【技术实现步骤摘要】
本专利技术涉及配电网调控，具体涉及基于人机混合增强智能的配电网调控方法、系统和设备。
技术介绍
1、新型配电网(new distribution network，ndn)是一种采用先进网络架构、信息化技术和智能化技术，实现安全、高效、智能运行的配电网络，是新型电力系统建设的关键和基础。随着新型配电网的逐步升级与新能源高比例接入，新型配电网运行方式的复杂性不断增加，使得新型配电网运行的脆弱性、不确定性也日益凸显，配网调控将面临海量数据分析、多维运行方式的挑战。现有的新型配电网调控主要以人工监控为主，难以满足新型配电网面临的智能化调控与安全运行的要求。
2、以深度学习为主的人工智能技术与新型配电网的不断融合，为提升新型配电网的智能调控提供了重要的支撑；当前的深度学习人工智能技术主要应用在新型配电网的负荷预测、故障诊断、配电网暂态分析和调度优化决策等方面。如基于双向长短期记忆网(bidirectional long short-term memory，bilstm)对新型配电网的负荷进行预测，基于时序卷积残差网络对新型配电网的短路故障进行识别，以及基于transformer编码器对新型配电网暂态稳定性进行评估，基于交替方向乘子法与图计算进行新型配电网调度优化决策等。然而，上述方法的业务场景较局限，人工智能仅执行简单的辨别任务。面对复杂新型配电网的感知、认知和决策任务，传统的人工智能存在可解释性差、可信度低等问题，制约了人工智能在新型配电网的应用。
技术实现思路
1、本专利技术
2、本专利技术通过下述技术方案实现：
3、本方案提供基于人机混合增强智能的配电网调控方法，包括：
4、采集新型配电网的历史调控数据，并结合机器学习数据与配电网调度专家经验数据对所述历史调控数据进行预处理；
5、构建新型配电网的调控模型，并基于预处理后的历史调控数据训练所述调控模型；
6、基于智能决策体感知新型配电网的实时数据，并将实时数据输入已训练好的调控模型中生成调控策略；基于配电网调度专家反馈的调控策略来优化智能决策体生成的调控策略，得到最优调控策略；执行所述最优调控策略。
7、进一步优化方案为，所述采集新型配电网的历史调控数据，并结合机器学习数据与配电网调度专家经验数据对所述历史调控数据进行预处理；包括方法：
8、采集新型配电网的历史调控数据，所述历史调控数据包括动态数据和静态数据；所述动态数据包括：运行数据、应用数据和部分环境数据；所述静态数据包括；基础数据和部分环境数据；
9、对所述历史调控数据进行场景检测处理：构建新型配电网调控场景，判断所述历史调控数据是否覆盖新型配电网调控场景范围；对于未覆盖新型配电网调控场景范围的历史调控数据，结合机器学习数据与配电网调度专家经验数据进行缺失补充；
10、对场景检测处理后的历史调控数据进行人机混合智能标注后生成调控数据集。
11、进一步优化方案为，所述对于未覆盖新型配电网调控场景范围的历史调控数据，结合机器学习数据与配电网调度专家经验数据进行缺失补充；包括方法：
12、构建用于对历史调控数据进行缺失补充的机器学习网络；所述机器学习网络包括策略生成器，所述策略生成器进行策略更新的幅度限制在预设幅度范围以内；
13、所述机器学习网络以策略生成器输出的机器学习数据与配电网调度专家经验数据之间的差异，作为奖励函数迭代训练所述策略生成器；直至策略生成器输出的机器学习数据与配电网调度专家经验数据之间的差异满足第一阈值时，以策略生成器输出的机器学习数据作为缺失补充数据。
14、进一步优化方案为，所述机器学习网络为对抗式生成模仿学习网络；所述策略生成器基于置信域策略梯度优化算法进行策略更新；
15、所述对抗式生成模仿学习网络还包括判别器，所述判别器用于识别策略生成器输出的机器学习数据与配电网调度专家经验数据之间的差异。
16、进一步优化方案为，所述对抗式生成模仿学习网络的目标函数为：
17、；
18、式中：表示对抗式生成模仿学习网络的目标函数；log（）表示对数函数； δsme表示专家经验数据； δgan表示策略生成器输出的机器学习数据；表示策略生成器输出 δgan为 δsme的概率；表示对抗式生成模仿学习网络中关于输入配电网调度专家经验数据的函数；表示对抗式生成模仿学习网络中关于输出机器学习数据的函数；表示先验概率；b表示后验概率。
19、进一步优化方案为，所述对场景检测处理后的历史调控数据进行人机混合智能标注后生成调控数据集；包括方法：
20、对场景检测处理后的历史调控数据进行人机混合标注：先进行机器自动样本标注，再筛选出关键历史调控数据由配电调度专家进行人工标注；
21、校验所有人机混合标注后的历史调控数据，对未通过校验的历史调控数据重新进行人机混合标注，直至通过校验。
22、进一步优化方案为，所述构建新型配电网的调控模型，并基于预处理后的历史调控数据训练所述调控模型；包括方法：
23、构建新型配电网的任务调控模型库，专家配电网调度员根据新型配电网调控场景确定出调控目标；
24、将调控目标的设备调控任务分解成多个子任务，筛选出当前子任务，并从任务调控模型库中调取出当前子任务的任务调控模型；
25、基于预处理后的历史调控数据训练所述任务调控模型，在训练任务调控模型的过程中，由配电网调度专家基于人类智能技术引导调整任务调控模型的参数，并修正任务调控模型输出的调控策略。
26、进一步优化方案为，所述基于智能决策体感知新型配电网的实时数据，并将实时数据输入已训练好的调控模型中生成调控策略；基于配电网调度专家反馈的调控策略来优化智能决策体生成的调控策略，得到最优调控策略；包括方法：
27、由智能决策体基于实时数据对新型配电网进行状态分析，并将实时数据和状态分析结果输入新型配电网调控模型中生成调控策本文档来自技高网...
【技术保护点】
1.基于人机混合增强智能的配电网调控方法，其特征在于，包括：
2.根据权利要求1所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述采集新型配电网的历史调控数据，并结合机器学习数据与配电网调度专家经验数据对所述历史调控数据进行预处理；包括方法：
3.根据权利要求2所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对于未覆盖新型配电网调控场景范围的历史调控数据，结合机器学习数据与配电网调度专家经验数据进行缺失补充；包括方法：
4.根据权利要求3所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述机器学习网络为对抗式生成模仿学习网络；所述策略生成器基于置信域策略梯度优化算法进行策略更新；
5.根据权利要求4所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对抗式生成模仿学习网络的目标函数为：
6.根据权利要求2所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对场景检测处理后的历史调控数据进行人机混合智能标注后生成调控数据集；包括方法：
7.根据权利要求2所述的基于人
8.根据权利要求2所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述基于智能决策体感知新型配电网的实时数据，并将实时数据输入已训练好的调控模型中生成调控策略；基于配电网调度专家反馈的调控策略来优化智能决策体生成的调控策略，得到最优调控策略；包括方法：
9.根据权利要求8所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述最优策略RHTL根据下式得到：
10.基于人机混合增强智能的配电网调控系统，其特征在于，用于实现权利要求1-9任意一项所述的基于人机混合增强智能的配电网调控方法；所述系统包括：
11.一种计算机设备，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1-9中任一项所述方法的步骤。
...【技术特征摘要】
1.基于人机混合增强智能的配电网调控方法，其特征在于，包括：
2.根据权利要求1所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述采集新型配电网的历史调控数据，并结合机器学习数据与配电网调度专家经验数据对所述历史调控数据进行预处理；包括方法：
3.根据权利要求2所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对于未覆盖新型配电网调控场景范围的历史调控数据，结合机器学习数据与配电网调度专家经验数据进行缺失补充；包括方法：
4.根据权利要求3所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述机器学习网络为对抗式生成模仿学习网络；所述策略生成器基于置信域策略梯度优化算法进行策略更新；
5.根据权利要求4所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对抗式生成模仿学习网络的目标函数为：
6.根据权利要求2所述的基于人机混合增强智能的配电网调控方法，其特征在于，所述对场景检测处理后的历史调控数据进行人机混合智能标注后...
【专利技术属性】
技术研发人员：唐冬来，何明，丁理杰，涂德军，金仁云，陈文康，杨梅，钟声，杨勇，陈泽宇，龚奕宇，徐向楠，田晓，王希求，聂潇，邓创，李擎宇，刘友波，谢飞，康乐，钟旭，付世峻，李勇，唐志远，周朋，陈居利，何书宇，罗维斯，张淇铭，毛强，高红均，
申请(专利权)人：四川思极科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。