CN118539441B 基于搜索排序的電網(wǎng)拓?fù)鋬?yōu)化方法和系統(tǒng) （中科南京人工智能創(chuàng)新研究院）

本發(fā)明公開了一種基于搜索排序的電網(wǎng)拓網(wǎng)狀態(tài)數(shù)據(jù)和動(dòng)作空間，構(gòu)建自適應(yīng)的雙塔模2S412、獲取歷史性能數(shù)據(jù)和當(dāng)前系統(tǒng)狀態(tài)數(shù)據(jù)3S425、采集違反預(yù)設(shè)電網(wǎng)運(yùn)行約束條件的歷史S14、基于優(yōu)化動(dòng)作空間和預(yù)定義約束條件集合，依序采用約束傳播算法和決策樹算44.根據(jù)權(quán)利要求3所述的基于搜索排序的電網(wǎng)拓?fù)鋬?yōu)化方法，所述存儲(chǔ)器存儲(chǔ)有可被所述處理器執(zhí)行的指令，所述指令用于被所現(xiàn)權(quán)利要求1至4任一項(xiàng)所述的基于搜索排序的電56[0021]如圖1所示，本申請(qǐng)?zhí)岢隽艘环N基于搜索排序的電網(wǎng)拓?fù)鋬?yōu)化方法，具體步驟如7[0038]在進(jìn)一步實(shí)施例中，獲取電網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和可能影響電網(wǎng)拓?fù)浣Y(jié)構(gòu)的動(dòng)作數(shù)8態(tài)調(diào)整模糊度θ:θ=θ0*(1_depth/maxdepth)ρ,其中ρ9結(jié)構(gòu)數(shù)據(jù)T，生成基本動(dòng)作集合B；隨后將基本動(dòng)作集合B輸入動(dòng)態(tài)權(quán)重組合優(yōu)化算法[0069]將動(dòng)態(tài)特征向量和靜態(tài)特征向量輸入動(dòng)態(tài)注意力融合網(wǎng)絡(luò)。構(gòu)建雙通道神經(jīng)網(wǎng)[0070]構(gòu)建自適應(yīng)雙塔模型。將融合特征向量輸入動(dòng)態(tài)結(jié)構(gòu)多[0072]在進(jìn)一步的實(shí)施例中，獲取實(shí)時(shí)電網(wǎng)狀態(tài)數(shù)據(jù)，采用多尺度時(shí)序特征提取算法表示gg[0095]η為更新率，performance(Ci)為使用simi選出[0096]在另一個(gè)具體的實(shí)施例中，使用時(shí)序算法處理實(shí)時(shí)電網(wǎng)狀態(tài)數(shù)據(jù)R，捕捉電網(wǎng)負(fù)K選擇算法，計(jì)算狀態(tài)嵌入向量與動(dòng)作嵌入向量的相似度，召回最相關(guān)的候選動(dòng)作，得到[0098]本實(shí)施例實(shí)現(xiàn)了對(duì)電網(wǎng)狀態(tài)的精確感知和高效動(dòng)作召回，提升了后續(xù)決策的基[0112]利用注意力加權(quán)的節(jié)點(diǎn)表示和候選動(dòng)作集，采用自適應(yīng)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)進(jìn)行處[0113]將動(dòng)作_狀態(tài)對(duì)的時(shí)空表示輸入層次化多準(zhǔn)則決策網(wǎng)絡(luò)。該網(wǎng)絡(luò)首先定義多個(gè)評(píng)[0130]利用注意力加權(quán)的節(jié)點(diǎn)表示Natt和候選動(dòng)作集C，采用自適應(yīng)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)ttl*Hl)[0136]本實(shí)施例實(shí)現(xiàn)了對(duì)電網(wǎng)動(dòng)作的精確評(píng)估。不僅考慮了電網(wǎng)的靜態(tài)結(jié)構(gòu)和動(dòng)態(tài)變[0145]S413、基于重要性指標(biāo)，對(duì)目標(biāo)權(quán)重向量進(jìn)行更新，得到更新后的權(quán)重，使用[0154]將電網(wǎng)運(yùn)行約束條件和自適應(yīng)多目標(biāo)評(píng)估函數(shù)輸入動(dòng)態(tài)約束處理與自適應(yīng)懲罰用BP網(wǎng)絡(luò)學(xué)習(xí)層間映射關(guān)系，應(yīng)用dropout防止過擬合。構(gòu)建自適應(yīng)隸屬度函數(shù)，使用[0157]在進(jìn)一步的實(shí)施例中，獲取優(yōu)化目標(biāo)集合O，采用動(dòng)態(tài)權(quán)重自適應(yīng)融合算法[0162]將電網(wǎng)運(yùn)行約束條件E和自適應(yīng)多目標(biāo)評(píng)估函數(shù)M輸入動(dòng)態(tài)約束處理與自適應(yīng)懲[0167]利用帶約束的自適應(yīng)多目標(biāo)評(píng)估函數(shù)Mc和排序后的候選動(dòng)作列[0169]v(t+1)=wv(t)+c1r1*(pbest_x)+c2r2(gbest_x)+c3r3(sbest_ijijijijij分別表示模糊比較矩一化后的權(quán)重向量。引入神經(jīng)網(wǎng)絡(luò)處理層間關(guān)系，使用BP網(wǎng)絡(luò)學(xué)習(xí)層間映射關(guān)系，應(yīng)用[0176]使用Choquet模糊積分聚合多準(zhǔn)則評(píng)價(jià)：E(f)=Σ(f(x([0177]應(yīng)用靈敏度分析，評(píng)估結(jié)果的穩(wěn)健性，輸出綜合評(píng)分最高的動(dòng)作作為最優(yōu)動(dòng)作帶約束的多目標(biāo)評(píng)估函數(shù)Mc和排序后的候選動(dòng)作列表RC，采用改進(jìn)的多目標(biāo)粒子群優(yōu)化入了帕累托最優(yōu)的概念，為決策者提供了一系列的非支配解；使用TOPSIS方法進(jìn)行最終決同的運(yùn)營(yíng)需求調(diào)整優(yōu)化目標(biāo)的權(quán)重。最終輸出的最優(yōu)動(dòng)作Aopt將是在多個(gè)目標(biāo)和約束條件形成綜合發(fā)電機(jī)數(shù)據(jù)集Dgen_comprehe為輸入，結(jié)合邊緣計(jì)算技術(shù)，實(shí)現(xiàn)快速準(zhǔn)確的電網(wǎng)狀態(tài)估計(jì)，生成狀態(tài)估計(jì)結(jié)果數(shù)據(jù)集[0212]S155、使用基于互信息的特征選擇算法，從數(shù)據(jù)集Dfeature_raw、Dfeature_high和[0216]S162、應(yīng)用基于哈希鏈的數(shù)據(jù)溯源機(jī)制，記錄從原始數(shù)據(jù)到數(shù)據(jù)集DfusioDfeature_comprehensive的全過程，確保數(shù)據(jù)的可追溯性和可審核性，生成數(shù)據(jù)溯源信息集[0217]S163、使用新型的元數(shù)據(jù)自動(dòng)提取和標(biāo)注算法，以數(shù)據(jù)集Dfusion_final和[0253]S261、構(gòu)建最小編輯距離算法，計(jì)算拓?fù)浼疶current到Tdiverse中[0270]S315、引入環(huán)境影響評(píng)估模型，考慮碳排放等因素，構(gòu)建環(huán)境友好性目標(biāo)函數(shù)[0276]S324、考慮設(shè)備操作壽命和可靠性要求，加入設(shè)備操作次數(shù)限制約束Coperation_limit；[0279]S331、將函數(shù)Fobjectives和約束Cconstraints結(jié)合，formulate完整的多目標(biāo)優(yōu)化問題[0292]S353、使用拉丁超立方抽樣方法，在解空間中均勻采樣，生成多樣化初始解集[0296]S362、在每次迭代中，應(yīng)用交叉和變異操作生成新的候選解，形成子代種群paretoparetoparetopareto[0314]S393、將數(shù)據(jù)包Doptimization_results存儲(chǔ)到分布式數(shù)據(jù)庫中，形成歷史優(yōu)化結(jié)果集[0324]S423、應(yīng)用置信度評(píng)估算法，計(jì)算初步?jīng)Q策建議Dinitial_decision的可信度指標(biāo)[0327]S432、使用實(shí)時(shí)狀態(tài)數(shù)據(jù)Dcurrent_processed作為狀態(tài)輸入，通過深度強(qiáng)化學(xué)習(xí)模型[0334]S451、使用數(shù)字孿生技術(shù)，基于實(shí)時(shí)狀態(tài)數(shù)據(jù)Dcurrent_processed和可行決策[0338]S461、根據(jù)可行決策Dfeasible_decision或應(yīng)急方案Deme[0343]S472、比較執(zhí)行后的實(shí)際電網(wǎng)狀態(tài)與電網(wǎng)狀態(tài)Ssimulated，生成執(zhí)行效果評(píng)估報(bào)告[0350]S491、定期從經(jīng)驗(yàn)回放緩沖區(qū)Dexperience_buffer中提取valuable經(jīng)驗(yàn)，更新知識(shí)庫策模型Mfast_decision_new和深度強(qiáng)化學(xué)習(xí)模型MD[0378]S562、基于架構(gòu)評(píng)估報(bào)告Rarchitecture，構(gòu)建系統(tǒng)架構(gòu)優(yōu)化方案Parchitecture[0402]通