【技術實現步驟摘要】
本專利技術屬于調度決策領域，尤其是一種基于圖神經網絡的電網調度決策方法及大模型。
技術介紹
1、電網作為現代社會的關鍵基礎設施，其安全穩定運行對保障社會經濟發展具有重要意義。近年來，隨著可再生能源大規模接入、負荷特性日趨復雜、電網結構持續擴張，現有的電網調度決策面臨著越來越多的挑戰。特別是在源網荷儲深度融合的背景下，電網運行呈現出高度動態性、強耦合性和不確定性，傳統的調度決策方法難以適應這種復雜性。因此，利用人工智能技術，特別是圖神經網絡來提升電網調度決策的智能化水平，已成為學術界和工程界的研究熱點。
2、當前的研究主要集中在三個方面：一是基于深度學習的電網狀態估計，通過構建深度神經網絡模型對電網運行狀態進行預測和評估；二是基于強化學習的調度策略優化，通過智能體與環境交互來學習最優調度策略；三是基于傳統圖理論的電網拓撲分析，通過圖的特征提取來分析電網結構特性。這些方法在一定程度上提升了電網調度決策的智能化水平，但仍存在局限性。傳統深度學習方法難以有效處理電網的動態拓撲結構；常規強化學習算法在面對高維狀態空間時訓練效率低下；傳統圖理論方法則無法充分利用電網的動態特征信息。
3、然而，現有技術方案在實際應用中仍面臨著幾個關鍵技術問題：首先，在數據處理層面，現有方法難以有效處理電壓、電流、功率等多源異構數據的融合問題，特別是在數據分布動態變化的情況下，難以保證特征提取的準確性；其次，在拓撲表征方面，現有的圖嵌入方法難以同時保持電網的局部結構特征和全局拓撲信息，導致在面對復雜拓撲變化時表征能力不足；再次，在決策優
技術實現思路
1、專利技術目的，提供一種基于圖神經網絡的電網調度決策方法及大模型，以解決現有技術存在的上述問題。
2、技術方案，基于圖神經網絡的電網調度決策方法，包括如下步驟：
3、s1、采集原始電網數據集，并對其進行自適應分布映射處理，生成標準化數據集；對標準化數據集執行多重遞歸分解運算，得到多尺度特征矩陣；對多尺度特征矩陣進行動態圖譜相關分析，獲取動態特征矩陣和特征關聯矩陣；基于動態特征矩陣和特征關聯矩陣，進行自適應多模態融合處理，生成融合特征張量；其中原始電網數據集包括電壓數據、電流數據、功率數據、頻率數據、設備狀態數據和歷史運行數據；
4、s2、基于融合特征張量和預配置的電網拓撲矩陣，通過譜分解增強的拓撲特征提取處理，生成拓撲特征矩陣和特征值序列；基于特征值序列和預存儲的歷史拓撲變化記錄，進行矩陣流形上的變化檢測，得到拓撲變化指標；基于拓撲特征矩陣和融合特征張量，構建多關系張量并進行分解，獲得異質圖結構；基于異質圖結構和拓撲變化指標，進行譜保持的動態圖嵌入處理，輸出動態圖嵌入矩陣；
5、s3、基于動態圖嵌入矩陣和融合特征張量，通過層次化譜分析處理，得到多層級特征集合；對多層級特征集合執行馬爾可夫跳躍過程分析，生成時序特征矩陣；將時序特征矩陣輸入稀疏圖正則化學習單元，獲取特征關聯矩陣；基于時序特征矩陣和特征關聯矩陣，進行最優傳輸增強的特征融合處理，輸出整合特征矩陣；
6、s4、基于整合特征矩陣和預存儲的運行約束集合，通過半代數集約束轉換處理，生成約束多項式集；基于整合特征矩陣和約束多項式集，構建多目標lyapunov函數；基于多目標lyapunov函數和約束多項式集，進行隨機逼近動態規劃，獲得決策策略和值函數；對決策策略和值函數執行hamilton-jacobi-bellman方程求解，生成魯棒決策策略；
7、s5、獲取系統反饋的實時狀態數據，基于實時狀態數據、魯棒決策策略和預存儲的歷史性能指標，通過多維度性能監控處理，生成性能偏差矩陣；基于性能偏差矩陣和魯棒決策策略，執行遞歸最小二乘自適應運算，輸出更新策略和參數估計值；基于參數估計值和預存儲的歷史決策數據，通過統計流形學習，獲得知識庫；基于更新策略和知識庫，進行實時凸優化處理，生成優化策略和調整參數集。
8、基于圖神經網絡的電網調度決策大模型，包括：
9、至少一個處理器；以及，
10、與至少一個所述處理器通信連接的存儲器；其中，
11、所述存儲器存儲有可被所述處理器執行的指令，所述指令用于被所述處理器執行以實現所述的基于圖神經網絡的電網調度決策方法。
12、有益效果，本專利技術能夠準確捕獲電網的動態特征和拓撲變化，為決策提供可靠的數據基礎；同時能夠有效應對電網運行中的不確定性和擾動，實現了知識的持續積累和決策的實時優化；提高了電網調度決策的準確性和可靠性，還提升了系統的自適應能力和抗干擾能力，對保障電網的安全穩定運行具有重要意義。
本文檔來自技高網...【技術保護點】
1.基于圖神經網絡的電網調度決策方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S1進一步為：
3.根據權利要求2所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S2進一步為：
4.根據權利要求3所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S3進一步為：
5.根據權利要求4所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S4進一步為：
6.根據權利要求5所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S5進一步為：
7.根據權利要求6所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S11進一步為：
8.根據權利要求6所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S23進一步為：
9.根據權利要求6所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟S32進一步為：
10.基于圖神經網絡的電網調度決策大模型，其特征在于，包括：
【技術特征摘要】
1.基于圖神經網絡的電網調度決策方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟s1進一步為：
3.根據權利要求2所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟s2進一步為：
4.根據權利要求3所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟s3進一步為：
5.根據權利要求4所述的基于圖神經網絡的電網調度決策方法，其特征在于，步驟s4進一步為：
...【專利技術屬性】
技術研發人員：劉偉翔，趙天理，程健，
申請(專利權)人：中科南京人工智能創新研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。