[發(fā)明專利]一種基于電力系統(tǒng)緊急控制的混合智能關鍵因素辨識方法

在審

• 申請?zhí)枺?/td>: 202111208028.0
• 申請日: 2021-10-18
• 公開（公告）號: CN113991645A
• 公開（公告）日: 2022-01-28
• 發(fā)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

本發(fā)明提出了一種基于電力系統(tǒng)緊急控制的關鍵因素辨識方法。構建電力系統(tǒng)緊急控制深度強化學習模型，引入配電網節(jié)點模型多個歷史時刻的特征數(shù)據構建配電網特征數(shù)據集；進一步將配電網特征數(shù)據集中每組配電網特征矩陣集合依次輸入至采用隨機梯度下降算法和Q學習算法的深度強化學習模型進行訓練，預測并得到負荷削減動作；將配電網特征數(shù)據集中每組配電網特征矩陣集合依次輸入至電力系統(tǒng)緊急控制深度強化學習模型預測得到對應的負荷削減動作，通過Deep?SHAP方法獲取多個影響電力系統(tǒng)緊急控制深度強化學習模型的主要特征；本發(fā)明解決機器學習模型中透明度過低的問題，為調度人員提供更加充分的決策幫助，提高模型的可解釋性和準確度。

技術領域

本發(fā)明屬于混合智能領域并涉及電力系統(tǒng)行業(yè)，具體涉及一種基于電力系統(tǒng)緊急控制的混合智能關鍵因素辨識方法。

背景技術

結合人類智能和其機器智能構成的人機合作混合智能系統(tǒng)，是實現(xiàn)人工智能技術的提升與實際應用的有效途徑。以大電網等復雜網絡化動態(tài)系統(tǒng)為背景的人在回路混合智能研究，在全世界范圍內仍是空白領域。隨著電力系統(tǒng)容量和規(guī)模的逐步擴大，分布式能源，電動汽車，電力需求響應等技術的廣泛應用和電力市場化發(fā)展，使得電力系統(tǒng)中開放性，不確定性和復雜化問題逐漸突出。由于人工智能系統(tǒng)在提高決策的效率、規(guī)模、一致性、公平性和準確性方面的潛力，其在電力系統(tǒng)當中的應用越來越廣泛。盡管人工智能算法在結果和預測方面看起來很強大，現(xiàn)代機器學習技術(如深層神經網絡)在網絡安全應用中越來越流行，但是值得注意的是，這些模型中的大多數(shù)被視為用戶的黑匣子，深度強化學習模型以其黑盒表示的低可解釋性為代價，獲得了很高的預測能力。因此需要結合虛擬環(huán)境產生的多樣化系統(tǒng)運行場景，研究人機混合智能內外因素與其運行指標水平的精確映射模型構建方法；針對混合智能運行水平的因素與指標之間關聯(lián)關系難以顯式表達的特征，進一步研究內外因素對智能水平影響的定量評估方法。對于例如電力系統(tǒng)這樣的復雜混合智能系統(tǒng)，其認知管控過程，尤其是關鍵決策過程需要滿足所有復雜性、關聯(lián)性、關鍵性需求，因此需要人類智能與機器智能能夠達成互相可理解的、互相可信任的、自動化的智能混合提升、知識共享協(xié)作過程。

研究混合智能發(fā)展的關鍵因素辨識方法，結合虛擬環(huán)境產生的多樣化系統(tǒng)運行場景，研究人機混合智能內外因素與其運行指標水平的精確映射模型構建方法；針對混合智能運行水平的因素與指標之間關聯(lián)關系難以顯式表達的特征，進一步研究內外因素對智能水平影響的定量評估方法。

發(fā)明內容

為解決上述背景技術的不足，本發(fā)明提出了一種基于電力系統(tǒng)緊急控制的混合智能關鍵因素辨識方法。

本發(fā)明的具體技術方案為一種基于電力系統(tǒng)緊急控制的混合智能關鍵因素辨識方法，具體包括以下步驟：

步驟1：構建電力系統(tǒng)緊急控制深度強化學習模型，引入配電網節(jié)點模型多個歷史時刻的特征數(shù)據構建配電網特征數(shù)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(shù)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(yōu)化算法進行優(yōu)化訓練得到電力系統(tǒng)緊急控制深度強化學習模型；

步驟3：將配電網特征數(shù)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(tǒng)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(shù)據集，通過Deep-SHAP方法獲取多個影響電力系統(tǒng)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(shù)據集根據步驟3所述的多個影響電力系統(tǒng)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(shù)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(tǒng)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(shù)據集對應的負荷削減動作；

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(lián)級聯(lián)構成；

步驟1所述配電網特征數(shù)據集，具體定義為：