一种基于神经网络学习算法的电网优化调度方法和系统技术方案

本发明专利技术公开了一种基于神经网络学习算法的电网优化调度方法包括：收集电网运行数据并进行预处理；构建电网调度环境；设计

【技术实现步骤摘要】
一种基于神经网络学习算法的电网优化调度方法和系统


[0001]本专利技术涉及电力系统与自动化技术
，具体为一种基于神经网络学习算法的电网优化调度方法和系统
。

技术介绍

[0002]电网调度是电力系统的重要组成部分，其主要目标是保证电力系统的稳定
、
经济和安全运行
。
传统的电网调度主要依赖于人工调度员的经验和一些规则或策略，这在面对复杂和大规模的电网系统时，可能存在效率低和调度质量不高的问题
。
[0003]近年来，机器学习，特别是深度学习和神经网络，已经在许多领域中取得了显著的进展
。
这些技术被广泛应用于图像识别
、
语音识别
、
自然语言处理
、
推荐系统等任务中
。
然而，尽管机器学习在一些领域取得了巨大的成功，但在电力系统的调度优化问题上，其应用还处于起步阶段
。
[0004]强化学习是机器学习的一个重要分支，其主要是通过让智能体在与环境的交互中学习最优策略，以达到最大化累积奖励的目标
。
近年来，强化学习已经在棋类游戏
、
控制系统
、
资源管理等领域取得了显著的成果
。
然而，强化学习在电网调度的应用还相对较少
。
[0005]对抗神经网络
(GAN)
是一种非常强大的生成模型，它可以生成与真实数据非常相似的数据
。
然而，
GAN
在电网调度问题中的应用还十分有限
。
本专利技术旨在通过自动化和智能化的方式提高电网调度的效率和质量
。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0007]鉴于上述存在的问题，提出了本专利技术
。
[0008]因此，本专利技术解决的技术问题是：传统的电网调度方法可能受限于人工经验和简单的规则，无法有效地应对复杂的电网运行情况，并且电网调度过程中，无法精确的考虑可能会出现各种故障和异常情况，如设备故障
、
负荷波动
、
线路故障等
。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：一种基于神经网络学习算法的电网优化调度方法，包括：
[0010]收集电网运行数据并进行预处理；
[0011]构建电网调度环境；
[0012]构建
SAC
强化学习算法模型和对抗神经网络模型；
[0013]训练
SAC
强化学习模型，并整合所述
SAC
强化学习模型和所述对抗神经网络模型；
[0014]部署，测试，和持续优化更新
。
[0015]作为本专利技术所述的基于神经网络学习算法的电网优化调度方法的一种优选方案，其中：所述电网运行数据包括：负荷数据
、
发电数据
、
设备状态数据
、
电网状态数据
、
故障和
异常数据
、
环境数据
。
[0016]作为本专利技术所述的基于神经网络学习算法的电网优化调度方法的一种优选方案，其中：所述预处理，包括：采用
Scikit
‑
learn
进行数据缺失值和异常值的预处理；
[0017]当所述电网运行数据中出现缺失值时，所述
Scikit
‑
learn
使用平均值
、
中位数或最频繁的值来填充缺失值；
[0018]当所述电网运行数据中出现异常值时，所述
Scikit
‑
learn
使用
Z
‑
score
标准化去除异常值；
[0019]当所述电网运行数据中出现重复值时，通过所述
Scikit
‑
learn
结合
Python
学习库进行重复值的去除
。
[0020]作为本专利技术所述的基于神经网络学习算法的电网优化调度方法的一种优选方案，其中：所述构建电网调度环境，具体包括：
[0021]通过
NetworkX
库，定义电网中的节点和边，创建图形结构表示电网的拓扑，所述节点代表电网中的设备，所述边代表电网中的连接；
[0022]为每个设备定义参数，并将其作为节点和边的属性存储在
NetworkX
库中；
[0023]为每个设备定义运行状态，并将其作为节点和边的属性存储在
NetworkX
库中；
[0024]模拟电网在不同调度策略下的运行状态；
[0025]通过奖励函数和状态更新，来定义环境的反馈
。
[0026]作为本专利技术所述的基于神经网络学习算法的电网优化调度方法的一种优选方案，其中：所述强化学习算法，包括：
[0027]定义状态空间和动作空间；
[0028]构建奖励函数：
[0029]R
(s,a,s`)
＝
W1×
Stability
(s,a,s`)
+W2×
Cost
(s,a,s`)
+W3×
Faults
(s,a,s`)
[0030]其中：
s,a,s'
分别代表当前状态
、
采取的动作和动作后的新状态；
Stability(s,a,s')
用于衡量电网的稳定性；
Cost(s,a,s')
用于衡量电网的运行成本；
Faults(s,a,s')
用于衡量电网的故障率；
W1,W2,W3是权重参数，用于调整
Stability、Cost
和
Faults
的相对重要性；
[0031]建立
SAC
模型，使用熵正则化策略，通过增加策略的熵来鼓励探索，处理电网调度问题中的不确定性和多模态性
。
[0032]作为本专利技术所述的基于神经网络学习算法的电网优化调度方法的一种优选方案，其中：所述神经网络模型，包括：
[0033]利用对抗神经网络模型，训练一个能预测电网故障和异常情况的生成器和一个判断所述生成器预测准确性的判断器；
[0034]生成器与判别器进行对抗训练，所述生成器试图生成越来越真实的故障和异常情况，使所述判别器无法区分，而所述判别器则逐步升级其区分真假情况的能力；
[0035]当所述判别器能够识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络学习算法的电网优化调度方法，其特征在于，包括：收集电网运行数据并进行预处理；构建电网调度环境；构建
SAC
强化学习算法模型和对抗神经网络模型；训练
SAC
强化学习模型，并整合所述
SAC
强化学习模型和所述对抗神经网络模型；部署
、
测试和持续优化更新
。2.
如权利要求1所述的基于神经网络学习算法的电网优化调度方法，其特征在于：所述电网运行数据包括：负荷数据
、
发电数据
、
设备状态数据
、
电网状态数据
、
故障和异常数据
、
环境数据
。3.
如权利要求2所述的基于神经网络学习算法的电网优化调度方法，其特征在于：所述预处理，包括：采用
Scikit
‑
learn
进行数据缺失值和异常值的预处理；当所述电网运行数据中出现缺失值时，所述
Scikit
‑
learn
使用平均值
、
中位数或最频繁的值来填充缺失值；当所述电网运行数据中出现异常值时，所述
Scikit
‑
learn
使用
Z
‑
score
标准化去除异常值；当所述电网运行数据中出现重复值时，通过所述
Scikit
‑
learn
结合
Python
学习库进行重复值的去除
。4.
如权利要求3所述的基于神经网络学习算法的电网优化调度方法，其特征在于：所述构建电网调度环境，具体包括：通过
NetworkX
库，定义电网中的节点和边，创建图形结构表示电网的拓扑，所述节点代表电网中的设备，所述边代表电网中的连接；为每个设备定义参数，并将其作为节点和边的属性存储在
NetworkX
库中；为每个设备定义运行状态，并将其作为节点和边的属性存储在
NetworkX
库中；模拟电网在不同调度策略下的运行状态；通过奖励函数和状态更新，来定义环境的反馈
。5.
如权利要求4所述的基于神经网络学习算法的电网优化调度方法，其特征在于：所述
SAC
强化学习算法模型，包括：定义状态空间和动作空间；构建奖励函数：
R
(s,a,s`)
＝
W1×
Stability
(s,a,s`)
+W2×
Cost
(s,a,s`)
+W3×
Faults
(s,a,s`)
其中：
s,a,s'
分别代表当前状态
、
采取的动作和动作后的新状态；
Stability(s,a,s')
用于衡量电网的稳定性；
Cost(s,a,s')
用于衡量电网的运行成本；
Faults(s,a,s')
用于衡量电网的故障率；
W1,W2,W3是权重参数，用于调整
Stability、Cost
和
Faults
的相对重要性；建立
SAC
模型，使用熵正则化策略，通过增加策略的熵来鼓励探索，处理电网调度问题中的不确定性和多模态性
。6.
如权利要求5所述的基于神经网络学习算法的电网优化调度方法，其特征在于：所述神经网络模型，包括：利用对抗神经网络模型，训练一个能预测电网故障和异常情况的生成器和一个判断所述生成器预测准确性的判断器；
生成器与判别器进行对抗训练，所述生成器试图生成越来...

【专利技术属性】
技术研发人员：赵筑雨，吕飞，何文仲，
申请(专利权)人：贵州黔驰信息股份有限公司，
类型：发明
国别省市：