【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种面向深度强化学习的电网运行环境推演方法。
技术介绍
1、当前，随着社会经济的快速发展和人类生产生活对电力需求的不断增加，电网的运行管理变得越来越复杂。电力系统包含了发电、储电和用电三个主要环节，各种类型的设备在不同环节中发挥着关键作用，为了保证电力供应的稳定性和高效性，电网需要在各种环境条件下稳定运行，并且能够应对突发状况的发生，因此，准确预测电网的运行情况，优化电力资源的配置，成为电力管理部门的重要课题。
2、现有的深度强化学习方法通常是对整个电网进行统一建模，忽略了发电侧、储电侧和用电侧设备的不同特性，导致模型的泛化能力和预测精度不高。此外，现有技术大多采用单一神经网络结构，对复杂电力系统的多层次、多维度特性描述不足。因此，在实际应用中，现有方法的预测结果常常与实际情况存在较大偏差，无法满足高精度电网运行预测的需求。
3、因此，如何根据电网设备特性有效预测和推演电网运行环境，实现对电网运行情况的高精度预测，成为了亟需解决的关键问题。
技术实现思路
1、本专利技术提供一种面向深度强化学习的电网运行环境推演方法，可以根据电网设备特性有效预测和推演电网运行环境，实现对电网运行情况的高精度预测。
2、本专利技术的第一方面，提供一种面向深度强化学习的电网运行环境推演方法，包括：
3、基于电网中设备的属性对电网运行环境进行分类得到发电侧设备、储电侧设备以及用电侧设备；
4、根据发电侧设备、储电侧
5、根据发电侧设备、储电侧设备以及用电侧设备的数据关联关系，基于所述数据关联关系对发电子神经网络、储电子神经网络以及用电子神经网络组装，得到总神经推演网络；
6、获取推演目标所对应的变量推演参数，将所述变量推演参数输入至总神经推演网络得到预测推演结果；
7、将预测推演结果与实际发生结果比对得到多维度训练数据，基于多维度训练数据对总神经推演网络中神经元的权重以及激励函数训练更新处理。
8、可选地，在第一方面的一种可能实现方式中，所述基于电网中设备的属性对电网运行环境进行分类得到发电侧设备、储电侧设备以及用电侧设备，包括：
9、获取电网中设备的属性，若判断设备具有发电属性、储电属性或用电属性中的任意一种，则添加相对应的第一标签并归类至发电集合、储电集合或用电集合内；
10、若判断设备具有发电属性、储电属性或用电属性中的任意多种，则添加相对应的第二标签并归类至发电集合、储电集合或用电集合内；
11、所述发电集合内具有发电功能的发电侧设备，所述储电集合内具有储电功能的储电侧设备，所述用电集合内具有用电功能的用电侧设备。
12、可选地，在第一方面的一种可能实现方式中，所述根据发电侧设备、储电侧设备以及用电侧设备的历史电力数据进行深度学习训练，分别得到发电子神经网络、储电子神经网络以及用电子神经网络，包括：
13、依次遍历发电集合、储电集合以及用电集合内设备的id，并基于所述id获取预设时间段内的历史用电信息得到历史电力数据，所述历史用电信息至少包括电能信息值、环境信息值以及时间信息值；
14、基于发电集合、储电集合以及用电集合内的设备种类构建相对应的初始神经网络，所述初始神经网络包括初始神经节点；
15、基于电网运行环境的客观参考属性对初始神经节点进行复核调整处理，得到处理后的发电子神经网络、储电子神经网络以及用电子神经网络。
16、可选地，在第一方面的一种可能实现方式中，所述发电集合、储电集合以及用电集合内的设备种类构建相对应的初始神经网络，所述初始神经网络包括初始神经节点，包括：
17、初始化每个发电集合、储电集合以及用电集合所对应的初始神经网络；
18、所述初始神经网络包括初始输入层、初始隐藏层以及初始输出层，遍历初始输入层中的所有初始输入神经元，并确定其输入信息的属性得到相对应的神经元标签；
19、获取每个初始输入神经元所直接连接或间接连接的初始隐藏神经元、初始输出神经元得到相对应的神经子路径，将所述神经元标签与所述神经子路径对应。
20、可选地，在第一方面的一种可能实现方式中，所述基于电网运行环境的客观参考属性对初始神经节点进行复核调整处理，得到处理后的发电子神经网络、储电子神经网络以及用电子神经网络，包括：
21、获取电网运行环境所对应地域的客观参考属性得到客观信息，将所述客观信息与初始输入神经元的神经元标签比对，每个客观信息具有预设对应的神经元标签；
22、若判断客观信息与神经元标签一一对应，则基于发电集合、储电集合以及用电集合所对应的初始神经网络得到发电子神经网络、储电子神经网络以及用电子神经网络；
23、若判断客观信息与神经元标签不对应，则将客观信息与神经元标签比对得到差异的神经元标签，基于差异的神经元标签对发电集合、储电集合以及用电集合所对应的初始神经网络处理，得到发电子神经网络、储电子神经网络以及用电子神经网络。
24、可选地，在第一方面的一种可能实现方式中，所述若判断客观信息与神经元标签不对应，则将客观信息与神经元标签比对得到差异的神经元标签，基于差异的神经元标签对发电集合、储电集合以及用电集合所对应的初始神经网络处理，得到发电子神经网络、储电子神经网络以及用电子神经网络，包括：
25、确定神经元标签中存在、客观信息不对应的神经元标签作为差异的神经元标签；
26、基于所述差异的神经元标签选中初始神经网络内的神经元标签和神经子路径，提取神经子路径内每个神经子节点上维度连接的上维度神经节点 ；
27、提取上维度神经节点的属性，基于差异的神经元标签所预先配置的节点修正方式和上维度神经节点的属性对相应的神经子路径调整，得到发电子神经网络、储电子神经网络以及用电子神经网络。
28、可选地，在第一方面的一种可能实现方式中，所述提取上维度神经节点的属性，基于差异的神经元标签所预先配置的节点修正方式和上维度神经节点的属性对相应的神经子路径调整，得到发电子神经网络、储电子神经网络以及用电子神经网络，包括：
29、获取每个神经子节点所对应上维度神经节点的属性，若上维度神经节点只通过一条路径与初始输入神经元连接，则直接将上维度神经节点与初始输入神经元之间的神经元路径删除；
30、若上维度神经节点通过多条路径与多个初始输入神经元连接，则获取多个初始输入神经元的中为差异的神经元标签和非差异的神经元标签；
31、基于差异的神经元标签和非差异的神经元标签中的信息与预先配置的节点修正方式比对，得到上维度神经节点所对应的权重和/或激励函数；
32、在对所有的神经子路径调整后得到发电子神经网络、储电子神经网络以及用电子神经网络。本文档来自技高网...
【技术保护点】
1.面向深度强化学习的电网运行环境推演方法，其特征在于，
2.根据权利要求1所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
3.根据权利要求1所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
4.根据权利要求3所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
5.根据权利要求4所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
6.根据权利要求5所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
7.根据权利要求6所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
8.根据权利要求7所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
9.根据权利要求1所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
10.根据权利要求9所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
11.根据权利要求9所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
12.根据权利要求1
13.根据权利要求12所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
...【技术特征摘要】
1.面向深度强化学习的电网运行环境推演方法，其特征在于，
2.根据权利要求1所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
3.根据权利要求1所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
4.根据权利要求3所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
5.根据权利要求4所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
6.根据权利要求5所述的面向深度强化学习的电网运行环境推演方法，其特征在于，
7.根据权利要求6所述的面向深度强化学习的电网运行环境...
【专利技术属性】
技术研发人员：胡恩德，祁炜雯，张良，张心心，蒋正威，沈健，杨晓丰，虞峥，陈子宣，陈天恒，陆献传，许飞，孙滢涛，姚皇甫，高齐君，陈涛涛，裘瑾怡，李熙娟，周进，陈水标，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
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。