【技术实现步骤摘要】
本专利技术属于电网的高质量供电领域，涉及了一种电网调度优化方式--ai测试数据可信度量评估电网供电质量；具体的是，涉及了一种智能电网调度优化方法及系统。
技术介绍
1、使用ai测试数据对电网调度进行优化的技术背景是基于人工智能和数据分析的应用。电网调度是指根据电力系统的负荷需求和发电能力，合理安排电力资源的分配和调度，以保证电网的稳定运行和电力供应的可靠性。传统的电网调度方法通常基于经验规则和数学模型，但由于电力系统的复杂性和不确定性，这些方法往往无法充分考虑各种因素的综合影响，导致调度效果不佳。而利用ai测试数据进行电网调度优化的方法，则通过收集和分析大量的电力系统运行数据，结合人工智能算法，可以更准确地预测电力系统的负荷需求、发电能力以及各种潜在的故障情况，从而实现对电网调度的优化。具体来说，ai测试数据可以包括历史负荷数据、天气数据、设备运行状态数据等。通过对这些数据进行深度学习和模型训练，可以建立起电力系统的预测模型和优化模型。这些模型可以帮助电网调度员更准确地预测未来的负荷需求和发电能力，并根据实时的数据进行调整和优化，以实现电网的高效运行和质量优化。总结起来，使用ai测试数据对电网调度进行优化的技术背景是基于人工智能和数据分析的方法，通过收集和分析大量的电力系统运行数据，结合深度学习和模型训练，可以实现对电网调度的精确预测和优化，提高电网质量和可靠性。
技术实现思路
1、针对上述问题，本专利技术目的是提供了一种智能电网调度优化方法及系统，提供科学的信息支持和精细化的设备
2、本专利技术的技术方案是：本专利技术所述的一种智能电网调度优化方法，包括以下步骤：
3、(1)、调节器模块根据中央控制模块的指令，调节所需参数，提供项目所需数据；
4、(2)、获取电网调度初步的装置内部环境数据，并对环境数据进行预处理；
5、(3)、根据获取的环境数据，搭建lstm预测模型；采用雾凇算法，利用训练数据集，以最小误差为优化目标，得到最优的ai控制策略；
6、(4)根据得到的优化ai控制策略，再次控制设备调节从而实现对ai的电网调度进行控制。
7、进一步的，在步骤(2)中，所述环境数据包括电压、频率及等功角。
8、进一步的，在步骤(3)中，所述lstm预测模型建立过程如下：
9、利用lstm对每个模态分量分别进行建模；
10、lstm模型主要由遗忘门、输入门、记忆门和输出门构成；
11、遗忘门用来选择性遗忘上一个节点输入的ai电网数据，输入门用来输入ai电网数据，记忆门用来选择性记忆输入的ai电网数据，输出门用来输出ai电网数据；运算公式如下：
12、ft＝σ(wf·[xt，ht-1]+bf)
13、it＝σ(wi·[xt，ht-1]+bi)
14、ct＝tanh(wc·[xt，ht-1]+bc)
15、ct＝ft·ct-1+it·ct
16、ot＝σ(wo·[xt，ht-1]+bo)
17、ht＝ot·tanh(ct)
18、式中，ft、it、ct、ot为遗忘门、输入门、记忆门、输出门的信息更新过程，wf、wi、wc、wo为其对应的权重矩阵，bf、bi、bc、bo为其对应的偏置常量；ct为临时状态；σ为sigmoid函数；tanh为双曲正切函数；xt为当前状态的电压、频率、功角数据；ht-1为上一个节点的电压、频率、功角数据；ht为输出的电压、频率、功角数据；通过lstm模型，得到一定时间内ai控制电网调度量的精确预测。
19、进一步的，所述步骤(3)中的目标函数为：
20、
21、式中，n为样本数量；xobs，i为真实值；xmodel，i为预测值。
22、进一步的，在步骤(3)中，所述采用雾凇优化算法的具体步骤为：
23、(3.1)、初始化参数和种群；
24、雾凇种群r由n个雾剂si组成；每个雾剂由d个雾凇粒子xij组成；因此，雾凇种群也可以直接用xij表示；公式如下：
25、
26、式中，i为雾剂的序数，j为雾剂粒子的序数；
27、(3.2)、将初始种群带入目标函数进行评估；
28、使每个雾凇种群去生成一组对应的最优的权重矩阵和偏置常量，目标函数公式如下：
29、
30、式中，n为样本数量；xobs,i为真实值；xmodel,i为预测值；
31、(3.3)、使用阶梯式雾凇搜索策略更新种群；
32、雾凇粒子位置公式如下：
33、
34、式中，为更新后粒子的新位置，即最优权重矩阵和偏置常量；pbest,j为雾凇种群中最佳雾剂的第j个粒子；r1为均匀分布于[0,1]之间的随机数；cosθ控制粒子的运动方向；
35、随着迭代次数的变化，公式如下：
36、
37、式中，t为当前的迭代次数，t为算法的最大迭代次数；
38、β为环境因子，可以随着迭代次数的变化来模拟外部环境的影响，保证算法的收敛性，公式如下：
39、
40、式中，β为阶跃函数；[·]表示四舍五入；ω的默认值为5，用于控制阶跃函数的段数；
41、h为附着力，是均匀分布于[0,1]之间的随机数，用于控制两个雾凇粒子中心之间的距离；
42、ubij和lbij为逃逸空间的上界和下界，分别限定了粒子运动的有效区域；e为被附系数，影响雾剂的凝结概率，随迭代次数的增加而增加，公式如下：
43、
44、r2为范围内的随机数，与一起控制粒子是否凝聚，即粒子位置是否更新；
45、(3.4)、采用霜淞穿刺机制，实现个体间有效的信息交换；
46、利用该机制可以更新算法，从而实现算法粒子的交换，提高算法的收敛性和跳出局部最优的能力；粒子位置更新公式如下：
47、
48、式中，fnormr(si)为当前雾剂适应度值的归一化值，表示第i个雾剂被选中的机会；r3是均匀分布于[0,1]之间的随机数；
49、(3.5)、采用正贪心选择机制，保留优解，淘汰劣解；
50、将更新后雾剂的适应度值与更新前雾剂的适应度值进行比较，如果更新后的适应度值优于更新前的适应度值，则发生替换，同时替换两个雾剂的解；
51、(3.6)、判定是否满足终止条件，得到所需的最优权重矩阵和偏置常量。
52、进一步的，为避免雾凇种群在选择搜索空间的时候陷入局部最优，特提出改进。雾凇算法改进的部分在于对(3.2)进行改进，通过采用基于混沌反向的学习策略增强种群的多样性；
53、改进后的公式如下：
54、r0＝ubij+lbij-r
55、式中，r0为r对应的本文档来自技高网...
【技术保护点】
1.一种智能电网调度优化系统的优化方法，其特征在于，其优化步骤如下：
2.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(2)中，所述环境数据包括电压、频率、功角。
3.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述LSTM预测模型的建立过程如下：
4.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述目标函数为：
5.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述采用是雾凇优化算法的具体步骤为：
6.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于,为避免雾凇种群在选择搜索空间的时候陷入局部最优；雾凇算法改进的部分在于对(3.2)进行改进，通过采用基于混沌反向的学习策略增强种群的多样性；
7.一种智能电网调度优化系统，其特征在于，包括相互连接的中央控制模块、调节器模块、传感器模块、数据处理模块及最终的AI系统模块；
8.根据权利要
9.根据权利要求8所述的一种智能电网调度优化系统，其特征在于，所述训练数据集的构建过程：
10.根据权利要求9所述的一种智能电网调度优化系统，其特征在于，
...【技术特征摘要】
1.一种智能电网调度优化系统的优化方法，其特征在于，其优化步骤如下：
2.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(2)中，所述环境数据包括电压、频率、功角。
3.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述lstm预测模型的建立过程如下：
4.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述目标函数为：
5.根据权利要求1所述的一种智能电网调度优化系统的优化方法，其特征在于，在步骤(3)中，所述采用是雾凇优化算法的具体步骤为：
6.根据权利要求1...
【专利技术属性】
技术研发人员：张楚童，戚佳华，吴帅超，靖阳，纪捷，黄慧，沈雷，王文杰，张敏，黄小龙，庄绪州，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。