CN111709706B - 基于自适应模式识别的新设备启动方案自动生成方法 - Google Patents
基于自适应模式识别的新设备启动方案自动生成方法 Download PDFInfo
- Publication number
- CN111709706B CN111709706B CN202010516168.3A CN202010516168A CN111709706B CN 111709706 B CN111709706 B CN 111709706B CN 202010516168 A CN202010516168 A CN 202010516168A CN 111709706 B CN111709706 B CN 111709706B
- Authority
- CN
- China
- Prior art keywords
- new equipment
- scheme
- equipment
- starting scheme
- equipment starting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 14
- 230000002787 reinforcement Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 34
- 230000005284 excitation Effects 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000009863 impact test Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于自适应模式识别的新设备启动方案自动生成方法,包括以下步骤:构建方案特征向量模型、分解新设备启动方案动作序列、构建新设备启动方案解析模型、确定强化学习框架的激励值函数、构建基于深度强化学习的新设备启动方案自适应生成模型。实现了新设备启动方案自适应生成功能,规范生成新设备启动方案,减轻了运行人员工作负担,提高编制新设备启动方案的工作效率,对实现设备投运工作的风险管控具有重要意义。
Description
技术领域
本发明涉及电网运行与控制技术领域,尤其涉及基于自适应模式识别的新设备启动方案自动生成方法。
背景技术
新设备投运是电网运行的重要工作之一,电网运行专责编写新设备启动方案,对整个启动过程进行指导,确保新设备及其启动范围电网安全、稳定运行。新设备启动方案制定要求严格,内容复杂,要求工作人员具有扎实的专业知识合丰富的电网管理经验。然而,目前新设备启动方案主要由运行人员手动编制启动方案,效率低下,误安排风险较高。随着近期电网规模增大、电压等级升高和新技术不断应用,使新设备启动或技术改造工程逐年增多,启动方案变得更加繁杂。为适应特高压交直流混联大电网安全管控的需要,防止因方式“误安排”等人为因素造成电网安全不可控的局面,亟待基于人工智能方法研究标准化、程序化、规范化的新设备启动方案自适应生成策略,并进行风险辨识与防误校核,实现调度运行全程安全管控。
发明内容
本发明的目的是提供一种基于自适应模式识别的新设备启动方案自动生成方法。
本发明是通过以下技术方案实现:
基于自适应模式识别的新设备启动方案自动生成方法,包括以下步骤:
步骤一:构建方案特征向量模型;步骤二:分解新设备启动方案动作序列;步骤三:构建新设备启动方案解析模型;步骤四:确定强化学习框架的激励值函数;步骤五:构建基于深度强化学习的新设备启动方案自适应生成模型。
进一步地,所述步骤一中,将新设备启动方案建模时的输入参数进行量化处理,包括设备属性、网络属性和操作属性,所述设备属性包括新并网设备的类型、调度权限和设备状态,所述网络属性包括新设备相连的变电站的联络关系、变电站的主接线形式和电网中相关设备的运行状态,所述操作属性是指新设备启动过程中需要进行一些特殊的试验要求和送电要求。
进一步地,所述步骤二中,挖掘分析以前设备的历史启动方案中的历史经验和新设备启动规则,对新设备启动方案中涉及到的设备和操作进行分解,实现新设备启动方案的量化解析,将启动方案序列分解为设备元、操作元和操作意图。
进一步地,所述设备元为新设备启动方案涉及到的基本设备,包括开关、母线、保护装置;操作元为设备元进行的基本操作,包括开关的断开和闭合以及保护的投入和退出;操作意图为一系列设备元和操作元按照相应的顺序组合而要达到的操作目的。
进一步地,所述步骤三中,将新设备启动历史方案按照操作意图、操作元和设备元层层进行分解后,转换为计算机语言;将设备元和操作元进行组合实现新设备启动方案的操作意图;将不同的操作意图按照顺序叠加组合生成新的启动方案,建立新设备启动方案解析模型。
进一步地,所述步骤四中,根据步骤三中的新设备启动方案解析模型对历史新设备启动方案进行分析,形成操作意图库,对强化学习框架中新设备启动策略的操作序列进行操作意图划分,并利用操作序列的意图识别率作为激励值函数;根据网络矩阵方法,用连接矩阵分析电网中的连通子集的个数,利用深度优先搜索或广度优先搜索技术确定网络的连通子集数,对操作意图库中每一操作意图后网络的连通子集数进行计算,并以此作为激励值函数的一部分,确定网络连通性激励值函数;用系统主要元件设备的基本操作规则,验证步骤三的新设备启动策略中每一动作启动方案的合法性,将各主要设备的防误校核结果作为新设备启动策略的激励值函数一部分,确定防误规则校核激励值函数。
进一步地,所述步骤五中,采用步骤四中的根据操作意图识别、网络连通性判断和防误规则校核综合确定的强化学习框架的激励值函数实现强化学习网络的训练,建立深度强化学习的启动方案生成模型,实现新设备启动的自适应生成。
与现有的技术相比,本发明的有益效果是:
本发明公开了基于自适应模式识别的新设备启动方案自动生成方法,针对新设备启动方案编排,提出新设备启动方案自适应生成模型,该模型充分利用深度强化学习的感知和决策能力,通过对历史数据的归纳学习,能够自适应完成编排决策,规范生成新设备启动方案,与现有技术相比实现了新设备启动方案自适应生成功能,减少了运行工作人员的负担,提高编制新设备启动方案的工作效率,对实现设备投运工作的风险管控具有重要意义,为人工智能在新设备启动方案编排中的应用提供理论借鉴和方法指导,并促进人工智能在电力系统运行中进一步应用。
附图说明
图1为本发明的流程图;
图2为本发明中的新设备启动方案特征向量模型示意图;
图3为本发明中的新设备启动方案解析模型原理图;
图4为实施例中的网络结构图;
图5为本发明中的深度强化学习算法示意图;
图6为实施例中的变电站主接线图;
图7为实施例中的站内接线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
请一并参阅图1~图7,其中图1为本发明的流程图;图2为本发明中的新设备启动方案特征向量模型示意图;图3为本发明中的新设备启动方案解析模型原理图;图4为实施例中的网络结构图;图5为本发明中的深度强化学习算法示意图;图6为实施例中的变电站主接线图;图7为实施例中的站内接线示意图。
基于自适应模式识别的新设备启动方案自动生成方法,包括以下步骤:
步骤一:构建方案特征向量模型;
新设备启动方案是指电力系统中尚未投运的新设备或因改变相关参数和二次接线的设备,投运时编制的一系列调控管理方案。历史新设备启动方案以文本形式记录,为满足深度强化学习模型对新设备启动方案的自适应学习和决策,对历史新设备启动方案进行预处理。对新设备启动的特征及启动方案进行量化解析分析,并转换为可识别的计算机语言。
新设备启动方案的边界条件特征主要体现设备参数、网络参数以及对应的需要进行试验操作和送电要求。建立新设备启动方案特征向量模型实现新设备启动方案建模时输入参数的量化处理,便于计算机的快速识别和处理。
将新设备启动方案建模时的输入参数量化处理,主要包含设备属性、网络属性、操作属性,如图2。其中:设备属性主要指新并网设备的类型、调度权限、设备状态等。网络属性指与新设备相连的变电站的联络关系、变电站的主接线形式及电网中相关设备的运行状态。操作属性是指新设备启动过程中需要进行一些特殊的试验要求和送电要求。
步骤二:分解新设备启动方案动作序列;
挖掘分析历史启动方案中的历史经验和新设备启动规则,对新设备启动方案中涉及到的设备和操作进行分解,实现新设备启动方案的量化解析,便于深度强化学习模型的识别和归纳学习。
将启动方案序列分解为设备元、操作元和操作意图。设备元指新设备启动方案涉及到的基本设备,如开关、母线、保护装置等;操作元指设备元进行的基本操作,如开关的断开和闭合,保护的投入和退出等;操作意图是一系列设备元和操作元按照一定的顺序组合而要达到的操作目的。
步骤三:构建新设备启动方案解析模型;
建立新设备启动方案解析模型将启动方案序列分解为设备元、操作元和操作意图,并基于三者的组合及先后顺序对启动方案进行解析分析,转换为计算机能识别的量化参量,如图3所示。
将新设备启动历史方案按照操作意图、操作元和设备元层层进行分解后,转换为计算机语言;将设备元和操作元进行组合又可实现新设备启动方案的操作意图;将不同的操作意图按照顺序叠加组合生成新的启动方案。
为说明本发明基于自适应模式识别的新设备启动方案自动生成方法中的步骤三中建立的新设备启动方案解析模型,以图3所示网络结构,投运A-B两220kV变电站之间联络线的新设启动方案为例进行阐述。
上游变电站和下游变电站均为双母线接线方式,各关键开关名称如图4所示。新设备启动方案及解析分解过程如下:
a:A站220kV I母线上所有开关倒至II母线运行;设备元:I母线上所有开关;操作元:倒至II母线运行;
b:A站将开关2由冷备用转热备用于I母线,图中2-1、2-2、2-3为刀闸;
设备元:开关2;操作元:冷备用转热备用于母线I;
c:A站投运开关2,对线路冲击二次,正常后不拉开;
设备元:开关2;操作元:合闸二次,正常后不拉开;
a-c操作意图:对新建线路冲击试验;
d:A站拉开母联1开关并改非自动方式,图中1-1、1-2为刀闸;
设备元:母联开关1;操作元:拉开并改非自动;
e:B站将线路开关4由冷备用转运行(对线路及A站I母线冲击),图中4-1、4-2、4-3为刀闸;
设备元:线路开关4;操作元:冷备用转运行;
d-e操作意图:对线路及A站I母线冲击
f:A站I母线压变二次侧与II母线压变二次侧核相,正确;
设备元:A站I母及II母;操作元:核相;
g:A站母联1开关改自动方式,合上母联1开关(合环);
设备元:A站母联1开关;操作元:改自动,闭合;
f-g操作意图:A站I母、II母合环。
h:A站将220kV母线恢复双母线正常运行方式。
设备元:A站母线;操作元:恢复正常运行;
h操作意图:恢复A站正常运行方式。
因此,该新设备启动方案可解析为四个操作意图:对新建线路冲击试验、对A站I母线冲击、A站I母、II母合环、恢复A站正常运行方式,以及为实现操作意图的一系列操作元和设备元。通过新设备启动方案解析,可将新设备的启动方案转化为计算机语言,用深度强化学习算法进行感知和归纳分析。
步骤四:确定强化学习框架的激励值函数;
强化学习算法通过最大化奖赏的方式来学习、归纳确定最优策略。强化学习算法含有4个基本要素:状态s、动作a、策略π和激励值r。智能体在环境的状态s下,执行动作a后,环境受动作影响状态变为s’,并把奖赏信号r反馈给智能体。强化学习的目标是调整一系列动作的策略以使总奖赏最大化。通过构建激励值函数预测某一策略π的优劣程度,实现强化学习算法的学习。激励值函数主要包含状态值函数和状态动作值函数。
状态值函数表征在状态s下,遵循策略π获得的期望激励,如式(1):
式中,Vπ(s)为遵循策略π,状态s的状态值函数,表示以后所有时刻预期奖赏之和;rt+k表示当前时刻t开始未来k时刻的奖赏;γt∈(0,1)为衰减因子。
状态动作值函数表征在状态s,执行动作a获得的期望奖赏值,如式(2):
状态值函数是动作状态值函数关于动作a的期望,如式(3):
Qπ(s,a)=E[rt+1+γt+1Vπ(st+1)] (3)
用式(4)表示最优策略:
深度强化学习框架由多层神经网络构成的算法,通过历史样本完成训练,学习、归纳历史样本中内在的模式和特征。利用深度强化学习框架分析并建立输入与策略之间的关系,然后经过神经网络分析输出策略的激励值,如图5所示。
根据步骤三的启动方案解析分析模型对历史新设备启动方案进行分析,形成操作意图库。对强化学习框架中新设备启动策略的操作序列进行操作意图划分,并利用操作序列的意图识别率作为激励值函数,如式(5):
式中,NO为操作序列中操作元数;NI为操作序列中识别到的操作意图数;为操作意图i对应的操作元数。
新设备启动方案中,合理的连通性是启动方案合法的基本要求。根据网络矩阵方法,用连接矩阵分析电网中的连通子集的个数,连接矩阵如式(6):
式中,n为网络节点数。
利用深度优先搜索或广度优先搜索技术确定网络的连通子集数,对操作意图库中每一操作意图后网络的连通子集数进行计算,并以此作为激励值函数的一部分,定义网络连通性激励值函数如式(7):
式中,G是新设备启动方案序列中识别到的操作意图集合;ci为第i个操作意图完成后网络连通子集数;ei为操作意图库中对应的意图i的连通子集数;δ(ci-ei)表示单位冲击函数,ci=ei时,值为1,否则,值为0。
新设备启动方案制定中,防误规则校核是启动方案制定的根本。用系统主要元件设备的基本操作规则,验证步骤三的新设备启动策略中每一动作启动方案的合法性。
以断路器为例,其主要操作规则包括:
(1)合闸前,两端直接连接的隔离开关需闭合(试验时除外)。
(2)同期并列点断路器,合闸前两端均有电,需投入同期装置,一端无电,需解除同期闭锁。
(3)非同期并列点断路器,合闸前两端连通子集均有电源,须确认两端电源是否在同一系统。
(4)具有电源自动投入功能的断路器,断开前,需退出自动投入装置,断路器接通后,再投入自动投入装置。
将各主要设备的防误校核结果作为新设备启动策略的激励值函数一部分,定义防误规则校核激励值函数如式(8):
式中,Ο新设备启动策略所有操作的集合;Ω新设备启动模型中所有考虑的防误规则;I(i,j)为操作i和对应的防误规则j的校核结果,结合无误结果为1,否则结果为0。
步骤五:构建基于深度强化学习的新设备启动方案自适应生成模型。
用步骤四中的根据操作意图识别、网络连通性判断和防误规则校核综合确定的强化学习框架的激励值函数实现强化学习网络的训练,建立基于深度强化学习的启动方案生成模型,实现新设备启动的自适应生成。
验证本发明“基于自适应模式识别的新设备启动方案自动生成方法”,以我国中部某电网实际220kV设备启动方案历史数据作为训练集,进行模型验证。利用Python调用谷歌人工智能团队开发的TensorFlow,和时序差分决策方法,构建深度强化学习框架。
以图6所示220kV变电站A恢复送电为例,变电站A分别与B站和C站通过线路4C65、4C66及线路4851、4852联接,三个变电站均为双母线接线,启动之前相关工程操作票已全部完工。启动设备主要包括变电站A的I母和II母两条母线,需分别对两条母线进行冲击送电试验。利用本文新设备启动方案生成的深度强化学习模型,首先基于历史新设备启动方案进行归纳、学习和训练,并生成启动方案主要步骤如表1。
表1变电站恢复送电启动步骤(部分)
以某变压器3号电容器启动方案为例,站内接线如图7所示。启动前变压器及其低压母线均无工作,新增3号电容器工作完成并验收合格。
本发明“基于自适应模式识别的新设备启动方案自动生成方法”启动方案自适应生成模型自动生成的启动方案主要步骤如表2所示。
表2新增电容器启动步骤(部分)
本发明基于自适应模式识别的新设备启动方案自动生成方法,能基本实现新设备启动方案的自适应生成。
与现有的技术相比,本发明的有益效果是:
本发明公开了基于自适应模式识别的新设备启动方案自动生成方法,针对新设备启动方案编排,提出新设备启动方案自适应生成模型,该模型充分利用深度强化学习的感知和决策能力,通过对历史数据的归纳学习,能够自适应完成编排决策,规范生成新设备启动方案,与现有技术相比实现了新设备启动方案自适应生成功能,减少了运行工作人员的负担,提高编制新设备启动方案的工作效率,对实现设备投运工作的风险管控具有重要意义,为人工智能在新设备启动方案编排中的应用提供理论借鉴和方法指导,并促进人工智能在电力系统运行中进一步应用。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.基于自适应模式识别的新设备启动方案自动生成方法,其特征在于,包括以下步骤:
步骤一:构建方案特征向量模型;
将新设备启动方案建模时的输入参数进行量化处理,包括设备属性、网络属性和操作属性,所述设备属性包括新并网设备的类型、调度权限和设备状态,所述网络属性包括新设备相连的变电站的联络关系、变电站的主接线形式和电网中相关设备的运行状态,所述操作属性是指新设备启动过程中需要进行一些特殊的试验要求和送电要求;
步骤二:分解新设备启动方案动作序列;
挖掘分析以前设备的历史启动方案中的历史经验和新设备启动规则,对新设备启动方案中涉及到的设备和操作进行分解,实现新设备启动方案的量化解析,将启动方案序列分解为设备元、操作元和操作意图,所述设备元为新设备启动方案涉及到的基本设备,包括开关、母线、保护装置;操作元为设备元进行的基本操作,包括开关的断开和闭合以及保护的投入和退出;操作意图为一系列设备元和操作元按照相应的顺序组合而要达到的操作目的;
步骤三:构建新设备启动方案解析模型;
将新设备启动历史方案按照操作意图、操作元和设备元层层进行分解后,转换为计算机语言;将设备元和操作元进行组合实现新设备启动方案的操作意图;将不同的操作意图按照顺序叠加组合生成新的启动方案,建立新设备启动方案解析模型;
步骤四:确定强化学习框架的激励值函数;
根据步骤三中的新设备启动方案解析模型对历史新设备启动方案进行分析,形成操作意图库,对强化学习框架中新设备启动策略的操作序列进行操作意图划分,并利用操作序列的意图识别率作为激励值函数;
根据网络矩阵方法,用连接矩阵分析电网中的连通子集的个数,利用深度优先搜索或广度优先搜索技术确定网络的连通子集数,对操作意图库中每一操作意图后网络的连通子集数进行计算,并以此作为激励值函数的一部分,确定网络连通性激励值函数;
用系统主要元件设备的基本操作规则,验证步骤三的新设备启动策略中每一动作启动方案的合法性,将各主要设备的防误校核结果作为新设备启动策略的激励值函数一部分,确定防误规则校核激励值函数;
步骤五:构建基于深度强化学习的新设备启动方案自适应生成模型;
采用步骤四中的根据操作意图识别、网络连通性判断和防误规则校核综合确定的强化学习框架的激励值函数实现强化学习网络的训练,建立深度强化学习的启动方案生成模型,实现新设备启动的自适应生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010516168.3A CN111709706B (zh) | 2020-06-09 | 2020-06-09 | 基于自适应模式识别的新设备启动方案自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010516168.3A CN111709706B (zh) | 2020-06-09 | 2020-06-09 | 基于自适应模式识别的新设备启动方案自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709706A CN111709706A (zh) | 2020-09-25 |
CN111709706B true CN111709706B (zh) | 2023-08-04 |
Family
ID=72538914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010516168.3A Active CN111709706B (zh) | 2020-06-09 | 2020-06-09 | 基于自适应模式识别的新设备启动方案自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709706B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597996A (zh) * | 2018-12-07 | 2019-04-09 | 深圳创维数字技术有限公司 | 一种语义解析方法、装置、设备和介质 |
CN109993131A (zh) * | 2019-04-04 | 2019-07-09 | 北京理工大学 | 一种基于多模态信号融合的设计意图判别系统及方法 |
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8972067B2 (en) * | 2011-05-11 | 2015-03-03 | General Electric Company | System and method for optimizing plant operations |
HUP1300737A2 (en) * | 2013-12-18 | 2015-06-29 | Turbine Halozatelemzoe Kutatasi Fejlesztesi Kft | Method, processor controlled device and program for intervention planning in a complex system |
CN107180291B (zh) * | 2016-03-11 | 2021-02-12 | 国网河北省电力公司 | 电力系统新设备启动方案智能编制方法 |
CN108074037A (zh) * | 2017-11-30 | 2018-05-25 | 国网天津市电力公司电力科学研究院 | 一种调控操作决策辅助分析专家模型的自适应自学习方法 |
CN111179121B (zh) * | 2020-01-17 | 2023-03-21 | 华南理工大学 | 基于专家系统与深度逆向强化学习的电网紧急控制方法 |
-
2020
- 2020-06-09 CN CN202010516168.3A patent/CN111709706B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
CN109597996A (zh) * | 2018-12-07 | 2019-04-09 | 深圳创维数字技术有限公司 | 一种语义解析方法、装置、设备和介质 |
CN109993131A (zh) * | 2019-04-04 | 2019-07-09 | 北京理工大学 | 一种基于多模态信号融合的设计意图判别系统及方法 |
Non-Patent Citations (2)
Title |
---|
An Accurate and Fast Start-Up Scheme for Power System Real-Time Emergency Control;Songhao Yang;《IEEE Transactions on Power Systems》;全文 * |
新设备入网启动标准化管理;王鲜花;;农村电气化(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709706A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Radiality constraints for resilient reconfiguration of distribution systems: Formulation and application to microgrid formation | |
US20200119556A1 (en) | Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency | |
Liacco | The adaptive reliability control system | |
Sun et al. | Network partitioning strategy for parallel power system restoration | |
Sobajic et al. | An artificial intelligence system for power system contingency screening | |
CN103296677A (zh) | 一种在线大电网恢复辅助决策系统 | |
CN108390371B (zh) | 在线分析中电网系统保护控制策略建模方法 | |
Contreras-Jiménez et al. | Multi-state system reliability analysis of HVDC transmission systems using matrix-based system reliability method | |
CN115357726A (zh) | 基于知识图谱的故障处置预案数字化模型建立方法 | |
Qin | Voltage control in the future power transmission systems | |
CN101295875A (zh) | 建立不确定性环境下输电网规划模型的方法 | |
Nanda Kumar et al. | Optimal power flow with FACTS controller using hybrid PSO | |
CN106056218A (zh) | 计及过载和暂态稳定约束的设备月度检修计划优化方法 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
Van Hentenryck | Machine learning for optimal power flows | |
CN112446572A (zh) | 考虑瓦斯发电厂的矿山供电调度应急辅助决策支持方法 | |
Yang et al. | A novel partitioning method for the power grid restoration considering the support of multiple LCC-HVDC systems | |
CN111709706B (zh) | 基于自适应模式识别的新设备启动方案自动生成方法 | |
CN109842121B (zh) | 多级多区域协控减负荷在线仿真建模方法及系统 | |
CN116522643A (zh) | 一种电网运行模拟方案库自动构建方法及系统 | |
CN103296678A (zh) | 一种在线大电网恢复辅助决策方法 | |
CN116453390A (zh) | 一种集控站模式下人员一站式岗位培训方法 | |
Abdelghany et al. | Reliability analysis of smart grids using formal methods | |
Shi et al. | DC-DC power supply fault prediction and analysis based on monitoring parameter simulation and LSTM network model | |
CN115169138A (zh) | 一种基于解析法的电力系统多层次恢复力评估方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |