随着新能源技术不断发展,能源互联网这一新型能源利用体系通过大数据分析、机器学习等人工智能技术提高能源生产端及消费端的运作效率,并最终使得能源供需可以进行实时动态调整。作为现代电力系统中至关重要的一环,潮流计算为系统规划,运行管理、策略实施提供了基础而必要的信息。因此,开展将新型人工智能技术——深度学习应用于潮流计算中的研究是具有一定现实意义的。本论文的主要研究内容是以一定节点规模下可变拓扑的快速电网潮流计算为基点,探究深度学习的相关模型以及技术在这一问题中的应用。训练完的模型可以用于求解节点个数不大于n的任意拓扑结构电网的潮流值,并应用于需要进行潮流计算的场合,如电力系统中的N-1安全校验。本论文所做的研究是对潮流计算的新探索,旨在扩展深度学习在电力系统中的应用,并为后续的深度学习求解潮流优化问题做铺垫。与传统的潮流算法相比,本文的方法是一种直接法,实际使用中只需要进行一系列矩阵相乘的基本操作即可得到结果,因此计算速度较快,可用于在线潮流计算,且不存在无法收敛的情况。本文所提出的模型均通过Tensorflow进行搭建,并在深度学习服务器上进行训练。本论文主要工作包括以下四个方面:(1)首先,通过阅读大量文献,对潮流计算以及深度学习的发展历程以及国内外研究方向做了简单的介绍。在此基础上,分析了潮流计算的本质以及潮流计算与深度学习的相关性。(2)使用基于栈式自编码器的深度神经网络,解决n个节点以内任意拓扑结构的电网潮流问题。该方法将对节点数不大于50的电网进行仿真实验,并与前馈神经网络模型以及牛顿法进行比较。实验结果表明,栈式自编码器能用于电力系统的快速潮流计算,在训练与测试效果上均优于传统的神经网络,并且不存在收敛性问题。(3)引入带批量归一化层的深度残差网络模型,解决栈式自编码器正式训练前,由于预训练所导致的总体训练时间过长的问题,以及当网络层数不断加深所导致的网络退化问题。这一方法将对节点数不大于14的电网进行仿真实验。训练得到的模型将被应用于一个14节点的配电网中,并将结果与浅层前馈神经网络、深度前馈神经网络、深度ReLU神经网络以及带批量归一化层的深度ReLU神经网络进行比较。实验结果表明,相同结构的深度残差网络在模型表现力上优于其他网络。(4)在词嵌入技术的启发下,进一步提出了一种基于孪生神经网络与三元组损失函数的潮流嵌入技术。该技术通过将输入数据映射到新的向量空间来解决网络的输入随电网规模的扩大稀疏度大大提高且维度呈几何式增加的问题,并充分挖掘输入数据的潜在特征从而提高网络的训练效果。这一方法将对节点数不大于14的电网进行仿真实验。训练得到的模型将被应用于一个IEEE标准5节点电网中,并将所得的结果与不带嵌入层的浅层前馈神经网络、深度前馈神经网络、深度ReLU神经网络以及残差网络进行比较。实验结果表明,潮流嵌入技术能在一定程度上提升网络的效果。