一种基于机器学习模型的电压调节方法和装置

本发明涉及电气工程和计算机，尤其涉及一种基于机器学习模型的电压调节方法和装置。

背景技术：

1、随着全球气候变化的影响越来越显著，减少碳排放和提高能源效率已成为全球社会面临的重大挑战。在这种背景下，分布式能源被广泛认为是实现能源转型的关键技术之一，它可以有效地利用可再生能源，减少对化石燃料的依赖，并提高电力系统的可靠性和韧性。

2、然而，主动配电网中较高的阻抗比，可再生能源的随机性和间歇性会导致更频繁和更显著的电压波动问题对电力系统电压调节提出更高要求。现有技术针对配电网的电压调节主要依赖于构建优化模型，通过求解优化模型得到最优的电压调节策略，而优化模型的求解则依赖于求解器，因此存在求解效率低，速度慢，难以满足在线电压调节的实时性要求。

技术实现思路

1、本发明提供了一种基于机器学习模型的电压调节方法和装置，以实现提高配电网在线电压调节的效率和实时性的技术效果。

2、为了解决上述技术问题，本发明实施例提供了一种基于机器学习模型的电压调节方法，包括以下步骤：

3、获得并将历史数据集作为输入数据传输至预设的参数化电压调节模型中获得相应优化模型，并求解所述优化模型获得对应输出数据集，继而整合所述输入数据集和所述输出数据集获得对应训练数据集；

4、从所述训练数据集中提取获得调节参数和第一调节策略，并对所述第一调节策略进行编码获得第一调节编码，以使预设的机器学习模型将所述第一调节编码和所述调节参数作为训练数据进行训练学习，获得相应多个电压调节策略；

5、对所述多个电压调节策略进行评估，进而根据评估结果选择一个电压调节策略作为第一电压调节策略对配电网进行在线电压调节。

6、本发明提供的电压调节方法首先与现有技术相同，通过系统中存储的历史数据集对系统中预设的参数化电压调节模型进行更新获得相应的优化模型，并求解所述优化模型获得相应的输出数据集，继而将输入数据集即历史数据集和输出数据集整合为训练数据集，提供给后续的机器学习模型即深度学习网络进行训练学习。由于本发明提供的电压调节方法中，用于所述机器学习模型进行学习训练的训练数据集为系统存储的历史数据集，因此经由上述数据集训练后的机器学习模型输出的电压调节策略的准确性将被提高。

7、获得了相应训练数据集之后，系统将从该训练数据集中提取出调节参数以及和所述调节参数对应的第一调节策略，并对其进行编码，使得编码后的参数和策略得以作为输入数据被传输至机器学习模型，提高了该输入数据相对于所述机器学习模型的准确性，同时也便于模型理解所述调节参数与第一调节策略之间隐含的映射关系，以使系统可通过该理解的映射关系预测出经过优化且更符合配电网的电压调节策略。而通过对于机器学习模型的学习能力的充分利用，系统即可更加充分的理解电压调节策略和调节参数之间的映射关系，进而进一步提高电压调节策略预测结果的准确性，从而提高配电网系统的运行安全性和经济性。

8、通过机器学习模型获得了多个电压调节策略之后，系统针对上述多个电压调节策略进行评估，并根据评估结果选择其中一个作为第一电压调节策略对配电网进行在线电压调节。通过上述评估，更进一步提高了获得的第一电压调节策略的准确性，同时依赖于机器学习模型的强大深度网络学习能力，还提高了系统针对配电网进行在线电压调节的实时性和效率。

9、作为优选例子，所述获得并将历史数据集作为输入数据传输至预设的参数化电压调节模型中获得相应优化模型，并求解所述优化模型获得对应输出数据集，继而整合所述输入数据集和所述输出数据集获得对应训练数据集，具体为：

10、调取所述历史数据集中的历史数据，并将所述历史数据按照预设的场景分类规则进行筛选划分，获得若干组输入数据；

11、同时，根据所述历史数据集对所述参数化电压调节模型进行优化更新，获得对应优化模型，并将所述若干组场景输入数据分别依次输入至所述优化模型中进行离线求解，继而获得若干组输出数据；

12、根据预设的场景匹配规则将所述若干组输入数据与所述若干组输出数据一一关联匹配，并将关联匹配后的所述若干组输入数据和所述若干组输出数据作为所述训练数据集。

13、为了提高针对配电网进行在线电压调节的实时性和效率，本发明所提供的电压调节方法将求解优化模型获得训练数据集的步骤转化为离线求解，而非如现有技术那般在线求解，降低了系统的在线运算压力和运算量，以此提高系统的运算效率，进而提高在线电压调节的实时性和效率。

14、同时，系统将离线求解优化模型获得的输出数据集和输入数据集整合为训练数据集，并提供给机器学习模型进行训练学习则提高了后续获得的第一电压调节策略的准确性。

15、作为优选例子，所述从所述训练数据集中提取获得调节参数和第一调节策略，具体为：

16、调取预设的不等式约束识别算法对所述训练数据集进行识别提取，获得相应的第一不等式约束，并通过预设的活动约束识别算法在所述第一不等式约束中进行识别，进而获得第一活动约束；

17、调取预设的整数决策变量算法对所述第一活动约束进行整数变量计算，并将计算获得的第一整数决策变量值和第一等式约束整合为所述第一调节策略；

18、同时调用预设的参数分析算法对所述训练数据集进行识别分析，将识别结果作为所述调节参数。

19、为了提高针对配电网提供的电压调节策略的准确性，本发明提供的电压调节方法在将训练数据集输入至机器学习模型，使得所述机器学习模型对其进行训练学习之前，还对训练数据集中的数据进行了进一步的识别提取和汇总分类，从其中提取获得了调节参数和第一调节策略，继而通过上述两项数据的提取可实现对训练数据集中的有效数据的筛选分类，进而提高后续机器学习模型根据该提取获得的调节参数和第一调节策略进行训练学习获得相应第一电压调节策略的准确性。

20、作为优选例子，所述以使预设的机器学习模型将所述第一调节编码和所述调节参数作为训练数据进行训练学习，获得相应多个电压调节策略，具体为：

21、将所述第一调节编码和所述调节参数相互关联并作为训练数据输入至所述机器学习模型，使得所述机器学习模型根据关联后编码参数进行学习训练，获得对应初始网络学习模型和输出调节策略；

22、通过所述初始学习网络模型计算所述关联后编码参数对应的交叉熵函数，并根据所述交叉熵函数对所述初始网络学习模型进行参数更新，继而通过更新后网络学习模型对所述关联后编码参数进行训练，直到确定所述交叉熵函数小于预设的交叉熵阈值，并将对应所述输出调节策略作为所述多个电压调节策略。

23、为了进一步提高第一电压调节策略的准确性和实时性，本发明提供的电压调节方法通过机器学习模型对编码后的调节参数和调节策略进行训练学习。通过机器学习模型即深度学习网络的高表征能力构建调节参数和第一调节策略之间隐含的映射关系，并以此预测获得更加符合配电网需要的电压调节策略，则提高了第一电压调节策略的准确性和该策略与配电网需求的符合度。同时由于采用的是机器学习模型，因此借由机器学习模型根据输入的参数和策略自动化迭代获得更加准确的电压调节策略，还提高系统的运算效率，进而提高了系统针对配电网进行在线电压调节的实时性和效率。

24、作为优选例子，所述在所述根据评估结果选择一个电压调节策略作为第一电压调节策略对电网进行在线电压调节之后，还包括：

25、检测电压调节后配电网的运行参数，并将所述运行参数存储至所述历史数据集中，同时将所述运行参数与对应的参数阈值进行对比，进而获得对比结果；

26、若所述对比结果为所述运行参数大于或等于所述参数阈值，则确定所述第一电压调节策略存在误差，根据所述对比结果和所述第一电压调节策略生成相应误差告警报告发送至对应第一终端；

27、若所述对比结果为所述运行参数小于所述参数阈值，则确定所述第一电压调节策略不存在误差，根据所述对比结果和所述第一电压调节策略生成相应的检测报告发送至对应第二终端。

28、为了更进一步完善本发明提供的电压调节方法，系统在根据确定的第一电压调节策略对配电网进行在线电压调节之后，还将对配电网的运行参数进行实时监测和记录，并将检测确定的运行参数存储至历史数据集中的同时将其与系统预设的参数阈值进行对比，并根据对比结果确定本次获得的第一电压调节策略是否满足配电网的实时状态，同时确定本次根据第一电压调节策略对配电网进行在线电压调节之后的配电网是否满足系统最初的调节需求。

29、若确定本次在线电压调节有效，则可直接生成相应的电压检测报告发送至相应的工作人员终端，以使工作人员将本次电压调节作为未来电压调节策略的参考数据；而若是本次的在线电压调节无效或导致配电网出现误差，则需生成相应的误差告警报告发送至相应的维修人员终端，提示维修人员对配电网进行排障处理。

30、相应的，本发明还提供了一种基于机器学习模型的电压调节装置，所述电压调节装置包括优化模型输出模块、机器学习训练模块和调节策略执行模块；

31、其中，所述优化模型输出模块用于获得并将历史数据集作为输入数据传输至预设的参数化电压调节模型中获得相应优化模型，并求解所述优化模型获得对应输出数据集，继而整合所述输入数据集和所述输出数据集获得对应训练数据集；

32、所述机器学习训练模块用于从所述训练数据集中提取获得调节参数和第一调节策略，并对所述第一调节策略进行编码获得第一调节编码，以使预设的机器学习模型将所述第一调节编码和所述调节参数作为训练数据进行训练学习，获得相应多个电压调节策略；

33、所述调节策略执行模块用于对所述多个电压调节策略进行评估，进而根据评估结果选择一个电压调节策略作为第一电压调节策略对配电网进行在线电压调节。

34、作为优选例子，所述优化模型输出模块获得并将历史数据集作为输入数据传输至预设的参数化电压调节模型中获得相应优化模型，并求解所述优化模型获得对应输出数据集，继而整合所述输入数据集和所述输出数据集获得对应训练数据集，具体为：

35、调取所述历史数据集中的历史数据，并将所述历史数据按照预设的场景分类规则进行筛选划分，获得若干组输入数据；

36、同时，根据所述历史数据集对所述参数化电压调节模型进行优化更新，获得对应优化模型，并将所述若干组场景输入数据分别依次输入至所述优化模型中进行离线求解，继而获得若干组输出数据；

37、根据预设的场景匹配规则将所述若干组输入数据与所述若干组输出数据一一关联匹配，并将关联匹配后的所述若干组输入数据和所述若干组输出数据作为所述训练数据集。

38、作为优选例子，所述机器学习训练模块从所述训练数据集中提取获得调节参数和第一调节策略，具体为：

39、调取预设的不等式约束识别算法对所述训练数据集进行识别提取，获得相应的第一不等式约束，并通过预设的活动约束识别算法在所述第一不等式约束中进行识别，进而获得第一活动约束；

40、调取预设的整数决策变量算法对所述第一活动约束进行整数变量计算，并将计算获得的第一整数决策变量值和第一等式约束整合为所述第一调节策略；

41、同时调用预设的参数分析算法对所述训练数据集进行识别分析，将识别结果作为所述调节参数。

42、作为优选例子，所述机器学习训练模块以使预设的机器学习模型将所述第一调节编码和所述调节参数作为训练数据进行训练学习，获得相应多个电压调节策略，具体为：

43、将所述第一调节编码和所述调节参数相互关联并作为训练数据输入至所述机器学习模型，使得所述机器学习模型根据关联后编码参数进行学习训练，获得对应初始网络学习模型；

44、通过所述初始学习网络模型计算所述关联后编码参数对应的交叉熵函数，并根据所述交叉熵函数对所述初始网络学习模型进行参数更新，继而通过更新后网络学习模型对所述关联后编码参数进行训练，直到确定所述交叉熵函数小于预设的交叉熵阈值，并将对应所述输出调节策略作为所述多个电压调节策略。

45、作为优选例子所述电压调节装置还包括误差分析告警模块；

46、其中，所述误差分析告警模块用于检测电压调节后配电网的运行参数，并将所述运行参数存储至所述历史数据集中，同时将所述运行参数与对应的参数阈值进行对比，进而获得对比结果；

47、若所述对比结果为所述运行参数大于或等于所述参数阈值，则确定所述第一电压调节策略存在误差，根据所述对比结果和所述第一电压调节策略生成相应误差告警报告发送至对应第一终端；

48、若所述对比结果为所述运行参数小于所述参数阈值，则确定所述第一电压调节策略不存在误差，根据所述对比结果和所述第一电压调节策略生成相应的检测报告发送至对应第二终端。