[發明專利]一種基于電力系統緊急控制的混合智能關鍵因素辨識方法

在審

• 申請號: 202111208028.0
• 申請日: 2021-10-18
• 公開（公告）號: CN113991645A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 張俊;高天露;張科;戴宇欣;許沛東;陳思遠
• 申請（專利權）人: 武漢大學;國網浙江省電力有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;G06Q50/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 許蓮英

1.一種基于電力系統緊急控制的混合智能關鍵因素辨識方法，其特征在于，包括以下步驟：

步驟1：構建電力系統緊急控制深度強化學習模型，引入配電網節點模型多個歷史時刻的特征數據構建配電網特征數據集；

步驟2：引入深度Q學習網絡模型，進一步將配電網特征數據集中每組配電網特征矩陣集合依次輸入至深度Q學習網絡模型，預測并得到負荷削減動作，進一步采用隨機梯度下降優化算法進行優化訓練得到電力系統緊急控制深度強化學習模型；

步驟3：將配電網特征數據集中每組配電網特征矩陣集合依次輸入至步驟2所述的電力系統緊急控制深度強化學習模型預測得到每組配電網特征矩陣集合對應的負荷削減動作，進一步構建負荷削減動作矩陣數據集，通過Deep-SHAP方法獲取多個影響電力系統緊急控制深度強化學習模型的主要特征；

步驟4：將實時采集的配電網特征數據集根據步驟3所述的多個影響電力系統緊急控制深度強化學習模型的主要特征選擇出實時采集的配電網特征數據集的多個主要特征，進一步通過步驟3所述的多個影響電力系統緊急控制深度強化學習模型預測得到實時采集的配電網特征數據集對應的負荷削減動作。

2.根據權利要求1所述的基于電力系統緊急控制的混合智能關鍵因素辨識方法，其特征在于，步驟1所述深度強化學習模型：由輸入層、輸出層、第一層隱藏全連接層、第二層隱藏全連接層依次串聯級聯構成；

步驟1所述配電網特征數據集，具體定義為：

其中，表示配電網特征數據集，；S_k表示配電網特征數據集中第k組配電網特征矩陣集合，K表示配電網特征數據集中配電網特征矩陣集合的數量；

所述S_k具體定義為：

S_k＝[O_k,O_k+1 … O_k+L-1]^T

O_k+t＝{data_k+t,i,j|1≤i≤N,1≤j≤M},t∈[0,L-1]

其中，k表示第k組配電網特征數據的起始時刻，L為正整數；O_k+t表示配電網特征數據集中第k組配電網特征矩陣集合中第t個配電網特征矩陣，即配電網多節點模型中第k+t個時刻的配電網特征數據；data_k+t,i,j表示配電網特征數據集中第k組配電網特征矩陣集合中第t個配電網特征矩陣中第i個配電網節點第j種類型的特征數據，即配電網多節點模型中第k+t個時刻第i個配電網節點第j種類型的特征數據，N表示配電網節點的數量，M為節點特征的數量。

3.根據權利要求1所述的基于電力系統緊急控制的混合智能關鍵因素辨識方法，其特征在于，步驟2所述預測的負荷削減動作由配電網節點切負荷百分比組合方式構成，每個配電網節點都有兩種削減負荷的方式，分別定義不動作和減載所述配電網上總負荷的一定比例；

深度Q學習網絡模型預測的負荷削減動作的數量總共包含2^N種，N為配電網節點的數量；

步驟2所述負荷削減動作在訓練的配電網特征數據集中第k組電網特征矩陣集合下的輸出矩陣A_k包含了N個目標節點上負荷削減動作，表示為：

其中，A_k是深度強化學習模型輸入配電網特征數據集中第k組配電網特征矩陣集合后得到的預測動作對應的Q值集合，H代表輸出動作的種類，表示深度強化學習模型輸入配電網特征數據集中第k組配電網特征矩陣集合后得到的第h個預測動作的Q值，h∈H；每個節點上有一個開關，因此每個節點有兩種動作，包括不動作和開關動作，H＝2^N種，N為節點的數量；

中搜索Q值最大的預測動作，Q值最大的預測動作即為配電網特征數據集中第k組電網特征矩陣集合輸入至深度強化學習模型的預測的負荷削減動作。

4.根據權利要求1所述的基于電力系統緊急控制的混合智能關鍵因素辨識方法，其特征在于，步驟3所述所述負荷削減動作矩陣數據集為：

其中，K表示配電網特征數據集中配電網特征矩陣集合數量，表示配電網特征數據集中第k組配電網特征矩陣集合經過電力系統緊急控制深度強化學習模型預測得到的負荷削減動作輸出矩陣，k∈[1,K]；

步驟3所述通過Deep-SHAP方法獲取多個影響電力系統緊急控制深度強化學習模型的主要特征為：

將負荷削減動作矩陣數據集中每組配電網特征矩陣集合經過電力系統緊急控制深度強化學習模型預測得到的負荷削減動作輸出矩陣通過反向梯度傳播到輸入至配電網特征數據集中對應的配電網特征矩陣得到輸入差異；

所述輸入差異表示為：

其中，表示配電網特征數據集中第k組配電網特征矩陣集合里第i個特征，i∈M，M是配電網特征的數量，表示配電網特征數據集中所有第i個特征的平均值，是K×1的向量；

所述表示為：

其中，K表示配電網特征數據集中配電網特征數據組的數量；

配電網特征數據集中第k組配電網特征矩陣集合中每個特征對于輸出動作的邊際貢獻值表示為：

其中，是配電網特征數據集中第k組配電網特征矩陣集合里第i個特征相對于深度強化學習模型輸入配電網特征數據集中第k組配電網特征矩陣集合后得到的預測動作對應的Q值集合的邊際貢獻值，K表示配電網特征數據集中配電網特征矩陣集合的數量，是深度強化學習模型輸入第k組配電網特征矩陣集合后得到的預測動作對應的Q值集合相對于相對于配電網特征數據集中第k組配電網特征矩陣集合里第i個特征的梯度，具體表示為：

其中，表示配電網特征數據集中第k組配電網特征矩陣集合經過電力系統緊急控制深度強化學習模型后的預測動作集對于配電網特征數據集中第k組配電網特征矩陣集合中的第i個特征的梯度；

表示相對于O_k的梯度；

每組配電網特征數據中每個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻值為：

其中，FS(x_i)表示配電網特征數據集中第i個特征對應于其預測負荷削減動作的平均邊際貢獻值；是配電網特征數據集中第k組配電網特征矩陣集合里第i個特征相對于相對于深度強化學習模型輸入第k組配電網特征矩陣集合后得到的預測動作對應的Q值集合的邊際貢獻值，K表示配電網特征數據集中配電網特征矩陣集合的數量，表示配電網特征數據集中第k組配電網特征矩陣集合里第i個特征，表示多組配電網特征數據集中所有配電網特征矩陣集合里第i個特征的平均值，表示配電網特征數據集中第k組配電網特征矩陣集合經過電力系統緊急控制深度強化學習模型后的預測動作集對于配電網特征數據集中第k組配電網特征矩陣集合中的第i個特征的梯度；

根據配電網特征數據集中每個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻值，將{FS(x₁)，FS(x₂)…FS(x_M)}取絕對值得到配電網特征數據集中每個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻值絕對值集合：

其中，FS(x₁)至FS(x_M)表示每組配電網特征數據集中第1個特征到第M個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻值；

進一步將{|FS(x₁)|，|FS(x₂)|…|FS(x_M)|}照大小進行排序，以此提煉出影響電力系統緊急控制深度強學習模型預測水平重要的因素特征，選擇其中前P個特征作為步驟3所述的多個影響電力系統緊急控制深度強化學習模型的主要特征，具體如下：

其中，是包含P個配電網特征數據集中每個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻絕對值的集合，|FS(x_r1)|至|FS(x_rP)|表示配電網特征數據集中每個特征對每組配電網特征矩陣集合對應的預測負荷削減動作的平均邊際貢獻絕對值按照由大到小的前P個值的排序，本步驟得到步驟3所述的多個影響電力系統緊急控制深度強化學習模型的主要特征。