本發(fā)明屬于微電網(wǎng)，具體的說是用于多源微電網(wǎng)的數(shù)據(jù)融合方法及系統(tǒng)。

背景技術(shù)：

1、微電網(wǎng)是一種新型的小型發(fā)配電網(wǎng)絡(luò)，由分布式電源、儲(chǔ)能裝置、能量轉(zhuǎn)換裝置、相關(guān)負(fù)荷以及監(jiān)控、保護(hù)裝置構(gòu)成，形成單一可控的發(fā)配電系統(tǒng)，微電網(wǎng)的多個(gè)分布式電源及相關(guān)負(fù)載按照一定的拓?fù)浣Y(jié)構(gòu)組成網(wǎng)絡(luò)，通過靜態(tài)開關(guān)關(guān)聯(lián)至常規(guī)電網(wǎng)，相對于傳統(tǒng)大電網(wǎng)，微電網(wǎng)能夠?qū)崿F(xiàn)系統(tǒng)的自我控制、保護(hù)及管理，既可以獨(dú)立運(yùn)行，也可以與外部電網(wǎng)并網(wǎng)運(yùn)行。

2、隨著分布式能源和物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，微電網(wǎng)作為智能電網(wǎng)的重要組成部分，其內(nèi)部包含多種發(fā)電單元、儲(chǔ)能設(shè)備和負(fù)載節(jié)點(diǎn)，產(chǎn)生了大量異構(gòu)、實(shí)時(shí)性要求高的數(shù)據(jù)。如何有效融合這些數(shù)據(jù)，成為微電網(wǎng)優(yōu)化調(diào)度和智能控制的關(guān)鍵問題?，F(xiàn)有技術(shù)中，數(shù)據(jù)融合方法往往存在處理效率低、精度不足、實(shí)時(shí)性差等問題，難以滿足微電網(wǎng)復(fù)雜多變的運(yùn)行需求。

3、如公開號為cn115688444a的中國專利申請公開了一種多源量測終端數(shù)據(jù)融合的微電網(wǎng)狀態(tài)估計(jì)方法及系統(tǒng)，包括：通過獲取scada量測終端和pmu量測終端分別在相應(yīng)的預(yù)置測量點(diǎn)的scada量測序列數(shù)據(jù)和pmu量測序列數(shù)據(jù)，還獲取ami量測終端在微電網(wǎng)末端的預(yù)置測量點(diǎn)的ami量測序列數(shù)據(jù)，基于微電網(wǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，搜索與ami量測終端相關(guān)聯(lián)的scada量測終端的多個(gè)預(yù)置測量點(diǎn)，構(gòu)成scada測量點(diǎn)集合，并確定與ami量測終端的電氣距離最近的scada測量點(diǎn)，作為ami量測終端最關(guān)聯(lián)的scada測量點(diǎn)，根據(jù)ami量測終端最關(guān)聯(lián)的scada測量點(diǎn)對應(yīng)的scada量測序列數(shù)據(jù)以及ami量測序列數(shù)據(jù)估算ami當(dāng)前量測值，根據(jù)scada量測序列數(shù)據(jù)、pmu量測序列數(shù)據(jù)和ami當(dāng)前量測值進(jìn)行微電網(wǎng)狀態(tài)估計(jì)，從而提高微電網(wǎng)狀態(tài)估計(jì)的計(jì)算精度。

4、以上現(xiàn)有技術(shù)均存在以下問題：1）依賴性強(qiáng)且靈活性不足；2）數(shù)據(jù)處理和融合方式較為傳統(tǒng)，導(dǎo)致在處理復(fù)雜、非線性、高維度的微電網(wǎng)數(shù)據(jù)時(shí)存在一定的局限性；3）雖然考慮了多源數(shù)據(jù)的融合，但在實(shí)時(shí)性和動(dòng)態(tài)適應(yīng)性方面存在不足。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了用于多源微電網(wǎng)的數(shù)據(jù)融合方法及系統(tǒng)，通過分層數(shù)據(jù)采集與預(yù)處理，利用深度學(xué)習(xí)增強(qiáng)的時(shí)空數(shù)據(jù)融合模型及動(dòng)態(tài)自適應(yīng)策略，智能聚合多源運(yùn)維數(shù)據(jù)；制定智能數(shù)據(jù)分發(fā)策略，動(dòng)態(tài)優(yōu)化數(shù)據(jù)傳輸路徑與帶寬資源分配；集成ai的實(shí)時(shí)監(jiān)控系統(tǒng)監(jiān)測微電網(wǎng)狀態(tài)，一旦發(fā)現(xiàn)異?；驖撛陲L(fēng)險(xiǎn)，自動(dòng)預(yù)警并通過可視化界面反饋至調(diào)度系統(tǒng)及操作人員，提升了微電網(wǎng)運(yùn)維效率與安全性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、用于多源微電網(wǎng)的數(shù)據(jù)融合方法，包括：

4、步驟s1：通過智能傳感器網(wǎng)絡(luò)對微電網(wǎng)進(jìn)行分層數(shù)據(jù)采集，并進(jìn)行預(yù)處理；

5、步驟s2：將預(yù)處理后的分層數(shù)據(jù)輸入到預(yù)訓(xùn)練好的深度學(xué)習(xí)增強(qiáng)的時(shí)空數(shù)據(jù)融合模型，并通過動(dòng)態(tài)自適應(yīng)策略進(jìn)行智能聚合，獲得多源運(yùn)維數(shù)據(jù)；

6、步驟s3：制定智能數(shù)據(jù)分發(fā)策略，并根據(jù)智能數(shù)據(jù)分發(fā)策略動(dòng)態(tài)分配多源運(yùn)維數(shù)據(jù)傳輸路徑和帶寬資源；

7、步驟s4：利用多源運(yùn)維數(shù)據(jù)，建立集成ai的實(shí)時(shí)監(jiān)控系統(tǒng)，實(shí)時(shí)監(jiān)測微電網(wǎng)運(yùn)行狀態(tài)，當(dāng)檢測到異?；驖撛陲L(fēng)險(xiǎn)時(shí)，自動(dòng)觸發(fā)預(yù)警機(jī)制，并通過可視化方式將預(yù)警結(jié)果反饋給調(diào)度系統(tǒng)和操作人員，同時(shí)，操作人員根據(jù)反饋的信息，采取響應(yīng)措施。

8、具體地，所述步驟s2的具體步驟包括：

9、s2.1：動(dòng)態(tài)加載預(yù)訓(xùn)練好的深度學(xué)習(xí)增強(qiáng)的時(shí)空數(shù)據(jù)融合模型，將預(yù)處理后的分層數(shù)據(jù)實(shí)時(shí)輸入到時(shí)空數(shù)據(jù)融合模型，并根據(jù)分層數(shù)據(jù)的實(shí)時(shí)變化，采用動(dòng)態(tài)自適應(yīng)策略調(diào)整時(shí)空數(shù)據(jù)融合模型的參數(shù)，動(dòng)態(tài)自適應(yīng)策略的具體公式為：

10、；

11、其中，表示在時(shí)間步t+1時(shí)對于參數(shù)組g的參數(shù)值，表示在時(shí)間步t時(shí)對于參數(shù)組g的參數(shù)值，g表示時(shí)空數(shù)據(jù)融合模型的參數(shù)組，表示全局學(xué)習(xí)率，表示參數(shù)組g在時(shí)間步t時(shí)的一階矩估計(jì)的偏差修正值，表示參數(shù)組g在時(shí)間步t時(shí)的二階矩估計(jì)的偏差修正值，表示正數(shù)，表示將裁剪到區(qū)間的梯度裁剪函數(shù)，表示時(shí)間步t時(shí)對于參數(shù)組g的梯度，表示當(dāng)前批次中所有梯度元素絕對值的最大值，、分別表示將梯度歸一化后的最小值和最大值；

12、s2.2：在時(shí)空數(shù)據(jù)融合模型內(nèi)部，利用多維度注意力融合機(jī)制進(jìn)行特征融合，獲得特征融合數(shù)據(jù)；

13、s2.3：對特征融合數(shù)據(jù)進(jìn)行智能聚合，生成多源運(yùn)維數(shù)據(jù)，并對生成的運(yùn)維數(shù)據(jù)進(jìn)行評估。

14、具體地，所述s2.3的具體步驟包括：

15、s2.31：獲取s2.2中的特征融合數(shù)據(jù)，加載預(yù)構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型，并將特征融合數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)模型；

16、s2.32：使用改進(jìn)的梯度下降優(yōu)化算法調(diào)整卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)，公式為：

17、；

18、其中，和分別表示t+1時(shí)刻和t時(shí)刻卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)值，表示t時(shí)刻的動(dòng)量項(xiàng)，和表示調(diào)整動(dòng)量項(xiàng)影響的超參數(shù)，表示學(xué)習(xí)率調(diào)整因子，表示t時(shí)刻的梯度向量；

19、s2.33：通過調(diào)整后的卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，得到智能聚合的結(jié)果，并根據(jù)智能聚合的結(jié)果，結(jié)合業(yè)務(wù)需求，生成多源運(yùn)維數(shù)據(jù)，并通過計(jì)算準(zhǔn)確率評估生成的運(yùn)維數(shù)據(jù)的質(zhì)量。

20、具體地，所述步驟s3的具體步驟包括：

21、s3.1：制定智能數(shù)據(jù)分發(fā)策略，并根據(jù)歷史數(shù)據(jù)和實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)動(dòng)態(tài)調(diào)整分發(fā)策略；

22、s3.2：實(shí)時(shí)監(jiān)測網(wǎng)絡(luò)狀態(tài)和帶寬使用情況，根據(jù)調(diào)整后的智能數(shù)據(jù)分發(fā)策略和實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)，利用路由算法選擇最優(yōu)的傳輸路徑，公式為：

23、；

24、其中，表示第j條傳輸路徑的綜合性能，表示第j條傳輸路徑的傳輸延遲，表示第j條傳輸路徑的帶寬利用率，表示第j條傳輸路徑的數(shù)據(jù)包丟包率，表示第j條傳輸路徑的能耗成本，表示第j條傳輸路徑的穩(wěn)定性，、、、、u表示權(quán)重因子；

25、s3.3：基于選擇的最優(yōu)傳輸路徑，使用動(dòng)態(tài)帶寬分配算法分配帶寬資源；

26、s3.4：將制定的智能數(shù)據(jù)分發(fā)策略和動(dòng)態(tài)分配機(jī)制部署到實(shí)際環(huán)境中，實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)傳輸過程和資源使用情況；

27、s3.5：收集反饋數(shù)據(jù)，根據(jù)收集的反饋數(shù)據(jù)優(yōu)化和調(diào)整分發(fā)策略和動(dòng)態(tài)分配機(jī)制。

28、具體地，所述s3.3的具體步驟包括：

29、s3.31：設(shè)置令牌桶參數(shù)，并根據(jù)最優(yōu)傳輸路徑的帶寬能力，動(dòng)態(tài)調(diào)整令牌桶參數(shù)；

30、s3.32：當(dāng)數(shù)據(jù)包x到達(dá)時(shí)：

31、若，則允許數(shù)據(jù)包x發(fā)送，并從令牌桶中移除個(gè)令牌；

32、若，則使數(shù)據(jù)包x進(jìn)行排隊(duì)等待，其中，表示令牌桶中令牌的數(shù)量；

33、s3.33：實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)帶寬分配的效果，根據(jù)監(jiān)控結(jié)果和實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)，動(dòng)態(tài)調(diào)整令牌桶的參數(shù)和動(dòng)態(tài)帶寬分配算法參數(shù)。

34、具體地，所述s3.1中智能數(shù)據(jù)分發(fā)策略包括數(shù)據(jù)分發(fā)的優(yōu)先級、時(shí)間表和分發(fā)方式。

35、用于多源微電網(wǎng)的數(shù)據(jù)融合系統(tǒng)，包括：數(shù)據(jù)采集模塊、智能聚合模塊、數(shù)據(jù)分發(fā)模塊、決策支持模塊；

36、所述數(shù)據(jù)采集模塊，用于通過部署在微電網(wǎng)不同層級的智能傳感器，實(shí)時(shí)采集微電網(wǎng)的電能質(zhì)量、設(shè)備狀態(tài)和環(huán)境參數(shù)數(shù)據(jù)，并進(jìn)行預(yù)處理；

37、所述智能聚合模塊，用于利用預(yù)先訓(xùn)練好的時(shí)空數(shù)據(jù)融合模型，將預(yù)處理后的數(shù)據(jù)進(jìn)行融合，并根據(jù)分層數(shù)據(jù)的實(shí)時(shí)變化情況和模型的預(yù)測結(jié)果，動(dòng)態(tài)調(diào)整數(shù)據(jù)融合的權(quán)重和參數(shù)；

38、所述數(shù)據(jù)分發(fā)模塊，用于根據(jù)網(wǎng)絡(luò)狀況、數(shù)據(jù)類型制定智能數(shù)據(jù)分發(fā)策略，并根據(jù)智能數(shù)據(jù)分發(fā)策略進(jìn)行動(dòng)態(tài)資源分配；

39、所述決策支持模塊，基于智能聚合后的數(shù)據(jù)，對微電網(wǎng)狀態(tài)進(jìn)行評估，并為操作人員提供優(yōu)化運(yùn)行建議。

40、具體地，所述智能聚合模塊包括：動(dòng)態(tài)自適應(yīng)單元、智能聚合單元；

41、所述動(dòng)態(tài)自適應(yīng)單元，用于根據(jù)數(shù)據(jù)的實(shí)時(shí)變化情況和模型的預(yù)測結(jié)果，采用改進(jìn)的梯度下降優(yōu)化算法動(dòng)態(tài)調(diào)整數(shù)據(jù)融合的權(quán)重和參數(shù)，以提高數(shù)據(jù)融合的準(zhǔn)確性和魯棒性；

42、所述智能聚合單元，用于將融合后的分層數(shù)據(jù)進(jìn)行智能聚合處理，形成多源運(yùn)維數(shù)據(jù)。

43、具體地，所述數(shù)據(jù)分發(fā)模塊包括：智能分發(fā)策略單元、資源分配單元；

44、所述智能分發(fā)策略單元，用于根據(jù)數(shù)據(jù)的優(yōu)先級、緊急性和網(wǎng)絡(luò)狀況因素，制定智能數(shù)據(jù)分發(fā)策略；

45、所述資源分配單元，用于根據(jù)智能數(shù)據(jù)分發(fā)策略，使用動(dòng)態(tài)帶寬分配算法動(dòng)態(tài)分配數(shù)據(jù)傳輸路徑和帶寬資源。

46、一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)用于多源微電網(wǎng)的數(shù)據(jù)融合方法的步驟。

47、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

48、1.本發(fā)明提出用于多源微電網(wǎng)的數(shù)據(jù)融合系統(tǒng)，并進(jìn)行了架構(gòu)、運(yùn)行步驟和流程上的優(yōu)化改進(jìn)，系統(tǒng)具備流程簡單，投資運(yùn)行費(fèi)用低廉，生產(chǎn)工作成本低的優(yōu)點(diǎn)。

49、2.本發(fā)明提出用于多源微電網(wǎng)的數(shù)據(jù)融合方法，通過智能傳感器網(wǎng)絡(luò)的分層數(shù)據(jù)采集與預(yù)處理，結(jié)合深度學(xué)習(xí)增強(qiáng)的時(shí)空數(shù)據(jù)融合模型及動(dòng)態(tài)自適應(yīng)策略，實(shí)現(xiàn)了多源運(yùn)維數(shù)據(jù)的智能聚合，提升了微電網(wǎng)能量調(diào)度系統(tǒng)的實(shí)時(shí)性和精準(zhǔn)性；通過智能數(shù)據(jù)分發(fā)策略動(dòng)態(tài)優(yōu)化數(shù)據(jù)傳輸路徑與帶寬資源，確保了運(yùn)維數(shù)據(jù)的及時(shí)傳輸和質(zhì)量，減少了冗余信息的傳輸；同時(shí)建立的集成ai實(shí)時(shí)監(jiān)控系統(tǒng)能夠?qū)崟r(shí)監(jiān)測微電網(wǎng)狀態(tài)，及時(shí)發(fā)現(xiàn)并預(yù)警異?；驖撛陲L(fēng)險(xiǎn)，通過可視化反饋機(jī)制助力調(diào)度系統(tǒng)和操作人員迅速響應(yīng)；智能調(diào)度決策支持系統(tǒng)和實(shí)時(shí)反饋機(jī)制實(shí)現(xiàn)了高效、精準(zhǔn)的能量調(diào)度，有效提升了微電網(wǎng)的安全運(yùn)行水平和應(yīng)急響應(yīng)能力。