一种基于人工智能的电力调度方法及系统与流程

本发明属于电力调度领域，尤其涉及一种基于人工智能的电力调度方法及系统。

背景技术：

1、电力调度系统在现代电网中扮演着至关重要的角色，其主要任务是确保电网的安全稳定运行以及电力资源的高效利用。随着电网规模的不断扩大和复杂性的增加，传统的电力调度方法面临诸多挑战和瓶颈。目前，电力调度系统主要依赖于人工经验和基于规则的决策方法，缺乏对设备运行状态和健康状况的精准评估和预测。这种方法存在以下几个主要缺点：

2、1、数据利用不充分：电网运行过程中会产生大量的多源数据，包括设备的运行数据、环境数据和历史故障数据等。然而，传统方法往往只关注部分关键数据，无法充分利用这些丰富的多源数据进行全面的分析和决策，导致决策信息不全、准确性不足。

3、2、状态评估和预测能力有限：现有技术通常基于静态或单一类型的数据进行设备状态评估，缺乏对设备运行状态的动态监测和多维度分析。这使得电网调度系统在面对复杂和变化多端的电网运行环境时，难以及时、准确地评估设备健康状态和预测运行状态。

4、3、缺陷识别与故障诊断效率低：传统的缺陷识别与故障诊断方法主要依赖于规则库和专家经验，存在误报率高、漏报率高的问题。同时，规则库的更新依赖于人工维护，无法快速适应电网运行环境的变化，导致诊断效率和准确性受到严重制约。

5、4、检修策略优化不足：现有检修策略大多基于预防性维护或固定周期的维护计划，缺乏对设备运行状态的实时监测和反馈机制，导致检修策略往往不能根据设备实际状态进行动态调整，既可能造成过度维护浪费资源，又可能因维护不及时导致设备故障。

6、5、技术集成度不高：尽管人工智能、大数据等技术在电力调度领域逐步应用，但现有系统往往缺乏对这些技术的深度融合，无法形成一个高度集成和协同工作的系统，限制了系统的整体性能提升和智能化水平。

7、上述问题不仅制约了电网调度系统的效率和可靠性，也增加了电网运营和维护的成本。为此，迫切需要一种新型的、基于人工智能的电力调度方法及系统，以全面提升配网自动化设备的运行质量和电网的安全稳定性。

技术实现思路

1、本发明的目的设计一种基于人工智能的电力调度方法及系统，首先通过多模态数据采集和预处理，确保了数据的全面性和准确性；然后，通过多模态健康状态评估和时空数据融合，实现了对设备健康状态和运行状态的精准评估和预测；接着，通过自监督学习进行缺陷识别和故障诊断，提高了诊断效率和准确性；动态知识库的更新与维护保证了数据的实时性和准确性；通过启发式智能算法优化检修策略，闭环反馈系统实现了检修策略的动态调整和持续优化；最后，通过系统的集成与应用，形成一个高度智能化和协同工作的整体系统。通过这些创新步骤，本发明有效提升了配网自动化设备的运行质量，确保了电网的安全稳定性，全面解决了现有技术中的不足。

2、为了达到上述目的，在本发明第一方面提供一种基于人工智能的电力调度方法，所述方法包括：

3、s1、部署多模态传感器收集多模态数据，对多模态数据进行预处理、特征提取和特征融合，得到综合特征向量；其中，所述多模态传感器包括图像传感器、声音传感器、振动传感器和温度传感器；

4、s2、构建多模态深度学习模型，将预处理后的多模态数据输入多模态深度学习模型评估健康状态；

5、s3、使用时空卷积神经网络结合长短期记忆网络，基于健康状态的评估结果和原始多模态数据对电力设备运行状态进行预测；

6、s4、通过自监督学习方法进行缺陷识别和故障诊断，并更新知识库中的设备信息和状态数据；

7、s5、根据知识库中的设备信息和状态数据，利用启发式智能算法生成最优检修方案；

8、s6、实时检测电力调度策略的运行结果，根据实际运行结果和故障反馈动态调整和优化检修策略；

9、s7、将步骤s1-s6进行集成，部署到智能电力调度系统中，并在实际配网中进行应用和验证；

10、其中，所述使用时空卷积神经网络结合长短期记忆网络，包括：

11、定义时空矩阵，其中  表示时间步， 表示空间位置，表示：

12、，

13、其中，、、、 分别表示图像、声音、振动和温度特征，表示健康状态指标；

14、定义时空卷积核，时空矩阵 进行卷积操作，表示如下：

15、，

16、其中， 表示卷积操作， 表示卷积核的尺寸的一半，表示时空卷积核中时空特征的权重；表示输入的时空矩阵，表示卷积处理后的输出矩阵；

17、构建时序预测模型，定义时序预测模型的输入为卷积处理后的特征矩阵，输出为未来的设备运行状态，表示如下：

18、，

19、其中，表示时序预测函数，将卷积处理后的特征矩阵 映射到未来的健康状态；表示预测的时间步长。

20、进一步地，所述预处理包括数据格式标准化处理、时间同步处理、图像数据预处理、声音数据预处理、振动数据预处理和温度数据预处理。

21、进一步地，所述步骤s2，具体包括：

22、s21、对每个特征进行标准化处理，表示如下：

23、，

24、其中，表示特征的均值，表示特征的标准差，表示标准化处理后特征；

25、s22、计算各个特征的健康状态指标，观察设备当前的健康状态，表示如下：

26、，

27、其中，表示特征  的权重，表示特征的数量；

28、s23、将各个特征的健康状态指标转化为健康评分，并进行归一化处理，表示如下：

29、，

30、其中， 和  分别表示健康状态指标的最小值和最大值；

31、s24、生成设备健康状态评估报告。

32、进一步地，所述步骤s3中，基于健康状态的评估结果和原始多模态数据对电力设备运行状态进行预测，将预测的运行状态与实际监测数据进行比较，计算预测误差，表示如下：

33、，

34、其中，表示预测误差，反映了实际健康状态与预测结果之间的差异；表示实际的健康状态指标；表示预测的健康状态。

35、进一步地，所述通过自监督学习方法进行缺陷识别和故障诊断，包括：

36、s41、定义输入数据矩阵，包含多模态特征和预测结果，表示如下：

37、，

38、其中， 为预测的健康状态指标，表示时间 和位置  处预测的健康状态指标；表示时间  和位置  处的图像特征；表示时间  和位置  处的声音特征；表示时间  和位置  处的振动特征；表示时间  和位置  处的温度特征；表示时间  和位置  处的健康状态指标；

39、s42、定义差异矩阵 ，表示实际健康状态 与预测健康状态  的特征差异，根据特征差异识别潜在的缺陷和故障，表示如下：

40、，

41、其中，表示实际的健康状态指标，表示预测的健康状态指标，表示差异矩阵；

42、s43、基于差异矩阵 ，设定阈值进行异常检测，识别是否存在偏离正常运行状态的情况，设定阈值，当差异  超过阈值时，判定为异常，表示如下：

43、，

44、其中，表示异常矩阵，标识出异常点；

45、s44、定义故障模式矩阵，包含所有异常点的特征值和位置，表示如下：

46、。

47、进一步地，所述知识库定义条目，包含各类数据和分析结果，表示如下：

48、，

49、其中，表示时间， 表示空间位置。

50、进一步地，定义更新函数，用于更新现有条目，表示如下：

51、，

52、其中，表示新数据条目；

53、同时对知识库进行清洗，定义清洗函数，表示如下：

54、，

55、其中， 为知识库中的所有条目；

56、构建动态知识库维护机制，定义维护函数定期维护知识库，表示如下：

57、，

58、其中， 包含数据更新、清洗和优化。

59、进一步地，所述利用启发式智能算法生成最优检修方案，包括：

60、s51、定义检修数据矩阵，包含多种检修相关数据：

61、，

62、其中， 表示检修类型， 表示检修效果；

63、s52、采用多目标优化方法，根据检修数据矩阵，评估不同检修策略的效果，定义多目标优化函数，其中  表示检修策略参数，表示如下：

64、，

65、其中，、、 表示权重参数， 表示检修成本， 表示检修时间， 表示检修效果；

66、s53、采用启发式算法调整检修策略参数，进行全局搜索，找到使 最小的参数组合，输出最优检修策略参数。

67、进一步地，所述步骤s6，具体包括：

68、s61、定义实时监测数据，包含健康状态评估和故障诊断信息，表示如下：

69、，

70、其中， 表示健康状态， 表示故障模式， 表示检修效果；

71、s62、基于实时监测数据，使用物理模型和评估算法对设备状态进行评估，根据评估结果，生成反馈信号调整和优化检修策略，表示如下：

72、定义状态评估函数，输出评估结果 ：

73、，

74、其中，表示状态评估函数；

75、s63、根据状态评估结果，动态调整检修策略，表示如下：

76、定义检修策略调整函数，生成新的检修策略参数：

77、，

78、其中， 表示当前检修策略参数；

79、s64、实施调整后的检修策略，并实时监测检修效果，将检修效果反馈到系统中形成闭环控制，表示如下：

80、定义效果验证函数，验证新的检修策略效果：

81、，

82、其中， 表示效果验证函数。

83、在本发明的第二方面提供了一种基于人工智能的电力调度系统，所述系统包括：

84、数据收集单元，用于部署多模态传感器收集多模态数据，对多模态数据进行预处理、特征提取和特征融合，得到综合特征向量；其中，所述多模态传感器包括图像传感器、声音传感器、振动传感器和温度传感器；

85、状态监控单元，用于构建多模态深度学习模型，将预处理后的多模态数据输入多模态深度学习模型评估健康状态；使用时空卷积神经网络结合长短期记忆网络，基于健康状态的评估结果和原始多模态数据对电力设备运行状态进行预测；通过自监督学习方法进行缺陷识别和故障诊断，并更新知识库中的设备信息和状态数据；

86、检修优化单元，用于根据知识库中的设备信息和状态数据，利用启发式智能算法生成最优检修方案；实时检测电力调度策略的运行结果，根据实际运行结果和故障反馈动态调整和优化检修策略；

87、系统集成单元，用于将上述单元进行集成，部署到智能电力调度系统中，并在实际配网中进行应用和验证；

88、其中，所述使用时空卷积神经网络结合长短期记忆网络，包括：

89、定义时空矩阵，其中  表示时间步， 表示空间位置，表示：

90、，

91、其中，、、、 分别表示图像、声音、振动和温度特征，表示健康状态指标；

92、定义时空卷积核，时空矩阵 进行卷积操作，表示如下：

93、，

94、其中，表示卷积操作， 表示卷积核的尺寸的一半，表示时空卷积核中时空特征的权重；表示输入的时空矩阵，表示卷积处理后的输出矩阵；

95、构建时序预测模型，定义时序预测模型的输入为卷积处理后的特征矩阵，输出为未来的设备运行状态，表示如下：

96、，

97、其中，表示时序预测函数，将卷积处理后的特征矩阵 映射到未来的健康状态；表示预测的时间步长。

98、本发明的有益技术效果至少在于以下几点：

99、本发明利用多模态深度学习技术，将图像、声音、振动等多种传感器数据集成处理，通过transformer模型进行设备健康状态评估。该方法克服了传统评估方法仅依赖单一数据源、评估准确性不足的问题，实现了对设备健康状态的全面和精准评估。

100、本发明采用时空卷积神经网络（stcns）结合长短期记忆网络（lstm），对设备的运行状态进行多时间尺度的预测。通过时空数据融合，提高了对设备运行状态的预测精度，解决了传统方法预测能力有限的问题。

101、本发明引入自监督学习方法，在缺乏大量标注数据的情况下，通过自监督模型进行缺陷识别和故障诊断，集成多任务学习框架同时处理缺陷识别和故障诊断任务，解决了现有技术中依赖人工经验和规则库、诊断效率低下的问题。

102、本发明利用启发式智能算法（如遗传算法、蚁群算法）优化设备检修策略，并通过闭环反馈系统，根据检修效果动态调整和优化检修策略。该方法有效解决了传统检修策略缺乏实时监测和动态调整机制的问题，提高了检修策略的优化效率和设备运行的可靠性。

103、本发明将多模态学习、时空卷积网络、自监督学习和启发式智能算法进行深度融合，构建一个高度集成和协同工作的智能系统，实现了对配网自动化设备的全面监测、精准评估、实时预测、智能诊断和动态优化，显著提升了系统的整体性能和智能化水平。