Nothing Special   »   [go: up one dir, main page]

CN114936667A - 一种基于知识图谱的电网日前调度计划优化决策方法 - Google Patents

一种基于知识图谱的电网日前调度计划优化决策方法 Download PDF

Info

Publication number
CN114936667A
CN114936667A CN202210309877.3A CN202210309877A CN114936667A CN 114936667 A CN114936667 A CN 114936667A CN 202210309877 A CN202210309877 A CN 202210309877A CN 114936667 A CN114936667 A CN 114936667A
Authority
CN
China
Prior art keywords
power grid
scheduling plan
day
event
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210309877.3A
Other languages
English (en)
Inventor
严晴
陆继翔
旷文腾
谢峰
束蛟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Nari Technology Co Ltd
State Grid Ningxia Electric Power Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
State Grid Corp of China SGCC
Nari Technology Co Ltd
State Grid Ningxia Electric Power Co Ltd
State Grid Electric Power Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Nari Technology Co Ltd, State Grid Ningxia Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN202210309877.3A priority Critical patent/CN114936667A/zh
Publication of CN114936667A publication Critical patent/CN114936667A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于知识图谱的电网日前调度计划优化决策方法，本发明的方法首先建立电网日前调度优化决策知识图谱框架；再采用深度神经网络从电网日前调度计划优化决策领域文本语料抽取电网实体与事件；然后基于电网实体、事件构建电网日前调度计划优化决策领域知识图谱，在完成上两步的基础上，基于调度计划优化历史记录构建优化场景，并基于场景相似度计算和知识图谱得出计划优化建议。本发明从历史调度计划优化经验中提取优化经验，实现优化决策过程中关联数据的自动获取和优化决策条件的主动推送，减少计划迭代优化次数，缩短计划制定整体时间，提升优化过程效率和质量。

Description

一种基于知识图谱的电网日前调度计划优化决策方法
技术领域
本发明属于电网调度技术领域，具体涉及一种基于知识图谱的电网日前调度优化决策方法。
背景技术
电力系统有功调度是保证系统安全高效运行的基础，分为日前调度、日内调度和实时控制三个环节。在日前和日内阶段，通常以优化周期内的运行经济性为目标，根据新能源及负荷预测结果，通过安全约束机组组合(Security-Constrained Unit Commitment,SCUC)和安全约束经济调度(Security-Constrained Economic Dispatch,SCED)制定多时段的机组开停机计划和发电计划，实现供需平衡配置，这一过程遵循的是优化建模的思路。在当前能源变革与电力市场改革的新形势下，随着高比例可再生能源的广泛接入和高比例电力电子设备的大规模应用，电网调度对象类型和数量呈指数级增加，电网运行方式的不确定性显著增加，调度优化决策也更为复杂。受制于预测误差、边界条件、数学模型、优化算法等条件限制，在实际调度中时常出现分析结果与实际电网情况差异较大、优化结果无解或求解时间过长等问题。电网调度不再是简单的多目标优化计算，而是依据调度软件计算结果人工再分析、调整和验证的过程，导致软件优化前后需要做大量的人工调整，效率较低。
发明内容
发明目的：本发明的目的在于针对传统电网日前调度计划优化决策需要大量的人工收集数据和调整的局限，提出一种基于知识图谱的电网日前调度计划优化决策方法。能够通过自然语言处理、机器学习等人工智能技术，从历史调度计划优化经验中提取优化经验，实现优化决策过程中关联数据的自动获取和优化决策条件的主动推送，减少计划迭代优化次数，缩短计划制定整体时间，提升优化过程效率和质量。
本发明采用的技术方案如下：
一种基于知识图谱的电网日前调度优化决策方法，包括以下步骤：
步骤(1)建立电网日前调度优化决策知识图谱框架；
步骤(2)从电网日前调度计划优化决策领域文本语料抽取电网实体与事件；
步骤(3)基于电网实体、事件构建电网日前调度计划优化决策领域知识图谱；
步骤(4)基于调度计划优化历史记录构建优化场景；
步骤(5)基于场景相似度计算和知识图谱得出计划优化建议；
所述步骤(2)包括：
收集电网日前调度计划优化决策领域语料数据及文件；
预处理电网日前调度计划优化决策领域文本语料，清洗语料中的空行、空格，统一英文大小写，统一标点符号全角和半角状态；
根据电网设备标准名称清单、操作术语清单设定主题词典，采用HanLp分词框架进行中文分词和词性标注；
按照6：3：1划分语料为训练集、验证集和测试集；
基于训练集标注语料，采用Albert+BiLSTM+CRF深度神经网络架构，训练并构建电网日前调度计划领域命名实体识别模型；
基于识别模型，从测试集语料、后续生产过程中新生成语料中抽取电网实体与事件；
完成电网实体与电网调度控制运行支持系统中实体对象的映射，并构建电网日前调度计划优化决策领域知识图谱中的节点。
所述步骤(3)包括：
以地区、电厂、线路、变压器、母线、开关、机组、断面等电网实体为中心节点，以日前调度计划制订周期为切片，链接日前调度计划优化场景事件序列、关联环境数据、日前调度计划优化历史记录，组成日前调度计划优化决策知识图谱总图。
所述步骤(4)包括：
构建日前调度计划优化场景；
围绕日前调度计划优化场景，构建检修事件序列；
获取日前调度计划优化场景关联的环境数据。
所述步骤(5)包括：
选择电网日前调度计划优化决策场景特征维度；
场景环境信息特征向量初始化计算；
根据当前调度计划制订场景与对应特征维度，从日前调度计划优化决策知识图谱总图中获取关联数据并计算特征值；
根据火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测等场景环境信息特征向量计算场景环境相似度；
根据检修事件序列计算场景事件相似度，加权获得当前日前调度计划制订场景相似度；
选择与当前日前计划制定场景相似度最高的历史历史调度计划制订周期，获取其约束条件、优化参数与校核结果，供计划制定人员参考。
有益效果：与现有技术相比，本发明具有如下显著优点：
(1)本发明利用机器学习、自然语言处理等人工智能技术，对电网调度日前调度计划优化决策领域中的结构化、半结构化语料进行了电网实体与事件抽取，实现优化决策过程中关联数据的自动获取。
(2)本发明构建了电网日前调度计划优化决策领域知识图谱，为计划编制人员开展优化决策提供了全面的、以优化场景为切入点的知识图谱。
(3)本发明基于电网日前调度计划优化决策知识图谱实现场景化地优化操作推理计算和建议，减少计划迭代优化次数，缩短计划优化时间，提升优化过程效率和质量。
附图说明
图1为本发明电网日前调度计划优化决策知识图谱框架示意图；
图2为本发明电网日前调度计划优化决策领域电网实体与事件抽取方法示意图；
图3为本发明电网日前调度计划优化决策知识图谱场景化构建方法示意图；
图4为本发明电网日前调度计划优化决策建议推理方法示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1
本实施例提供一种电网日前调度计划优化决策领域电网实体与事件抽取方法，包括以下步骤：
步骤一，以电网台账为中心，构建电网日前调度计划优化决策知识图谱框架。参照图1，由台账图谱、火电机组状态图谱、新能源机组功率预测图谱、系统负荷预测图谱、日前调度计划优化历史记录图谱、稳定运行规程图谱、安全校核报告图谱、调度日志图谱组成，汇集调度计划优化决策所需关联信息。其中台账图谱包含地区、电厂、变电站、机组、变压器、母线、线路及其连接关系等信息，新能源机组功率预测包含厂站、新能源机组、机组类型、时间、预测功率等信息，火电机组状态包含火电机组、时间、机组容量、出力下限、出力下限、机组爬坡能力、降出力能力、检修状态、煤耗参数等信息，系统负荷预测包含地区、时间、预测负荷等信息，日前调度计划优化历史记录包含时间、优化目标、约束条件、优化参数、安全校核结果等信息，稳定运行规程包含断面、线路、限额，安全校核报告包含，调度日志包含时间、厂站、设备、调度事件等信息。
步骤二，从电网日前调度计划优化决策领域语料中抽取电网实体和事件，参照图2，具体包括：
语料准备：收集电网日前调度计划优化决策领域语料数据及文件，其中新能源机组功率预测、火电机组状态、系统负荷预测、母线负荷预测为结构化语料，日前调度计划优化历史记录、调度日志为半结构语料，稳定运行规程、安全校核报告为非结构数据。收集电网设备标准名称清单、操作术语清单。结构化语料、半结构化语料中的结构数据部分可以通过字段关联映射填充相应图谱的对应节点。非结构语料、半结构化语料中的非结构数据通过深度神经网络方法提取电网实体和事件。
语料预处理：预处理电网日前调度计划优化决策领域文本语料，清洗语料中的空行、空格。统一英文大小写，统一标点符号全角和半角状态。
语料分词：根据电网设备标准名称清单、操作术语清单设定主题词典，采用哈工大停用词表设定停用词，采用HanLp分词框架进行中文分词和词性标注。
语料标注：按照6：3：1划分语料为训练集、验证集和测试集。在训练集完成电网设备、事件的序列标注，定义标签集合表示所有标注结果。电网设备用P表示，事件用 E表示。标签集合可以定义为label＝{P-B,P-I,E-B,E-I,O}，标签定义如表1所示：
表1电网日前调度计划优化决策领域语料标签及定义
标签 定义
P-B 电网设备起始位置
P-I 电网设备中间位置或结束位置
E-B 事件起始位置
E-I 事件中间位置或结束为止
O 无关字符
命名实体识别模型训练：基于训练集标注语料，采用Albert+BiLSTM+CRF深度神经网络架构，训练并构建电网日前调度计划领域命名实体识别模型。基于识别模型，从测试集语料、后续生产过程中新生成语料中抽取电网实体与事件。
步骤三，完成电网实体与电网调度控制运行支持系统中实体对象的映射，并构建电网日前调度计划优化决策领域知识图谱中的节点。具体包括：
电网实体分类：首先采用Gaussian函数进行不同距离的样本的权重优化，避免厂站与开关实体样本数量级不平衡容易导致的关联算法失匹，然后选择ball tree算法作为近邻搜索优化算法，克服KD树高维失效，最后设定K值为5，开展KNN关联度处理，将电网实体分类为变电站、电厂、线路、变压器、母线、开关、发电机组、断面。
制定电网实体命名匹配规则：电网日前调度计划优化领域，针对各类语料中因调度运行控制人员个性化书写习惯导致的不同描述方式，制定电网实体与主题词典匹配文本规则：
变电站规则：1.若末尾有“变”，去除末尾“变”字。先进行字符串匹配。若字符串无法匹配，由词义匹配在主题词典中找到对应变电站；
电厂规则：1.去除末尾“风电、核电、电厂、厂、燃机、机”，字符串匹配。若字符串无法匹配，由词义匹配在主题词典中找到对应电厂；
线路规则：1.结尾“线”为单线，“双线”为两条线，“三线”为三条线；若存在“/”，一个“/”为双线，两个“/”为三线2.短语数字之前一般以厂站合称开头，提取短语中数字部分之前的词，由词义匹配在主题词典中找到对应合称；短语中无数字序号，去除“双线”、“三线”，若有“-”则是两个厂站全称，若无“-”则是合称；
变压器规则：1.若存在“、”、“/”符号，存在一个符号表示有两个变压器，两个符号表示有三个变压器，以此类推2.短语中第一个“#”之前，若有内容则为厂站，由词义匹配在主题词典中找到对应厂站；若“#”前无内容，则通过上下文寻找厂站；
母线规则：1.若存在“、”、“/”符号，存在一个符号表示有两条母线，两个符号表示有三条母线，以此类推；若有“-”，识别两侧的罗马数字，差值为母线数量2.短语中罗马数字之前的部分，有厂站+电压等级、厂站、电压等级的三种形式，有数字则存在电压等级，无数字则是厂站，数字前的内容为厂站。由词义匹配在主题词典中找到对应厂站；
开关规则：1.若存在“/”符号，一个符号为两个开关，两个“/”为三个开关，以此类推2.短语中数字之前的部分，有厂站+合称、合称的形式，由字数判断，2个字为合称，2字之前则是厂站。由词义匹配在主题词典中找到对应厂站和合称；
发电机组规则：1.若存在“、”符号，存在一个符号表示有两个机组，两个符号表示有三个机组，以此类推2.短语中第一个“#”之前，若有内容则为电厂，由词义匹配在主题词典中找到对应电厂。
电网实体链接：使用电网实体命名匹配规则，将电网日前调度计划优化领域语料中提取的电网实体映射至主题词典中的标准命名，作为知识图谱中的实体节点。
事件链接：因电网事件书写规范程序与电网实体规范程度相差较远，无法使用文本模式匹配规则进行事件映射，采用word2Vec浅层神经网络训练事件同义词相似度匹配模型，将电网日前调度计划优化领域语料中提取的事件映射至主题词典中事件的标准命名，作为知识图谱中的事件节点。
新词发现：生产环境中不断产生的语料数据中，针对未识别的短语、未能成功链接的电网实体与事件，通过词性分析，分成名词和动词两大类，通过人工交互确认，确定短语的分类，确定电网实体、事件的映射，并反向同步更新命名实体识别模型，与电网实体、事件链接的词义匹配模型，持续提升模型识别准确率。
实施例2提供一种面向日前调度计划优化场景的电网日前调度计划优化决策领域知识图谱构建方法，参照图3，包括以下步骤：
步骤一，构建日前调度计划优化场景。围绕三公调度、煤耗最小化、全系统发电成本最小、污染物最低、限电模式、大开机模式等优化目标，构建日前调度计划优化场景，从日前调度计划优化历史记录中抽取时间，优化目标，选择约束条件，选择优化参数、安全校核结果等信息。
步骤二，围绕日前调度计划优化场景，构建检修事件序列。具体包括：
获取安全校核报告事件链：从安全校核报告图谱中，获取时间、“检修”事件、“线路、主变N-1故障影响”事件链、“同杆N-2故障影响”事件链、“母线N-1故障影响”事件链、“机组N-1故障影响”事件链、“紧急甩负荷影响”事件链、“对相关安控策略的影响”事件链、“相关安控动作的影响”事件链、“方式调整对短路电流的影响”事件链、运行方式安排事件链、运行空控制措施事件链、“对新能源发电的影响”事件链、“对负荷供电的影响”事件链，并按照上述顺序构成事件序列。
获取调度日志事件链：从调度日志中获取时间、实际调度运行控制过程中的电网实体与“检修”事件链，作为安全校核报告事件链的补充。
事件顺承强度计算：调控运行控制过程中，电网状态的实时变化的具体体现是无数电网实体关联的事件形成的事件序列。从事件链中计算两个事件两两共现的概率，得出事件间顺承强度。
步骤三，获取日前调度计划优化场景关联的环境数据。具体包括：
从火电机组状态图谱中获取电厂、机组、时间、机组容量、出力下限、出力下限、机组爬坡能力、降出力能力、检修状态、煤耗参数等信息，计算调度周期内火电机组启停状态。
从新能源功率预测图谱中获取电厂、机组、调度周期内功率值。
从系统负荷预测图谱中获取调度周期内各地区的预测负荷，包括地区、时间、负荷。
从母线负荷预测图谱中获取调度周期内各母线的预测负荷，包括母线、时间、负荷。
步骤四，以地区、电厂、线路、变压器、母线、开关、机组、断面等电网实体为中心节点，以日前调度计划制订周期为切片，链接日前调度计划优化场景事件序列、关联环境数据、日前调度计划优化历史记录，组成日前调度计划优化决策知识图谱总图。
实施例3提供一种基于场景相似度计算和知识图谱的电网日前调度计划优化决策建议方法，参照图4，包括以下步骤：
步骤一，选择电网日前调度计划优化决策场景特征维度。围绕三公调度、煤耗最小化、全系统发电成本最小、污染物最低、限电模式、大开机模式等优化场景，从火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测、场景事件序列等信息中选择不同场景下的特征维度与组合。
步骤二，场景环境信息特征向量初始化计算。计算包括火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测等场景环境信息的特征向量，完成初始化。调度计划数据是电网调度运行控制最核心最关键的数据，其真实性与正确性由绝对保障，因此，本专利不考虑火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测等关联数据的清洗与异常修正。初始化场景环境信息特征向量计算具体包括：
火电机组状态为时序离散状态数据，将开机状态记为1，停机状态记为0，完成火电机组开停机状态特征向量重构。
新能源功率预测数据为时序连续数据，特征向量计算采用新能源功率预测值减去平均值、除以每个特征的标准偏差的方法进行归一化。
负荷预测数据为时序连续数据，特征向量计算采用负荷预测值减去平均值、除以每个特征的标准偏差的方法进行归一化。
母线负荷预测数据为时序连续数据，特征向量计算采用负荷预测值减去平均值、除以每个特征的标准偏差的方法进行归一化。
步骤三，根据当前调度计划制订场景与对应特征维度，从日前调度计划优化决策知识图谱总图中获取关联数据并计算特征值。具体包括：
从火电机组状态图谱中获取电厂、机组、时间、状态，计算当前调度计划制订周期内火电机组启停状态，根据步骤二中的特征向量计算方法，计算特征值。
从新能源功率预测图谱中获取当前调度计划制订周期内电厂、机组、功率预测值，根据步骤二中的特征向量计算方法，计算特征值。
从系统负荷预测图谱中获取当前调度计划制订周期内各地区的预测负荷，包括地区、负荷预测值，根据步骤二中的特征向量计算方法，计算特征值。
从安全校核报告中获取当前调度计划制定周期内检修事件序列，根据电网实体与关联事件，从日前调度计划优化决策知识图谱总图中，选择该检修事件序列中事件顺承强度高于设定值的后续事件作为该事件序列的补充。
步骤四：根据火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测等场景环境信息特征向量计算场景环境相似度，根据检修事件序列计算场景事件相似度，加权获得当前日前调度计划制订场景相似度，选择与当前日前计划制定场景相似度最高的历史历史调度计划制订周期，获取其约束条件、优化参数与校核结果，供计划制定人员参考。具体包括：
火电机组状态相似度计算：根据火电机组启停状态，计算调度计划制定对比周期的火电机组状态相似度，计算公式如下：
Figure RE-RE-GDA0003760606470000081
Sp为调度计划制定对比周期的火电机组状态相似度，na为当前调度计划制定周期与对比周期中状态相同的火电机组数量，np为火电机组总数。
新能源功率预测相似度计算：根据新能源机组功率预测曲线闵可夫斯基距离，计算调度计划制定对比周期的新能源功率预测相似度，计算公式如下：
Figure RE-RE-GDA0003760606470000082
Sn为调度计划制定对比周期的新能源功率预测相似度，Nn为新能源机组数量，dist(Pt,Pt’)为单台新能源机组在两个对比周期内的功率预测曲线的闵可夫斯基距离值。
系统负荷预测相似度计算：根据系统负荷预测曲线闵可夫斯基距离，计算调度计划制定对比周期的系统负荷预测相似度，计算公式如下：
Figure RE-RE-GDA0003760606470000083
SL为调度计划制定对比周期的系统负荷预测相似度，Nz为地区数量，dist(Lt,Lt’) 为单个地区在两个对比周期内的负荷预测曲线的闵可夫斯基距离值。
母线负荷预测相似度计算：根据母线预测曲线闵可夫斯基距离，计算调度计划制定对比周期的母线负荷预测相似度，计算公式如下：
Figure RE-RE-GDA0003760606470000084
Sl为调度计划制定对比周期的母线负荷预测相似度，Nn为母线数量，dist(lt,lt’)为单个母线在两个对比周期内的负荷预测曲线的闵可夫斯基距离值。
检修事件序列相似度计算：根据时间序列事件、实体关联度，计算调度计划制定对比周期的检修事件序列相似度，计算公式如下：
Figure RE-RE-GDA0003760606470000091
Se为调度计划制定对比周期的检修事件序列相似度，Ne为对比周期的检修事件序列事件节点数量，Ne’为当前周期内与对比周期事件序列中事件名称相同、事件关联实体相同的事件节点数量。
场景相似度计算：围绕围绕三公调度、煤耗最小化、全系统发电成本最小、污染物最低、限电模式、大开机模式等优化场景，计算不同场景下，调度计划制定对比周期的场景相似度。计算公式如下：
Ss＝rpSp+rnSn+rLSL+rlSl+reSe
Sp为调度计划制定对比周期的火电机组状态相似度，Sn为调度计划制定对比周期的新能源功率预测相似度，SL为调度计划制定对比周期的系统负荷预测相似度，Sl为调度计划制定对比周期的母线负荷预测相似度，Se为调度计划制定对比周期的检修事件序列相似度，r为各相似度的加权系数。
优化建议推荐：根据场景相似度，选择与当前调度计划制定周期场景相似度最大的历史场景，从日前调度计划优化历史记录图谱中获取计划人员选择的电网平衡、系统功率平衡、技术出力限制、爬坡速率、恒功率运行合同、启停事件、旋转备用、日前计划占比、用煤量、最小开机容量、环保等约束条件及其调整参数，供计划制定人员参考。

Claims (9)

1.一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，包括以下步骤：
(1)以电网台账为中心，构建电网日前调度计划优化决策知识图谱框架；
(2)从电网日前调度计划优化决策领域语料中抽取电网实体与事件；
(3)基于电网实体、事件构建电网日前调度计划优化决策领域知识图谱；
(4)基于调度计划优化历史记录构建优化场景；
(5)基于场景相似度计算和知识图谱，得出电网日前调度计划优化决策建议。
2.根据权利要求1所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述步骤(1)中电网日前调度计划优化决策知识图谱框架包括台账图谱、火电机组状态图谱、新能源机组功率预测图谱、系统负荷预测图谱、日前调度计划优化历史记录图谱、稳定运行规程图谱、安全校核报告图谱、调度日志图谱。
3.根据权利要求1所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述步骤(2)包括：
语料准备：收集电网日前调度计划优化决策领域语料数据及文件，其中新能源机组功率预测、火电机组状态、系统负荷预测、母线负荷预测为结构化语料，日前调度计划优化历史记录、调度日志为半结构语料，稳定运行规程、安全校核报告为非结构数据；收集电网设备标准名称清单、操作术语清单；结构化语料、半结构化语料中的结构数据部分可以通过字段关联映射填充相应图谱的对应节点；非结构语料、半结构化语料中的非结构数据通过深度神经网络方法提取电网实体和事件；
语料预处理：预处理电网日前调度计划优化决策领域文本语料，清洗语料中的空行、空格；统一英文大小写，统一标点符号全角和半角状态；
语料分词：根据电网设备标准名称清单、操作术语清单设定主题词典，采用HanLp分词框架进行中文分词和词性标注；
语料标注：按照6：3：1划分语料为训练集、验证集和测试集；在训练集完成电网设备、事件的序列标注，定义标签集合表示所有标注结果；
命名实体识别模型训练：基于训练集标注语料，采用Albert+BiLSTM+CRF深度神经网络架构，训练并构建电网日前调度计划领域命名实体识别模型；
基于识别模型，从测试集语料、后续生产过程中新生成语料中抽取电网实体与事件。
4.根据权利要求1所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述步骤(3)包括：
完成电网实体与电网调度控制运行支持系统中实体对象的映射，并构建电网日前调度计划优化决策领域知识图谱中的节点；
电网实体分类：首先采用Gaussian函数进行不同距离的样本的权重优化，避免厂站与开关实体样本数量级不平衡容易导致的关联算法失匹，然后选择ball tree算法作为近邻搜索优化算法，克服KD树高维失效，最后设定K值为5，开展KNN关联度处理，将电网实体分类为变电站、电厂、线路、变压器、母线、开关、发电机组、断面；
制定电网实体命名匹配规则；
电网实体链接：使用电网实体命名匹配规则，将电网日前调度计划优化领域语料中提取的电网实体映射至主题词典中的标准命名，作为知识图谱中的实体节点；
事件链接：因电网事件书写规范程序与电网实体规范程度相差较远，无法使用文本模式匹配规则进行事件映射，采用word2Vec浅层神经网络训练事件同义词相似度匹配模型，将电网日前调度计划优化领域语料中提取的事件映射至主题词典中事件的标准命名，作为知识图谱中的事件节点；
新词发现：生产环境中不断产生的语料数据中，针对未识别的短语、未能成功链接的电网实体与事件，通过词性分析，分成名词和动词两大类，通过人工交互确认，确定短语的分类，确定电网实体、事件的映射，并反向同步更新命名实体识别模型，与电网实体、事件链接的词义匹配模型，持续提升模型识别准确率。
5.根据权利要求1所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述步骤(4)包括：
构建日前调度计划优化场景，围绕三公调度、煤耗最小化、全系统发电成本最小、污染物最低、限电模式、大开机模式等优化目标，构建日前调度计划优化场景，从日前调度计划优化历史记录中抽取时间，优化目标，选择约束条件，选择优化参数、安全校核结果等信息；
围绕日前调度计划优化场景，构建检修事件序列；
获取日前调度计划优化场景关联的环境数据；
以地区、电厂、线路、变压器、母线、开关、机组、断面等电网实体为中心节点，以日前调度计划制订周期为切片，链接日前调度计划优化场景事件序列、关联环境数据、日前调度计划优化历史记录，组成日前调度计划优化决策知识图谱总图。
6.根据权利要求4所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述围绕日前调度计划优化场景，构建检修事件序列包括：
获取安全校核报告事件链：从安全校核报告图谱中，获取时间、“检修”事件、“线路、主变N-1故障影响”事件链、“同杆N-2故障影响”事件链、“母线N-1故障影响”事件链、“机组N-1故障影响”事件链、“紧急甩负荷影响”事件链、“对相关安控策略的影响”事件链、“相关安控动作的影响”事件链、“方式调整对短路电流的影响”事件链、运行方式安排事件链、运行空控制措施事件链、“对新能源发电的影响”事件链、“对负荷供电的影响”事件链，并按照上述顺序构成事件序列；
获取调度日志事件链：从调度日志中获取时间、实际调度运行控制过程中的电网实体与“检修”事件链，作为安全校核报告事件链的补充；
事件顺承强度计算：调控运行控制过程中，电网状态的实时变化的具体体现是无数电网实体关联的事件形成的事件序列；从事件链中计算两个事件两两共现的概率，得出事件间顺承强度。
7.根据权利要求4所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述获取日前调度计划优化场景关联的环境数据包括：
从火电机组状态图谱中获取电厂、机组、时间、机组容量、出力下限、出力下限、机组爬坡能力、降出力能力、检修状态、煤耗参数等信息，计算调度周期内火电机组启停状态；
从新能源功率预测图谱中获取电厂、机组、调度周期内功率值；
从系统负荷预测图谱中获取调度周期内各地区的预测负荷，包括地区、时间、负荷；
从母线负荷预测图谱中获取调度周期内各母线的预测负荷，包括母线、时间、负荷。
8.根据权利要求1所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，所述步骤(5)包括：
选择电网日前调度计划优化决策场景特征维度；
场景环境信息特征向量初始化计算；
根据当前调度计划制订场景与对应特征维度，从日前调度计划优化决策知识图谱总图中获取关联数据并计算特征值；
根据火电机组状态、新能源功率预测、系统负荷预测、母线负荷预测等场景环境信息特征向量计算场景环境相似度；
根据检修事件序列计算场景事件相似度，加权获得当前日前调度计划制订场景相似度，选择与当前日前计划制定场景相似度最高的历史历史调度计划制订周期，获取其约束条件、优化参数与校核结果，供计划制定人员参考。
9.根据权利要求7所述的一种基于知识图谱的电网日前调度计划优化决策方法，其特征在于，
所述火电机组状态的相似度计算：
根据火电机组启停状态，计算调度计划制定对比周期的火电机组状态相似度，计算公式如下：
Figure RE-FDA0003760606460000041
Sp为调度计划制定对比周期的火电机组状态相似度，na为当前调度计划制定周期与对比周期中状态相同的火电机组数量，np为火电机组总数；
所述新能源功率预测的相似度计算：根据新能源机组功率预测曲线闵可夫斯基距离，计算调度计划制定对比周期的新能源功率预测相似度，计算公式如下：
Figure RE-FDA0003760606460000042
Sn为调度计划制定对比周期的新能源功率预测相似度，Nn为新能源机组数量，dist(Pt,Pt’)为单台新能源机组在两个对比周期内的功率预测曲线的闵可夫斯基距离值；
所述系统负荷预测的相似度计算：根据系统负荷预测曲线闵可夫斯基距离，计算调度计划制定对比周期的系统负荷预测相似度，计算公式如下：
Figure RE-FDA0003760606460000043
SL为调度计划制定对比周期的系统负荷预测相似度，Nz为地区数量，dist(Lt,Lt’)为单个地区在两个对比周期内的负荷预测曲线的闵可夫斯基距离值；
所述母线负荷预测的相似度计算：根据母线预测曲线闵可夫斯基距离，计算调度计划制定对比周期的母线负荷预测相似度，计算公式如下：
Figure RE-FDA0003760606460000044
Sl为调度计划制定对比周期的母线负荷预测相似度，Nn为母线数量，dist(lt,lt’)为单个母线在两个对比周期内的负荷预测曲线的闵可夫斯基距离值；
所述检修事件序列的相似度计算：根据时间序列事件、实体关联度，计算调度计划制定对比周期的检修事件序列相似度，计算公式如下：
Figure RE-FDA0003760606460000051
Se为调度计划制定对比周期的检修事件序列相似度，Ne为对比周期的检修事件序列事件节点数量，Ne’为当前周期内与对比周期事件序列中事件名称相同、事件关联实体相同的事件节点数量；
所述场景相似度计算：围绕围绕三公调度、煤耗最小化、全系统发电成本最小、污染物最低、限电模式、大开机模式等优化场景，计算不同场景下，调度计划制定对比周期的场景相似度，计算公式如下：
Ss＝rpSp+rnSn+rLSL+rlSl+reSe
Sp为调度计划制定对比周期的火电机组状态相似度，Sn为调度计划制定对比周期的新能源功率预测相似度，SL为调度计划制定对比周期的系统负荷预测相似度，Sl为调度计划制定对比周期的母线负荷预测相似度，Se为调度计划制定对比周期的检修事件序列相似度，r为各相似度的加权系数。
CN202210309877.3A 2022-03-28 2022-03-28 一种基于知识图谱的电网日前调度计划优化决策方法 Pending CN114936667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210309877.3A CN114936667A (zh) 2022-03-28 2022-03-28 一种基于知识图谱的电网日前调度计划优化决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210309877.3A CN114936667A (zh) 2022-03-28 2022-03-28 一种基于知识图谱的电网日前调度计划优化决策方法

Publications (1)

Publication Number Publication Date
CN114936667A true CN114936667A (zh) 2022-08-23

Family

ID=82862420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210309877.3A Pending CN114936667A (zh) 2022-03-28 2022-03-28 一种基于知识图谱的电网日前调度计划优化决策方法

Country Status (1)

Country Link
CN (1) CN114936667A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118353777A (zh) * 2024-04-17 2024-07-16 暗物质(北京)智能科技有限公司 一种基于概率语法模型的网络资源配置自动调整方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118353777A (zh) * 2024-04-17 2024-07-16 暗物质(北京)智能科技有限公司 一种基于概率语法模型的网络资源配置自动调整方法

Similar Documents

Publication Publication Date Title
CN111860882B (zh) 一种电网调度故障处理知识图谱的构建方法及装置
CN111079430B (zh) 一种组合深度学习和概念图谱的电力故障事件抽取方法
CN112905804B (zh) 一种电网调度知识图谱的动态更新方法及装置
CN107798435B (zh) 一种基于文本信息抽取的电力物资需求预测方法
CN112419096B (zh) 基于nlp信息萃取与少样本自学习的用户用电诉求工单自动流转方法
CN114077674A (zh) 一种电网调度知识图谱数据优化方法及系统
CN115795018B (zh) 一种面向电网领域的多策略智能搜索问答方法及系统
Li et al. Deep spatio-temporal wind power forecasting
CN112699244A (zh) 基于深度学习的输变电设备缺陷文本分类方法及系统
CN115409122A (zh) 一种变电设备并发故障分析方法、系统、设备及介质
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN115563968A (zh) 水电运检知识自然语言人工智能系统及方法
CN113094494A (zh) 电力操作票文本智能分类方法、装置、设备及介质
CN114936667A (zh) 一种基于知识图谱的电网日前调度计划优化决策方法
CN115936001A (zh) 基于BERT-BiLSTM-CRF模型和注意力的电网IT运维实体识别方法及系统
CN115619117A (zh) 基于值班系统的电网智能调度方法
CN117407749A (zh) 基于自然语言处理的操作票智能纠错方法及装置
CN112380844A (zh) 武器装备属性同义词扩展方法
CN116340534A (zh) 一种识别新能源异常数据的知识图谱构建方法和系统
CN115906846A (zh) 一种基于双图的层次特征融合的文档级命名实体识别方法
CN114003728A (zh) 电网线路的故障处理方法及装置
Feifei et al. Intelligent question and answer analysis model of power ICT based on BI-LSTM-CRF
Liu et al. Historical Similar Ticket Matching and Extraction used for Power Grid Maintenance Work Ticket Decision Making
Wei et al. Power system text information matehing researeh based on deep learning
CN109740149A (zh) 一种基于远程监督的同义词提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230323

Address after: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: NARI TECHNOLOGY Co.,Ltd.

Applicant after: STATE GRID NINGXIA ELECTRIC POWER Co.,Ltd.

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID NINGXIA ELECTRIC POWER Co.,Ltd.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 211106 No. 19 Chengxin Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: NARI TECHNOLOGY Co.,Ltd.

Applicant before: STATE GRID NINGXIA ELECTRIC POWER Co.,Ltd.

Applicant before: STATE GRID CORPORATION OF CHINA