买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明属于人工智能和电力系统技术领域，涉及电力系统模型的构建和深度学习，尤其是一种数据机理混合驱动的电网优化调度模型的建立与求解方法。包括步骤：1，建立存在不确定性注入的综合能源系统物理模型；2，按上述综合能源系统物理模型生成仿真案例，生成对应的求解数据作为机器学习的训练集；3，训练机器学习模型进行学习和求解；4，将上述综合能源系统物理模型与数据模型融合，建立数据机理混合驱动的电网优化调度模型，提出电网系统数据机理混合驱动的优化调度方法。提高深度神经网络映射准确率，数据驱动方式大大降低调度求解时间；实现新能源最优承载能力和可控设备规划运行协同优化，提高新能源利用率。

主权项：1.一种数据机理混合驱动的电网优化调度模型的建立与求解方法，其特征在于，包括以下步骤：步骤1，综合考虑系统组成、网络拓扑结构以及耦合关系，通过对光伏机组、风机机组的出力进行预测，以新能源消纳率最高，系统总运行成本最小为优化目标，建立存在不确定性注入的综合能源系统物理模型；步骤2，借助MATPOWER内置的IEEE节点环境，按照步骤1建立的存在不确定性注入的综合能源系统物理模型生成仿真案例，以新能源消纳率最高，系统总运行成本最小为优化目标，结合GUROBI求解器对仿真案例求最优解，生成对应的求解数据作为机器学习的训练集；步骤3，训练机器学习模型进行学习和求解，机器学习模型为基于自注意力机制的Transformer神经网络；步骤4，将步骤1得到的综合能源系统物理模型与通过步骤3神经网络建立的数据模型融合，建立数据机理混合驱动的电网优化调度模型，提出电网系统数据机理混合驱动的优化调度方法；训练机器学习模型进行学习和求解的具体过程包括如下步骤：步骤301，输入序列经过特征融合模块；输入的综合能源系统运行时序数据为U＝{u1,u2,...,uI}，其中U∈RI×A，I为历史数据长度，A是输入数据种类，所述时序数据选取自火电、风电、光伏机组运行数据、母线数据、支路数据和负荷数据；特征融合模块由多层线性网络组成，能够将原始特征映射为高维特征；对每个时段进行时间编码以对不同的时段进行区分，输出融合了多维特征的高维表示L＝{l1,l2,...,lI}，其中L∈RI×d，d为设定的特征维度；步骤302，步骤301得到的高维特征序列L＝{l1,l2,...,lI}经过编码器模块处理；Q＝LWQ11K＝LWK12V＝LWV13 式中，WQ，WK，WV为三个权重矩阵；在进行随机初始化后，高维特征序列L＝{l1,l1,...,lI}的每个向量根据式11、12、13进行自注意力计算，得到每个向量与其他向量的权重矩阵，使得模型可以在不同的输入特征之间分配不同的注意力权重；再用式14根据权重矩阵对每个向量进行融合获得新的序列；在前馈网络部分，使用残差链接的方法将原始序列和更新后的序列相加，再输入到前馈神经网络中，高维特征序列经过8层编码器模块后得到L8；步骤303，将步骤302得到的编码器结果经过全连接与约束修正，得到最后输出；步骤304，对神经网络输出结果进行修正，考虑发电机发电边际成本的功率平衡迭代修正模型如下： 式中：n表示迭代次数，PLoad,t表示t时段的电负荷，设第x台发电机的边际成本为Hx，则按照边际成本升序排列的发电机集合为{x1,x2,...,xX}，xy表示第y台按照边际成本升序排列的发电机编号，表示第y台按照边际成本升序排列的发电机在t时段第n+1轮迭代中修正后功率，X为总的发电机台数；表示t时段第n轮迭代中x号发电机的修正后功率，表示发电机在t时段第n轮迭代中的平均修正量；表示t时段第n轮迭代中第y台按照边际成本升序排列的发电机修正功率，表示第x台发电机的上爬坡能力，表示第x台发电机的下爬坡能力；为火电机组最小出力，为火电机组最大出力；重复计算式15和式16，直到ε表示为可接受的功率偏差，最终得到经济性优化的神经网络优化调度的修正解；步骤305，调参优化后，训练模型直至收敛，保存模型；自注意力机制Transformer神经网络的损失函数定义如下： 为了评估模型预测的准确性，采用平均绝对误差衡量模型的预测性能；式中，ω表示样本数量，f表示样本序列号，yf表示第f个样本的真实值，表示第f个样本的预测值，λMAE用以评估预测值与真实值之间的误差，其值越小则表示预测结果越准确；持续训练模型直至λMAE150轮迭代内精度不再提升则训练结束。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司宿迁供电分公司 数据机理混合驱动的电网优化调度模型的建立与求解方法