本發(fā)明屬于電力系統(tǒng)優(yōu)化，具體的說是一種基于多算法優(yōu)化的機組配置調整方法及系統(tǒng)。

背景技術：

1、在工業(yè)生產(chǎn)，尤其是電力系統(tǒng)中，機組配置調整是一個至關重要的環(huán)節(jié)，隨著電力系統(tǒng)規(guī)模的不斷擴大和復雜性的增加，機組配置調整問題日益凸顯其重要性。機組配置調整方法包括傳統(tǒng)優(yōu)化方法和智能優(yōu)化算法，其中，傳統(tǒng)優(yōu)化方法主要采用非線性規(guī)劃法、啟發(fā)式算法和優(yōu)先順序法的傳統(tǒng)優(yōu)化方法來解決機組配置調整問題，雖然在一定程度上解決了問題，但存在計算量大、收斂速度慢、易陷入局部最優(yōu)的問題；智能優(yōu)化算法包括遺傳算法、蟻群算法、粒子群算法，主要是通過模擬自然進化或群體智能行為來尋找問題的最優(yōu)解，但是，盡管智能優(yōu)化算法在機組配置調整中取得了顯著成效，但單一算法往往難以應對所有復雜情況，存在收斂速度慢、易陷入局部最優(yōu)的問題。

2、如授權公告號為cn116632931a的專利公開了一種機組涉網(wǎng)控制參數(shù)配置方法及系統(tǒng)，包括：針對機組本地故障，通過仿真對機組涉網(wǎng)控制參數(shù)進行配置，若配置后效果滿足設定條件，則進一步檢驗該配置參數(shù)對系統(tǒng)其他關鍵故障的適應性，并對機組涉網(wǎng)控制參數(shù)進行調整，若配置后效果不滿足設定條件，則對本地故障進行重新仿真以及參數(shù)重新配置。因此該技術方案可對多類型機組中的機組參數(shù)進行優(yōu)化配置，可考慮機組自身性能及其對系統(tǒng)性能的影響，也可考慮機組涉網(wǎng)控制參數(shù)對多個故障的適應性，并可考慮多個機組控制參數(shù)協(xié)調配置及其對系統(tǒng)整體性能的影響。

3、以上現(xiàn)有技術均存在以下問題：依賴于仿真環(huán)境來模擬機組故障和參數(shù)配置的效果，導致仿真結果與實際情況存在偏差；需要人工判斷配置后效果是否滿足設定條件，并據(jù)此進行參數(shù)調整；缺乏對機組運行狀態(tài)的實時監(jiān)測和動態(tài)調整能力。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提出了一種基于多算法優(yōu)化的機組配置調整方法及系統(tǒng)，獲取并預處理機組運行數(shù)據(jù)，劃分工況類別，識別各工況下最優(yōu)運行參數(shù)并建模分析；通過構建機組運行知識圖譜，實時匹配歷史最優(yōu)工況參數(shù)，結合約束條件設置聯(lián)合尋優(yōu)空間；利用預訓練機器學習模型與混合優(yōu)化算法，在尋優(yōu)空間內(nèi)獲取最優(yōu)參數(shù)組合；調整機組配置，實時監(jiān)測運行狀態(tài)，并根據(jù)實時反饋優(yōu)化模型參數(shù)；本發(fā)明提升了機組運行效率與穩(wěn)定性，實現(xiàn)了智能化、自適應的機組配置調整。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于多算法優(yōu)化的機組配置調整方法，包括：

4、步驟s1：獲取機組運行數(shù)據(jù)，并進行預處理，基于預處理后的機組運行數(shù)據(jù)，將機組運行狀態(tài)劃分為不同的工況類別；

5、步驟s2：在每個工況類別中，篩選出最優(yōu)運行參數(shù)組合，生成機組運行最優(yōu)工況表，并對最優(yōu)運行參數(shù)進行建模分析；

6、步驟s3：構建機組運行知識圖譜，并通過相似性度量策略將實時工況參數(shù)值與知識圖譜中的節(jié)點進行匹配，獲得歷史最優(yōu)工況參數(shù)，同時，以歷史最優(yōu)工況參數(shù)為基準，結合機組運行的約束條件，設置聯(lián)合尋優(yōu)空間；

7、步驟s4：加載預訓練后的機器學習模型，同時，將聯(lián)合尋優(yōu)空間內(nèi)的參數(shù)組合輸入到機器學習模型中，通過混合優(yōu)化算法，獲得最優(yōu)參數(shù)組合；

8、步驟s5：基于最優(yōu)參數(shù)組合，對機組配置進行調整，并對調整后的機組運行狀態(tài)進行實時監(jiān)測，同時，根據(jù)實時反饋信息，優(yōu)化機器學習模型參數(shù)。

9、具體地，所述步驟s3的具體步驟包括：

10、s3.1：獲取環(huán)境參數(shù)和歷史機組維護記錄，結合步驟s2生成的最優(yōu)工況表及建模結果，生成多源數(shù)據(jù)集；

11、s3.2：定義知識圖譜的實體、關系和屬性，利用圖神經(jīng)網(wǎng)絡和圖嵌入方法，從多源數(shù)據(jù)集中自動抽取并構建知識圖譜的節(jié)點和邊，形成動態(tài)機組運行知識圖譜；

12、s3.3：實時采集機組工況參數(shù)，通過融合模糊邏輯，結合深度學習算法對實時的機組工況參數(shù)與知識圖譜中節(jié)點進行相似性度量，綜合評估實時工況與歷史最優(yōu)工況的相似度；

13、s3.4：根據(jù)相似度結果，將對應的機組工況參數(shù)作為歷史最優(yōu)工況參數(shù)，其中，表示的最大值；

14、s3.5：以歷史最優(yōu)工況參數(shù)為基準，結合機組運行的約束條件，構建多目標優(yōu)化模型；

15、s3.6：使用多目標優(yōu)化算法對多目標優(yōu)化模型進行求解，生成多維度的參數(shù)調整方案，同時，根據(jù)實時工況反饋，動態(tài)調整參數(shù)波動范圍和步長，形成聯(lián)合尋優(yōu)空間。

16、具體地，所述s3.2的具體步驟包括：

17、s3.21：定義知識圖譜的實體、關系和屬性，并獲取多源數(shù)據(jù)集；

18、s3.22：利用自然語言處理方法從多源數(shù)據(jù)中自動抽取實體，并通過模式匹配方法從多源數(shù)據(jù)中自動抽取實體之間的關系；

19、s3.23：加載預訓練好的圖神經(jīng)網(wǎng)絡模型，并利用圖神經(jīng)網(wǎng)絡模型學習實體和關系之間的交互和依賴關系；

20、s3.24：通過圖嵌入方法將圖結構數(shù)據(jù)中的節(jié)點和邊映射到低維向量空間中，并根據(jù)抽取的實體、關系和圖嵌入生成的嵌入向量，構建知識圖譜的節(jié)點和邊；

21、s3.25：根據(jù)實時采集的機組工況參數(shù)，動態(tài)更新知識圖譜中的節(jié)點和邊。

22、具體地，所述s3.3的具體步驟包括：

23、s3.31：利用傳感器實時采集機組工況參數(shù)，并加載動態(tài)機組運行知識圖譜；

24、s3.32：將實時采集的機組工況參數(shù)與知識圖譜中的數(shù)據(jù)進行融合，獲得融合數(shù)據(jù)，并利用模糊邏輯將融合數(shù)據(jù)集轉換為模糊集合；

25、s3.33：利用神經(jīng)網(wǎng)絡模型對融合后的模糊數(shù)據(jù)集進行特征提取，并對知識圖譜中的節(jié)點進行表示學習，將節(jié)點轉換為向量。

26、具體地，所述s3.3的具體步驟還包括：

27、s3.34：根據(jù)神經(jīng)網(wǎng)絡模型的輸出結果，結合模糊邏輯處理的結果，對實時工況參數(shù)與知識圖譜中的節(jié)點進行相似性度量，公式為：

28、；

29、其中，表示相似性度量，表示維度i上的權重，表示實時工況參數(shù)在維度i上的值，表示知識圖譜節(jié)點在維度i上的值，表示維度i上的非線性變換的指數(shù)，q表示調整因子，n表示節(jié)點向量的維度；

30、s3.35：根據(jù)相似性度量的結果，篩選出與實時工況相似度最高的n個歷史工況節(jié)點；

31、若歷史最優(yōu)工況的標識在節(jié)點的篩選結果中，則計算實時工況與歷史最優(yōu)工況的相似度；

32、若歷史最優(yōu)工況的標識不在節(jié)點的篩選結果中，則通過比較步驟s3.34中的相似度得分的大小，綜合評估實時工況與歷史最優(yōu)工況的相似度。

33、具體地，所述步驟s4中混合優(yōu)化算法的步驟包括：

34、s4.1：加載預訓練后的機器學習模型和步驟s3中的聯(lián)合尋優(yōu)空間內(nèi)的參數(shù)范圍，并在聯(lián)合尋優(yōu)空間內(nèi)隨機生成m個參數(shù)組合作為初始評估點；

35、s4.2：將基于機器學習模型的預測性能指標作為目標函數(shù)，并使用目標函數(shù)對每個初始評估點進行評估，記錄評估結果；

36、s4.3：使用步驟s4.2中得到的初始評估點數(shù)據(jù)和對應的目標函數(shù)值訓練貝葉斯優(yōu)化模型，并在每次迭代中，使用貝葉斯優(yōu)化模型的預測結果計算采集函數(shù)；

37、s4.4：根據(jù)采集函數(shù)的值選擇下一個評估點，對選定的評估點進行目標函數(shù)的評估，并記錄結果，同時，根據(jù)新評估結果，更新貝葉斯優(yōu)化模型；

38、s4.5：設置迭代次數(shù)，當達到預設的迭代次數(shù)時，停止迭代，并輸出在迭代過程中找到的最優(yōu)參數(shù)組合及其對應的目標函數(shù)值作為最終優(yōu)化結果。

39、具體地，所述s3.2中知識圖譜的實體是指機組、部件、工況、環(huán)境參數(shù)，知識圖譜的屬性包括溫度值、壓力范圍、維護時間。

40、一種基于多算法優(yōu)化的機組配置調整系統(tǒng)，包括：數(shù)據(jù)處理模塊、工況識別模塊、匹配模塊、混合優(yōu)化模塊、機組調整模塊；

41、所述數(shù)據(jù)處理模塊，用于獲取機組運行數(shù)據(jù)，并進行預處理；

42、所述工況識別模塊，用于根據(jù)預處理后的機組運行數(shù)據(jù)，將機組運行狀態(tài)劃分為不同工況類別，并識別每個工況下的最優(yōu)運行參數(shù)組合；

43、所述匹配模塊，用于通過相似性度量將實時工況參數(shù)與構建的機組運行知識圖譜中的節(jié)點匹配，以獲取歷史最優(yōu)工況參數(shù)；

44、所述混合優(yōu)化模塊，用于加載預訓練的機器學習模型，結合聯(lián)合尋優(yōu)空間內(nèi)的參數(shù)組合，通過混合優(yōu)化算法獲得最優(yōu)參數(shù)組合；

45、所述機組調整模塊，基于最優(yōu)參數(shù)組合對機組配置進行調整，并實時監(jiān)測調整后的機組運行狀態(tài)，同時根據(jù)實時反饋信息優(yōu)化機器學習模型參數(shù)。

46、具體地，所述工況識別模塊包括：工況分類單元、工況識別單元；

47、所述工況分類單元，用于使用聚類算法將機組運行狀態(tài)劃分為不同工況；

48、所述工況識別單元，在每個工況類別中，通過優(yōu)化算法篩選出最優(yōu)運行參數(shù)組合，并生成機組運行最優(yōu)工況表。

49、具體地，所述匹配模塊包括：知識圖譜構建單元、實時匹配單元；

50、所述知識圖譜構建單元，用于根據(jù)最優(yōu)運行參數(shù)，構建包含工況特征、參數(shù)組合及效果評估信息的知識圖譜；

51、所述實時匹配單元，用于使用相似性度量策略將實時工況參數(shù)與知識圖譜中的節(jié)點進行匹配，定位歷史最優(yōu)工況參數(shù)。

52、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

53、1.本發(fā)明提出一種基于多算法優(yōu)化的機組配置調整系統(tǒng)，并進行了架構、運行步驟和流程上的優(yōu)化改進，系統(tǒng)具備流程簡單，投資運行費用低廉，生產(chǎn)工作成本低的優(yōu)點。

54、2.本發(fā)明提出一種基于多算法優(yōu)化的機組配置調整方法，通過系統(tǒng)化的數(shù)據(jù)預處理和工況劃分，實現(xiàn)了機組運行數(shù)據(jù)的精細化管理和分析，有效提升了機組運行狀態(tài)的識別精度，在每個工況類別中篩選出最優(yōu)運行參數(shù)組合，不僅為機組運行提供了科學的指導依據(jù)，還通過建模分析深化了對機組性能的理解，有助于優(yōu)化機組的運行策略，提高運行效率，降低能耗和故障率。

55、3.本發(fā)明提出一種基于多算法優(yōu)化的機組配置調整方法，構建機組運行知識圖譜并引入相似性度量策略，實現(xiàn)了實時工況與歷史最優(yōu)工況的快速匹配，為機組調整提供了精準的參考；結合機組運行的約束條件設置聯(lián)合尋優(yōu)空間，并利用預訓練的機器學習模型和混合優(yōu)化算法進行參數(shù)尋優(yōu)，提升了參數(shù)調整的準確性和效率，不僅確保了機組始終運行在最優(yōu)狀態(tài)，還通過實時反饋信息不斷優(yōu)化機器學習模型的參數(shù)，提高了機器學習模型的適應性和預測精度。