基于混合测量的新能源电力电网供电安全性能防御方法

专利名称：基于混合测量的新能源电力电网供电安全性能防御方法

专利类型：发明专利

专利申请号：CN202410886347.4

专利申请（专利权）人：国网甘肃省电力公司天水供电公司
权利人地址：甘肃省天水市秦州区藉河南路2077号

专利发明（设计）人：喻冰峰,牟旭东,康健,成煜,刘文君,金燕峰,蔡文江,马莹,王燕妮,马光,马建峰,张少鹏,任琳杰,张应红,陈柏良

专利摘要：本发明属于电网新能源的优化管理和高效利用技术领域，尤其涉及基于混合测量的新能源电力电网供电安全性能防御方法。通过传感器和数据采集系统对电网中的参数进行实时监测，将测量后的数据进行预处理，利用预处理后的数据评估新能源电力设备的运行状态；基于安全强化学习对获得的数据进行状态评估，定义电网的安全状态和策略集合，每层输出对应的子策略优势函数、状态值函数或直接输出子策略；根据输出的子策略优势函数、动作值函数或直接输出的子策略，选取最优策略；实时监控电网状态，动态调整电网运行策略。本发明是一种实现了电网管理和新能源电力的高效利用以及安全稳定运行的基于混合测量的新能源电力电网供电安全性能防御方法。

主权利要求：
1.基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于：包括以下步骤：步骤S1.数据采集与预处理，在电网的关键节点部署传感器和数据采集系统，通过传感器和数据采集系统对电网中的参数进行实时监测，将测量后的数据进行预处理，利用预处理后的数据评估新能源电力设备的运行状态；
步骤S2.状态评估与建模，基于安全强化学习对步骤S1获得的数据进行状态评估，定义电网的安全状态和策略集合，利用分层神经网络架构，每层输出对应的子策略优势函数、状态值函数或直接输出子策略；
步骤S3.安全性能优化，根据步骤S2中输出的子策略优势函数、动作值函数或直接输出的子策略，选取最优策略；
步骤S4.实时监控与动态调整，实时监控电网状态，结合实时数据和步骤S3和步骤S3的结果，动态调整电网运行策略，以应对新能源电力系统的不确定性和复杂性；
所述步骤S1中，数据预处理的步骤包括以下步骤：
步骤S11.将采集到的模拟信号转换为数字信号，并分离实部和虚部；
步骤S12.使用滤波器去除高频噪声，通过统计方法识别和处理异常值；
步骤S13.使用 方法整合经 测量后的稀疏数据点和光学测量的密集数据点；
步骤S14.对经过 方法整合后的数据点添加时间戳；
步骤S15.使用数据库管理系统存储添加时间戳后的数据点，并建立数据索引。
2.根据权利要求1所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于：所述步骤S13中， 方法整合数据点方法的包括：步骤S131.获取 个稀疏采样点和 个密集采样点， 个稀疏采样点通过 测量获得薄膜的化学成分、厚度参数值， 个密集采样点通过光学测量获得薄膜的光学特性估计值；
步骤S132.选择线性回归作为预测模型，使用 个稀疏采样点的数据训练模型，从采样点中提取有助于模型预测的特征，利用训练数据集的特征和目标值来训练所选线性回归预测模型，线性回归模型为： ；
；
；
为特征矩阵, 中每一行代表一个采样点，每一列代表一个特征,特征矩阵中1是添加的偏置项，用于模型中的截距项， 是第 个采样点的光谱数据向量； 为目标参数矩阵, 中每一行对应一个采样点的参数值， 是第 个采样点的参数值， 是模型参数向量，是误差项；
步骤S133.模型验证，从 个稀疏采样点中划分出一部分数据作为验证集，剩余的数据用作训练模型,使用训练好的模型在验证集上进行预测，比较验证集的预测值和实际值来评估模型性能，；
；
是验证集的大小, 是第 个实际测量值， 是模型预测值， 是实际测量值的平均值， 是决定系数，用于衡量模型对数据的拟合程度，衡量回归模型拟合优度的一个统计指标， 值介于0和1之间；
步骤S134.应用模型解释密集数据，使用训练好的线性回归预测模型应用于 个密集数据点，来预测 个密集采样点的参数，预测公式为： ；
；
是 个密集采样点参数的预测值矩阵, 是密集采样点的特征矩阵；是添加的偏置项，用于模型中的截距； 为通过训练数据学习到的模型参数， 为模型参数向量 的最小二乘法计值； 为第 个采样点在第 个波段的反射率；
步骤S135.评估模型的准确性和可靠性，整合稀疏和密集数据点的测量结果，首先对模型预测结果进行全面分析，再根据分析结果进行反馈调整。
3.根据权利要求2所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于，所述步骤S135中，对模型预测结果进行全面分析的方法包括：将密集采样点参数的预测结果 与稀疏采样点的实际测量值 整合在单一的数据框架中，根据步骤S133中计算的结果分析模型预测的准确性指标，进行比较分析，通过绘制实际值与预测值的对比图、残差图，直观展示模型的预测性能，评估模型对不同输入特征的敏感度，识别关键特征。
4.根据权利要求2所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于，所述步骤S135中，根据分析结果进行反馈调整的方法包括：偏差识别与参数调整，分析模型预测的准确性指标，识别模型预测的偏差和不足之处，根据分析结果，调整模型参数，以减少预测误差；
测量优化与模型结构调整，分析数据质量问题，优化数据采集过程，提高测量精度或增加区域的采样密度，增加模型复杂度；
重新训练与验证，使用调整后的参数和优化后新的测量数据重新训练模型，并使用与步骤S133中相同的验证集进行验证；
迭代改进，将模型优化作为一个迭代过程，不断根据新的反馈进行调整。
5.根据权利要求1所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于，所述步骤S2中，定义电网的安全状态和策略集合的方法包括：根据步骤S1收集的数据，确定电网参数的正常运行范围，设定阈值，定义警告和紧急状态，明确电网的安全运行标准，为状态监测和策略制定提供依据,使用时间序列分析方法，构建状态序列 ，是在时间步 的系统状态序列，是一个向量，包含了电网在当前和历史时刻的状态信息,状态序列 的公式为： ；
是历史状态的数量，是当前状态 ，通过构建状态序列 对历史数据的整合，为模型提供了动态的、时间相关的系统状态信息。
6.根据权利要求1所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于，所述步骤S2中，分层神经网络架构为：隐藏层输出： ；
输出层： ；
；
；
是隐藏层的输出，是一个向量，其维度与隐藏层的神经元数量相同； 是输入层到隐藏层的权重矩阵，其维度是隐藏层神经元数乘以输入特征数； 是隐藏层的偏置向量，其维度与隐藏层神经元数量相同，用于提供额外的灵活性以更好地拟合数据； 是激活函数，即线性整流函数，用于引入非线性；
是模型预测的策略概率分布， 是一个概率向量， 的维度与策略集合中策略的数量相同； 隐藏层到输出层的权重矩阵， 维度是输出神经元数乘以隐藏层神经元数；
为输出层的偏置向量， 维度与输出神经元数量相同，用于确定每个策略的基线活跃度；
激活函数，用于将一个向量转换为概率分布， 是输入 的指数， 表示第 个类别的得分转换后的指数值。
7.根据权利要求1所述的基于混合测量的新能源电力电网供电安全性能防御方法，其特征在于，所述步骤S3中，选取最优策略的方法为：S31.子策略评估：计算步骤S2中模型预测的策略概率分布 输出的每个子策略 ，计算子策略的优势函数 和状态值函数 ，计算公式为： ；
；
表示在当前状态 下采取子策略 的优势； 是在时间 的状态 的状态价值函数； 是在时间 采取子策略 后获得的即时奖励，即时奖励能够反映特定控制动作对电网稳定性和效率的影响，从而指导电网的实时调度和控制， 表示在时间 的状态， 表示在状态 采取的子策略； 是折扣因子， 决定了未来奖励相对于即时奖励的重要性，取值范围在0到1之间， 折扣因子的 次幂，表示在时间 获得的奖励相对于现在的价值； 预测了从当前状态 开始，遵循子策略 所能获得的期望回报； 是在时间的状态 的状态价值函数；
S32.优化策略选择：
结合即时奖励 和长期风险值 ，进行子策略优化的选择，公式如下： ；
是评估后选择的最优策略， 表示对子策略 寻找最优解， 是在时间步长 的即时奖励， 是时间步长 的长期风险值， 用于调整未来状态价值 的权重， 用于调整长期风险值 的权重， 表示从状态 开始遵循当前策略所能获得的期望回报；
S33.优化模型训练与验证：
使用步骤S1中的数据集进行模型训练，评估模型的准确性和泛化能力，采用均方误差作为损失函数，为了防止模型过拟合，在损失函数中添加权重的绝对值之和，促使模型学习到更稀疏的权重，在损失函数中添加权重的平方和，促使模型学习到更小的权重值，具体公式为： ；
公式中， 为优化后的训练模型， 为均方误差损失函数， 表示模型在没有正则化时的损失，具体通过均方误差或交叉熵损失计算， 是模型中的权重参数，是权重参数的总数， 和 是正则化系数， 用于产生稀疏权重矩，促进权重的稀疏性； 用于防止权重过大， 有助于稳定模型的训练过程，防止权重过大导致的过拟合； 和 通过交叉验证来选择这两个系数的最佳组合，设置不同的 和 值然后评估它们在验证集上的性能。 说明书 : 基于混合测量的新能源电力电网供电安全性能防御方法技术领域[0001] 本发明属于电网新能源电力的并网和调度技术领域，尤其涉及基于混合测量的新能源电力电网供电安全性能防御方法。背景技术[0002] 现有的电网管理系统在处理新能源电力的并网和调度时面临诸多挑战。由于新能源电力（如太阳能、风能）具有间歇性和不可预测性，这导致电网运行的复杂性和不确定性增加。现有技术通常缺乏有效的实时监控和动态调整机制，难以适应新能源电力系统带来的波动和变化。此外，传统的安全性能评估方法可能无法准确反映新能源电力设备的实际运行状态，导致电网安全风险管理不足。[0003] 为了解决这些问题，现有技术通常采用基于SCADA（监控控制与数据采集）系统的监控解决方案、静态安全分析、经验性调度、简单预测模型的构建以及独立控制策略。但是这些方法会限制电网对新能源电力波动性的适应能力和整体运行效率。如，采用基于SCADA（监控控制与数据采集）系统的监控解决方案，无法实现对新能源电力设备状态的实时监测，导致无法快速响应电网状态的变化；静态安全分析无法适应新能源电力系统动态变化的需求，可能导致电网运行风险评估不准确；经验性调度依赖于经验性调度规则，无法适应新能源电力系统的高度不确定性和复杂性，缺乏灵活性和适应性；简单的预测模型无法准确预测新能源电力的波动性，影响了电网调度的效率和可靠性；采用独立控制策略来管理电网中的各个组成部分，会电网缺乏整体协调和优化，未能充分利用稀疏和密集数据点的组合优势，导致数据的潜力未能充分发挥。发明内容[0004] 根据以上现有技术中的不足，本发明内容要解决的技术问题是：提供基于混合测量的新能源电力电网供电安全性能防御方法，[0005] 为了实现以上目的，本发明内容采用如下技术方案：[0006] 基于混合测量的新能源电力电网供电安全性能防御方法，包括以下步骤：[0007] 步骤S1.数据采集与预处理，在电网的关键节点部署传感器和数据采集系统（DAQ），通过传感器和数据采集系统（DAQ）对电网中的参数进行实时监测，将测量后的数据进行预处理，利用预处理后的数据评估新能源电力设备的运行状态。[0008] 所述步骤S1中，数据进行预处理的步骤包括以下步骤：[0009] 步骤S11.将采集到的模拟信号转换为数字信号，并分离实部和虚部；[0010] 步骤S12.使用滤波器去除高频噪声，通过统计方法识别和处理异常值；[0011] 步骤S13.使用 （可混合智能采样）方法整合经 测量后的稀疏数据点和光学测量的密集数据点；[0012] 步骤S14.对经过 方法整合后的数据点添加时间戳；[0013] 步骤S15.使用数据库管理系统(DBMS)存储添加时间戳后的数据点，并建立数据索引。[0014] 进一步地，所述步骤S13中， 方法整合数据点方法的包括：[0015] 步骤S131.获取 个稀疏采样点和 个密集采样点， 个稀疏采样点通过测量获得薄膜的化学成分、厚度等参数值， 个密集采样点通过光学测量获得薄膜的反射率、透射率等光学特性估计值；[0016] 步骤S132.选择线性回归作为预测模型，使用 个稀疏采样点的数据训练模型，从采样点中提取有助于模型预测的特征，利用训练数据集的特征和目标值来训练所选线性回归预测模型，线性回归模型为：[0017] ；[0018] ；[0019] ；[0020] 为特征矩阵, 中每一行代表一个采样点，每一列代表一个特征,特征矩阵中1是添加的偏置项，用于模型中的截距项， 是第 个采样点的光谱数据向量； 为目标参数矩阵, 中每一行对应一个采样点的参数值， 是第 个采样点的参数值， 是模型参数向量，是误差项；[0021] 步骤S133.模型验证，从 个稀疏采样点中划分出一部分数据作为验证集，剩余的数据用作训练模型,使用训练好的模型在验证集上进行预测，比较验证集的预测值和实际值来评估模型性能；[0022] ；[0023] ；[0024] 是验证集的大小, 是第 个实际测量值， 是模型预测值， 是实际测量值的平均值；[0025] 步骤S134.应用模型解释密集数据，使用训练好的线性回归预测模型应用于 个密集数据点，来预测 个密集采样点的参数，预测公式为：[0026] ；[0027] ；[0028] 是 个密集采样点参数的预测值矩阵, 是密集采样点的特征矩阵；是添加的偏置项，用于模型中的截距； 为通过训练数据学习到的模型参数， 为模型参数向量的最小二乘法计值； 为第 个采样点在第 个波段的反射率；[0029] 步骤S135.评估模型的准确性和可靠性，整合稀疏和密集数据点的测量结果，对模型预测结果进行全面分析，根据分析结果进行反馈调整。[0030] 所述步骤S135中，对模型预测结果进行全面分析的方法包括：[0031] 将密集采样点参数的预测结果 与稀疏采样点的实际测量值 整合在单一的数据框架中，根据步骤S133中计算的结果分析模型预测的准确性指标，进行比较分析，通过绘制实际值与预测值的对比图、残差图等，直观展示模型的预测性能，评估模型对不同输入特征的敏感度，识别关键特征。[0032] 所述步骤S135中，根据分析结果进行反馈调整的方法包括：[0033] 偏差识别与参数调整，分析模型预测的准确性指标，识别模型预测的偏差和不足之处，根据分析结果，调整模型参数，如权重、偏置项等，以减少预测误差；[0034] 测量优化与模型结构调整，分析数据质量问题，优化数据采集过程，提高测量精度或增加区域的采样密度，增加模型复杂度；[0035] 重新训练与验证，使用调整后的参数和优化后新的测量数据重新训练模型，并使用与步骤S133中相同的验证集进行验证；[0036] 迭代改进，将模型优化作为一个迭代过程，不断根据新的反馈进行调整。[0037] 步骤S2.状态评估与建模，基于安全强化学习对步骤S1获得的数据进行状态评估，定义电网的安全状态和策略集合，利用分层神经网络架构，每层输出对应的子策略优势函数、状态值函数或直接输出子策略；[0038] 所述步骤S2中，定义电网的安全状态和策略集合的方法包括：[0039] 根据步骤S1收集的数据，确定电网参数的正常运行范围，设定阈值，定义警告和紧急状态，明确电网的安全运行标准，为状态监测和策略制定提供依据,使用时间序列分析方法，构建状态序列 ，是在时间步 的系统状态序列，是一个向量，包含了电网在当前和历史时刻的状态信息,状态序列 的公式为：[0040] ；[0041] 是历史状态的数量，是当前状态 ，通过构建状态序列 对历史数据的整合，为模型提供了动态的、时间相关的系统状态信息。[0042] 步骤S2中，所述的分层神经网络架构为：[0043] 隐藏层输出： ；[0044] 输出层（策略选择）： ；[0045] ；[0046] ；[0047] 是隐藏层的输出，是一个向量，其维度与隐藏层的神经元数量相同； 是输入层到隐藏层的权重矩阵，其维度是隐藏层神经元数乘以输入特征数； 是隐藏层的偏置向量，其维度与隐藏层神经元数量相同，用于提供额外的灵活性以更好地拟合数据； 是激活函数，即线性整流函数，用于引入非线性；[0048] 是模型预测的策略概率分布， 是一个概率向量， 的维度与策略集合中策略的数量相同； 隐藏层到输出层的权重矩阵， 维度是输出神经元数乘以隐藏层神经元数； 为输出层的偏置向量， 维度与输出神经元数量相同，用于确定每个策略的基线活跃度；[0049] 激活函数，用于将一个向量转换为概率分布， 是输入 的指数， 表示第个类别的得分转换后的指数值。[0050] 步骤S3.安全性能优化，根据步骤S2中输出的子策略优势函数、动作值函数或直接输出的子策略，选取最优策略；[0051] 所述步骤S3中，选取最优策略的方法为：[0052] S31.子策略评估：计算步骤S2中模型预测的策略概率分布 输出的每个子策略，计算子策略的优势函数 和状态值函数 ，计算公式为：[0053] ；[0054] ；[0055] 表示在当前状态 下采取子策略 的优势； 是在时间 的状态 的状态价值函数； 是在时间 采取子策略 后获得的即时奖励，即时奖励能够反映特定控制动作对电网稳定性和效率的影响，从而指导电网的实时调度和控制， 表示在时间 的状态， 表示在状态 采取的子策略； 是折扣因子， 决定了未来奖励相对于即时奖励的重要性，取值范围通常在0到1之间， 折扣因子的 次幂，表示在时间 获得的奖励相对于现在的价值； 预测了从当前状态 开始，遵循子策略 所能获得的期望回报；是在时间 的状态 的状态价值函数；[0056] S32.优化策略选择：[0057] 结合即时奖励 和长期风险值 ，进行子策略优化的选择，公式如下：[0058] ；[0059] 是评估后选择的最优策略， 表示对子策略 寻找最优解， 是在时间步长 的即时奖励， 是时间步长 的长期风险值， 用于调整未来状态价值的权重， 用于调整长期风险值 的权重， 表示从状态 开始遵循当前策略所能获得的期望回报；[0060] S33.优化模型训练与验证：[0061] 使用步骤S1中的数据集进行模型训练，评估模型的准确性和泛化能力，采用均方误差作为损失函数，为了防止模型过拟合，在损失函数中添加权重的绝对值之和，促使模型学习到更稀疏的权重（即更多的权重为零），在损失函数中添加权重的平方和，促使模型学习到更小的权重值，具体公式为：[0062] ；[0063] 公式中， 为优化后的训练模型， 为均方误差损失函数， 表示模型在没有正则化时的损失，具体通过均方误差或交叉熵损失计算， 是模型中的权重参数， 是权重参数的总数， 和 是正则化系数， 用于产生稀疏权重矩，促进权重的稀疏性； 用于防止权重过大， 有助于稳定模型的训练过程，防止权重过大导致的过拟合； 和 通过交叉验证来选择这两个系数的最佳组合，设置不同的 和 值然后评估它们在验证集上的性能；[0064] 步骤S4.实时监控与动态调整，实时监控电网状态，结合实时数据和步骤S2和步骤S3的结果，动态调整电网运行策略，以应对新能源电力系统的不确定性和复杂性。[0065] 综上所述，由于采用了上述技术方案，发明内容的有益技术效果是：[0066] 基于混合测量的新能源电力电网供电安全性能防御方法使用可混合智能采样方法整合稀疏和密集数据点，提高了数据的代表性和精确度，采用线性回归模型对稀疏采样点进行训练，并应用于密集采样点，提高了模型对新能源电力设备状态预测的准确性。[0067] 基于混合测量的新能源电力电网供电安全性能防御方法利用安全强化学习对电网状态进行评估，定义了电网的安全状态和策略集合，增强了对电网当前状态理解。通过子策略评估和优化策略选择，结合即时奖励和长期风险，选取最优策略，提高了电网运行的安全性和效率。在模型训练与验证中，通过添加正则化项，促使模型学习到更稀疏和更小的权重值，有效防止了模型过拟合。实时监控与动态调整结合实时数据和优化策略，动态调整电网运行策略，应对新能源电力系统的不确定性和复杂性，实现了电网管理的高度自动化和智能化。通过迭代改进，模型能够根据新的反馈不断进行优化，确保了电网安全性能防御方法的持续有效性和适应性，提高电网的适应性和灵活性。[0068] 综上所述，基于混合测量的新能源电力电网供电安全性能防御方法能够适应新能源电力系统的变化，灵活应对不同工况和外部环境的影响，提高了电网对新能源电力波动的适应能力。促进新能源电力的高效利用准确的预测和优化策略有助于更好地调度和利用新能源电力资源，提高能源利用率，同时减少能源浪费。最终实现了电网管理和新能源电力的高效利用和电网安全稳定运行的目标。附图说明[0069] 为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0070] 图1为基于混合测量的新能源电力电网供电安全性能防御方法的流程图。具体实施方式[0071] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0072] 如图1所示，基于混合测量的新能源电力电网供电安全性能防御方法，包括以下步骤：[0073] 步骤S1.数据采集与预处理，在电网的关键节点部署传感器和数据采集系统（DAQ），通过传感器和数据采集系统（DAQ）对电网中的参数进行实时监测，实时监测的参数包括电压、电流等，结合XPS（X射线光电子能谱）和光学测量方法对新能源电力设备（如太阳能板、风力发电机）的状态进行在线测量，将测量后的数据进行预处理，利用预处理后的数据评估太阳能板、风力发电机等新能源电力设备的运行状态。[0074] 所述步骤S1中，数据进行预处理的步骤包括以下步骤：[0075] 步骤S11.将采集到的模拟信号转换为数字信号，并分离实部和虚部；[0076] 步骤S12.使用滤波器去除高频噪声，通过统计方法识别和处理异常值；[0077] 步骤S13.使用 （可混合智能采样）方法整合 测量后的稀疏数据和光学测量的密集数据；[0078] 步骤S14.对经过 方法整合后的数据点添加时间戳；[0079] 步骤S15.使用数据库管理系统(DBMS)存储添加时间戳后的数据点，并建立数据索引以提高检索效率。[0080] 所述步骤S13中， 方法整合数据点方法的包括：[0081] 步骤S131.获取 个稀疏采样点和 个密集采样点， 个稀疏采样点通过测量获得薄膜的化学成分、厚度等参数值， 个密集采样点通过光学测量获得薄膜的反射率、透射率等光学特性估计值；[0082] 步骤S132.选择线性回归作为预测模型，使用 个稀疏采样点的数据训练模型，从采样点中提取有助于模型预测的特征，利用训练数据集的特征和目标值来训练所选线性回归预测模型，线性回归模型为：[0083] ；[0084] ；[0085] ；[0086] 为特征矩阵, 中每一行代表一个采样点，每一列代表一个特征,特征矩阵中1是添加的偏置项，用于模型中的截距项， 是第 个采样点的光谱数据向量； 为目标参数矩阵, 中每一行对应一个采样点的参数值， 是第 个采样点的参数值， 是模型参数向量，是误差项；[0087] 步骤S133.模型验证，从 个稀疏采样点中划分出一部分数据作为验证集，剩余的数据用作训练模型,使用训练好的模型在验证集上进行预测，比较验证集的预测值和实际值来评估模型性能；[0088] ；[0089] ；[0090] 是验证集的大小, 是第 个实际测量值， 是模型预测值， 是实际测量值的平均值， 决定系数，用于衡量模型对数据的拟合程度，衡量回归模型拟合优度的一个统计指标， 值介于0和1之间，值越接近1，表示模型对数据的拟合程度越好；值越接近0，表示模型的拟合效果越差。[0091] 步骤S134.应用模型解释密集数据，使用训练好的线性回归预测模型应用于 个密集数据点，来预测 个密集采样点的参数，预测公式为：[0092] ；[0093] ；[0094] 是 个密集采样点参数的预测值矩阵, 是密集采样点的特征矩阵；是添加的偏置项，用于模型中的截距； 为通过训练数据学习到的模型参数， 为模型参数向量的最小二乘法计值； 为第 个采样点在第 个波段的反射率；[0095] 步骤S135.评估模型的准确性和可靠性，整合稀疏和密集数据点的测量结果，对模型预测结果进行全面分析，根据分析结果进行反馈调整。[0096] 所述步骤S135中，对模型预测结果进行全面分析的方法包括：[0097] 将密集采样点参数的预测结果 与稀疏采样点的实际测量值 整合在单一的数据框架中，根据步骤S133中计算的结果分析模型预测的准确性指标，进行比较分析，通过绘制实际值与预测值的对比图、残差图等，直观展示模型的预测性能，评估模型对不同输入特征的敏感度，识别关键特征。[0098] 所述步骤S135中，根据分析结果进行反馈调整的方法包括：[0099] 偏差识别与参数调整，分析模型预测的准确性指标，识别模型预测的偏差和不足之处，根据分析结果，调整模型参数，如权重、偏置项等，以减少预测误差；[0100] 测量优化与模型结构调整，分析数据质量问题，优化数据采集过程，提高测量精度或增加区域的采样密度，增加模型复杂度；[0101] 重新训练与验证，使用调整后的参数和优化后新的测量数据重新训练模型，并使用与步骤S133中相同的验证集进行验证；[0102] 迭代改进，将模型优化作为一个迭代过程，不断根据新的反馈进行调整。[0103] 步骤S2.状态评估与建模，基于安全强化学习对步骤S1获得的数据进行状态评估，定义电网的安全状态和策略集合，利用分层神经网络架构，每层输出对应的子策略优势函数、状态值函数或直接输出子策略；[0104] 所述步骤S2中，定义电网的安全状态和策略集合的方法包括：[0105] 根据步骤S1收集的数据，确定电网参数的正常运行范围，设定阈值，定义警告和紧急状态，明确电网的安全运行标准，为状态监测和策略制定提供依据,使用时间序列分析方法，构建状态序列 ，是在时间步 的系统状态序列，是一个向量，包含了电网在当前和历史时刻的状态信息,状态序列 的公式为：[0106] ；[0107] 是历史状态的数量，是当前状态 ，通过构建状态序列 对历史数据的整合，为模型提供了动态的、时间相关的系统状态信息。[0108] 步骤S2中，所述的分层神经网络架构为：[0109] 隐藏层输出： ；[0110] 策略选择： ；[0111] ；[0112] ；[0113] 是隐藏层的输出，是一个向量，其维度与隐藏层的神经元数量相同； 是输入层到隐藏层的权重矩阵，其维度是隐藏层神经元数乘以输入特征数； 是隐藏层的偏置向量，其维度与隐藏层神经元数量相同，用于提供额外的灵活性以更好地拟合数据； 是激活函数，即线性整流函数，用于引入非线性；[0114] 是模型预测的策略概率分布， 是一个概率向量， 的维度与策略集合中策略的数量相同； 隐藏层到输出层的权重矩阵， 维度是输出神经元数乘以隐藏层神经元数； 为输出层的偏置向量， 维度与输出神经元数量相同，用于确定每个策略的基线活跃度；[0115] 激活函数，用于将一个向量转换为概率分布， 是输入 的指数， 表示第个类别的得分转换后的指数值。[0116] 步骤S3.安全性能优化，根据步骤S2中输出的子策略优势函数、动作值函数或直接输出的子策略，选取最优策略；[0117] 所述步骤S3中，选取最优策略的方法为：[0118] S31.子策略评估：计算步骤S2中模型预测的策略概率分布 输出的每个子策略，计算子策略的优势函数 和状态值函数 ，计算公式为：[0119] ；[0120] ；[0121] 表示在当前状态 下采取子策略 的优势； 是在时间 的状态 的状态价值函数； 是在时间 采取子策略 后获得的即时奖励，即时奖励能够反映特定控制动作对电网稳定性和效率的影响，从而指导电网的实时调度和控制， 表示在时间 的状态， 表示在状态 采取的子策略； 是折扣因子， 决定了未来奖励相对于即时奖励的重要性，取值范围通常在0到1之间， 折扣因子的 次幂，表示在时间 获得的奖励相对于现在的价值； 预测了从当前状态 开始，遵循子策略 所能获得的期望回报；是在时间 的状态 的状态价值函数；[0122] S32.优化策略选择：[0123] 结合即时奖励 和长期风险值 ，进行子策略优化的选择，公式如下：[0124] ；[0125] 是评估后选择的最优策略， 表示对子策略 寻找最优解， 是在时间步长 的即时奖励， 是时间步长 的长期风险值， 用于调整未来状态价值的权重， 用于调整长期风险值 的权重， 表示从状态 开始遵循当前策略所能获得的期望回报；[0126] S33.优化模型训练与验证：[0127] 使用步骤S1中的数据集进行模型训练，评估模型的准确性和泛化能力，采用均方误差作为损失函数，为了防止模型过拟合，在损失函数中添加权重的绝对值之和，促使模型学习到更稀疏的权重（即更多的权重为零），在损失函数中添加权重的平方和，促使模型学习到更小的权重值，具体公式为：[0128] ；[0129] 公式中， 为优化后的训练模型， 为均方误差损失函数， 表示模型在没有正则化时的损失，可以通过均方误差或交叉熵损失计算， 是模型中的权重参数， 是权重参数的总数， 和 是正则化系数， 用于产生稀疏权重矩，促进权重的稀疏性； 用于防止权重过大， 有助于稳定模型的训练过程，防止权重过大导致的过拟合； 和 通过交叉验证来选择这两个系数的最佳组合，设置不同的 和 值然后评估它们在验证集上的性能。[0130] 步骤S4.实时监控与动态调整，实时监控电网状态，结合实时数据和步骤S3和步骤S3的结果，动态调整电网运行策略，以应对新能源电力系统的不确定性和复杂性。[0131] 以上所述为发明内容的较佳实施例，并不用以限制发明内容，凡在发明内容的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在发明内容的保护范围之内。

专利地区：甘肃

专利申请日期：2024-07-03

专利公开日期：2024-09-13

专利公告号：2024-09-13