1.基于简化潮流神经网络的配电网状态估计初值计算方法，其特征在于：该方法具体包括以下步骤：步骤一、建立BP神经网络，包括输入层、隐藏层和输出层；其中，输入层的神经元个数与配电网量测个数相等，输出层的神经元个数与配电网状态变量个数相等；

步骤二、针对具有n个节点的电力系统，其极坐标下的交流潮流表示为：其中，Pi、Qi分别为节点i的有功功率、无功功率；Vi、Vj分别表示节点i、j的电压幅值，θij为节点i与节点j之间的相角差，i、j＝1,2,…,n；Gij+jBij＝Yij，Yij表示节点导纳矩阵Y中的元素，Gij、Bij分别表示节点导纳矩阵Y中第i行第j列元素的实部与虚部；

根据电力系统中的节点电压幅值与电压相角的取值，存在：其中，bij、gij分别为节点i、j之间的电导与电纳；将公式式(2)代入公式(1)，根据有功功率与无功功率进行电压幅值与电压相角解耦：转换为矩阵表示为：

步骤三、当公式(5)存在解，即 可逆时有：

根据节点电压幅值将 转化为：

将公式(7)代入公式(6)有：

令 将电压幅值V与电压相角θ分解为：

根据公式(9)可知，电压相角θ与电压幅值V可以分解为两个部分，因此，将隐藏层中一半的神经元与输出层中节点电压幅值的神经元全连接；另一半神经元与输出层中节点电压相角的神经元全连接，得到简化后的BP神经网络；

步骤四、对于安装了L个PMU的配电网，根据PMU的位置将其划分为L‑1个部分：其中， Y'11,Y'22,...,Y'LL分别为被PMU分割后各部分的系数导纳矩阵，Y'12,Y'21,Y'1L,Y'L1,Y'2L,Y'L2分别为PMU的不同部分间的系数导纳矩阵，由于辐射状的配电网在PMU连接节点处只存在很少的连接关系，因此，Y'12,Y'21,Y'1L,Y'L1,Y'2L,Y'L2可认为是零矩阵；

根据分割后的配电网拓扑结构，将步骤三简化后的BP神经网络分为多组神经网络，得到基于简化潮流方程的BP神经网络；

步骤五、设置损失函数为MSE损失，利用有监督的训练方法训练基于简化潮流方程的BP神经网络，作为最终初值预测模型；

步骤六、将配电网上的真实量测输入步骤五训练后得到的初值预测模型，将模型输出的结果作为高斯牛顿法的初值，对配电网运行状态进行求解，配电网状态估计 的加权最小二乘法表示为：T ‑1

min J(x)＝(z‑h(x)) R (z‑h(x))                  (12)其中，z是配电网的量测值向量；h(x)是配电网的量测函数向量；R是测量误差方差矩阵，R中的元素为量测量装置的方差的倒数；J(x)表示配电网的量测函数与量测值向量的平方差的最小值；为求取配电网状态估计 将公式(12)所示的目标函数对x求偏导 并令 则有：‑1

H(x)R [z‑h(x)]＝0                          (13)其中，H(x)为量测函数h(x)的雅可比矩阵；

利用泰勒级数将非线性量测函数在系统运行的初始状态点x0附近展开，忽略二阶及以上的高阶项，仅保留常数项和一次项，得到如下线性化方程：(k+1) (k)

h(x)≈h(x0)+H(x0)△x(14)其中，△x＝x ‑x ，是两次迭代状态变量的差值，k为迭代次数；联立公式(13)、(14)，得到如下迭代方程组：(k+1)

△x

‑1 (k) T (k) ‑1 (k) (k+1)＝G (x )H(x )R [z‑h(x )]x(k) (k)

＝x +△x                   (15)(k) T (k) ‑1 (k)

G(x )＝H(x )R H(x )                       (16)‑6 ‑4

将网络输出的初始状态点x0代入公式(15)进行计算，取基准电压模值为10 ～10 ，当时，计算得到配电网当前的运行状态，εa为设定阀值。

2.如权利要求1所述基于简化潮流神经网络的配电网状态估计初值计算方法，其特征在于：所述MSE损失为预测数据与原始数据对应点误差的平方和的均值：其中，N为简化后的BP神经网络输出层的神经元个数；yit、 分别为配电网历史量测数据的真实值以及预测值。