CN118539441B 基于搜索排序的电网拓扑优化方法和系统 （中科南京人工智能创新研究院）

本发明公开了一种基于搜索排序的电网拓网状态数据和动作空间，构建自适应的双塔模2S412、获取历史性能数据和当前系统状态数据3S425、采集违反预设电网运行约束条件的历史S14、基于优化动作空间和预定义约束条件集合，依序采用约束传播算法和决策树算44.根据权利要求3所述的基于搜索排序的电网拓扑优化方法，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1至4任一项所述的基于搜索排序的电56[0021]如图1所示，本申请提出了一种基于搜索排序的电网拓扑优化方法，具体步骤如7[0038]在进一步实施例中，获取电网拓扑结构数据和可能影响电网拓扑结构的动作数8态调整模糊度θ:θ=θ0*(1_depth/maxdepth)ρ,其中ρ9结构数据T，生成基本动作集合B；随后将基本动作集合B输入动态权重组合优化算法[0069]将动态特征向量和静态特征向量输入动态注意力融合网络。构建双通道神经网[0070]构建自适应双塔模型。将融合特征向量输入动态结构多[0072]在进一步的实施例中，获取实时电网状态数据，采用多尺度时序特征提取算法表示gg[0095]η为更新率，performance(Ci)为使用simi选出[0096]在另一个具体的实施例中，使用时序算法处理实时电网状态数据R，捕捉电网负K选择算法，计算状态嵌入向量与动作嵌入向量的相似度，召回最相关的候选动作，得到[0098]本实施例实现了对电网状态的精确感知和高效动作召回，提升了后续决策的基[0112]利用注意力加权的节点表示和候选动作集，采用自适应时空图卷积网络进行处[0113]将动作_状态对的时空表示输入层次化多准则决策网络。该网络首先定义多个评[0130]利用注意力加权的节点表示Natt和候选动作集C，采用自适应时空图卷积网络ttl*Hl)[0136]本实施例实现了对电网动作的精确评估。不仅考虑了电网的静态结构和动态变[0145]S413、基于重要性指标，对目标权重向量进行更新，得到更新后的权重，使用[0154]将电网运行约束条件和自适应多目标评估函数输入动态约束处理与自适应惩罚用BP网络学习层间映射关系，应用dropout防止过拟合。构建自适应隶属度函数，使用[0157]在进一步的实施例中，获取优化目标集合O，采用动态权重自适应融合算法[0162]将电网运行约束条件E和自适应多目标评估函数M输入动态约束处理与自适应惩[0167]利用带约束的自适应多目标评估函数Mc和排序后的候选动作列[0169]v(t+1)=wv(t)+c1r1*(pbest_x)+c2r2(gbest_x)+c3r3(sbest_ijijijijij分别表示模糊比较矩一化后的权重向量。引入神经网络处理层间关系，使用BP网络学习层间映射关系，应用[0176]使用Choquet模糊积分聚合多准则评价：E(f)=Σ(f(x([0177]应用灵敏度分析，评估结果的稳健性，输出综合评分最高的动作作为最优动作带约束的多目标评估函数Mc和排序后的候选动作列表RC，采用改进的多目标粒子群优化入了帕累托最优的概念，为决策者提供了一系列的非支配解；使用TOPSIS方法进行最终决同的运营需求调整优化目标的权重。最终输出的最优动作Aopt将是在多个目标和约束条件形成综合发电机数据集Dgen_comprehe为输入，结合边缘计算技术，实现快速准确的电网状态估计，生成状态估计结果数据集[0212]S155、使用基于互信息的特征选择算法，从数据集Dfeature_raw、Dfeature_high和[0216]S162、应用基于哈希链的数据溯源机制，记录从原始数据到数据集DfusioDfeature_comprehensive的全过程，确保数据的可追溯性和可审核性，生成数据溯源信息集[0217]S163、使用新型的元数据自动提取和标注算法，以数据集Dfusion_final和[0253]S261、构建最小编辑距离算法，计算拓扑集Tcurrent到Tdiverse中[0270]S315、引入环境影响评估模型，考虑碳排放等因素，构建环境友好性目标函数[0276]S324、考虑设备操作寿命和可靠性要求，加入设备操作次数限制约束Coperation_limit；[0279]S331、将函数Fobjectives和约束Cconstraints结合，formulate完整的多目标优化问题[0292]S353、使用拉丁超立方抽样方法，在解空间中均匀采样，生成多样化初始解集[0296]S362、在每次迭代中，应用交叉和变异操作生成新的候选解，形成子代种群paretoparetoparetopareto[0314]S393、将数据包Doptimization_results存储到分布式数据库中，形成历史优化结果集[0324]S423、应用置信度评估算法，计算初步决策建议Dinitial_decision的可信度指标[0327]S432、使用实时状态数据Dcurrent_processed作为状态输入，通过深度强化学习模型[0334]S451、使用数字孪生技术，基于实时状态数据Dcurrent_processed和可行决策[0338]S461、根据可行决策Dfeasible_decision或应急方案Deme[0343]S472、比较执行后的实际电网状态与电网状态Ssimulated，生成执行效果评估报告[0350]S491、定期从经验回放缓冲区Dexperience_buffer中提取valuable经验，更新知识库策模型Mfast_decision_new和深度强化学习模型MD[0378]S562、基于架构评估报告Rarchitecture，构建系统架构优化方案Parchitecture[0402]通