CN119419799A 一种虚拟电厂的电力调度方法及相关设备 （四川华体照明科技股份有限公司）

确定第一灯杆单元与第二灯杆单元在分布式充元与第二灯杆单元在分布式充电网络图谱中的式充电网络图谱中各个灯杆单元的隐式表示向2获取分布式充电网络图谱，所述分布式充电网络图谱包括第述分布式充电网络图谱中包括第一灯杆单元和第二灯杆单元的真实牵涉获取所述第一灯杆单元的基础隐式表示向量和所述第二灯杆单元的基础隐式表示向基于机器学习网络对所述第一灯杆单元的基础隐式表示向量和所述第二灯杆单元的基于所述第一灯杆单元与所述第二灯杆单元在所述分布式充电网络图谱中的真实牵基于调校好的机器学习网络确定所述分布式充电网络图谱中各个灯杆单元的隐式表基于所述分布式充电网络图谱中各个灯杆单元的隐式表示向量进行灯杆单元电力调2.根据权利要求1所述方法，其特征在于，获取所述第一灯杆单元的基础隐式表示向基于所述分布式充电网络图谱确定所述第一灯杆单元集合中每个灯杆单元的相邻灯将所述第一灯杆单元集合中具有相同相邻灯杆单元的灯杆单元相连，基于所述协同关系图谱的图谱结构对所述协同关系图谱中的灯杆单元进行图谱单元将所述第一灯杆单元集合中具有相同相邻灯杆单元的灯杆单元相连在所述待处理协同关系图谱中，将相连次数小于设定次数的基于所述分布式充电网络图谱确定所述第一灯杆单元的相邻灯杆单元和所述第二灯获取所述第一灯杆单元的相邻灯杆单元的基础隐式表示向量和所述第二灯杆单元的3其中，基于机器学习网络对所述第一灯杆单元的基础隐式表示基于所述第一网络组件对所述第一灯杆单元的基础隐式表示向量和所述第一灯杆单基于所述第二网络组件对所述第二灯杆单元的基础隐式表示向量和所述第二灯杆单基于所述推理组件对所述第一灯杆单元的调校隐式表示向量和所述第二灯杆单元的在所述分布式充电网络图谱中确定所述第一灯杆单元的一级相邻灯杆单元作为所述在所述协同关系图谱中确定所述第一灯杆单元的相邻灯杆单元作为所述第一灯杆单元的获取所述第一灯杆单元的单元数据和所述第二灯杆单其中，基于机器学习网络对所述第一灯杆单元的基础隐式表示基于所述第一网络组件对所述第一灯杆单元的基础隐式表示向量和所述第一灯杆单基于所述第二网络组件对所述第二灯杆单元的基础隐式表示向量和所述第二灯杆单基于所述推理组件对所述第一灯杆单元的调校数据隐式表示向量和所述第二灯杆单获取所述第三灯杆单元的基础隐式表示向量和所述第三灯杆单元的相邻灯杆单元的4其中，基于机器学习网络对所述第一灯杆单元的基础隐式表示基于所述第一网络组件对所述第一灯杆单元的基础隐式表示向量和所述第一灯杆单基于所述第二网络组件对所述第二灯杆单元的基础隐式表示向量和所述第二灯杆单基于所述第三网络组件对所述第三灯杆单元的基础隐式表示向量和所述第三灯杆单所述推理组件根据对所述第一灯杆单元的调校隐式表示向量、所述第二灯杆单元所述基于所述第一灯杆单元与所述第二灯杆单元在所述分布式充电网络图谱中的真基于调校好的机器学习网络确定所述分布式充电网络图谱中各个灯杆单元的隐式表示向基于所述第一灯杆单元、所述第二灯杆单元和所述第三的机器学习网络确定所述分布式充电网络图谱中各个灯杆获取所述第四灯杆单元的基础隐式表示向量和所述第四灯杆单元的相邻灯杆单元的基于所述第二网络组件对所述第二灯杆单元的基础隐式表示向量和所述第二灯杆单基于所述第四网络组件对所述第四灯杆单元的基础隐式表示向量和所述第四灯杆单基于所述推理组件对所述第二灯杆单元的调校隐式表示向量和所述第四灯杆单元的5基于所述分布式充电网络图谱确定所述第二灯杆单元与所述第四灯杆单元在所述分基于所述第二灯杆单元和所述第四灯杆单元在所述分布式充电网络图谱中的真实牵基于调校好的机器学习网络的所述第一网络组件对所述第一灯杆单元的基础隐式表基于调校好的机器学习网络的所述第二网络组件对所述第二灯杆单元的基础隐式表6元用于指示虚拟电厂中充电灯杆的数据，所述虚拟电厂由设置于道路两侧的充电灯杆组[0009]获取所述第一灯杆单元的基础隐式表示向量和所述第二灯杆单元的基础隐式表[0010]基于机器学习网络对所述第一灯杆单元的基础隐式表示向量和所述第二灯杆单[0011]基于所述第一灯杆单元与所述第二灯杆单元在所述分布式充电网络图谱中的真7[0012]基于调校好的机器学习网络确定所述分布式充电网络图谱中各个灯杆单元的隐[0013]基于所述分布式充电网络图谱中各个灯杆单元的隐式表示向量进行灯杆单元电8络图谱中包括第一灯杆单元和第二灯杆单元的真[0024]第一灯杆单元集合和第二灯杆单元集合是构成分布式充电网络图谱的重要部y1[0025]真实牵涉关系是指在这个分布式充电网络图谱中第一灯杆单元和第二灯杆单元矩阵A。如果灯杆单元i和灯杆单元j之间存在直接的某种关系（如电力传输关系则A[i]9应于一个灯杆单元的部分基础隐式表示向量，Q矩阵的某一列元素可能与这一灯杆单元在灯杆单元之间更深层次的关系。[0034]特征映射旨在将基础隐式表示向量从原始的特征空间转换到一个更有利于分析将这些特征转换为一种更具逻辑性和关联性[0035]以一个简单的线性特征映射为例，假设第一灯杆单元的基础隐式表示向量为x=[0036]第一灯杆单元与第二灯杆单元在分布式充电网络图谱中的推理牵涉关系是通过出就是经过特征映射后的一种中间结果，通过进一步的处理可以得到最终的推理牵涉关据的映射方式。电力调度设备可以将原始的基础隐式表示向量映射到一个高维的特征空[0042]真实牵涉关系是第一灯杆单元和第二灯杆单元在分布式充电网络图谱中实际存的分布式充电网络中，第一灯杆单元和第二灯杆单元之间可能通过特定的电力线路连接，并且根据线路的容量、电力传输方向的限制等因素确定了它们之间真实的电力传输能力、[0043]而推理牵涉关系是电力调度设备在步骤S300中基于机器学习网络对第一灯杆单[0050]电力调度设备利用调校好的机器学习网络确定各个灯杆单元的隐式表示向量的可以通过公式h=f(Wx+b)计算得到。这个隐藏层的输出可以作为灯杆单元的隐式表示向可以确定灯杆单元B由于其与本地用电设备的特殊连接关系（反映在隐式表示向量中更[0057]电力调度设备在进行电力调度时，会根据这些隐式表示向量中的信息来做出决算得到。不足时，电力调度设备可以根据这种关联程度优先安排从灯杆单元A向灯杆单元B或C的电会优先选择电量充足的灯杆单元。例如，通过隐式表示向量筛选出电量高于某个阈值标函数可以是minimize，其中i和j表示不同的灯杆单元，是从灯杆单元i到灯杆单元j的电力传输损耗系数，是从i到j的传输电量。同时，模型还需要满足一些[0067]电力调度设备可以通过遍历分布式充电网络图谱的数据结构来确定相邻灯杆单元集合中的灯杆单元为例电力调度设备检查与v相连的边e∈E，通过边的连接关系找到元信息存储为hash[i]={j1,j2,…,j}，其中jk表示相邻灯杆单元。电力调度设备设备在进行图谱单元编码特征挖掘时，会考虑灯杆单元F的这种连接关系和位置信息。例[0080]电力调度设备可以再次遍历表示待处理协同关系图谱的连接关系矩阵（假设为[0082]在步骤S221得到的待处理协同关系图谱可能存在一些噪声或者不太重要的连接们的相邻灯杆单元是深入分析它们在网络中位置关系和潜在相互布式充电网络图谱来确定相邻灯杆单元。如果将分布式充电网络图谱表示为图结构G=(V,础隐式表示向量可能包含其充电功率范围（如最小充电功率为pin，最大充电功率为px应的基础隐式表示向量。[0095]电力调度设备获取这些基础隐式表示向量的方式可以是从预先存储的数据结构邻灯杆单元C的基础隐式表示向量为（这里n和m可能相等也可能=成;]（这里表示将两个向量拼接成一个更长的向量隐藏层的输出可以通过公式二灯杆单元及其相邻灯杆单元的基础隐式表示其相邻灯杆单元G的基础隐式表示向量为。同样使用一个神经网灯杆单元B的调校隐式表示向量为。推理组件可以采用逻辑回归[0104]步骤S11：在分布式充电网络图谱中确定第一灯杆单元的一级相邻灯杆单元作为[0105]在基于上述步骤S300的第一种实施方式的步骤S1中，步骤S11要求电力调度设备在分布式充电网络图谱中确定第一灯杆单元的一级相邻灯杆单元作为第一灯杆单元的相[0106]一级相邻灯杆单元是指在分布式充电网络图谱中与第一灯杆单元直接相连的灯相邻灯杆单元时，协同关系图谱是对第一灯杆单元集合内部关系重新构建的一种图谱结是第一灯杆单元A在协同关系图谱中的相邻灯杆单元，并且这些灯杆单元是第一灯杆单元元的调校数据隐式表示向量进行推理，确定第一灯杆单元和第二灯杆单元的推理牵涉关[0117]步骤S10中，电力调度设备获取第一灯杆单元的单元数据和第二灯杆单元的单元基准容量的比例关系）成为向量的第四个元素等。这样就得到了第一灯杆单元A的表示向范围和数据分布进行归一化或比例转换。另一种方法是采用机器学习中的特征工程技术，得第二灯杆单元表示向量。这一过程与步骤S20类似，对于第二灯杆单元B，将其单元数据元表示向量。向量和第一灯杆单元表示向量进行特征映射，得到第一灯杆单元的调校数据隐式表示向示向量为，第一灯杆单元表示向量为z=;]藏层的输出可以通过公式计算得到。这个隐藏层的输出就可以作为第一灯杆单元A的调校数据隐式表示向量的一部分或者全部，具体取决于第一网络组件的设计结构。这种特征映射的目的是整合基础隐式表示向量和从单元数据直接抽取的表示向而得到更能准确反映第二灯杆单元B特征的调校数据示向量进行关系推理的部分。例如，假设第一灯杆单元A的调校数据隐式表示向量为,第二灯杆单元B的调校数据隐式表示向量为。于输入向量（将两个调校数据隐式表示向量拼接计算y-o(T)，其中是逻辑函数（如y的值可以表示第一灯杆单元A与第二灯杆单元B之间存[0127]步骤S300A：基于第一网络组件对第一灯杆单元的基础隐式表示向量和第一灯杆[0128]步骤S300B：基于第二网络组件对第二灯杆单元的基础隐式表示向量和第二灯杆[0129]步骤S300C：基于第三网络组件对第三灯杆单元的基础隐式表示向量和第三灯杆杆单元和第三灯杆单元在分布式充电网络图谱中的真实牵涉[0132]基础隐式表示向量是对灯杆单元在分布式充电网络图谱中的一种特征表征结灯杆单元集合包含多个灯杆单元，其中第三灯杆单元C的基础隐式表示向量可能包含其充与第三灯杆单元C存在直接或间接的关系，它们的基础隐式表示向量包含了各自的特性信识查询并获取其自身以及相邻灯杆单元的基[0135]在步骤S300A中，电力调度设备基于第一网络组件对第一灯杆单元的基础隐式表、。将这些向量组合起来作为输入向更准确反映第一灯杆单元A在网络中的状态和关系的调校隐[0137]在步骤S300B中，电力调度设备基于第二网络组件对第二灯杆单元的基础隐式表=[xc1,元的调校隐式表示向量和第三灯杆单元的调校隐式表示向量进行推理，得到第一灯杆单[0140]假设第一灯杆单元A的调校隐式表示向量为，第二灯杆计算得到在某个条件下第一灯杆单元A向第二灯杆单元B和第三灯杆单元C传输电力的概率学习网络确定分布式充电网络图谱中各个灯杆单根据第一灯杆单元、第二灯杆单元和第三灯杆单元的调校隐式表示向量推理得出的关系。[0149]步骤S1000：获取第四灯杆单元的基础隐式表示向量和第四灯杆单元的相邻灯杆[0150]步骤S2000：基于第二网络组件对第二灯杆单元的基础隐式表示向量和第二灯杆[0151]步骤S3000：基于第四网络组件对第四灯杆单元的基础隐式表示向量和第四灯杆[0152]步骤S4000：基于推理组件对第二灯杆单元的调校隐式表示向量和第四灯杆单元[0153]步骤S5000：基于分布式充电网络图谱确定第二灯杆单元与第四灯杆单元在分布[0154]步骤S6000：基于第二灯杆单元和第四灯杆单元在分布式充电网络图谱中的真实[0155]步骤S1000中，电力调度设备获取第四灯杆单元的基础隐式表示向量和第四灯杆[0156]基础隐式表示向量是对灯杆单元在分布式充电网络图谱与第四灯杆单元D存在直接或间接的关系，它们的基础隐式表示向量包含了各自的特性信[0158]接着是步骤S2000，电力调度设备基于第二网络组件对第二灯杆单元的基础隐式[0159]第二网络组件是机器学习网络的一部分，其功能是对输入的向量进行特征邻灯杆单元假设为F、G、H，它们的基础隐式表示向量分别为、更准确反映第二灯杆单元B在网络中的状态和关系的调校隐[0160]然后是步骤S3000，电力调度设备基于第四网络组件对第四灯杆单元的基础隐式[0162]步骤S4000中，电力调度设备基于推理组件对第二灯杆单元的调校隐式表示向量[0163]推理组件是机器学习网络中用于根据前面得到的调校隐式表示向量进行关系推单元D的调校隐式表示向量为。推理组件可以采用不同的算法来率参数。电力调度设备将调校隐式表示向量中的信息作为证据输入到朴素贝叶斯分类器第二灯杆单元B和第四灯杆单元D之间存在强的推理牵涉关