[發明專利]電力系統云邊協同人工智能調控方法、系統、介質及設備

在審

• 申請號: 202211089297.4
• 申請日: 2022-09-07
• 公開（公告）號: CN116169776A
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 李文臣;黃彥浩;何春江;仲悟之;褚曉杰;許成龍;許沛東;高天露;張俊;嚴劍峰;呂晨;劉新元;暴悅爽;鄭惠萍;鄒衛美;李勤新
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網山西省電力公司電力科學研究院;武漢大學
• 主分類號: H02J13/00
• 分類號: H02J13/00;H02J3/38;H02J3/06;G06F18/23213;G06N3/048;G06N3/045;G06N3/092
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 劉愛麗

1.一種電力系統云邊協同人工智能調控方法，其特征在于，所述方法包括：

基于電力系統中所有子區域的觀測數據確定每個子區域對應的預測值；

基于所述預測值確定每個子區域對應的執行動作；

基于每個子區域對應的執行動作執行聯合動作，以進行電力系統調控。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

基于電力系統中每個節點的觀測數據進行地理位置數據的提取；

基于每個節點的地理位置數據確定任意兩個節點間的歐式距離，基于所述歐式距離構建任意兩個節點間的鄰接矩陣W，并基于所述鄰接矩陣W確定度矩陣D和第一拉普拉斯矩陣L；

基于所述度矩陣D和第一拉普拉斯矩陣L確定第二拉普拉斯矩陣D^-1/2LD^-1/2，計算所述第二拉普拉斯矩陣最小的k個特征值分別對應的特征向量f，將特征向量f標準化，得到n×k維的特征矩陣F，令F每一行數據為一個樣本，采用k-means算法聚類進行子圖劃分，以確定至少一個子區域。

3.根據權利要求2所述的方法，其特征在于，所述基于每個節點的地理位置數據確定任意兩個節點間的歐式距離，基于所述歐式距離構建任意兩個節點間的鄰接矩陣W，并基于所述鄰接矩陣W確定度矩陣D和第一拉普拉斯矩陣L，包括：

L＝D-W，

其中，

其中，x_i為第i個節點的地理位置數據；x_j為第j個節點的地理位置數據；ω_ij為鄰接矩陣W的元素，即第i個節點和第j個節點間的鄰接矩陣值；d_ii為度矩陣D的元素；KNN(x_i)，KNN(x_j)分別為x_i和x_j最近的k個點；σ為控制鄰域寬度的系數；exp(·)為自然常數e的指數運算；n為節點數量。

4.根據權利要求1所述的方法，其特征在于，所述基于電力系統中所有子區域的觀測數據確定每個子區域對應的預測值，包括：

對于任一個子區域，將觀測數據O_t輸入至當前的深度Q網絡模型，以輸出預測值；

其中，所述深度Q網絡模型具有兩個神經網絡擬合目標Q值向量，分別為目標Q網絡與評估Q網絡，兩個網絡結構相同，均采用4層全連接層，隱藏層第一層神經元數量為狀態空間大小，其他層級按比例遞減，激活函數均使用Relu，最后一層輸出層神經元數量為可動作空間大小；

當前t狀態輸出的Q值Q_t計算公式如下：

其中，γ表示折扣系數；表示t+1時刻狀態的神經網絡預測模型；θ^-表示目標Q網絡的參數；θ為評估Q網絡參數；a'表示目標Q網絡選取的動作；argmax表示選取Q值向量中值最大的索引，獲得該索引對應的動作；O_t+1表示t+1時刻的觀測數據；r_t+1表示t+1時刻的獎勵值。

5.根據權利要求1所述的方法，其特征在于，所述基于所述預測值確定每個子區域對應的執行動作，包括：

選取預測值中的較大值對應的動作作為該任一個子區域對應的執行動作。

6.根據權利要求1所述的方法，其特征在于，所述方法還包括：

在執行聯合動作時計算獎勵值；

基于所述獎勵值和每個子區域對應的預測值計算損失值，并采用梯度下降算法對深度Q網絡模型的模型參數進行更新。