精确潮流数据输出，即输出从t0至潮流稳定时刻间的潮流数据，供nn-therm计算设备过热引发的寿命损耗。当计算后发现潮流在扰动后仍不稳定后，t1增加δt后计算下一个时刻的潮流。上述所有数据最终都用于计算对比场景中电能质量和设备寿命损耗计算，并用于下一步的对比评估。
[0120]
在上述实施例中，使用时域物理仿真软件对潮流、电磁耦合、电热关系进行仿真并分别训练3个神经网络，使其可分别对3种物理场进行仿真，将三者的输出结果迭代后实现了电能质量扰动事件下配电网精确潮流的快速仿真，为电能质量治理效果和收益评价提供了高时效性的对比数据。
[0121]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0122]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电网潮流估计方法的电网潮流估计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电网潮流估计装置实施例中的具体限定可以参见上文中对于电网潮流估计方法的限定，在此不再赘述。
[0123]
在一个实施例中，如图7所示，提供了一种电网潮流估计装置，包括：获取模块100、潮流计算模块200、潮流修正模块300和潮流输出模块400，其中：
[0124]
获取模块100，用于获取采样数据。
[0125]
潮流计算模块200，用于根据采样数据，计算当前时刻的潮流分布。
[0126]
潮流修正模块300，用于根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据潮流修正值，对当前时刻的潮流分布进行修正。
[0127]
潮流输出模块400，用于当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
[0128]
在一个实施例中，上述潮流修正模块300包括：
[0129]
电磁耦合关系单元，用于根据当前时刻的潮流分布，计算得到当前时刻的电磁耦
合关系。
[0130]
修正单元，用于根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。
[0131]
在一个实施例中，上述潮流修正模块300包括：
[0132]
判断单元，用于当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定。
[0133]
更新修正单元，用于当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
[0134]
在一个实施例中，上述潮流输出模块400包括：
[0135]
输出单元，用于当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据。
[0136]
潮流稳定单元，用于当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
[0137]
在一个实施例中，上述装置包括：
[0138]
潮流样本获取单元，用于获取潮流样本数据，潮流样本数据携带潮流标签。
[0139]
第一训练单元，用于将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据。
[0140]
第一优化单元，用于根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型。
[0141]
第一潮流仿真样本获取单元，用于获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签。
[0142]
第二训练单元，用于将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据。
[0143]
第二优化单元，用于根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型。
[0144]
第二潮流仿真样本获取单元，用于获取潮流仿真样本数据，潮流仿真样本数据携带电热标签。
[0145]
第三训练单元，用于将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据。
[0146]
第三优化单元，用于根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
[0147]
上述电网潮流估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0148]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备
的数据库用于存储采样数据数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网潮流估计方法。
[0149]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0150]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取采样数据；根据采样数据，计算当前时刻的潮流分布；根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正；当修正后的当前时刻的潮流分布稳定时，输出潮流数据
[0151]
在一个实施例中，处理器执行计算机程序时所实现的根据当前时刻的潮流分布，计算当前时刻的潮流修正值，包括：根据当前时刻的潮流分布，计算得到当前时刻的电磁耦合关系；根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。
[0152]
在一个实施例中，处理器执行计算机程序时所实现的根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正，包括：当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定；当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
[0153]
在一个实施例中，处理器执行计算机程序时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据，包括：当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据；当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
[0154]
在一个实施例中，处理器执行计算机程序时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据之后，包括：根据潮流数据，计算设备损耗；基于设备损耗以及潮流数据，对电能质量进行评估。
[0155]
在一个实施例中，处理器执行计算机程序时所实现的当前时刻的潮流分布是根据预先训练的第一模型计算的，第一模型的训练过程包括：
[0156]
获取潮流样本数据，潮流样本数据携带潮流标签；
[0157]
将潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；
[0158]
根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型；
[0159]
上述电磁耦合关系是根据预先训练的第二模型计算的，第二模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签；将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型；上述设备损耗是根据预先训练的第三模型计算的，第三模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电热标签；将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
[0160]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取采样数据；根据采样数据，计算当前时刻的潮流分布；根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正；当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
[0161]
在一个实施例中，计算机程序被处理器执行时所实现的根据当前时刻的潮流分布，计算当前时刻的潮流修正值，包括：根据当前时刻的潮流分布，计算得到当前时刻的电磁耦合关系；根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。
[0162]
在一个实施例中，计算机程序被处理器执行时所实现的根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正，包括：当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定；当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
[0163]
在一个实施例中，计算机程序被处理器执行时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据，包括：当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据；当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
[0164]
在一个实施例中，计算机程序被处理器执行时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据之后，包括：根据潮流数据，计算设备损耗；基于设备损耗以及潮流数据，对电能质量进行评估。
[0165]
在其中一个实施例中，上述当前时刻的潮流分布是根据预先训练的第一模型计算的，第一模型的训练过程包括：获取潮流样本数据，潮流样本数据携带潮流标签；将潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型；上述电磁耦合关系是根据预先训练的第二模型计算的，第二模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签；将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型；上述设备损耗是根据预先训练的第三模型计算的，第三模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电热标签；将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
[0166]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取采样数据；根据采样数据，计算当前时刻的潮流分布；根据当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正；当修正后的当前时刻的潮流分布稳定时，输出潮流数据。
[0167]
在一个实施例中，计算机程序被处理器执行时所实现的根据当前时刻的潮流分布，计算当前时刻的潮流修正值，包括：根据当前时刻的潮流分布，计算得到当前时刻的电磁耦合关系；根据当前时刻的电磁耦合关系，得到当前时刻的潮流修正值。
[0168]
在一个实施例中，计算机程序被处理器执行时所实现的根据当前时刻的潮流修正值，对当前时刻的潮流分布进行修正，包括：当当前时刻的潮流修正值满足修正条件时，判断当前时刻的潮流分布是否稳定；当当前时刻的潮流修正值不满足修正条件时，根据当前时刻的潮流修正值对当前时刻的潮流分布进行更新，并根据更新后的当前时刻的潮流分布计算新的潮流修正值，直至当前时刻的潮流修正值满足修正条件。
[0169]
在一个实施例中，计算机程序被处理器执行时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据，包括：当修正后的当前时刻的潮流分布满足稳定条件时，判定修正后的当前时刻的潮流分布稳定，输出潮流数据；当修正后的当前时刻的潮流分布不满足稳定条件时，计算下一时刻的潮流分布，直至下一时刻的潮流分布稳定。
[0170]
在一个实施例中，计算机程序被处理器执行时所实现的当修正后的当前时刻的潮流分布稳定时，输出潮流数据之后，包括：根据潮流数据，计算设备损耗；基于设备损耗以及潮流数据，对电能质量进行评估。
[0171]
在其中一个实施例中，上述当前时刻的潮流分布是根据预先训练的第一模型计算的，第一模型的训练过程包括：获取潮流样本数据，潮流样本数据携带潮流标签；将潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；根据潮流标签以及初始潮流预测数据的偏差，调整第一初始模型的模型参数，直至训练完成得到第一模型；上述电磁耦合关系是根据预先训练的第二模型计算的，第二模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电磁标签；将潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；根据电磁标签以及初始电磁预测数据的偏差，调整第二初始模型的模型参数，直至训练完成得到第二模型；上述设备损耗是根据预先训练的第三模型计算的，第三模型的训练过程包括：获取潮流仿真样本数据，潮流仿真样本数据携带电热标签；将潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；根据电热标签以及初始电热预测数据的偏差，调整第三初始模型的模型参数，直至训练完成得到第三模型。
[0172]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0173]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0174]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
技术特征：1.一种电网潮流估计方法，其特征在于，所述方法包括：获取采样数据；根据所述采样数据，计算当前时刻的潮流分布；根据所述当前时刻的潮流分布，计算所述当前时刻的潮流修正值，并根据所述当前时刻的潮流修正值，对所述当前时刻的潮流分布进行修正；当修正后的所述当前时刻的潮流分布稳定时，输出潮流数据。2.根据权利要求1所述的方法，其特征在于，所述根据所述当前时刻的潮流分布，计算所述当前时刻的潮流修正值，包括：根据所述当前时刻的潮流分布，计算得到所述当前时刻的电磁耦合关系；根据所述当前时刻的电磁耦合关系，得到所述当前时刻的潮流修正值。3.根据权利要求1所述的方法，其特征在于，所述根据所述当前时刻的潮流修正值，对所述当前时刻的潮流分布进行修正，包括：当所述当前时刻的潮流修正值满足修正条件时，判断所述当前时刻的潮流分布是否稳定；当所述当前时刻的潮流修正值不满足所述修正条件时，根据所述当前时刻的潮流修正值对所述当前时刻的潮流分布进行更新，并根据更新后的所述当前时刻的潮流分布计算新的潮流修正值，直至所述当前时刻的潮流修正值满足所述修正条件。4.根据权利要求1所述的方法，其特征在于，所述当修正后的所述当前时刻的潮流分布稳定时，输出潮流数据，包括：当修正后的所述当前时刻的潮流分布满足稳定条件时，判定修正后的所述当前时刻的潮流分布稳定，输出所述潮流数据；当修正后的所述当前时刻的潮流分布不满足所述稳定条件时，计算下一时刻的潮流分布，直至所述下一时刻的潮流分布稳定。5.根据权利要求1所述的方法，其特征在于，所述当修正后的所述当前时刻的潮流分布稳定时，输出潮流数据之后，包括：根据所述潮流数据，计算设备损耗；基于所述设备损耗以及所述潮流数据，对电能质量进行评估。6.根据权利要求1-5任意一项所述的方法，其特征在于，所述当前时刻的潮流分布是根据预先训练的第一模型计算的，所述第一模型的训练过程包括：获取潮流样本数据，所述潮流样本数据携带潮流标签；将所述潮流样本数据输入至第一初始模型中进行训练，得到初始潮流预测数据；根据所述潮流标签以及所述初始潮流预测数据的偏差，调整所述第一初始模型的模型参数，直至训练完成得到所述第一模型；所述电磁耦合关系是根据预先训练的第二模型计算的，所述第二模型的训练过程包括：获取潮流仿真样本数据，所述潮流仿真样本数据携带电磁标签；将所述潮流仿真样本数据输入至第二初始模型中进行训练，得到初始电磁预测数据；根据所述电磁标签以及所述初始电磁预测数据的偏差，调整所述第二初始模型的模型参数，直至训练完成得到所述第二模型；
所述设备损耗是根据预先训练的第三模型计算的，所述第三模型的训练过程包括：获取所述潮流仿真样本数据，所述潮流仿真样本数据携带电热标签；将所述潮流仿真样本数据输入至第三初始模型中进行训练，得到初始电热预测数据；根据所述电热标签以及所述初始电热预测数据的偏差，调整所述第三初始模型的模型参数，直至训练完成得到所述第三模型。7.一种电网潮流估计装置，其特征在于，所述装置包括：获取模块，用于获取采样数据；潮流计算模块，用于根据所述采样数据，计算当前时刻的潮流分布；潮流修正模块，用于根据所述当前时刻的潮流分布，计算当前时刻的潮流修正值，并根据所述潮流修正值，对所述当前时刻的潮流分布进行修正；潮流输出模块，用于当修正后的所述当前时刻的潮流分布稳定时，输出潮流数据。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
技术总结本申请涉及一种电网潮流估计方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取采样数据；根据所述采样数据，计算当前时刻的潮流分布；根据所述当前时刻的潮流分布，计算所述当前时刻的潮流修正值，并根据所述当前时刻的潮流修正值，对所述当前时刻的潮流分布进行修正；当修正后的所述当前时刻的潮流分布稳定时，输出潮流数据。采用本方法能够快速得到电能质量扰动事件下潮流分布。能够快速得到电能质量扰动事件下潮流分布。能够快速得到电能质量扰动事件下潮流分布。
技术研发人员：张华赢 陶骏 尹骁骐
受保护的技术使用者：深圳供电局有限公司
技术研发日：2022.06.13
技术公布日：2022/11/1
