一种基于多算法优化的机组配置调整方法及系统与流程

本发明属于电力系统优化，具体的说是一种基于多算法优化的机组配置调整方法及系统。

背景技术：

1、在工业生产，尤其是电力系统中，机组配置调整是一个至关重要的环节，随着电力系统规模的不断扩大和复杂性的增加，机组配置调整问题日益凸显其重要性。机组配置调整方法包括传统优化方法和智能优化算法，其中，传统优化方法主要采用非线性规划法、启发式算法和优先顺序法的传统优化方法来解决机组配置调整问题，虽然在一定程度上解决了问题，但存在计算量大、收敛速度慢、易陷入局部最优的问题；智能优化算法包括遗传算法、蚁群算法、粒子群算法，主要是通过模拟自然进化或群体智能行为来寻找问题的最优解，但是，尽管智能优化算法在机组配置调整中取得了显著成效，但单一算法往往难以应对所有复杂情况，存在收敛速度慢、易陷入局部最优的问题。

2、如授权公告号为cn116632931a的专利公开了一种机组涉网控制参数配置方法及系统，包括：针对机组本地故障，通过仿真对机组涉网控制参数进行配置，若配置后效果满足设定条件，则进一步检验该配置参数对系统其他关键故障的适应性，并对机组涉网控制参数进行调整，若配置后效果不满足设定条件，则对本地故障进行重新仿真以及参数重新配置。因此该技术方案可对多类型机组中的机组参数进行优化配置，可考虑机组自身性能及其对系统性能的影响，也可考虑机组涉网控制参数对多个故障的适应性，并可考虑多个机组控制参数协调配置及其对系统整体性能的影响。

3、以上现有技术均存在以下问题：依赖于仿真环境来模拟机组故障和参数配置的效果，导致仿真结果与实际情况存在偏差；需要人工判断配置后效果是否满足设定条件，并据此进行参数调整；缺乏对机组运行状态的实时监测和动态调整能力。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于多算法优化的机组配置调整方法及系统，获取并预处理机组运行数据，划分工况类别，识别各工况下最优运行参数并建模分析；通过构建机组运行知识图谱，实时匹配历史最优工况参数，结合约束条件设置联合寻优空间；利用预训练机器学习模型与混合优化算法，在寻优空间内获取最优参数组合；调整机组配置，实时监测运行状态，并根据实时反馈优化模型参数；本发明提升了机组运行效率与稳定性，实现了智能化、自适应的机组配置调整。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于多算法优化的机组配置调整方法，包括：

4、步骤s1：获取机组运行数据，并进行预处理，基于预处理后的机组运行数据，将机组运行状态划分为不同的工况类别；

5、步骤s2：在每个工况类别中，筛选出最优运行参数组合，生成机组运行最优工况表，并对最优运行参数进行建模分析；

6、步骤s3：构建机组运行知识图谱，并通过相似性度量策略将实时工况参数值与知识图谱中的节点进行匹配，获得历史最优工况参数，同时，以历史最优工况参数为基准，结合机组运行的约束条件，设置联合寻优空间；

7、步骤s4：加载预训练后的机器学习模型，同时，将联合寻优空间内的参数组合输入到机器学习模型中，通过混合优化算法，获得最优参数组合；

8、步骤s5：基于最优参数组合，对机组配置进行调整，并对调整后的机组运行状态进行实时监测，同时，根据实时反馈信息，优化机器学习模型参数。

9、具体地，所述步骤s3的具体步骤包括：

10、s3.1：获取环境参数和历史机组维护记录，结合步骤s2生成的最优工况表及建模结果，生成多源数据集；

11、s3.2：定义知识图谱的实体、关系和属性，利用图神经网络和图嵌入方法，从多源数据集中自动抽取并构建知识图谱的节点和边，形成动态机组运行知识图谱；

12、s3.3：实时采集机组工况参数，通过融合模糊逻辑，结合深度学习算法对实时的机组工况参数与知识图谱中节点进行相似性度量，综合评估实时工况与历史最优工况的相似度；

13、s3.4：根据相似度结果，将对应的机组工况参数作为历史最优工况参数，其中，表示的最大值；

14、s3.5：以历史最优工况参数为基准，结合机组运行的约束条件，构建多目标优化模型；

15、s3.6：使用多目标优化算法对多目标优化模型进行求解，生成多维度的参数调整方案，同时，根据实时工况反馈，动态调整参数波动范围和步长，形成联合寻优空间。

16、具体地，所述s3.2的具体步骤包括：

17、s3.21：定义知识图谱的实体、关系和属性，并获取多源数据集；

18、s3.22：利用自然语言处理方法从多源数据中自动抽取实体，并通过模式匹配方法从多源数据中自动抽取实体之间的关系；

19、s3.23：加载预训练好的图神经网络模型，并利用图神经网络模型学习实体和关系之间的交互和依赖关系；

20、s3.24：通过图嵌入方法将图结构数据中的节点和边映射到低维向量空间中，并根据抽取的实体、关系和图嵌入生成的嵌入向量，构建知识图谱的节点和边；

21、s3.25：根据实时采集的机组工况参数，动态更新知识图谱中的节点和边。

22、具体地，所述s3.3的具体步骤包括：

23、s3.31：利用传感器实时采集机组工况参数，并加载动态机组运行知识图谱；

24、s3.32：将实时采集的机组工况参数与知识图谱中的数据进行融合，获得融合数据，并利用模糊逻辑将融合数据集转换为模糊集合；

25、s3.33：利用神经网络模型对融合后的模糊数据集进行特征提取，并对知识图谱中的节点进行表示学习，将节点转换为向量。

26、具体地，所述s3.3的具体步骤还包括：

27、s3.34：根据神经网络模型的输出结果，结合模糊逻辑处理的结果，对实时工况参数与知识图谱中的节点进行相似性度量，公式为：

28、；

29、其中，表示相似性度量，表示维度i上的权重，表示实时工况参数在维度i上的值，表示知识图谱节点在维度i上的值，表示维度i上的非线性变换的指数，q表示调整因子，n表示节点向量的维度；

30、s3.35：根据相似性度量的结果，筛选出与实时工况相似度最高的n个历史工况节点；

31、若历史最优工况的标识在节点的筛选结果中，则计算实时工况与历史最优工况的相似度；

32、若历史最优工况的标识不在节点的筛选结果中，则通过比较步骤s3.34中的相似度得分的大小，综合评估实时工况与历史最优工况的相似度。

33、具体地，所述步骤s4中混合优化算法的步骤包括：

34、s4.1：加载预训练后的机器学习模型和步骤s3中的联合寻优空间内的参数范围，并在联合寻优空间内随机生成m个参数组合作为初始评估点；

35、s4.2：将基于机器学习模型的预测性能指标作为目标函数，并使用目标函数对每个初始评估点进行评估，记录评估结果；

36、s4.3：使用步骤s4.2中得到的初始评估点数据和对应的目标函数值训练贝叶斯优化模型，并在每次迭代中，使用贝叶斯优化模型的预测结果计算采集函数；

37、s4.4：根据采集函数的值选择下一个评估点，对选定的评估点进行目标函数的评估，并记录结果，同时，根据新评估结果，更新贝叶斯优化模型；

38、s4.5：设置迭代次数，当达到预设的迭代次数时，停止迭代，并输出在迭代过程中找到的最优参数组合及其对应的目标函数值作为最终优化结果。

39、具体地，所述s3.2中知识图谱的实体是指机组、部件、工况、环境参数，知识图谱的属性包括温度值、压力范围、维护时间。

40、一种基于多算法优化的机组配置调整系统，包括：数据处理模块、工况识别模块、匹配模块、混合优化模块、机组调整模块；

41、所述数据处理模块，用于获取机组运行数据，并进行预处理；

42、所述工况识别模块，用于根据预处理后的机组运行数据，将机组运行状态划分为不同工况类别，并识别每个工况下的最优运行参数组合；

43、所述匹配模块，用于通过相似性度量将实时工况参数与构建的机组运行知识图谱中的节点匹配，以获取历史最优工况参数；

44、所述混合优化模块，用于加载预训练的机器学习模型，结合联合寻优空间内的参数组合，通过混合优化算法获得最优参数组合；

45、所述机组调整模块，基于最优参数组合对机组配置进行调整，并实时监测调整后的机组运行状态，同时根据实时反馈信息优化机器学习模型参数。

46、具体地，所述工况识别模块包括：工况分类单元、工况识别单元；

47、所述工况分类单元，用于使用聚类算法将机组运行状态划分为不同工况；

48、所述工况识别单元，在每个工况类别中，通过优化算法筛选出最优运行参数组合，并生成机组运行最优工况表。

49、具体地，所述匹配模块包括：知识图谱构建单元、实时匹配单元；

50、所述知识图谱构建单元，用于根据最优运行参数，构建包含工况特征、参数组合及效果评估信息的知识图谱；

51、所述实时匹配单元，用于使用相似性度量策略将实时工况参数与知识图谱中的节点进行匹配，定位历史最优工况参数。

52、与现有技术相比，本发明的有益效果是：

53、1.本发明提出一种基于多算法优化的机组配置调整系统，并进行了架构、运行步骤和流程上的优化改进，系统具备流程简单，投资运行费用低廉，生产工作成本低的优点。

54、2.本发明提出一种基于多算法优化的机组配置调整方法，通过系统化的数据预处理和工况划分，实现了机组运行数据的精细化管理和分析，有效提升了机组运行状态的识别精度，在每个工况类别中筛选出最优运行参数组合，不仅为机组运行提供了科学的指导依据，还通过建模分析深化了对机组性能的理解，有助于优化机组的运行策略，提高运行效率，降低能耗和故障率。

55、3.本发明提出一种基于多算法优化的机组配置调整方法，构建机组运行知识图谱并引入相似性度量策略，实现了实时工况与历史最优工况的快速匹配，为机组调整提供了精准的参考；结合机组运行的约束条件设置联合寻优空间，并利用预训练的机器学习模型和混合优化算法进行参数寻优，提升了参数调整的准确性和效率，不仅确保了机组始终运行在最优状态，还通过实时反馈信息不断优化机器学习模型的参数，提高了机器学习模型的适应性和预测精度。