基于人工智能的电网调度控制方法及系统

1.本发明涉及电力调度技术领域，具体涉及基于人工智能的电网调度控制方法及系统。


背景技术：

2.现有方法对电网进行调度只考虑了电压波动情况和异常区域与配电站之间的距离，采用该种方法进行电网调度，当某个区域同时发生异常时，容易导致某个配电站的负荷过大，造成更严重的问题。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的电网调度控制方法及系统，所采用的技术方案具体如下：本发明提出了一种基于人工智能的电网调度控制方法，所述方法包括：将每个供电区域和用电区域视为节点构建图结构；根据每个节点的电力数据波动性获得图结构中每个节点的节点值，根据节点值之间的距离和节点值获得图结构中每条边的边权值；根据格里纽曼算法依次去除图结构中最高介数的边，每次算法执行后形成一个子图集合；根据每次算法执行后子图与原始图结构之间的中心节点距离获得距离指标；根据子图中的用电节点连接的节点数量和距离指标获得每次算法执行后的子图集合的评价指标；根据评价指标选择多次算法执行中的最优子图集合；以最优子图集合中的每个最优子图作为一个划分的调度区域；对每个调度区域中的节点边权值更新，根据更新后的调度区域图结构对电网进行调度分配。
4.进一步地，所述将每个供电区域和用电区域视为节点构建图结构包括：所述图结构中供电节点之间、供电节点与用电节点之间、用电节点与用电节点之间均存在边。
5.进一步地，所述根据每个节点的电力数据波动性获得图结构中每个节点的节点值包括：其中，s1表示当前一段时间内目标节点区域的功率方差，s2表示以往多个时间段内目标节点区域的功率方差均值。
6.进一步地，所述根据节点值之间的距离和节点值获得图结构中每条边的边权值包括：
其中，为边权值，为边对应的两个节点之间的节点值距离，和分别为边对应的两个节点的节点值。
7.进一步地，所述子图的中心节点获取方法包括：获得子图中目标节点与所有其他节点之间的最短路径均值，以该均值作为目标节点的参考距离；获得每个节点的参考距离，选择最小参考距离对应的节点作为子图的中心点。
8.进一步地，所述距离指标的获取方法包括：在原始图结构中将每个子图的中心节点对应的节点进行标记，获得每个标记节点与原始图结构的中心点的最短路径和，以该最短路径和作为距离指标。
9.进一步地，所述根据子图中的用电节点连接的节点数量和距离指标获得每次算法执行后的子图集合的评价指标包括：获得每个子图中每个用电节点连接的节点数量，形成节点数量序列，获得每个子图的数量序列中的元素方差，将元素方差进行负相关映射获得子图节点数量均衡性；以子图集合中的子图节点数量均衡性均值作为数量均衡性；以数量均衡性与距离指标的乘积作为评价指标。
10.进一步地，所述对每个调度区域中的节点边权值更新包括：获得每个调度区域中的节点最小值，以每个节点的节点值与节点最小值的比值作为比例系数；将每个调度区域中节点值序列进行阈值分割，获得大于阈值的子序列和小于阈值的子序列，以两个子序列之间的方差差值作为增加值，以增加值与每个节点的比例系数的乘积作为每个节点的调整系数；对于大于阈值的子序列中的每个节点，将对应的边权值加上对应的调整系数；对于小于阈值的子序列中的每个节点，将对应的边权值减去对应的调整系数。
11.进一步地，所述根据更新后的调度区域图结构对电网进行调度分配包括：将更新后的调度区域图结构输入预先训练好的深度神经网络中，获得调度指令，根据调度指令对电网进行调度。
12.本发明还提出了一种基于人工智能的电网调度控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述基于人工智能的电网调度控制方法的步骤。
13.本发明具有如下有益效果：1、本发明实施例通过建立不同用电区域的电力波动图结构，在进行图聚类的过程中会得到和电力波动相关的区域划分结果，精确的区域划分有助于确定精准的供电区域。
14.2、通过格里纽曼算法聚类后子图中心与原始图结构的中心距离较小的限制，保证了不同变电站的负荷相近，避免出现某个变电站严重超负荷，进而对该变电站负责的其它区域也产生影响。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，
还可以根据这些附图获得其它附图。
16.图1为本发明一个实施例所提供的一种基于人工智能的电网调度控制方法流程图；图2为本发明一个实施例所提供的一种图结构示意图。
具体实施方式
17.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的电网调度控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
18.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
19.下面结合附图具体的说明本发明所提供的一种基于人工智能的电网调度控制方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的电网调度控制方法流程图，该方法包括：步骤s1：将每个供电区域和用电区域视为节点构建图结构；根据每个节点的电力数据波动性获得图结构中每个节点的节点值，根据节点值之间的距离和节点值获得图结构中每条边的边权值。
21.请参阅图2，其示出了本发明一个实施例所提供的一种图结构示意图。图2中共有两种节点，供电节点和用电节点，分别对应供电区域和用电区域。三角形节点的a、b、c和d为供电节点对应供电区域，圆形的a、b、c和d为用电节点对应用电区域。其中图结构中供电节点之间、供电节点与用电节点之间、用电节点与用电节点之间均存在边。
22.将每个区域的失衡程度作为节点值，根据节点之间的距离得到边权值，得到图结构。图结构为有向图，带边权，有向图即供电节点可以向其所属的用电节点进行供电。具体节点值获取方法包括：其中，s1表示当前一段时间内目标节点区域的功率方差，s2表示以往多个时间段内目标节点区域的功率方差均值。当某个区域的供电不足时，往往体现为电力数据的波动性变大，通过当前一段时间内节点的电力数据波动情况与往常平均电力波动情况的比较，得到节点值。
23.图结构的初始边权值指的是两个节点的节点值的距离，在本发明实施例中，由于后续格里纽曼算法聚类过程只考虑的边的关联关系，与节点值没有关系，为了使得节点值的失稳程度与边值关联，需要将节点值作为一个系数对边值进行更新，赋予边值节点值的信息，根据节点值之间的距离和节点值获得图结构中每条边的边权值，具体包括：节点值表示的是每个节点区域的不稳定程度，值越大，不稳定程度越大，变相的，考虑越短的路径长度，因为路径长度越短，电阻越小，失稳概率越小，变相达到电网调度的
目的。对每条边值赋予节点值，实现对初始边权值的更新公式如下：其中，为边权值，为边对应的两个节点之间的节点值距离，和分别为边对应的两个节点的节点值。
24.步骤s2：根据格里纽曼算法依次去除图结构中最高介数的边，每次算法执行后形成一个子图集合；根据每次算法执行后子图与原始图结构之间的中心节点距离获得距离指标；根据子图中的用电节点连接的节点数量和距离指标获得每次算法执行后的子图集合的评价指标；根据评价指标选择多次算法执行中的最优子图集合。
25.格里纽曼算法是通过依次去除当前图结构中的最高介数的边，实现区域划分、进而达到聚类的目的。由于格里纽曼算法如果一直迭代计算，最终会把每个节点划分为一个单独的区域，因此首先需要设定一个迭代计算的停止阈值，当某次的子图中每个供电节点均处于不同的子图中时，停止迭代计算。
26.每次执行格里纽曼算法均会去除图结构中最高介数的边，进而形成一个或者多个的子图，构成子图集合。需要说明的是，格里纽曼算法及介数定义为本领域技术人员公知的技术手段，在此不做赘述。
27.对于每次的子图数量变化时的图结构计算每个子图的类别中心，与原始图结构的类别中心相比，当子图类别中心与原始图类别中心相近时，说明根据当前情况进行分类得到的每个失衡区域对应的供电节点作为调度节点，与电网的原本系统的差异较小，即调度不会给原先的电网造成较大影响；同时当某个子图中不同供电节点对应的用电节点的数量相近时，可以避免某个供电站负荷过大的问题。因此首先通过不同子图的类别中心的中心，与原始的类别中心的距离得到每个划分结果的距离指标，具体包括：计算得到通过目标节点的所有最短路径，然后每条最短路径可以计算得到目标节点与另外两个节点的距离，进而每个点可以得到多个与目标节点的最多路径距离值，获得子图中目标节点与所有其他节点之间的最短路径均值，以该均值作为目标节点的参考距离；获得每个节点的参考距离，选择最小参考距离对应的节点作为子图的中心点。中心节点即到其它所有节点的距离最小。在原始图结构中将每个子图的中心节点对应的节点进行标记，获得每个标记节点与原始图结构的中心点的最短路径和，以该最短路径和作为距离指标。通过计算，可以得到每次聚类，即每次子图数量发生变化时对应的图结构的中心距离，通过最大中心距离对每个距离指标进行归一化，获得每次算法执行后的距离指标。
28.进一步根据子图中的用电节点连接的节点数量和距离指标获得每次算法执行后的子图集合的评价指标，具体包括：数量均衡性是指每个用电节点连接的节点的数量，数量越多，负荷越大。因此获得每个子图中每个用电节点连接的节点数量，形成节点数量序列，获得每个子图的数量序列中的元素方差，将元素方差进行负相关映射获得子图节点数量均衡性；以子图集合中的子图节点数量均衡性均值作为数量均衡性；以数量均衡性与距离指标的乘积作为评价指标。
29.选择最大评价指标对应的子图集合作为最优子图集合。
30.步骤s3：以最优子图集合中的每个最优子图作为一个划分的调度区域；对每个调
度区域中的节点边权值更新，根据更新后的调度区域图结构对电网进行调度分配。
31.原始图结构是指对于每个区域的用电权重，是已知的，现在根据节点值进行调整，节点值越大，权重应该增大，因此在总量保持不变的情况下，对权重进行调整。具体包括：获得每个调度区域中的节点最小值，以每个节点的节点值与节点最小值的比值作为比例系数；将每个调度区域中节点值序列进行阈值分割，获得大于阈值的子序列和小于阈值的子序列，以两个子序列之间的方差差值作为增加值，以增加值与每个节点的比例系数的乘积作为每个节点的调整系数；对于大于阈值的子序列中的每个节点，将对应的边权值加上对应的调整系数；对于小于阈值的子序列中的每个节点，将对应的边权值减去对应的调整系数。
32.在本发明实施例中，阈值分割选择otsu阈值分割方法。
33.将更新后的调度区域图结构输入预先训练好的深度神经网络中，获得调度指令，根据调度指令对电网进行调度。具体可通过python中的rlgraph包实现对a3c网络的调用或实现，进而得到调度指令。需要说明的是，深度神经网络的本质任务为分类任务，具体训练方法为本领域技术人员熟知的技术手段，在此不做赘述。
34.本发明还提出了一种基于人工智能的电网调度控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述基于人工智能的电网调度控制方法的步骤。
35.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
36.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
37.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。