CN112560210B - 用于调整电网结构的方法、相关装置及计算机程序产品 - Google Patents
用于调整电网结构的方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN112560210B CN112560210B CN202011485849.4A CN202011485849A CN112560210B CN 112560210 B CN112560210 B CN 112560210B CN 202011485849 A CN202011485849 A CN 202011485849A CN 112560210 B CN112560210 B CN 112560210B
- Authority
- CN
- China
- Prior art keywords
- graph structure
- adjustment operation
- power grid
- actual
- operation sequence
- 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 50
- 238000004590 computer program Methods 0.000 title abstract description 17
- 230000002787 reinforcement Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 8
- 238000002910 structure generation Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种用于调整电网结构的方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及云计算、深度学习技术领域。该方法的一具体实施方式包括:根据构成当前电网结构的各元素参数生成实际图结构;利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列,其中,强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到;依次执行目标调整操作序列中的各项调整操作。通过应用该实施方式使得电网能够尽可能的持续稳定运行的状态。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及云计算、深度学习技术领域,尤其涉及用于调整电网结构的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
由发电站、变电站、负载和输电线构成的电网将电力输送到各州、国家甚至各大洲,它们是配电的支柱,通过向工业、服务和消费者提供可靠的电力,在经济和社会方面发挥着中心作用。
电网的构成是复杂的,因此复杂的电网中的任一环节存在异常都将导致连锁反应的产生,如何尽可能的保障电网结构稳定是本领域技术人员关注的重点。
发明内容
本申请实施例提出了一种用于调整电网结构的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本申请实施例提出了一种用于调整电网结构的方法,包括:根据构成当前电网结构的各元素参数生成实际图结构,电网结构中的发电站、变电站和负载作为实际图结构中的不同节点、输电线作为连接各节点的连线,节点和连线均存在对应的属性参数;利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列,强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到;依次执行目标调整操作序列中的各项调整操作。
第二方面,本申请实施例提出了一种用于调整电网结构的装置,包括:电网图结构生成单元,被配置成根据构成当前电网结构的各元素参数生成实际图结构,电网结构中的发电站、变电站和负载作为实际图结构中的不同节点、输电线作为连接各节点的连线,节点和连线均存在对应的属性参数;解空间简化单元,被配置成利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;调整操作序列输出单元,被配置成利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列,强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到;调整操作执行单元,被配置成依次执行目标调整操作序列中的各项调整操作。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于调整电网结构的方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于调整电网结构的方法。
第五方面,本申请实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的用于调整电网结构的方法。
本申请实施例提供的用于调整电网结构的方法、装置、电子设备、计算机可读存储介质及计算机程序产品,首先,根据构成当前电网结构的各元素参数生成实际图结构;然后,利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;接着,利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列,强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到;最后,依次执行目标调整操作序列中的各项调整操作。
本申请将电网运行过程中不直观、复杂的电网元素参数进行图画处理得到实际图结构,并借助图神经网络来简化图结构的解空间,从而简化运算,之后利用预先训练好的强化学习模型输出简化图结构对应的目标调整操作序列,即借助了强化学习模型基于训练样本和奖励函数得到的图结构优化和纠错能力,最后通过执行目标调整操作序列使得当前电网存在的故障将被及时、自动的纠正,实现保障电网尽可能的持续稳定运行的目的。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构;
图2为本申请实施例提供的一种用于调整电网结构的方法的流程图;
图3为本申请实施例提供的另一种用于调整电网结构的方法的流程图;
图4为本申请实施例提供的一种构成得到强化学习模型的方法的流程图
图5a为本申请实施例提供的一张当前电网的实际图结构;
图5b为本申请实施例提供的一张适用于当前电网的目标图结构;
图6为本申请实施例提供的一种用于调整电网结构的装置的结构框图;
图7为本申请实施例提供的一种适用于执行用于调整电网结构的方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于调整电网结构的方法、装置、电子设备、计算机可读存储介质及计算机程序产品的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。其中,终端设备101、102、103为用于采集构成电网各元素(发电站、变电站、负载和输电线)相关参数数据的设备,例如包括电流、电压传感器在内的各式传感器,也可以进一步集成有按下发的操作指令对各元素执行相应调控操作的组件作为集成式的功能硬件;服务器105则用于根据接收到的电网各元素的参数进行相应的数据处理;网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质,可以具体表现为包括有线、无线通信链路或者光纤电缆在内的各种通信方式。
服务器105通过内置的各种应用可以提供各种服务,以可以提供电网结构实时调整服务的电网运行保障类应用为例,服务器105在运行该电网运行保障类应用时可实现如下效果:首先,通过网络104获取到终端设备101、102、103采集到的构成当前电网结构的各元素参数,并根据各元素参数生成实际图结构:电网结构中的发电站、变电站和负载将作为实际图结构中的不同节点、输电线将作为连接各节点的连线,节点和连线均存在对应的属性参数;然后,利用预设的图神经网络输出与输入的实际图结构对应的目标图结构,图神经网络基于电网的样本图结构和对应的样本目标图结构训练得到;最后,调整当前电网结构至与目标图结构一致。
服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。服务器105可以具体为设置在要调整的目标区域电网附近的一个服务器,也可以因用于对覆盖更广泛区域的大区域电网进行整体调整的上层调整服务器,并设置在特定的区域。。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本申请实施例提供的一种用于调整电网结构的方法的流程图,其中流程200包括以下步骤:
步骤201:根据构成当前电网结构的各元素参数生成实际图结构;
本步骤旨在由用于调整电网结构的方法的执行主体(例如图1所示的服务器105)根据构成当前电网结构的各元素参数生成实际图结构。
其中,构成电网结构的各元素主要包括发电站、变电站、负载和书店线,以及一些起到辅助作用的功能元器件,而各元素的参数通常可以通过两种方式获取到,其一是通过直接设置在各元素上的参数监测元件,例如电流、电压、温度传感器等;其二则是通过各元素存在的关联或固定的对应凭借理论计算得到。为尽可能获取到的准确的参数,便于设置参数监测元件的电网元素应尽可能多的采用设置参数监测元素的方式采集得到相应元素的参数,而剩余部分不便于设置参数监测元件的电网元素则可基于采集到的关联元素的准确参数计算得到。
本步骤之所以要将参数化的电网结构抽象为图结构,是因为在电网结构中主要描述内容是电能的走向和输送情况,也即是有方向的矢量,因此通过将其抽象为描述各元素之间的图结构将能够尽可能的直观呈现实际情况。结合发电站、变电站和负载与输电线性质的不同,电网结构中的发电站、变电站和负载将分别作为实际图结构中的不同节点、输电线将作为连接各节点的连线,节点和连线均存在对应的属性参数。其中,发电站的属性参数包括发电功率等,负载的属性参数包括用电量、平均用电功率等,变电站的属性参数包括输电线连接节点数、变电功率等,输电线的属相参数包括最大电流负载、实际电流负载、电量运输损耗等,此外,除了与各元素特性相关的基础属性参数,还可以包括用于描述图结构中节点和连线之间的连接相关的图结构参数,例如一个节点的被连接数等等。
步骤202:利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;
在步骤201的基础上,本步骤旨在由上述执行主体对实际图结构进行简化处理,其中,简化的对象是实际图结构包含的解空间规模,解空间实际上指所有可能用于作为实际图结构的解形成的空间,由于电网调度的复杂性,使得即使经过步骤201的图画处理,依然会存在庞大的解空间,庞大的解空间会使得后续针对图结构的处理无法准确的发现其中的问题和焦点错误,因此本步骤通过对图结构进行简化处理来让电网结构中与决定电网能否稳定运行的关键参数得以保留并凸显,从而便于后续处理,并间接提升后续处理结果的准确性。
具体的,本申请选用了更适合对图结构进行处理的图神经网络,图神经网络作为一种专为图结构进行特化的神经网络,在对图结构进行处理时拥有较好的效果。图神经网络预先可经过相应训练样本的训练,以使其拥有如何对同类型图结构的解空间规模进行简化的能力,应当理解的是,解空间规模的简化应通过调整图结构中的节点和连线的属性上,该属性并不是指发电站、变电站、负载、输电线其工作特性相关的基础属性,而是在如何连接、能够连接、是否纳入连接调整的范围内等方面的属性进行调整,例如可以通过限制一些特殊的节点不能调整与其相关的连线等方式来减少调整方式的可能性,进而实现解空间规模的简化。
步骤203:利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列;
本步骤旨在由上述执行主体利用预设的强化学习模型对与当前电网结构对应的简化图结构进行电网结构的优化,从而输出用于优化电网结构的调整操作序列。
为实现这一目的,该强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到,样本调整操作序列可以是专家或专业人员针对样本简化图结构中的不合理之处给出的合适调整操作,而奖励函数则用于评估不同调整操作序列与简化图结构的适配程度,以便输出最合适的调整操作序列。基于上述训练方式训练出的强化学习模型将拥有能够表征任意电网的简化图结构与目标调整操作序列之间的对应关系。
步骤204:依次执行目标调整操作序列中的各项调整操作。
在步骤203的基础上,本步骤旨在由上述执行主体通过依次执行目标调整操作序列中的各项调整操作的方式来实现对电网结构的调整,进而保障电网的持续稳定运行。
本申请实施例提供的用于调整电网结构的方法,将电网运行过程中不直观、复杂的电网元素参数进行图画处理得到实际图结构,并借助图神经网络来简化图结构的解空间,从而简化运算,之后利用预先训练好的强化学习模型输出简化图结构对应的目标调整操作序列,即借助了强化学习模型基于训练样本和奖励函数得到的图结构优化和纠错能力,最后通过执行目标调整操作序列使得当前电网存在的故障将被及时、自动的纠正,实现保障电网尽可能的持续稳定运行的目的。
请参考图3,图3为本申请实施例提供的另一种用于调整电网结构的方法的流程图,其中流程300包括以下步骤:
步骤301:将构成当前电网结构中的发电站、变电站和负载分别作为不同的顶点;
步骤302:将构成当前电网结构中的输电线作为连接不同顶点之间的边;
步骤303:根据各顶点和各边构建邻接矩阵,并根据邻接矩阵生成初始图结构;
邻接矩阵的逻辑结构分为两部分:V和E集合,其中,V是顶点,E是边。因此,用一个一维数组存放图中所有顶点数据;用一个二维数组存放顶点间关系(边或弧)的数据,这个二维数组就被称为邻接矩阵。因此可以看出,邻接矩阵中仅记录有各顶点和边之间的对应关系,但并未记载各顶点和边的属性信息,因此生成的初始图结构中还欠缺了各顶点和边的属性信息。
步骤304:分别为初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构;
在步骤303的基础上,本步骤旨在由上述执行主体分别为初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构。
有多种方式可为初始图结构中的顶点和边附加相应的属性参数,例如通过人工标注、通过记录的对应关系自行附加等等,此处还给出一种具体的借助邻接矩阵的矩阵特性的实现方式:
将构成当前电网结构的各元素和对应的属性参数进行归一化处理,得到N×M的特征矩阵,N为元素的数量、M为每个元素对应的属性参数的数量;利用特征矩阵为初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构。该方式通过特征矩阵和基于邻接矩阵构建出的初始图结构中包含的共性,方便的找到各顶点和边的属性参数,进而实现准确的属性参数附加。
针对上一实施例流程200中的步骤201,步骤301-步骤304给出了一种具体的实现方式,具体采用了邻接矩阵可描述顶点和边的特性,正好契合了电网结构中发电站、变电站、负载与输电线的实际连接状态,又在此基础上结合特征矩阵来记录各元素的属性信息,最终通过两矩阵实现生成即记录有结构关系又记录有属性信息的实际图结构,使得最终生成的实际图结构在充分保留有电网结构中的重要信息的前提下更加直观、简化。
步骤305:利用图神经网络确定实际属性参数为预设属性参数的目标顶点;
其中,预设属性参数可以包括与顶点的连接数,例如可通过此类属性参数筛选出与其它顶点的连接数较少的部分顶点。也可以通过类似的方式选取出一些具有特殊属性的顶点。
步骤306:为目标顶点施加强约束,得到简化图结构;
其中,被施加强约束的顶点不允许进行相关的调整操作。
针对上一实施例流程200中的步骤202,本实施例通过步骤305-步骤306给出了一种通过图神经网络确定适用于为其施加强约束并将其施加强约束的目标订单的解空间规模简化方式,使得得到的简化图结构无需考虑在后续的调整操作中涉及对目标顶点相关连接的调整,一定程度上实现了解空间的简化。
步骤307:利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列;
步骤308:依次执行目标调整操作序列中的各项调整操作。
上述步骤307-步骤308与如图2所示的步骤203-步骤204一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
应当理解的是,步骤301-步骤304给出的具体实现方案与步骤305-步骤306给出的具体实现方案之间并不存在因果和依赖关系,两部分具体实现方案完全是针对各自的上位方案给出的一种下位实现,两部分完全可以单独结合上一实施例形成两个单独的实施例,本实施例仅作为同时包含两部分优选实现方案的优选实施例存在。
由于强化学习模型在本申请中起到非常关键的作用,为加深对其的理解,此处还通过图4的流程400示出了一种包括但不限于的构建得到强化学习模型的方法,包括如下步骤:
步骤401:获取样本简化图结构和多组被标注为适用于对样本简化图结构对应的电网结构进行优化调整的样本调整操作序列;
步骤402:基于样本简化图结构和对应的样本调整操作序列训练得到第一子模型;
其中,该第一子模型在训练时可基于反向传播算法进行,最终得到用于表征简化图结构与调整操作序列之间的对应关系的第一子模型。
步骤403:构建用于对电网发电与用电比值和电网结构稳定性中的至少一项进行评估的初始奖励函数;
为尽可能使该奖励函数能够准确的评估不同调整操作序列与实际应用场景下的实际需求吻合,可将发电与用电的比值、电网结构稳定性中的至少一项纳入评分的考虑因素,当然还可以结合实际应用场景下一些因特殊要求存在的特殊因素,此处不做具体限定。
步骤404:在仿真环境下利用奖励函数分别计算得到多组样本调整操作序列的奖励值,得到用于计算第一子模型输出的实际调整操作序列的近似奖励值的第二子模型;
即奖励函数应能够其构成时的影响因素从相应角度对不同调整操作序列与实际情况的匹配程度进行量化,以便于通过奖励值的大小区分出最合适的调整操作序列。
下述以同时考虑发电与用电的比值、电网结构稳定性两个影响因素为例,具体给出一种奖励函数:
电网发电与用电的比值:其中vp是发电站p发出的电量,vu是负载u的用电量,此比值越靠近1说明电网无用电量越少;
当前电网结构的稳定性:即当前结构在不进行干预的情况下能够稳定运行的时间步数:nstep。电网稳定运行的条件是每个设备元素都能正常运行,电线负载度不超过电线最高负载。
总的奖励函数如下所示,即在稳定运行时间步数内,电网发电与用电的比值之和:
步骤404:根据第一子模型和第二子模型构建得到强化学习模型。
其中,第二子模型输出的结果值将用于指导调整第一子模型输出其调整操作序列的内部参数,以通过反馈的方式增加第一子模型输出结果与实际需求的匹配程度。
上述实施例给出了一种具体的构建强化学习模型的实现方案,充分考虑到了强化学习中奖励值的特性和强化学习模型的具体结构,使得构建出的强化学习模型选出的目标调整操作序列与实际应用场景的需求的适配度更高,能够尽可能的保障电网不因执行调整操作出现新的异常,保障电网持续稳定运行。
在上述任意实施例的基础上,为使输出的结果更加直观,还可以根据目标简化图结构和目标调整操作序列,生成与目标调整操作序列中的每项调整操作对应的调整后图结构序列。即不是简单的得到调整操作的指示,而是将每步调整操作嵌入上一步的图结构中,得到一个完整的示意图,从而得到更全面的调整指示,尽可能的避免出错。
进一步的,还可以比较目标调整操作序列中的每项调整操作执行完成后的图结构和调整后图结构序列中相应的调整后图结构,并在发现每项调整操作执行完成后的图结构与相应的调整后图结构不一致时,持续上报异常提醒信息并暂停后续调整操作的执行,直至异常提醒信息被消除。进而及时的对异常情况进行提醒,督促以尽可能短的时间消除异常,避免异常出现时间较长对电网其它部分的不良影响。
为加深理解,本申请还结合一个具体应用场景,给出了一种具体的实现方案,请参见如图5a和图5b。
图5a为基于当前电网结构生成的图结构,其中发电站、变电站和负载均从0开始编号,即处于不同样式的圆圈中的相同编号实际上表示的不同类型的电网元素。
如图5a所示,由变电站0向变电站3输送电能的一条输电线故障,如果不断电网结构进行改动,很快就将产生连锁反应导致其它的输电线超过负载从而产生危险。
云端的服务器利用预先训练好的强化学习模型输出目标调整操作序列,并实现如下执行步骤:
1)启用变电站0向变电站2的高负载输电线;
2)将变电站0向变电站2输送的电能转移至该高负载输电线,并同时关闭原负载较低的输电线;
3)启用变电站2向变电站3的其中一条高负载输电线;
4)将变电站2原通过两条较低负载的输电线向变电站3输送的电能全部转移至两者之间的一条高负载输电线,并同时关闭原先的两条输电线;
5)启用变电站2向变电站3的另一条高负载输电线,并设置分担早先启用的那条高负载输电线35%的电能输送量。
图5b是与上述各步骤执行完成后得到的调整后图结构,如图5b所示,经调整后变电站0与变电站3之间不再存在输电线,但变电站0向变电站2、变电站2向变电站3输送电能的输电线均替换为了“更粗”的输电线,此处,“更粗”的输电线用于表示相较于原先的输电线拥有更强的电能负载和传输能力。
通过上述实现步骤得以避免了连锁反应的出现,保障了电网的持续稳定运行。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于调整电网结构的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于调整电网结构的装置600可以包括:电网图结构生成单元601、解空间简化单元602、调整操作序列输出单元603和调整操作执行单元604。其中,电网图结构生成单元601,被配置成根据构成当前电网结构的各元素参数生成实际图结构,电网结构中的发电站、变电站和负载作为实际图结构中的不同节点、输电线作为连接各节点的连线,节点和连线均存在对应的属性参数;解空间简化单元602,被配置成利用图神经网络对实际图结构的解空间进行简化处理,得到简化图结构化;调整操作序列输出单元603,被配置成利用预设的强化学习模型输出与简化图结构对应的目标调整操作序列,强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到;调整操作执行单元604,被配置成依次执行目标调整操作序列中的各项调整操作。
在本实施例中,用于调整电网结构的装置600中:电网图结构生成单元601、解空间简化单元602、调整操作序列输出单元603和调整操作执行单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,电网图结构生成单元601可以包括:
顶点设置子单元,被配置成将构成当前电网结构中的发电站、变电站和负载分别作为不同的顶点;
边设置子单元,被配置成将构成当前电网结构中的输电线作为连接不同顶点之间的边;
初始图结构生成子单元,被配置成根据各顶点和各边构建邻接矩阵,并根据邻接矩阵生成初始图结构;
实际图结构生成子单元,被配置成分别为初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构。
在本实施例的一些可选的实现方式中,该实际图结构生成子单元可以进一步被配置成:
将构成当前电网结构的各元素和对应的属性参数进行归一化处理,得到N×M的特征矩阵,N为元素的数量、M为每个元素对应的属性参数的数量;
利用特征矩阵为初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构。
在本实施例的一些可选的实现方式中,解空间简化单元602可以进一步被配置成:
利用图神经网络确定实际属性参数为预设属性参数的目标顶点;
为目标顶点施加强约束;其中,被施加强约束的顶点不允许进行相关的调整操作,属性参数包括与其顶点的连接数。
在本实施例的一些可选的实现方式中,用于调整电网结构的装置600还可以包括构建得到强化学习模型的强化学习模型构建单元,该强化学习模型构建单元可以进一步被配置成:
获取样本简化图结构和多组被标注为适用于对样本简化图结构对应的电网结构进行优化调整的样本调整操作序列;
基于样本简化图结构和对应的样本调整操作序列训练得到第一子模型;
构建用于对电网发电与用电比值和电网结构稳定性中的至少一项进行评估的奖励函数;
在仿真环境下利用奖励函数分别计算得到多组样本调整操作序列的奖励值,得到用于计算第一子模型输出的实际调整操作序列的近似奖励值的第二子模型;其中,第二子模型的输出用于指导调整第一子模型的输出;
根据第一子模型和第二子模型构建得到强化学习模型。
在本实施例的一些可选的实现方式中,用于调整电网结构的装置600还可以包括:
调整后图结构序列生成单元,被配置成根据目标简化图结构和目标调整操作序列,生成与目标调整操作序列中的每项调整操作对应的调整后图结构序列。
在本实施例的一些可选的实现方式中,用于调整电网结构的装置600还可以包括:
比较单元,被配置成比较目标调整操作序列中的每项调整操作执行完成后的图结构和调整后图结构序列中相应的调整后图结构;
异常提醒信息上报及执行暂停单元,被配置成响应于每项调整操作执行完成后的图结构与相应的调整后图结构不一致,持续上报异常提醒信息并暂停后续调整操作的执行,直至异常提醒信息被消除。
本实施例作为对应于上述方法实施例的装置实施例存在,本申请实施例提供的用于调整电网结构的装置,将电网运行过程中不直观、复杂的电网元素参数进行图画处理得到实际图结构,并借助图神经网络来简化图结构的解空间,从而简化运算,之后利用预先训练好的强化学习模型输出简化图结构对应的目标调整操作序列,即借助了强化学习模型基于训练样本和奖励函数得到的图结构优化和纠错能力,最后通过执行目标调整操作序列使得当前电网存在的故障将被及时、自动的纠正,实现保障电网尽可能的持续稳定运行的目的。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如用于调整电网结构的方法。例如,在一些实施例中,用于调整电网结构的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的用于调整电网结构的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于调整电网结构的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
本申请实施例将电网运行过程中不直观、复杂的电网元素参数进行图画处理得到实际图结构,并借助图神经网络来简化图结构的解空间,从而简化运算,之后利用预先训练好的强化学习模型输出简化图结构对应的目标调整操作序列,即借助了强化学习模型基于训练样本和奖励函数得到的图结构优化和纠错能力,最后通过执行目标调整操作序列使得当前电网存在的故障将被及时、自动的纠正,实现保障电网尽可能的持续稳定运行的目的。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种用于调整电网结构的方法,包括:
根据构成当前电网结构的各元素参数生成实际图结构;其中,所述电网结构中的发电站、变电站和负载作为所述实际图结构中的不同节点、输电线作为连接各所述节点的连线,所述节点和所述连线均存在对应的属性参数;
利用图神经网络对所述实际图结构的解空间进行简化处理,得到简化图结构化;
利用预设的强化学习模型输出与所述简化图结构对应的目标调整操作序列;其中,所述强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到,所述样本调整操作序列为针对所述样本简化图结构中的不合理之处给出的合适调整操作,所述奖励函数用于评估不同调整操作序列与简化图结构的适配程度,所述强化学习模型用于表征任意电网的简化图结构与目标调整操作序列之间的对应关系;
依次执行所述目标调整操作序列中的各项调整操作。
2.根据权利要求1所述的方法,其中,所述根据构成当前电网结构的各元素参数生成实际图结构,包括:
将构成当前电网结构中的发电站、变电站和负载分别作为不同的顶点;
将构成当前电网结构中的输电线作为连接不同所述顶点之间的边;
根据各所述顶点和各所述边构建邻接矩阵,并根据所述邻接矩阵生成初始图结构;
分别为所述初始图结构中的每个顶点和边附加相应的属性参数,生成所述实际图结构。
3.根据权利要求2所述的方法,其中,所述分别为所述初始图结构中的每个顶点和边附加相应的属性参数,生成实际图结构,包括:
将构成所述当前电网结构的各元素和对应的属性参数进行归一化处理,得到N×M的特征矩阵,N为所述元素的数量、M为每个所述元素对应的属性参数的数量;
利用所述特征矩阵为所述初始图结构中的每个顶点和边附加相应的属性参数,生成所述实际图结构。
4.根据权利要求2所述的方法,其中,所述利用图神经网络对所述实际图结构的解空间进行简化处理,包括:
利用所述图神经网络确定实际属性参数为预设属性参数的目标顶点;
为所述目标顶点施加强约束;其中,被施加所述强约束的顶点不允许进行相关的调整操作,所述属性参数包括与其顶点的连接数。
5.根据权利要求1所述的方法,其中,构建得到所述强化学习模型的过程包括:
获取所述样本简化图结构和多组被标注为适用于对所述样本简化图结构对应的电网结构进行优化调整的样本调整操作序列;
基于所述样本简化图结构和对应的样本调整操作序列训练得到第一子模型;
构建用于对电网发电与用电比值和电网结构稳定性中的至少一项进行评估的奖励函数;
在仿真环境下利用所述奖励函数分别计算得到多组所述样本调整操作序列的奖励值,得到用于计算所述第一子模型输出的实际调整操作序列的近似奖励值的第二子模型;其中,所述第二子模型的输出用于指导调整所述第一子模型的输出;
根据所述第一子模型和所述第二子模型构建得到所述强化学习模型。
6.根据权利要求1-5任一项所述的方法,还包括:
根据所述目标简化图结构和所述目标调整操作序列,生成与所述目标调整操作序列中的每项调整操作对应的调整后图结构序列。
7.根据权利要求6所述的方法,还包括:
比较所述目标调整操作序列中的每项调整操作执行完成后的图结构和所述调整后图结构序列中相应的调整后图结构;
响应于每项调整操作执行完成后的图结构与相应的调整后图结构不一致,持续上报异常提醒信息并暂停后续调整操作的执行,直至所述异常提醒信息被消除。
8.一种用于调整电网结构的装置,包括:
电网图结构生成单元,被配置成根据构成当前电网结构的各元素参数生成实际图结构;其中,所述电网结构中的发电站、变电站和负载作为所述实际图结构中的不同节点、输电线作为连接各所述节点的连线,所述节点和所述连线均存在对应的属性参数;
解空间简化单元,被配置成利用图神经网络对所述实际图结构的解空间进行简化处理,得到简化图结构化;
调整操作序列输出单元,被配置成利用预设的强化学习模型输出与所述简化图结构对应的目标调整操作序列;其中,所述强化学习模型基于电网的样本简化图结构和对应的至少一项样本调整操作序列在预设的奖励函数下训练得到,所述样本调整操作序列为针对所述样本简化图结构中的不合理之处给出的合适调整操作,所述奖励函数用于评估不同调整操作序列与简化图结构的适配程度,所述强化学习模型用于表征任意电网的简化图结构与目标调整操作序列之间的对应关系;
调整操作执行单元,被配置成依次执行所述目标调整操作序列中的各项调整操作。
9.根据权利要求8所述的装置,其中,所述电网图结构生成单元包括:
顶点设置子单元,被配置成将构成当前电网结构中的发电站、变电站和负载分别作为不同的顶点;
边设置子单元,被配置成将构成当前电网结构中的输电线作为连接不同所述顶点之间的边;
初始图结构生成子单元,被配置成根据各所述顶点和各所述边构建邻接矩阵,并根据所述邻接矩阵生成初始图结构;
实际图结构生成子单元,被配置成分别为所述初始图结构中的每个顶点和边附加相应的属性参数,生成所述实际图结构。
10.根据权利要求9所述的装置,其中,所述实际图结构生成子单元进一步被配置成:
将构成所述当前电网结构的各元素和对应的属性参数进行归一化处理,得到N×M的特征矩阵,N为所述元素的数量、M为每个所述元素对应的属性参数的数量;
利用所述特征矩阵为所述初始图结构中的每个顶点和边附加相应的属性参数,生成所述实际图结构。
11.根据权利要求9所述的装置,其中,所述解空间简化单元进一步被配置成:
利用所述图神经网络确定实际属性参数为预设属性参数的目标顶点;
为所述目标顶点施加强约束;其中,被施加所述强约束的顶点不允许进行相关的调整操作,所述属性参数包括与其顶点的连接数。
12.根据权利要求8所述的装置,还包括构建得到所述强化学习模型的强化学习模型构建单元,所述强化学习模型构建单元进一步被配置成:
获取所述样本简化图结构和多组被标注为适用于对所述样本简化图结构对应的电网结构进行优化调整的样本调整操作序列;
基于所述样本简化图结构和对应的样本调整操作序列训练得到第一子模型;
构建用于对电网发电与用电比值和电网结构稳定性中的至少一项进行评估的奖励函数;
在仿真环境下利用所述奖励函数分别计算得到多组所述样本调整操作序列的奖励值,得到用于计算所述第一子模型输出的实际调整操作序列的近似奖励值的第二子模型;其中,所述第二子模型的输出用于指导调整所述第一子模型的输出;
根据所述第一子模型和所述第二子模型构建得到所述强化学习模型。
13.根据权利要求8所述的装置,还包括:
调整后图结构序列生成单元,被配置成根据所述目标简化图结构和所述目标调整操作序列,生成与所述目标调整操作序列中的每项调整操作对应的调整后图结构序列。
14.根据权利要求13所述的装置,还包括:
比较单元,被配置成比较所述目标调整操作序列中的每项调整操作执行完成后的图结构和所述调整后图结构序列中相应的调整后图结构;
异常提醒信息上报及执行暂停单元,被配置成响应于每项调整操作执行完成后的图结构与相应的调整后图结构不一致,持续上报异常提醒信息并暂停后续调整操作的执行,直至所述异常提醒信息被消除。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的用于调整电网结构的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于调整电网结构的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485849.4A CN112560210B (zh) | 2020-12-16 | 2020-12-16 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485849.4A CN112560210B (zh) | 2020-12-16 | 2020-12-16 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560210A CN112560210A (zh) | 2021-03-26 |
CN112560210B true CN112560210B (zh) | 2024-03-29 |
Family
ID=75064273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485849.4A Active CN112560210B (zh) | 2020-12-16 | 2020-12-16 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362151B (zh) * | 2021-12-23 | 2023-12-12 | 浙江大学 | 一种基于深度强化学习和级联图神经网络的潮流收敛性调整方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103762591A (zh) * | 2014-01-16 | 2014-04-30 | 国家电网公司 | 一种配电网拓扑布图方法 |
CN104810823A (zh) * | 2014-01-24 | 2015-07-29 | 国际商业机器公司 | 产生变电站负荷转供控制参数的方法、设备及系统 |
CN111027746A (zh) * | 2019-11-08 | 2020-04-17 | 许继集团有限公司 | 一种智能配网系统环网图自动生成方法及装置 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
AU2019284127B1 (en) * | 2019-06-25 | 2020-09-24 | Reactive Technologies Limited | System for determining electric parameters of an electric power grid |
-
2020
- 2020-12-16 CN CN202011485849.4A patent/CN112560210B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103762591A (zh) * | 2014-01-16 | 2014-04-30 | 国家电网公司 | 一种配电网拓扑布图方法 |
CN104810823A (zh) * | 2014-01-24 | 2015-07-29 | 国际商业机器公司 | 产生变电站负荷转供控制参数的方法、设备及系统 |
AU2019284127B1 (en) * | 2019-06-25 | 2020-09-24 | Reactive Technologies Limited | System for determining electric parameters of an electric power grid |
CN111027746A (zh) * | 2019-11-08 | 2020-04-17 | 许继集团有限公司 | 一种智能配网系统环网图自动生成方法及装置 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于图卷积网络的配电网无功优化;廖文龙;《电网技术》;全文 * |
基于图注意力深度网络的电力系统暂态稳定评估基于图注意力深度网络的电力系统暂态稳定评估;钟智;《电网技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112560210A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11349338B2 (en) | Validating power network models for monitoring and correcting operation of electric power networks | |
US20160048150A1 (en) | Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems | |
CN112560210B (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN113626200A (zh) | 任务负载计算方法、装置、存储介质以及终端 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
WO2024056051A1 (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN116151374B (zh) | 分布式模型推理方法、装置、设备、存储介质以及程序产品 | |
CN112560211B (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN114700957B (zh) | 模型低算力需求的机器人控制方法及装置 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 | |
CN116526515B (zh) | 电网频率调控方法及控制器 | |
CN117077980B (zh) | 碳排放调度方法、装置和电子设备 | |
CN112039122B (zh) | 基于电网准入容量设计分布式电源并网的规划方法及装置 | |
CN117236995A (zh) | 付费率预估方法、装置、设备及存储介质 | |
CN114123267A (zh) | 电力传输路径管理方法及装置 | |
CN117252612A (zh) | 一种供售电方案的确定方法、装置、电子设备及存储介质 | |
CN114926069A (zh) | 模型训练方法和工作量分配方法 | |
CN115270976A (zh) | 一种用户聚类方法、装置、电子设备和存储介质 | |
CN117335416A (zh) | 一种用电负荷优化的方法、装置、设备及存储介质 | |
CN117559658A (zh) | 配电网数据处理方法、装置、电子设备和存储介质 | |
CN115453271A (zh) | 一种配电网问题诊断方法、装置、设备及存储介质 | |
CN116402414A (zh) | 售电个体间互利行为演化博弈模型构建方法、装置、设备及存储介质 | |
CN116843415A (zh) | 一种业务订单的处理方法、装置、设备和存储介质 | |
CN118229382A (zh) | 工业产品人工智能推荐方法、装置、电子设备和存储介质 |
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 |