【技術實現步驟摘要】
本專利技術涉及一種基于局部和全局信息的風光儲調度知識圖譜推理方法及系統，屬于知識工程，用于風光儲系統智能調度。
技術介紹
1、通過風光儲調度，電力系統可以有效應對新能源發電的不確定性，減少對化石能源的依賴，提高新能源的利用率，并增強系統的穩定性和可靠性。然而，傳統的調度方案往往依賴于調度員的經驗和知識，這不僅對調度人員的專業技能提出了極高要求，也對人力資源管理帶來了嚴峻挑戰。
2、為了更系統地支持調度，風光儲調度知識圖譜成為關鍵。知識圖譜是一種語義網絡，它通過節點和邊的形式將風電、光伏、儲能設施以及調度策略等信息進行關聯，形成一個綜合的知識庫。風光儲調度知識圖譜推理進一步賦予了系統智能化的決策能力。推理過程通過對知識圖譜中節點和關系的分析，自動生成和優化調度策略。這一推理技術能夠綜合考慮電網負荷、儲能狀態等信息，幫助提出更優的調度方案。
3、知識表示學習通過機器學習和人工智能技術，將風光儲調度知識圖譜中的知識轉化為計算機可理解的向量或矩陣表示，從而捕捉不同實體(如儲能裝置)和關系(如調度策略)之間的語義和結構信息。這種表示方式能夠更好地支持在風光儲調度知識圖譜上的推理，幫助發現和生成隱含的新知識，為優化調度提供重要支持。然而，目前大多數技術僅建模單個實體鄰域的局部信息，忽略了整個調度知識圖譜的全局語義，這可能導致推理能力受限，無法捕捉風光儲調度系統中各種資源、策略和管理措施節點之間的廣泛關聯特征，影響推理的準確性。
技術實現思路
1、專利技術目的：針對現有技
2、將新知識整合到現有的知識圖譜中。更新后的知識圖譜用于調整推理，確保系統使用最新信息。可根據場景特征，從知識圖譜中提取相關信息。如可以從風光儲調度知識圖譜中獲取在負荷高峰時段下進行調度的相關信息，從而幫助調度。系統能夠為調度員提供與風光儲相關的基礎知識，對不同的調度場景進行深入分析和專業性答復，從而輔助調度員制定出兼顧系統安全穩定運行和能源高效利用的調度方案。
3、技術方案：一種基于局部和全局信息的風光儲調度知識圖譜推理方法，包括以下步驟：
4、(1)knn圖結合原始圖譜：生成風光儲調度知識圖譜初始實體(如風電場、光伏電站)和關系(如電力供應、調度)嵌入，基于實體嵌入向量構建knn(k-nearest?neighbors)圖，將knn圖的邊添加到原始知識圖譜中，增強圖譜中不同實體間的關聯性，從而豐富原有的圖譜結構。
5、(2)局部實體重要性提取：通過注意力機制計算得到風光儲調度知識圖譜中三元組的相對注意力值，將每個三元組表示按其相對注意力值加權求和得到實體新嵌入表示。在風光儲調度系統中，注意力機制能夠衡量風電場、光伏電站和儲能設施等實體之間的相對重要性。將多頭注意力得到的結果串聯連接，得到局部實體重要性。
6、(3)全局實體重要性提取：引入基于注意力的有偏隨機游走算法提取風光儲調度知識圖譜中的全局信息，該算法使用非歸一化轉移概率控制隨機游走過程，平衡了深度優先搜索(depth-first?search，dfs)的深入探索能力與廣度優先搜索(breadth-firstsearch，bfs)的廣泛覆蓋特性，有效地獲取全局視角下各電力資源、調度策略等實體之間的復雜聯系，之后結合注意力權重信息，為每個實體計算全局實體重要性得分。
7、(4)實體重要性融合：將全局實體重要性得分與局部實體重要性進行加權融合，該融合過程使得每個實體的嵌入表示同時包含局部和全局信息，形成對整個風光儲調度系統的全面表達，從而幫助更好的進行風光儲調度知識圖譜推理。
8、進一步的，所述步驟(1)中構建knn圖和結合風光儲調度知識圖譜的具體步驟如下：
9、(1.1)為圖譜生成實體和關系嵌入，基于實體嵌入向量的相似度，為每個實體找到最相似的k個鄰居節點并通過有向邊指向，構建knn(k-nearest?neighbors)圖，其中節點表示實體，邊表示實體之間的相似度。具體構造公式如下：
10、
11、其中，sim(i,j)表示實體嵌入和之間的余弦相似度，向量和分別表示實體ei和ej的嵌入，aij代表knn圖結構，sij>θ∧rank(sij,si)<k表示只保留相似度大于閾值θ且與該實體連接值最高的k條邊。
12、(1.2)將knn圖的邊合并到原始風光儲調度知識圖譜中，這些邊表示實體間的語義相似性，保留原始圖譜中的關系類型，knn圖中的邊定義為“相似”關系類型，以區分原始關系和基于相似度的連接。
13、進一步的，所述步驟(2)中提取局部實體重要性的具體步驟如下：
14、(2.1)對步驟(1)中生成的實體和關系嵌入串聯執行線性變換，得到相應三元組的嵌入表示，公式如下：
15、
16、其中，是三元組的向量表示，w1表示參數化線性變換矩陣，可以將輸入特征映射到更高維度輸出特征空間，向量和分別表示實體ei、ej以及關系rk的嵌入，∥表示串聯。
17、(2.2)對再進行線性變換并使用非線性變換獲得三元組的絕對注意力值bikj，表示三元組的重要性，之后利用softmax評估得到三元組的相對注意力值αikj，公式如下：
18、
19、其中，w2表示線性變換矩陣，表示實體ei指向的鄰域實體集合，表示連接實體ei和en之間的關系集合。
20、(2.3)實體ei的新嵌入表示是每個三元組表示按其相對注意力值加權的總和，為穩定自注意力學習過程并封裝鄰域實體更多信息，利用多頭注意力機制，分別計算m個獨立的注意力機制的新嵌入表示，然后將其連接起來，公式如下：
21、
22、其中，σ是任意非線性函數，表示實體ei經過第l個圖注意力層生成的嵌入向量。對于具有n個圖注意力層的模型來說，特征信息是在n階鄰域內累積的。因此，已聚合所有以實體ei為頭實體的l階鄰域實體的特征信息，得到實體ei的局部實體重要性。
23、進一步的，所述步驟(3)中提取全局實體重要性的具體步驟如下：
24、(3.1)給定源實體c0，模擬固定長度為n的隨機游走，令ci表示隨機游走過程中遍歷的第i個實體。實體ci由以下公式分布生成：
25、
26、其中，πvx是實體v和實體x之間的非歸一化轉移概率，(v,x)∈e表示在知識圖譜e中實體v和實體x之間存在關系，它們是相鄰的，z1和z2是歸一化常數。d是一個超參數，表示隨機移動到相鄰實體的概率。(1-d)表示隨機移動到其它任何實體的概率。
27、(3.2)為有效結合深度優先搜索(depth-first?search，dfs)和廣度優先搜索(breadth-first?search，bfs)，非歸一化轉移概率計算公式如下：本文檔來自技高網...
【技術保護點】
1.一種基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(1)中構建KNN圖和結合風光儲調度知識圖譜的具體步驟如下：
3.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(2)中提取局部實體重要性的具體步驟如下：
4.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(3)中提取全局實體重要性的具體步驟如下：
5.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(4)中融合局部和全局實體重要性的具體步驟如下：
6.一種基于局部和全局信息的風光儲調度知識圖譜推理系統，其特征在于，系統采用如下編碼器-解碼器框架：
7.一種基于局部和全局信息的風光儲調度知識圖譜推理方法的系統，其特征在于，包括以下模塊：
8.一種計算機設備，其特征在于：該計算機設備包括存儲器、處理器及存
9.一種計算機可讀存儲介質，其特征在于：該計算機可讀存儲介質存儲有執行如權利要求1-5中任一項所述的基于局部和全局信息的風光儲調度知識圖譜推理方法的計算機程序。
...【技術特征摘要】
1.一種基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(1)中構建knn圖和結合風光儲調度知識圖譜的具體步驟如下：
3.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(2)中提取局部實體重要性的具體步驟如下：
4.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(3)中提取全局實體重要性的具體步驟如下：
5.根據權利要求1所述的基于局部和全局信息的風光儲調度知識圖譜推理方法，其特征在于，所述步驟(4)中融...
【專利技術屬性】
技術研發人員：吳波，毛鶯池，戚榮志，劉英杰，薛佳文，丁紫玉，朱穎，
申請(專利權)人：河海大學，
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。