本發(fā)明涉及配電網(wǎng)調(diào)控，具體涉及基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法、系統(tǒng)和設(shè)備。

背景技術(shù)：

1、新型配電網(wǎng)(new?distribution?network，ndn)是一種采用先進(jìn)網(wǎng)絡(luò)架構(gòu)、信息化技術(shù)和智能化技術(shù)，實(shí)現(xiàn)安全、高效、智能運(yùn)行的配電網(wǎng)絡(luò)，是新型電力系統(tǒng)建設(shè)的關(guān)鍵和基礎(chǔ)。隨著新型配電網(wǎng)的逐步升級與新能源高比例接入，新型配電網(wǎng)運(yùn)行方式的復(fù)雜性不斷增加，使得新型配電網(wǎng)運(yùn)行的脆弱性、不確定性也日益凸顯，配網(wǎng)調(diào)控將面臨海量數(shù)據(jù)分析、多維運(yùn)行方式的挑戰(zhàn)。現(xiàn)有的新型配電網(wǎng)調(diào)控主要以人工監(jiān)控為主，難以滿足新型配電網(wǎng)面臨的智能化調(diào)控與安全運(yùn)行的要求。

2、以深度學(xué)習(xí)為主的人工智能技術(shù)與新型配電網(wǎng)的不斷融合，為提升新型配電網(wǎng)的智能調(diào)控提供了重要的支撐；當(dāng)前的深度學(xué)習(xí)人工智能技術(shù)主要應(yīng)用在新型配電網(wǎng)的負(fù)荷預(yù)測、故障診斷、配電網(wǎng)暫態(tài)分析和調(diào)度優(yōu)化決策等方面。如基于雙向長短期記憶網(wǎng)(bidirectional?long?short-term?memory，bilstm)對新型配電網(wǎng)的負(fù)荷進(jìn)行預(yù)測，基于時序卷積殘差網(wǎng)絡(luò)對新型配電網(wǎng)的短路故障進(jìn)行識別，以及基于transformer編碼器對新型配電網(wǎng)暫態(tài)穩(wěn)定性進(jìn)行評估，基于交替方向乘子法與圖計算進(jìn)行新型配電網(wǎng)調(diào)度優(yōu)化決策等。然而，上述方法的業(yè)務(wù)場景較局限，人工智能僅執(zhí)行簡單的辨別任務(wù)。面對復(fù)雜新型配電網(wǎng)的感知、認(rèn)知和決策任務(wù)，傳統(tǒng)的人工智能存在可解釋性差、可信度低等問題，制約了人工智能在新型配電網(wǎng)的應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是：現(xiàn)有的新型配電網(wǎng)調(diào)控方法，難以滿足新型配電網(wǎng)面臨的智能化調(diào)控與安全運(yùn)行的要求，且傳統(tǒng)的人工智能調(diào)控技術(shù)存在可解釋性差、可信度低等問題，制約了人工智能在新型配電網(wǎng)的應(yīng)用；本發(fā)明目的在于提供基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法、系統(tǒng)和設(shè)備，在傳統(tǒng)的人工智能調(diào)控技術(shù)的基礎(chǔ)上進(jìn)行改進(jìn)，將人機(jī)混合增強(qiáng)智能技術(shù)應(yīng)用到數(shù)據(jù)感知、數(shù)據(jù)預(yù)處理、調(diào)控計算和調(diào)控執(zhí)行中，使得配電網(wǎng)調(diào)控過程既有配電網(wǎng)調(diào)度專家的人類智能認(rèn)知與決策能力，又有機(jī)器智能的強(qiáng)大計算和推理能力，有效提高新型配電網(wǎng)調(diào)度過程的安全性與可行性；同時，本方案還結(jié)合人機(jī)混合增強(qiáng)智能和決策智能體應(yīng)用在調(diào)控策略執(zhí)行過程中的運(yùn)行參數(shù)感知、狀態(tài)評估和調(diào)控策略優(yōu)化等方面，大幅降低配電網(wǎng)調(diào)度員的工作量，并提升對復(fù)雜新型配電網(wǎng)的控制能力。

2、本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

3、本方案提供基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法，包括：

4、采集新型配電網(wǎng)的歷史調(diào)控數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)對所述歷史調(diào)控數(shù)據(jù)進(jìn)行預(yù)處理；

5、構(gòu)建新型配電網(wǎng)的調(diào)控模型，并基于預(yù)處理后的歷史調(diào)控數(shù)據(jù)訓(xùn)練所述調(diào)控模型；

6、基于智能決策體感知新型配電網(wǎng)的實(shí)時數(shù)據(jù)，并將實(shí)時數(shù)據(jù)輸入已訓(xùn)練好的調(diào)控模型中生成調(diào)控策略；基于配電網(wǎng)調(diào)度專家反饋的調(diào)控策略來優(yōu)化智能決策體生成的調(diào)控策略，得到最優(yōu)調(diào)控策略；執(zhí)行所述最優(yōu)調(diào)控策略。

7、進(jìn)一步優(yōu)化方案為，所述采集新型配電網(wǎng)的歷史調(diào)控數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)對所述歷史調(diào)控數(shù)據(jù)進(jìn)行預(yù)處理；包括方法：

8、采集新型配電網(wǎng)的歷史調(diào)控數(shù)據(jù)，所述歷史調(diào)控數(shù)據(jù)包括動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)；所述動態(tài)數(shù)據(jù)包括：運(yùn)行數(shù)據(jù)、應(yīng)用數(shù)據(jù)和部分環(huán)境數(shù)據(jù)；所述靜態(tài)數(shù)據(jù)包括；基礎(chǔ)數(shù)據(jù)和部分環(huán)境數(shù)據(jù)；

9、對所述歷史調(diào)控數(shù)據(jù)進(jìn)行場景檢測處理：構(gòu)建新型配電網(wǎng)調(diào)控場景，判斷所述歷史調(diào)控數(shù)據(jù)是否覆蓋新型配電網(wǎng)調(diào)控場景范圍；對于未覆蓋新型配電網(wǎng)調(diào)控場景范圍的歷史調(diào)控數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行缺失補(bǔ)充；

10、對場景檢測處理后的歷史調(diào)控數(shù)據(jù)進(jìn)行人機(jī)混合智能標(biāo)注后生成調(diào)控數(shù)據(jù)集。

11、進(jìn)一步優(yōu)化方案為，所述對于未覆蓋新型配電網(wǎng)調(diào)控場景范圍的歷史調(diào)控數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行缺失補(bǔ)充；包括方法：

12、構(gòu)建用于對歷史調(diào)控數(shù)據(jù)進(jìn)行缺失補(bǔ)充的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)；所述機(jī)器學(xué)習(xí)網(wǎng)絡(luò)包括策略生成器，所述策略生成器進(jìn)行策略更新的幅度限制在預(yù)設(shè)幅度范圍以內(nèi)；

13、所述機(jī)器學(xué)習(xí)網(wǎng)絡(luò)以策略生成器輸出的機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)之間的差異，作為獎勵函數(shù)迭代訓(xùn)練所述策略生成器；直至策略生成器輸出的機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)之間的差異滿足第一閾值時，以策略生成器輸出的機(jī)器學(xué)習(xí)數(shù)據(jù)作為缺失補(bǔ)充數(shù)據(jù)。

14、進(jìn)一步優(yōu)化方案為，所述機(jī)器學(xué)習(xí)網(wǎng)絡(luò)為對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)；所述策略生成器基于置信域策略梯度優(yōu)化算法進(jìn)行策略更新；

15、所述對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)還包括判別器，所述判別器用于識別策略生成器輸出的機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)之間的差異。

16、進(jìn)一步優(yōu)化方案為，所述對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)的目標(biāo)函數(shù)為：

17、；

18、式中：表示對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)的目標(biāo)函數(shù)；log（）表示對數(shù)函數(shù)； δsme表示專家經(jīng)驗(yàn)數(shù)據(jù)； δgan表示策略生成器輸出的機(jī)器學(xué)習(xí)數(shù)據(jù)；表示策略生成器輸出 δgan為 δsme的概率；表示對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)中關(guān)于輸入配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)的函數(shù)；表示對抗式生成模仿學(xué)習(xí)網(wǎng)絡(luò)中關(guān)于輸出機(jī)器學(xué)習(xí)數(shù)據(jù)的函數(shù)；表示先驗(yàn)概率；b表示后驗(yàn)概率。

19、進(jìn)一步優(yōu)化方案為，所述對場景檢測處理后的歷史調(diào)控數(shù)據(jù)進(jìn)行人機(jī)混合智能標(biāo)注后生成調(diào)控數(shù)據(jù)集；包括方法：

20、對場景檢測處理后的歷史調(diào)控數(shù)據(jù)進(jìn)行人機(jī)混合標(biāo)注：先進(jìn)行機(jī)器自動樣本標(biāo)注，再篩選出關(guān)鍵歷史調(diào)控數(shù)據(jù)由配電調(diào)度專家進(jìn)行人工標(biāo)注；

21、校驗(yàn)所有人機(jī)混合標(biāo)注后的歷史調(diào)控數(shù)據(jù)，對未通過校驗(yàn)的歷史調(diào)控數(shù)據(jù)重新進(jìn)行人機(jī)混合標(biāo)注，直至通過校驗(yàn)。

22、進(jìn)一步優(yōu)化方案為，所述構(gòu)建新型配電網(wǎng)的調(diào)控模型，并基于預(yù)處理后的歷史調(diào)控數(shù)據(jù)訓(xùn)練所述調(diào)控模型；包括方法：

23、構(gòu)建新型配電網(wǎng)的任務(wù)調(diào)控模型庫，專家配電網(wǎng)調(diào)度員根據(jù)新型配電網(wǎng)調(diào)控場景確定出調(diào)控目標(biāo)；

24、將調(diào)控目標(biāo)的設(shè)備調(diào)控任務(wù)分解成多個子任務(wù)，篩選出當(dāng)前子任務(wù)，并從任務(wù)調(diào)控模型庫中調(diào)取出當(dāng)前子任務(wù)的任務(wù)調(diào)控模型；

25、基于預(yù)處理后的歷史調(diào)控數(shù)據(jù)訓(xùn)練所述任務(wù)調(diào)控模型，在訓(xùn)練任務(wù)調(diào)控模型的過程中，由配電網(wǎng)調(diào)度專家基于人類智能技術(shù)引導(dǎo)調(diào)整任務(wù)調(diào)控模型的參數(shù)，并修正任務(wù)調(diào)控模型輸出的調(diào)控策略。

26、進(jìn)一步優(yōu)化方案為，所述基于智能決策體感知新型配電網(wǎng)的實(shí)時數(shù)據(jù)，并將實(shí)時數(shù)據(jù)輸入已訓(xùn)練好的調(diào)控模型中生成調(diào)控策略；基于配電網(wǎng)調(diào)度專家反饋的調(diào)控策略來優(yōu)化智能決策體生成的調(diào)控策略，得到最優(yōu)調(diào)控策略；包括方法：

27、由智能決策體基于實(shí)時數(shù)據(jù)對新型配電網(wǎng)進(jìn)行狀態(tài)分析，并將實(shí)時數(shù)據(jù)和狀態(tài)分析結(jié)果輸入新型配電網(wǎng)調(diào)控模型中生成調(diào)控策略；

28、由智能決策體將當(dāng)前調(diào)控策略放入仿真環(huán)境中驗(yàn)證是否為最優(yōu)策略，若當(dāng)前調(diào)控策略不是最優(yōu)策略，則智能決策體結(jié)合配電網(wǎng)調(diào)度專家反饋的調(diào)控策略調(diào)整當(dāng)前調(diào)控策略，直至當(dāng)前調(diào)控策略是最優(yōu)策略。

29、進(jìn)一步優(yōu)化方案為，所述最優(yōu)策略 rhtl根據(jù)下式得到：

30、;

31、式中： rai表示智能決策體生成的調(diào)控策略； rp表示配電網(wǎng)調(diào)度專家反饋的調(diào)控策略；表示智能決策體的置信度；表示新型配電網(wǎng)的最優(yōu)調(diào)控閾值。

32、本方案還提供基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控系統(tǒng)，用于實(shí)現(xiàn)上述的基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法；所述系統(tǒng)包括：

33、數(shù)據(jù)處理模塊，用于采集新型配電網(wǎng)的歷史調(diào)控數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)數(shù)據(jù)與配電網(wǎng)調(diào)度專家經(jīng)驗(yàn)數(shù)據(jù)對所述歷史調(diào)控數(shù)據(jù)進(jìn)行預(yù)處理；

34、調(diào)控模型搭建模塊，用于構(gòu)建新型配電網(wǎng)的調(diào)控模型，并基于預(yù)處理后的歷史調(diào)控數(shù)據(jù)訓(xùn)練所述調(diào)控模型；

35、執(zhí)行模塊，用于基于智能決策體感知新型配電網(wǎng)的實(shí)時數(shù)據(jù)，并將實(shí)時數(shù)據(jù)輸入已訓(xùn)練好的調(diào)控模型中生成調(diào)控策略；基于配電網(wǎng)調(diào)度專家反饋的調(diào)控策略來優(yōu)化智能決策體生成的調(diào)控策略，得到最優(yōu)調(diào)控策略；執(zhí)行所述最優(yōu)調(diào)控策略。

36、本方案還提供一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)所述基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法的步驟。

37、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

38、1、本發(fā)明提供的基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法、系統(tǒng)和設(shè)備；在傳統(tǒng)的人工智能調(diào)控技術(shù)的基礎(chǔ)上進(jìn)行改進(jìn)，將人機(jī)混合增強(qiáng)智能技術(shù)應(yīng)用到數(shù)據(jù)感知、數(shù)據(jù)預(yù)處理、調(diào)控計算和調(diào)控執(zhí)行中，使得配電網(wǎng)調(diào)控過程既有配電網(wǎng)調(diào)度專家的人類智能認(rèn)知與決策能力，又有機(jī)器智能的強(qiáng)大計算和推理能力，有效提高新型配電網(wǎng)調(diào)度過程的安全性與可行性；

39、2、本發(fā)明提供的基于人機(jī)混合增強(qiáng)智能的配電網(wǎng)調(diào)控方法、系統(tǒng)和設(shè)備；本方案還結(jié)合人機(jī)混合增強(qiáng)智能和決策智能體應(yīng)用在調(diào)控策略執(zhí)行過程中的運(yùn)行參數(shù)感知、狀態(tài)評估和調(diào)控策略優(yōu)化等方面，大幅降低配電網(wǎng)調(diào)度員的工作量，并提升對復(fù)雜新型配電網(wǎng)的控制能力。