CN117175595B - 一种基于多级数据的电网调控方法及系统 - Google Patents

Abstract

本发明提供一种基于多级数据的电网调控方法及系统，涉及电网调控技术领域，包括：获取电网初始数据，将电网初始数据输入至预设的第一负荷预测模型，通过第一负荷预测模型对电网初始数据进行预处理，确定第一负荷输入，根据第一负荷输入，结合第一负荷预测模型，得到第二负荷输入；根据第二负荷输入，结合预设的第二负荷预测模型，将第二负荷输入在第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据第二负荷输出，结合预设的结果优化算法，确定负荷预测结果；根据负荷预测结果，结合电网初始数据，构建能源动作空间，根据能源动作空间，通过预设的策略优化算法，确定调控优化策略。

Description

一种基于多级数据的电网调控方法及系统

技术领域

本发明涉及电网调控技术领域，尤其涉及一种基于多级数据的电网调控方法及系统。

背景技术

电网调控是电力系统调度运行领域软件应用系统进行电网运行监控、分析计算所需的基础数据，但随着越来越大的用电需求，电网负载也日益增加，因此需要对电网调控策略进行实时更新和优化。

在现有技术中，CN114548653A，一种电网负荷调控平台数据采集方法、系统与电子设备提供一种电网负荷调控平台数据采集方法、系统与电子设备，通过对数据进行整合的机制和手段，使数据得到综合利用，能够很好地为决策分析提供支撑，提高系统投资回报率，能够对各业务系统的数据进行有效融合，集中统一管理，转化为有价值的信息，为相关的业务应用提供统一的数据支持，真正实现一个数据，一个入口，统一出口、多级应用，从多种异构数据源自动获取有关数据，并根据数据的属性关系进行有效性校验，实现自动计算、统计、汇总及自动义的操作方式，满足不同业务场景应用及不同的业务领域提供应用。

CN107451188A，一种电网调控模型数据多级节点组合的发布方法及系统，公开了一种电网调控模型数据多级节点组合的发布方法及系统，设定电网调控模型多级节点组合的范围；在所述电网调控模型多级节点组合的范围内，建立容器对象涉及的多级节点的配置文件；通过单一属性节点访问容器对象涉及的多级节点的配置文件，发布所述容器对象包含的多级节点数据，本发明提供的技术方案结合特定容器下对象数据层次定义，通过设定专属特性标识，提供了一种整体访问设备容器内电网调控模型全数据的方法。该方法不改变OPCUA对象访问服务的定义，仅在服务实现端增加对设备容器内对象及属性的层次化的编排，使应用能够快速获取所需电网调控模型数据。

综上，现有技术虽然能够对电网中现有设备数据进行读取和根据预设模式对电网调控策略进行调整，但无法根据实时负载对电网进行适应性调整，也未考虑时间和历史用电策略对电网调控策略的影响，因此，本方案至少能解决一部分现有问题。

发明内容

本发明实施例提供一种基于多级数据的电网调控方法及系统，用于根据电网实时状态动态调整电网调控策略。

本发明实施例的第一方面，一种基于多级数据的电网调控方法，包括：

获取电网初始数据，将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的。

在一种可选的实施方式中，

所述将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入包括：

通过数据库获取历史用电数据，并根据设置于电网节点中的智能传感器获取电网状态数据，将所述历史用电数据和所述电网状态数据加入至同一集合，并记为所述电网初始数据；

通过所述第一负荷预测模型对所述电网初始数据进行数据清洗和特征选择操作，得到所述第一负荷输入；

根据所述第一负荷输入，通过所述第一负荷预测模型中的双向状态网络，确定前向隐藏状态和后向隐藏状态；

根据所述前向隐藏状态和所述后向隐藏状态，结合预设的残差模块和自注意力机制，将所述双向状态网络中特定层的输入数据直接加入至所述双向状态网络的输出数据中，确定所述第二负荷输入。

在一种可选的实施方式中，

所述根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型包括：

获取所述第二负荷输入，将所述第二负荷输入加入至所述第二负荷预测模型，所述第二负荷输入从所述第二负荷预测模型的根节点向下传递，在每个叶节点处，根据预设的节点分裂条件，判断传递方向，若满足所述预设的节点分裂条件则向左传递，若不满足，则向右传递，直至传递完成，得到所述第二负荷输出；

根据所述第二负荷输出，结合所述结果优化算法，去除所述第二负荷中的异常值并根据数据趋势进行修正，确定所述负荷预测结果。

在一种可选的实施方式中，所述方法还包括训练所述第二负荷预测模型：

获取第二负荷输入，将所述第二负荷输入转换为特征向量，对于连续特征值，通过等频分桶策略将所述连续特征值划分离散的区间，进行离散化，得到特征取值范围，根据所述特征取值范围，通过轻量梯度提升算法构建直方图；

基于叶节点优先生长策略，通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数，根据所述损失函数，计算当前叶节点的梯度和二阶导数，并构建目标函数的二阶泰勒展开；

对于每个叶节点，遍历全部叶节点的特征值，结合当前叶节点的梯度和二阶导数，确定分裂后损失函数值最小叶节点，记为分裂叶节点，并将所述分裂叶节点分裂为两个叶节点，并计算分裂后叶节点的梯度和二阶导数，重复操作直至满足停止条件。

在一种可选的实施方式中，

所述通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数如下公式所示：

;

其中，D表示当前节点的数据集，Loss(D)表示损失函数，y _i表示样本i的真实标签，y _avg表示当前节点的均值，y _split表示分裂后的节点均值，max _split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。

在一种可选的实施方式中，

所述根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略包括：

获取所述负荷预测结果和所述电网初始数据，根据所述负荷预测结果和所述电网初始数据，定义状态空间，根据所述状态空间确定第一调整范围和第二调整范围，根据所述第一调整范围和第二调整范围，结合预先获取的电源单元特性，确定所述能源动作空间；

根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数，根据所述奖励函数，在每个时间步根据所述策略优化算法选择电网动作，根据所述电网动作，迭代所述状态空间和所述能源动作空间，根据迭代后的状态空间和能源动作空间，结合预设的策略优化算法，确定所述调控优化策略。

在一种可选的实施方式中，

所述根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数如下公式所示：

；

其中，R(s,a)表示奖励值，s表示系统状态，a表示电网动作，Loss（s,a）表示系统损耗，α表示权重系数，VoltageStability(s,a)表示电压稳定性。

本发明实施例的第二方面，提供一种基于多级数据的电网调控系统，包括：

第一单元，用于获取电网初始数据，将电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

第二单元，用于根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

第三单元，用于根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的。

本发明实施例的第三方面，

提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

本发明实施例的第四方面，

提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

本发明实施例通过预设的第一和第二负荷预测模型，该方案能够对电网的负荷进行精准的预测。这有助于系统更好地了解未来的用电需求，从而制定更有效的调控策略，采用基于极端梯度提升算法构建的树模型，可以更好地捕捉负荷之间的复杂关系。这种模型能够提供更准确的第二负荷预测结果，有助于改善对电网状态的理解，通过结合负荷预测结果和电网初始数据，能够构建能源动作空间。这个空间反映了系统中可用的能源调控选项，为后续的策略优化提供了基础，综上所述，本方案通过负荷预测和策略优化算法能够更好地适应电网运行的复杂性，提高电网的调控能力。

附图说明

图1为本发明实施例一种基于多级数据的电网调控方法的流程示意图；

图2为本发明实施例一种基于多级数据的电网调控系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做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。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明实施例一种基于多级数据的电网调控方法的流程示意图，如图1所示，所述方法包括：

S1.获取电网初始数据，将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

所述电网初始数据，具体指历史用电数据，分布式能源数据和电网状态数据，其中历史用电数据是指过去单位时间内的用电量数据，分布式能源数据是指光伏发电，风能发电和水电等分布式能源的实时或历史发电量数据，电网状态数据是指电网中各个节点的电压、频率和设备运行状态等信息。

所述第一负荷输入是指将电网初始数据输入到第一负荷预测模型中进行处理的结果，所述预处理具体为使用第一负荷预测模型对所述电网初始数据进行数据清洗和特征选择，可以包括处理缺失值、异常值，选择最相关的特征等操作。

在一种可选的实施方式中，

将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入包括：

通过数据库获取历史用电数据，并根据设置于电网节点中的智能传感器获取电网状态数据，将所述历史用电数据和所述电网状态数据加入至同一集合，并记为电网初始数据；

通过第一负荷预测模型对所述电网初始数据进行数据清洗和特征选择操作，得到所述第一负荷输入；

根据所述第一负荷输入，通过所述第一负荷预测模型中的双向状态网络，确定前向隐藏状态和后向隐藏状态；

根据所述前向隐藏状态和所述后向隐藏状态，结合预设的残差模块和自注意力机制，将所述双向状态网络中特定层的输入数据直接加入至所述双向状态网络的输出数据中，确定所述第二负荷输入。

从历史用电数据库中获取数据，包括时间戳和相应的用电量信息，通过设置在电网节点中的智能传感器获取电网状态数据，包括电流、电压、频率等信息，将历史用电数据和电网状态数据合并成一个数据集，其中时间戳将用于对数据进行对齐。

使用第一负荷预测模型进行数据清洗和特征选择，包括处理缺失值、异常值，选择最相关的特征等操作，根据经过清洗和特征选择的数据，生成第一负荷输入，并将第一负荷输入作为第一负荷预测模型的输入值；

示例性地，假设有一个电网，想要预测未来一天的电力负荷。收集了历史用电数据和与电网节点中的智能传感器相关的电网状态数据，对于缺失的时间点，使用前后数据的平均值进行填充，通过基于阈值的方法，将超出合理范围的数据视为异常值并进行处理，计算各特征与目标（负荷）之间的相关性，选择相关性高的特征，通过上述操作，得到所述第一负荷输入。

所述合理范围的数据可以根据历史用电数据确定，也可根据日期和时间，进行对应的调整，如夏天由于空调的使用，会增大电网负荷，所以上述方案中合理范围可以根据历史夏天平均负荷进行确定。

使用深度学习框架，导入所需的层、优化器和其他工具，加载已经预训练好的第一负荷预测模型，该模型包含双向状态网络，获取所述第一负荷输入数据，并确保格式和结构与模型输入匹配，将第一负荷输入数据添加到已加载的第一负荷预测模型中，通过模型的输出获取前向和后向隐藏状态。

所述前向隐藏状态是模型在处理输入序列时从序列的起始到结束所保留的信息，前向隐藏状态包含了序列中当前时间步之前的所有信息，是模型在当前时间步之前所学到的表示，所述后向隐藏状态是模型在处理输入序列时从序列的结束到起始所保留的信息，后向隐藏状态包含了序列中当前时间步之后的所有信息，是模型在当前时间步之后所学到的表示。

获取双向状态网络中特定层的前向隐藏状态和后向隐藏状态，通过对应元素相加将前向和后向隐藏状态与原始输入进行残差连接，对于特定层，可能需要选择不同的残差连接策略，如选择直接加法连接或加权加法连接，使用自注意力机制计算注意力权重，并将所述注意力权重应用于隐藏状态的加权组合，对双向隐藏状态进行调整，确定经过残差模块和自注意力机制处理后的隐藏状态，并将这一隐藏状态作为第二负荷输入；

示例性地，假设有一个任务是预测电网的负荷情况，定义一个包含多个计算层的预测模型，每个计算层都有对应的前向隐藏状态和后向隐藏状态，我们将残差模块设置在特定层进行残差连接，在每个计算层中，提取对应的前向隐藏状态和后向隐藏状态，并根据自注意力机制动态调整提取到的前向隐藏状态和后向隐藏状态的权重，通过注意力权重对所述双向状态网络进行调整，确定所述第二负荷输入。

在本步骤中，通过整合历史用电数据和电网状态数据，电网初始数据形成了一个包含丰富信息的综合数据集，提高了对电网整体状态的综合认知，有助于建立更全面、准确的负荷预测模型；第一负荷预测模型对电网初始数据进行了数据清洗和特征选择，提取了关键的负荷预测特征，通过去除噪声和选择重要特征，提高了模型对输入数据的理解和表达能力，增强了模型的泛化能力；利用双向状态网络提取了每个时间步的前向和后向隐藏状态，能够捕捉到时间序列中前后相关的信息，更好地反映了负荷的动态变化，提高了模型对序列的建模能力；在特定层引入残差模块和自注意力机制，强化了模型对序列信息的处理能力，通过残差连接，模型更好地保留了原始输入的信息；自注意力机制增强了模型对序列中不同时间步的关注度，提高了对关键信息的捕捉能力。

综上，该实施例通过整合多源数据、引入复杂的模型结构和处理机制，有效地提高了电网负荷预测的能力，为电网调控提供了更智能化的支持。

S2.根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

所述树模型是一类基于树结构的机器学习模型，通过对输入数据进行递归的二元划分，构建一颗树形结构来进行预测或分类；所述根节点是决策树或树状模型的起始节点，位于树的最顶端。它是树的入口，从根节点开始，树的每一层节点都通过边连接到下一层节点，根节点的任务是选择一个特征，然后根据该特征对输入数据进行划分，所述叶节点是树的末端节点，它没有子节点。在叶节点上，模型给出最终的输出或预测结果，叶节点包含一个输出值，这个值是由输入数据在树的每个分支上经过判定条件后最终到达的叶节点决定的。所述极端梯度提升是一种梯度提升算法，属于集成学习的一种。

在一种可选的实施方式中，

根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型包括：

获取所述第二负荷输入，将所述第二负荷输入加入至所述第二负荷预测模型，所述第二负荷输入从所述第二负荷预测模型的根节点向下传递，在每个叶节点处，根据预设的节点分裂条件，判断传递方向，若满足所述预设的节点分裂条件则向左传递，若不满足，则向右传递，直至传递完成，得到所述第二负荷输出；

根据所述第二负荷输出，结合所述结果优化算法，去除所述第二负荷中的异常值并根据数据趋势进行修正，确定所述负荷预测结果。

从树模型的根节点开始，根据预设的节点分裂条件，递归地将第二负荷输入传递至树的每个节点，对于每个节点，判断传递方向：若满足节点分裂条件，则向左传递，否则向右传递，重复此过程，直至到达叶节点，在叶节点处，获取该节点的输出值，即第二负荷的预测值，这个输出值将作为最终的第二负荷输出；

所述节点分裂条件，是根据具体的节点设置的，示例性的，现在有一个特征向量（x，y），第一节点的分裂条件为x大于1，如果符合，则进入左子树，如果不符合，则进入右子树。

利用结果优化算法对第二负荷输出进行优化，使用异常值检测算法识别并去除第二负荷输出中的异常值；分析第二负荷输出的趋势，可以使用滑动窗口、指数平滑等方法，根据过去的观测值来修正可能的异常值，使其符合数据的整体趋势；结合去除异常值和趋势修正后的第二负荷输出，确定最终的负荷预测结果。

示例性地，假设有一份包含历史负荷数据的时间序列，其中每个时间点都有相应的第二负荷值，使用Z-score或IQR等统计学方法进行异常值检测，假设某个时间点的第二负荷值超过了一定的阈值，被认为是异常值，将被检测为异常值的数据点从第二负荷输出中去除，可以通过删除异常值或用合理的替代值（例如前后时刻的平均值）进行填充，利用滑动窗口、指数平滑等方法分析第二负荷输出的趋势，如果在某个时间点的第二负荷值明显偏离了趋势，可能是异常点，需要进行修正；使用滑动窗口平均或滑动窗口中位数等方法，计算每个时间点的邻近时间点的平均或中位数，将当前时间点的第二负荷值与计算得到的值比较，进行修正。将修正后的第二负荷输出与之前去除异常值的结果合并，得到最终的负荷预测结果。

本实施例中，通过将第二负荷输入逐层传递至树模型的叶节点，模型能够根据不同特征和条件进行精细划分，从而提高负荷预测的准确性；通过预设的节点分裂条件，模型能够自适应地根据输入数据的特征进行不同的划分，使得模型更能够适应复杂的电网负荷变化规律；结果优化算法结合异常值检测和修正策略，有助于去除第二负荷输出中的异常值。这提高了负荷预测的鲁棒性，使得模型在面对异常情况时能够更好地适应和预测，通过分析第二负荷输出的趋势，采用滑动窗口、指数平滑等方法，可以更好地捕捉和修正数据的变化趋势。这有助于使负荷预测结果更加平稳和符合实际情况。

在一种可选的实施方式中，所述方法还包括训练第二负荷预测模型：

获取第二负荷输入，将所述第二负荷输入转换为特征向量，对于连续特征值，通过等频分桶策略将所述连续特征值划分离散的区间，进行离散化，得到特征取值范围，根据所述特征取值范围，通过轻量梯度提升算法构建直方图；

基于叶节点优先生长策略，通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数，根据所述损失函数，计算当前叶节点的梯度和二阶导数，并构建目标函数的二阶泰勒展开；

对于每个叶节点，遍历全部叶节点的特征值，结合当前叶节点的梯度和二阶导数，确定分裂后损失函数值最小叶节点，将这一叶节点记为分裂叶节点，并将所述分裂叶节点分裂为两个叶节点，并计算分裂后叶节点的梯度和二阶导数，重复操作直至满足停止条件。

获取第二负荷的历史数据，包括各种特征如温度、季节、时间等，将第二负荷输入转换为特征向量。对于连续特征，使用等频分桶策略进行离散化，得到特征的离散值。每个样本将转化为一个包含各个特征的特征向量，初始化一个树模型，设定树的最大深度、学习率等超参数，对每个特征进行离散化后，基于轻量梯度提升算法构建直方图。

从根节点开始，初始化整棵树，遍历每个叶节点，通过节点增益函数确定当前叶节点的第一增益值，示例性地，从根节点开始，整棵树开始为空，对于每个叶节点，计算其第一增益值，这是通过节点增益函数来确定的，节点增益函数通常是一个代表模型拟合质量的指标，如平方损失、绝对损失等。它表示在当前节点上模型的性能提升程度。在平方损失的情况下，增益可以是节点分裂前后的均方误差减小量，对于每个叶节点，计算其分裂后左子节点和右子节点的节点增益值。

选择具有最大增益的叶节点进行分裂，根据最大增益值构建损失函数，通常使用平方损失或绝对损失，根据损失函数，计算当前叶节点的梯度和二阶导数，并构建目标函数的二阶泰勒展开。

遍历当前叶节点的特征值，对每个特征值进行分裂测试，结合当前叶节点的梯度和二阶导数，确定分裂后损失函数值最小的叶节点。将满足条件的特征值作为分裂点，将当前叶节点分裂为两个叶节点，计算分裂后叶节点的梯度和二阶导数，重复操作，直至树的深度达到设定值或节点中样本数小于某个阈值。

所述等频分桶策略是一种将连续特征值划分为离散区间的方法，确保每个区间内包含相同数量的样本，等频分桶策略通过对数据的分段来简化复杂性，同时减少对异常值的敏感性，并提高模型的鲁棒性。等频分同策略具体为，对特征值进行升序排序，据需要确定分桶的数量，例如，如果希望将特征分为 10 个桶，那么就将数据划分为10个等分，根据分桶的数量计算相应的分位数，将特征值根据计算得到的分位数分成对应的桶。每个桶内包含相同数量的样本，将每个桶用一个标签或代表该桶的值进行离散化。

在本实施例中，通过采用轻量梯度提升算法和节点优先生长策略，能够更高效地构建树模型，减少计算复杂度，提高模型的训练速度，通过等频分桶策略进行特征离散化，有助于提高模型的鲁棒性，减少对异常值的敏感性，使模型更好地适应不同的数据分布，通过节点分裂和优化操作，使得树模型能够更好地捕捉数据的非线性关系，提高了模型的预测性能。

在一种可选的实施方式中， 通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数如下公式所示：

;

其中，D表示当前节点的数据集，Loss(D)表示损失函数，y _i表示样本i的真实标签，y _avg表示当前节点的均值，y _split表示分裂后的节点均值，max _split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。

本函数通过计算损失函数，选择当前叶节点中具有最大增益的节点进行分裂。这意味着模型在选择分裂节点时，更加关注于提高整体模型的拟合效果，使得分裂后的子节点更有可能包含更多的信息，能够更好地捕捉样本之间的差异，通过损失函数的最大化选择分裂方式，模型更加注重提高训练集的拟合效果，有望提高模型的预测性能。这在电网调控中特别重要，因为精准的负荷预测对于电网的合理调度至关重要，同时由于损失函数考虑了分裂后节点的均方误差，因此模型更加适应于不同分布的数据，综上，本函数可以使轻量梯度提升算法更加有效地构建树模型，提高模型的性能和鲁棒性，进而在电网调控中实现更加精准和可靠的负荷预测。

S3.根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的。

所述能源动作空间是指在电网调控中，系统可供选择的能源调度方案的集合。它描述了在给定一定的电网初始数据和负荷预测结果下，系统可以采取的各种能源调度决策；所述策略优化算法是一种用于优化策略的近端方法，通过在每次迭代中执行多个策略更新步骤，通过最小化策略更新的相对概率比例来确保更新的保守性。

在一种可选的实施方式中，

根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的包括：

获取所述负荷预测结果和所述电网初始数据，根据所述负荷预测结果和所述电网初始数据，定义状态空间，根据所述状态空间确定第一调整范围和第二调整范围，根据所述第一调整范围和第二调整范围，结合预先获取的电源单元特性，确定所述能源动作空间；

根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数，根据所述奖励函数，在每个时间步根据所述策略优化算法选择电网动作，根据所述电网动作，迭代所述状态空间和所述能源动作空间，根据迭代后的状态空间和能源动作空间，结合预设的策略优化算法，确定所述调控优化策略。

从数据库或其他数据源中获取负荷预测结果和电网初始数据，结合负荷预测结果和电网初始数据，定义状态空间。状态空间可能包括电网节点状态、负荷需求、能源供给状态等，根据定义的状态空间，结合预先获取电源单元的特性，包括发电机启停特性、储能系统的充放电特性，定义能源动作空间，包括有功功率的调整、无功功率的调整、电力市场交易等。

示例性地，发电机最大有功功率：1000 kW，最小有功功率输出（Pmin）：100 kW，有功功率调整粒度：50 kW，最大无功功率输出（Qmax）：300 kVAR，最小无功功率输出（Qmin）：-200 kVAR，则发电机的能源动作空间的有功功率范围：100 kW - 1000 kW，以50 kW为调整粒度，无功功率范围：-200 kVAR - 300 kVAR，以50 kVAR为调整粒度。

根据电网状态和电源单元的输出，计算系统损耗，考虑电压稳定性、频率稳定性等因素，定义电网稳定性指标，将系统损耗和电网稳定性指标结合，构建奖励函数，如奖励函数可以是系统损耗的负值，因为系统损耗越小越好，同时考虑电网稳定性的影响，并根据之前步骤定义的状态空间和能源动作空间，作为优化算法的搜索空间。

在每个时间步，使用策略优化算法在定义好的状态空间和能源动作空间中搜索最优动作，优化算法生成新的电网动作，更新电源单元的输出，模拟电网的响应，根据当前电网状态、电源单元的输出和定义的奖励函数，计算当前时间步的奖励，利用奖励信息，更新策略优化算法中的参数或模型，重复上述步骤，直至达到最大迭代次数或预设停止条件，如迭代50次，根据最终的策略模型，确定调控优化策略，即在给定电网状态下应采取的电源单元动作。

所述第一调整范围具体指无功功率的调整范围，所述第二调整范围具体指有功功率的调整范围，所述状态空间是描述电网和系统状态的集合，包括但不限于电网节点电压、频率等电网状态，系统负荷需求，所述能源动作空间具体指电源单元可调整的动作范围，包括有功功率和无功功率的调整范围，发电机启停状态，储能系统的充放电状态以及其他电源单元的动作，所述电源单元特性是指供电系统中的发电机、储能系统等能源装置。

在本实施例中，通过定义状态空间，确定第一调整范围和第二调整范围，系统能够在更高层次、更全面的维度上考虑电网状态和调整需求。这有助于提高调控的灵活性和精确性，考虑电源单元的特性，如发电机的启停特性、储能系统的充放电效率等，有助于构建更符合实际的能源动作空间，通过细致设计奖励函数和选择适用于电网调控问题的策略优化算法，可以使系统更加智能地作出调控决策，基于能源动作空间的调控决策不仅仅考虑系统损耗的优化，还综合考虑电网的稳定性，这有助于维持电网的安全运行和提高电能的经济利用效率。

综上，本实施例通过全面考虑系统状态、能源特性和调控需求，以智能的方式进行实时决策和迭代优化，从而全面提升电网调控的效能，使电网更加安全、稳定和高效。

在一种可选的实施方式中，根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数如下公式所示：

；

其中，R(s,a)表示奖励值，s表示系统状态，a表示电网动作，Loss（s,a）表示系统损耗，α表示权重系数，VoltageStability(s,a)表示电压稳定性。

通过使用本函数，通过最小化系统损耗，调控系统更趋向于提高电能的有效利用率，降低能量损失，从而促进电网的经济性，通过引入电压稳定性项，奖励函数使得系统调控更关注电网的稳定性。这有助于防止因调控决策引起的电压不稳定问题，提高电网的可靠性，奖励函数综合考虑了系统损耗和电压稳定性两个重要因素。通过调整权重系数，可以平衡在经济性和稳定性之间的权衡。这样的综合优化目标有助于实现电网调控决策的多目标优化，综上，通过使用本函数，充分考虑了经济性和稳定性两个方面，通过权衡两者的关系，使得电网调控系统在多级数据的支持下更加智能、全面地进行调控决策，进一步提高电网的调控效能。

图2为本发明实施例一种基于多级数据的电网调控系统的结构示意图，如图2所示，所述系统包括：

第一单元，用于获取电网初始数据，将电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

第二单元，用于根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

第三单元，用于根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于多级数据的电网调控方法，其特征在于，包括：

获取电网初始数据，将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

所述将所述电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入包括：

通过数据库获取历史用电数据，并根据设置于电网节点中的智能传感器获取电网状态数据，将所述历史用电数据和所述电网状态数据加入至同一集合，并记为所述电网初始数据；

通过所述第一负荷预测模型对所述电网初始数据进行数据清洗和特征选择操作，得到所述第一负荷输入；

根据所述第一负荷输入，通过所述第一负荷预测模型中的双向状态网络，确定前向隐藏状态和后向隐藏状态；

根据所述前向隐藏状态和所述后向隐藏状态，结合预设的残差模块和自注意力机制，将所述双向状态网络中特定层的输入数据直接加入至所述双向状态网络的输出数据中，确定所述第二负荷输入；

根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

所述根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型包括：

获取所述第二负荷输入，将所述第二负荷输入加入至所述第二负荷预测模型，所述第二负荷输入从所述第二负荷预测模型的根节点向下传递，在每个叶节点处，根据预设的节点分裂条件，判断传递方向，若满足所述预设的节点分裂条件则向左传递，若不满足，则向右传递，直至传递完成，得到所述第二负荷输出；

根据所述第二负荷输出，结合所述结果优化算法，去除所述第二负荷输出中的异常值并根据数据趋势进行修正，确定所述负荷预测结果；根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的；

所述根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略包括：

获取所述负荷预测结果和所述电网初始数据，根据所述负荷预测结果和所述电网初始数据，定义状态空间，根据所述状态空间确定第一调整范围和第二调整范围，根据所述第一调整范围和所述第二调整范围，结合预先获取的电源单元特性，确定所述能源动作空间；

根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数，根据所述奖励函数，在每个时间步根据所述策略优化算法选择电网动作，根据所述电网动作，迭代所述状态空间和所述能源动作空间，根据迭代后的状态空间和能源动作空间，结合预设的策略优化算法，确定所述调控优化策略。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括训练所述第二负荷预测模型：

获取第二负荷输入，将所述第二负荷输入转换为特征向量，对于连续特征值，通过等频分桶策略将所述连续特征值划分离散的区间，进行离散化，得到特征取值范围，根据所述特征取值范围，通过轻量梯度提升算法构建直方图；

基于叶节点优先生长策略，通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数，根据所述损失函数，计算当前叶节点的梯度和二阶导数，并构建目标函数的二阶泰勒展开；

对于每个叶节点，遍历全部叶节点的特征值，结合当前叶节点的梯度和二阶导数，确定分裂后损失函数值最小叶节点，记为分裂叶节点，并将所述分裂叶节点分裂为两个叶节点，并计算分裂后叶节点的梯度和二阶导数，重复操作直至满足停止条件。

3.根据权利要求2所述的方法，其特征在于，所述通过节点增益函数确定当前叶节点的第一增益值，选择当前叶节点中拥有最大增益的节点进行分裂，得到最大增益值并根据所述最大增益值构建损失函数如下公式所示：

;

其中，D表示当前节点的数据集，Loss(D)表示损失函数，y _i表示样本i的真实标签，y _avg表示当前节点的均值，y _split表示分裂后的节点均值，max _split ()表示在所有可能的方式中选择能够最大化损失函数的分裂方式。

4.根据权利要求1所述的方法，其特征在于，所述根据所述能源动作空间，结合系统损耗和电网稳定性，确定奖励函数如下公式所示：

；

其中，R(s,a)表示奖励值，s表示系统状态，a表示电网动作，Loss（s,a）表示系统损耗，α表示权重系数，VoltageStability(s,a)表示电压稳定性。

5.一种基于多级数据的电网调控系统，用于实现前述权利要求1-4中任一项所述的基于多级数据的电网调控方法，其特征在于，包括：

第一单元，用于获取电网初始数据，将电网初始数据输入至预设的第一负荷预测模型，通过所述第一负荷预测模型对所述电网初始数据进行预处理，确定第一负荷输入，根据所述第一负荷输入，结合所述第一负荷预测模型，得到第二负荷输入；

第二单元，用于根据所述第二负荷输入，结合预设的第二负荷预测模型，将所述第二负荷输入在所述第二负荷预测模型中以根节点至叶节点的顺序进行传递，得到第二负荷输出，根据所述第二负荷输出，结合预设的结果优化算法，确定负荷预测结果，其中，所述第二负荷模型是基于极端梯度提升算法构建的树模型；

第三单元，用于根据所述负荷预测结果，结合电网初始数据，构建能源动作空间，根据所述能源动作空间，通过预设的策略优化算法，确定调控优化策略，其中，所述策略优化算法是根据改良的近端策略优化算法构建的。

6.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。