本發(fā)明涉及配電網(wǎng)大數(shù)據(jù)挖掘技術(shù)及人工智能，具體來說是一種多源數(shù)據(jù)融合的中低壓配電網(wǎng)拓?fù)湔_性校驗(yàn)及同步反饋方法及系統(tǒng)。

背景技術(shù)：

1、在當(dāng)今電力系統(tǒng)的運(yùn)行中，中低壓配電網(wǎng)作為能源傳輸和分配的關(guān)鍵組成部分，扮演著至關(guān)重要的角色。然而，隨著能源系統(tǒng)的不斷發(fā)展和復(fù)雜化，中低壓配電網(wǎng)面臨著一系列挑戰(zhàn)，如多變的負(fù)荷需求、不斷增加的分布式能源接入、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)變化等。

2、為了更好地控制配電網(wǎng)的發(fā)電和需求兩方面，需要使用監(jiān)控工具(如狀態(tài)估計(jì))，其中拓?fù)湫畔⑹且粋€(gè)很重要的條件。電網(wǎng)中的拓?fù)湔_性校驗(yàn)是指對(duì)電力系統(tǒng)中的拓?fù)浣Y(jié)構(gòu)進(jìn)行驗(yàn)證的過程，其目標(biāo)是確保電網(wǎng)模型與實(shí)際電網(wǎng)拓?fù)浣Y(jié)構(gòu)相符，以避免由于錯(cuò)誤的數(shù)據(jù)庫(kù)條目或未正確更新的電網(wǎng)狀態(tài)(例如斷路器狀態(tài)、停電后的線路狀態(tài))等問題導(dǎo)致的運(yùn)行異常。在電力系統(tǒng)中，拓?fù)浣Y(jié)構(gòu)表示電網(wǎng)中各個(gè)元件(例如變電站、輸電線路、變壓器等)之間的連接關(guān)系和電力流向。通過拓?fù)湔_性校驗(yàn)，電力系統(tǒng)運(yùn)營(yíng)者能夠確保電網(wǎng)的模型與實(shí)際運(yùn)行情況相符，從而更好地進(jìn)行系統(tǒng)操作、計(jì)劃和分析，提高電力系統(tǒng)的可靠性和安全性。對(duì)于配電網(wǎng)的運(yùn)行來說，需要進(jìn)行高度準(zhǔn)確的拓?fù)湫?zhǔn)過程。在輸電網(wǎng)中，拓?fù)浣Y(jié)構(gòu)變化不頻繁，可以通過安裝專門的設(shè)備檢查連通性來分析電網(wǎng)的拓?fù)?。但是在次?jí)中低壓配電網(wǎng)中這些方法會(huì)受到限制。例如，在許多大都市地區(qū)，次級(jí)配電網(wǎng)規(guī)模巨大且大部分都在地下。這一事實(shí)使得安裝任何拓?fù)渥R(shí)別設(shè)備都是耗時(shí)且昂貴。

3、解決這一問題的一種途徑是通過收集的電網(wǎng)數(shù)據(jù)來糾正當(dāng)前運(yùn)行的網(wǎng)絡(luò)拓?fù)?，并修?fù)配電管理系統(tǒng)數(shù)據(jù)庫(kù)中的拓?fù)溴e(cuò)誤。然而，傳統(tǒng)的拓?fù)湫ｒ?yàn)方法僅依賴于電網(wǎng)收集到的配電網(wǎng)電力數(shù)據(jù)，而且這些數(shù)據(jù)可能是不完整且有噪聲的，導(dǎo)致對(duì)電網(wǎng)結(jié)構(gòu)的真實(shí)理解不夠全面。此外，拓?fù)湫ｒ?yàn)系統(tǒng)可能存在時(shí)滯，致使無法及時(shí)發(fā)現(xiàn)和糾正電網(wǎng)中存在的問題，導(dǎo)致電力系統(tǒng)的不穩(wěn)定和不可靠性。近年來，由于許多先進(jìn)的計(jì)量基礎(chǔ)設(shè)施和智能電表的引入以及互聯(lián)網(wǎng)的飛速發(fā)展，客戶的用電場(chǎng)所可以提供前所未有的大量數(shù)據(jù)用于改進(jìn)和驗(yàn)證配電網(wǎng)模型。因此，如何有效地利用多源數(shù)據(jù)進(jìn)行拓電網(wǎng)拓?fù)湔_性校驗(yàn)是一個(gè)急需解決的問題。

4、然而，融合多源數(shù)據(jù)并設(shè)計(jì)相應(yīng)的算法仍然是一項(xiàng)巨大的挑戰(zhàn)。首先，多源數(shù)據(jù)的融合是一項(xiàng)極具技術(shù)挑戰(zhàn)的任務(wù)。不同數(shù)據(jù)源可能采用不同的格式、單位和采集頻率，因此首要任務(wù)是建立一個(gè)統(tǒng)一的數(shù)據(jù)模型。數(shù)據(jù)清洗和預(yù)處理是不可避免的步驟，以確保各種數(shù)據(jù)能夠被正確解釋和利用。此外，需要考慮到數(shù)據(jù)的時(shí)空特性，因?yàn)榕潆娋W(wǎng)的運(yùn)行是一個(gè)動(dòng)態(tài)過程，數(shù)據(jù)的時(shí)間戳和時(shí)序關(guān)系對(duì)算法的準(zhǔn)確性至關(guān)重要。其次，設(shè)計(jì)能夠有效處理多源數(shù)據(jù)的算法是關(guān)鍵。傳統(tǒng)的拓?fù)湫ｒ?yàn)算法在處理單一數(shù)據(jù)源時(shí)可能表現(xiàn)良好，但在面對(duì)多源數(shù)據(jù)的情況下，需要考慮到不同數(shù)據(jù)之間的關(guān)聯(lián)性和相互影響，這可能涉及到復(fù)雜的數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)或深度學(xué)習(xí)技術(shù)的應(yīng)用，以從數(shù)據(jù)中提取隱含的拓?fù)湫畔?。算法的設(shè)計(jì)不僅要考慮準(zhǔn)確性，還需要注重計(jì)算效率，因?yàn)閷?shí)時(shí)性對(duì)于電力系統(tǒng)的穩(wěn)定性至關(guān)重要。此外，由于電力系統(tǒng)的復(fù)雜性和關(guān)鍵性，算法的可解釋性也是一個(gè)重要的方面。運(yùn)營(yíng)商和決策者需要能夠理解算法的工作原理，以便做出明智的決策。因此，算法設(shè)計(jì)不僅要追求高度準(zhǔn)確性，還需要具備良好的可解釋性和可理解性。有效地利用多源數(shù)據(jù)進(jìn)行拓?fù)湔_性校驗(yàn)，需要克服數(shù)據(jù)集成和處理的難題，且需要確保設(shè)計(jì)的算法能夠準(zhǔn)確而高效地糾正電網(wǎng)拓?fù)溴e(cuò)誤從而進(jìn)行同步反饋。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何準(zhǔn)確而高效地糾正電網(wǎng)拓?fù)溴e(cuò)誤從而進(jìn)行同步反饋。

2、本發(fā)明通過以下技術(shù)手段實(shí)現(xiàn)解決上述技術(shù)問題的：

3、多源數(shù)據(jù)融合的中低壓配電網(wǎng)拓?fù)湔_性校驗(yàn)及同步反饋方法，包括以下步驟：

4、步驟1.對(duì)用戶側(cè)和電力網(wǎng)的數(shù)據(jù)進(jìn)行預(yù)處理及融合處理，得到電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3；對(duì)用戶的網(wǎng)絡(luò)拓?fù)溥M(jìn)行拓?fù)涮卣魈崛?，得到拓?fù)涮卣鱴；

5、步驟2.對(duì)所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3、拓?fù)涮卣鱴進(jìn)行拓?fù)湔_性校驗(yàn)，得到校驗(yàn)結(jié)果，具體過程如下：

6、首先，采用transformer?block對(duì)拓?fù)涮卣鱴與電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3交互，得到特征y1、特征y2、特征y3：

7、y1＝transformerblock(x，x1)

8、y2＝transformerblock(y1，x2)

9、y3＝transformerblock(y2，x3)

10、其次，對(duì)特征y1、特征y2、特征y3進(jìn)行拼接操作，得到y(tǒng)f：

11、yf＝concat(y1,y2,y3)

12、其中concat()為拼接操作；

13、最后將yf送入多層感知機(jī)進(jìn)行預(yù)測(cè)，得到拓?fù)湫ｒ?yàn)結(jié)果，根據(jù)校驗(yàn)結(jié)果對(duì)拓?fù)浣Y(jié)結(jié)構(gòu)進(jìn)行修改；

14、對(duì)于transformer?block，輸入特征為拓?fù)涮卣鱴，待交互特征y為電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3其中一個(gè)，的多頭注意力，假設(shè)用于輸入特征為x，待交互特征y，h表示注意力頭的數(shù)量；

15、首先對(duì)輸入特征進(jìn)行線性映射：

16、queryi＝xwiq,keyi＝y(tǒng)wik,valuei＝y(tǒng)wiv,

17、其中i是注意力頭的索引，i＝1,2,…,h，wiq,wik,wiv是第i個(gè)注意力頭對(duì)應(yīng)的投影矩陣，使用輸入特征x映射得到查詢queryi，使用待交互特征y得到鍵keyi和值valuei；

18、常規(guī)情況下，計(jì)算注意力分?jǐn)?shù)為：

19、

20、其中，d是特征維度；

21、在極端情況下，在原始注意力矩陣queryikeyit中引入低秩矩陣w，將其表示為w＝uvt，其中u和vt是低秩分解后的矩陣，這樣注意力分?jǐn)?shù)計(jì)算公式變?yōu)椋鹤⒁饬Ψ謹(jǐn)?shù)計(jì)算公式變?yōu)椋?/p>

22、

23、其中其中r是低秩矩陣的秩。

24、本發(fā)明提出了一種多源數(shù)據(jù)融合方法，使用bert處理多源異構(gòu)數(shù)據(jù)，能夠自適應(yīng)地有效整合來自不同數(shù)據(jù)源的信息。通過bert微調(diào)的多源數(shù)據(jù)融合方法，克服了傳統(tǒng)方法依賴于單一數(shù)據(jù)源且可能不完整且有噪聲的問題。本發(fā)明引入了圖神經(jīng)網(wǎng)絡(luò)提取電網(wǎng)拓?fù)涮卣鳎蹲诫娏W(wǎng)中節(jié)點(diǎn)之間的復(fù)雜關(guān)系和拓?fù)浣Y(jié)構(gòu)。通過基于深度學(xué)習(xí)的方法進(jìn)行電網(wǎng)拓?fù)湔_性校驗(yàn)，克服了傳統(tǒng)方法中概率模型難以全面覆蓋拓?fù)浣Y(jié)構(gòu)各方面的問題，使網(wǎng)絡(luò)更適用于復(fù)雜的電力系統(tǒng)結(jié)構(gòu)和實(shí)際數(shù)據(jù)場(chǎng)景，為電力系統(tǒng)的安全和可靠性提供了更先進(jìn)的解決方案。本發(fā)明引入了低秩近似技術(shù)以降低神經(jīng)網(wǎng)絡(luò)推理的時(shí)間復(fù)雜度，實(shí)現(xiàn)了對(duì)電網(wǎng)拓?fù)涞囊淮涡圆⑿蓄A(yù)測(cè)，適用于實(shí)時(shí)同步反饋。創(chuàng)新性地采用低秩近似技術(shù)，相較于傳統(tǒng)基于迭代循環(huán)的搜索方式，提高了推理速度，使得實(shí)時(shí)同步反饋成為可能，具有重要的實(shí)用性和效率性。

25、進(jìn)一步的，所述步驟1中對(duì)用戶側(cè)和電力網(wǎng)的數(shù)據(jù)預(yù)處理方法為：首先進(jìn)行數(shù)據(jù)清洗，通過刪除或修復(fù)異常值、錯(cuò)誤值和缺失值，以確保輸入數(shù)據(jù)的質(zhì)量和一致性；隨后，進(jìn)行了標(biāo)準(zhǔn)化和歸一化的處理，將各種數(shù)據(jù)規(guī)范化到相似的尺度，以便更好地進(jìn)行比較和融合；最后，采用了預(yù)訓(xùn)練的bert模型，通過對(duì)用戶側(cè)數(shù)據(jù)和電力網(wǎng)數(shù)據(jù)進(jìn)行特征提取，得到電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2。

26、進(jìn)一步的，針對(duì)所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2，使用多層感知機(jī)進(jìn)行對(duì)齊得到融合數(shù)據(jù)特征x3。

27、進(jìn)一步的，所述步驟1中，所述拓?fù)涮卣鱴的提取方法為：

28、假設(shè)網(wǎng)絡(luò)拓?fù)溆衝個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)組成一個(gè)n×d維的矩陣m，然后各個(gè)節(jié)點(diǎn)之間的關(guān)系形成一個(gè)n×n維的矩陣a，即鄰接矩陣；m和a為圖卷積網(wǎng)絡(luò)的輸入；

29、

30、其中h(l)是第l層的特征，代表的是輸入節(jié)點(diǎn)的特征矩陣，對(duì)于輸入層，h就是m；w(l)是第l層的權(quán)重矩陣；σ是非線性激活函數(shù)，是鄰接矩陣a加上自環(huán))的修正版本，確保每個(gè)節(jié)點(diǎn)都考慮到自身的特征；是的對(duì)角線度矩陣；l代表網(wǎng)絡(luò)的層數(shù)。

31、本發(fā)明還提供一種多源數(shù)據(jù)融合的中低壓配電網(wǎng)拓?fù)湔_性校驗(yàn)及同步反饋系統(tǒng)，包括：

32、數(shù)據(jù)預(yù)處理及融合模塊，用于對(duì)用戶側(cè)和電力網(wǎng)的數(shù)據(jù)進(jìn)行預(yù)處理及融合處理，得到電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3；對(duì)用戶的網(wǎng)絡(luò)拓?fù)溥M(jìn)行拓?fù)涮卣魈崛?，得到拓?fù)涮卣鱴；

33、校驗(yàn)反饋模塊，用于對(duì)所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3、拓?fù)涮卣鱴進(jìn)行拓?fù)湔_性校驗(yàn)，得到校驗(yàn)結(jié)果，具體過程如下：

34、首先，采用transformer?block對(duì)拓?fù)涮卣鱴與電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3交互，得到特征y1、特征y2、特征y3：

35、y1＝transformerblock(x，x1)

36、y2＝transformerblock(y1，x2)

37、y3＝transformerblock(y2，x3)

38、其次，對(duì)特征y1、特征y2、特征y3進(jìn)行拼接操作，得到y(tǒng)f：

39、yf＝concat(y1,y2,y3)

40、其中concat()為拼接操作；

41、最后將yf送入多層感知機(jī)進(jìn)行預(yù)測(cè)，得到拓?fù)湫ｒ?yàn)結(jié)果，根據(jù)校驗(yàn)結(jié)果對(duì)拓?fù)浣Y(jié)結(jié)構(gòu)進(jìn)行修改；

42、對(duì)于transformer?block，輸入特征為拓?fù)涮卣鱴，待交互特征y為電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2、融合數(shù)據(jù)特征x3其中一個(gè)，的多頭注意力，假設(shè)用于輸入特征為x，待交互特征y，h表示注意力頭的數(shù)量；

43、首先對(duì)輸入特征進(jìn)行線性映射：

44、queryi＝xwiq,keyi＝y(tǒng)wik,valuei＝y(tǒng)wiv,

45、其中i是注意力頭的索引，i＝1,2,…,h，wiq,wik,wiv是第i個(gè)注意力頭對(duì)應(yīng)的投影矩陣，使用輸入特征x映射得到查詢queryi，使用待交互特征y得到鍵keyi和值valuei；

46、常規(guī)情況下，計(jì)算注意力分?jǐn)?shù)為：

47、

48、其中，d是特征維度；

49、在極端情況下，在原始注意力矩陣queryikeyit中引入低秩矩陣w，將其表示為w＝uvv，其中u和vt是低秩分解后的矩陣，這樣注意力分?jǐn)?shù)計(jì)算公式變?yōu)椋鹤⒁饬Ψ謹(jǐn)?shù)計(jì)算公式變?yōu)椋?/p>

50、

51、其中其中r是低秩矩陣的秩。

52、進(jìn)一步的，所述數(shù)據(jù)預(yù)處理及融合模塊中對(duì)用戶側(cè)和電力網(wǎng)的數(shù)據(jù)預(yù)處理方法為：首先進(jìn)行數(shù)據(jù)清洗，通過刪除或修復(fù)異常值、錯(cuò)誤值和缺失值，以確保輸入數(shù)據(jù)的質(zhì)量和一致性；隨后，進(jìn)行了標(biāo)準(zhǔn)化和歸一化的處理，將各種數(shù)據(jù)規(guī)范化到相似的尺度，以便更好地進(jìn)行比較和融合；最后，采用了預(yù)訓(xùn)練的bert模型，通過對(duì)用戶側(cè)數(shù)據(jù)和電力網(wǎng)數(shù)據(jù)進(jìn)行特征提取，得到電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2。

53、進(jìn)一步的，針對(duì)所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2，使用多層感知機(jī)進(jìn)行對(duì)齊得到融合數(shù)據(jù)特征x3。

54、進(jìn)一步的，所述數(shù)據(jù)預(yù)處理及融合模塊中，所述拓?fù)涮卣鱴的提取方法為：

55、假設(shè)網(wǎng)絡(luò)拓?fù)溆衝個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)組成一個(gè)n×d維的矩陣m，然后各個(gè)節(jié)點(diǎn)之間的關(guān)系形成一個(gè)n×n維的矩陣a，即鄰接矩陣；m和a為圖卷積網(wǎng)絡(luò)的輸入；

56、

57、其中h(l)是第l層的特征，代表的是輸入節(jié)點(diǎn)的特征矩陣，對(duì)于輸入層，h就是m；w(l)是第l層的權(quán)重矩陣；σ是非線性激活函數(shù)，是鄰接矩陣a加上自環(huán))的修正版本，確保每個(gè)節(jié)點(diǎn)都考慮到自身的特征；是的對(duì)角線度矩陣；l代表網(wǎng)絡(luò)的層數(shù)。

58、本發(fā)明還提供一種處理設(shè)備，其特征在于，包括至少一個(gè)處理器，以及與所述處理器通信連接的至少一個(gè)存儲(chǔ)器，其中：所述存儲(chǔ)器存儲(chǔ)有可被處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令能夠執(zhí)行如上述的方法。

59、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令使所述計(jì)算機(jī)執(zhí)行上述述的方法。

60、本發(fā)明的優(yōu)點(diǎn)在于：

61、1、本發(fā)明提出了一種多源數(shù)據(jù)融合方法，使用大語(yǔ)言模型bert進(jìn)行微調(diào)，從而可以自適應(yīng)地有效整合來自不同數(shù)據(jù)源的信息。該技術(shù)的獨(dú)特之處在于不僅能夠彌補(bǔ)電力數(shù)據(jù)單一來源的缺陷，還能夠建立多源數(shù)據(jù)之間更為復(fù)雜的關(guān)聯(lián)關(guān)系，充分發(fā)揮各數(shù)據(jù)源之間的互補(bǔ)性。此外，本專利使用圖神經(jīng)網(wǎng)絡(luò)提取電網(wǎng)的拓?fù)涮卣?，能夠捕捉電力網(wǎng)中節(jié)點(diǎn)之間的復(fù)雜關(guān)系和拓?fù)浣Y(jié)構(gòu)，為后續(xù)任務(wù)提供更有意義的表示。

62、2、本發(fā)明引入了圖神經(jīng)網(wǎng)絡(luò)提取電網(wǎng)拓?fù)涮卣?，捕捉電力網(wǎng)中節(jié)點(diǎn)之間的復(fù)雜關(guān)系和拓?fù)浣Y(jié)構(gòu)。通過基于深度學(xué)習(xí)的方法進(jìn)行電網(wǎng)拓?fù)湔_性校驗(yàn)，克服了傳統(tǒng)方法中概率模型難以全面覆蓋拓?fù)浣Y(jié)構(gòu)各方面的問題，使網(wǎng)絡(luò)更適用于復(fù)雜的電力系統(tǒng)結(jié)構(gòu)和實(shí)際數(shù)據(jù)場(chǎng)景，為電力系統(tǒng)的安全和可靠性提供了更先進(jìn)的解決方案。本發(fā)明提出了一種基于深度學(xué)習(xí)的新方法，采用數(shù)據(jù)驅(qū)動(dòng)方式，能夠更全面地考慮和處理電網(wǎng)拓?fù)涞亩嘀匾蛩?。在神?jīng)網(wǎng)絡(luò)中使用三種不同源的數(shù)據(jù)特征和電網(wǎng)拓?fù)溥M(jìn)行交互，使得網(wǎng)絡(luò)可以充分借助不同域的特征來自適應(yīng)地判斷電網(wǎng)拓?fù)湔_性。這種創(chuàng)新方法通過深度學(xué)習(xí)模型，以更細(xì)致和全面的方式進(jìn)行電網(wǎng)拓?fù)湔_性的判定，使網(wǎng)絡(luò)更適用于復(fù)雜的電力系統(tǒng)結(jié)構(gòu)和實(shí)際數(shù)據(jù)場(chǎng)景，為電力系統(tǒng)的安全和可靠性提供了更先進(jìn)的解決方案。

63、3、本發(fā)明引入了低秩近似技術(shù)以降低神經(jīng)網(wǎng)絡(luò)推理的時(shí)間復(fù)雜度，實(shí)現(xiàn)了對(duì)電網(wǎng)拓?fù)涞囊淮涡圆⑿蓄A(yù)測(cè)，適用于實(shí)時(shí)同步反饋。創(chuàng)新性地采用低秩近似技術(shù)，相較于傳統(tǒng)基于迭代循環(huán)的搜索方式，提高了推理速度，使得實(shí)時(shí)同步反饋成為可能，具有重要的實(shí)用性和效率性。這對(duì)于電力系統(tǒng)的實(shí)時(shí)監(jiān)控和應(yīng)對(duì)潛在問題具有顯著的意義，為實(shí)時(shí)決策提供更準(zhǔn)確和迅速的支持。