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)拓撲正確性校驗及同步反饋方法及系統(tǒng)。

背景技術(shù)：

1、在當今電力系統(tǒng)的運行中，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)展和復雜化，中低壓配電網(wǎng)面臨著一系列挑戰(zhàn)，如多變的負荷需求、不斷增加的分布式能源接入、網(wǎng)絡(luò)拓撲結(jié)構(gòu)的動態(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)，其中拓撲信息是一個很重要的條件。電網(wǎng)中的拓撲正確性校驗是指對電力系統(tǒng)中的拓撲結(jié)構(gòu)進行驗證的過程，其目標是確保電網(wǎng)模型與實際電網(wǎng)拓撲結(jié)構(gòu)相符，以避免由于錯誤的數(shù)據(jù)庫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))等問題導致的運行異常。在電力系統(tǒng)中，拓撲結(jié)構(gòu)表示電網(wǎng)中各個元件(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。通過拓撲正確性校驗，電力系統(tǒng)運營者能夠確保電網(wǎng)的模型與實際運行情況相符，從而更好地進行系統(tǒng)操作、計劃和分析，提高電力系統(tǒng)的可靠性和安全性。對于配電網(wǎng)的運行來說，需要進行高度準確的拓撲校準過程。在輸電網(wǎng)中，拓撲結(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)的拓撲。但是在次級中低壓配電網(wǎng)中這些方法會受到限制。例如，在許多大都市地區(qū)，次級配電網(wǎng)規(guī)模巨大且大部分都在地下。這一事實使得安裝任何拓撲識別設(shè)備都是耗時且昂貴。

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)來糾正當前運行的網(wǎng)絡(luò)拓撲，并修復配電管理系統(tǒng)數(shù)據(jù)庫中的拓撲錯誤。然而，傳統(tǒng)的拓撲校驗方法僅依賴于電網(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，導致對電網(wǎng)結(jié)構(gòu)的真實理解不夠全面。此外，拓撲校驗系統(tǒng)可能存在時滯，致使無法及時發(fā)現(xiàn)和糾正電網(wǎng)中存在的問題，導致電力系統(tǒng)的不穩(wěn)定和不可靠性。近年來，由于許多先進的計量基礎(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，客戶的用電場所可以提供前所未有的大量數(shù)據(jù)用于改進和驗證配電網(wǎng)模型。因此，如何有效地利用多源數(shù)據(jù)進行拓電網(wǎng)拓撲正確性校驗是一個急需解決的問題。

4、然而，融合多源數(shù)據(jù)并設(shè)計相應(yīng)的算法仍然是一項巨大的挑戰(zhàn)。首先，多源數(shù)據(jù)的融合是一項極具技術(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)是建立一個統(tǒng)一的數(shù)據(jù)模型。數(shù)據(jù)清洗和預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)的時空特性，因為配電網(wǎng)的運行是一個動態(tài)過程，數(shù)據(jù)的時間戳和時序關(guān)系對算法的準確性至關(guān)重要。其次，設(shè)計能夠有效處理多源數(shù)據(jù)的算法是關(guān)鍵。傳統(tǒng)的拓撲校驗算法在處理單一數(shù)據(jù)源時可能表現(xiàn)良好，但在面對多源數(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，這可能涉及到復雜的數(shù)據(jù)挖掘、機器學習或深度學習技術(shù)的應(yīng)用，以從數(shù)據(jù)中提取隱含的拓撲信息。算法的設(shè)計不僅要考慮準確性，還需要注重計算效率，因為實時性對于電力系統(tǒng)的穩(wěn)定性至關(guān)重要。此外，由于電力系統(tǒng)的復雜性和關(guān)鍵性，算法的可解釋性也是一個重要的方面。運營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)計不僅要追求高度準確性，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)進行拓撲正確性校驗，需要克服數(shù)據(jù)集成和處理的難題，且需要確保設(shè)計的算法能夠準確而高效地糾正電網(wǎng)拓撲錯誤從而進行同步反饋。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何準確而高效地糾正電網(wǎng)拓撲錯誤從而進行同步反饋。

2、本發(fā)明通過以下技術(shù)手段實現(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)拓撲正確性校驗及同步反饋方法，包括以下步驟：

4、步驟1.對用戶側(cè)和電力網(wǎng)的數(shù)據(jù)進行預處理及融合處理，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；對用戶的網(wǎng)絡(luò)拓撲進行拓撲特征提取，得到拓撲特征x；

5、步驟2.對所述電力網(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、拓撲特征x進行拓撲正確性校驗，得到校驗結(jié)果，具體過程如下：

6、首先，采用transformer?block對拓撲特征x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，對特征y1、特征y2、特征y3進行拼接操作，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送入多層感知機進行預測，得到拓撲校驗結(jié)果，根據(jù)校驗結(jié)果對拓撲結(jié)結(jié)構(gòu)進行修改；

14、對于transformer?block，輸入特征為拓撲特征x，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，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、首先對輸入特征進行線性映射：

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個注意力頭對應(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，計算注意力分數(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，這樣注意力分數(shù)計算公式變?yōu)椋鹤⒁饬Ψ謹?shù)計算公式變?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)拓撲特征，捕捉電力網(wǎng)中節(jié)點之間的復雜關(guān)系和拓撲結(jié)構(gòu)。通過基于深度學習的方法進行電網(wǎng)拓撲正確性校驗，克服了傳統(tǒng)方法中概率模型難以全面覆蓋拓撲結(jié)構(gòu)各方面的問題，使網(wǎng)絡(luò)更適用于復雜的電力系統(tǒng)結(jié)構(gòu)和實際數(shù)據(jù)場景，為電力系統(tǒng)的安全和可靠性提供了更先進的解決方案。本發(fā)明引入了低秩近似技術(shù)以降低神經(jīng)網(wǎng)絡(luò)推理的時間復雜度，實現(xiàn)了對電網(wǎng)拓撲的一次性并行預測，適用于實時同步反饋。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，使得實時同步反饋成為可能，具有重要的實用性和效率性。

25、進一步的，所述步驟1中對用戶側(cè)和電力網(wǎng)的數(shù)據(jù)預處理方法為：首先進行數(shù)據(jù)清洗，通過刪除或修復異常值、錯誤值和缺失值，以確保輸入數(shù)據(jù)的質(zhì)量和一致性；隨后，進行了標準化和歸一化的處理，將各種數(shù)據(jù)規(guī)范化到相似的尺度，以便更好地進行比較和融合；最后，采用了預訓練的bert模型，通過對用戶側(cè)數(shù)據(jù)和電力網(wǎng)數(shù)據(jù)進行特征提取，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、進一步的，針對所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2，使用多層感知機進行對齊得到融合數(shù)據(jù)特征x3。

27、進一步的，所述步驟1中，所述拓撲特征x的提取方法為：

28、假設(shè)網(wǎng)絡(luò)拓撲有n個節(jié)點，每個節(jié)點組成一個n×d維的矩陣m，然后各個節(jié)點之間的關(guān)系形成一個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)點的特征矩陣，對于輸入層，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，確保每個節(jié)點都考慮到自身的特征；是的對角線度矩陣；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)拓撲正確性校驗及同步反饋系統(tǒng)，包括：

32、數(shù)據(jù)預處理及融合模塊，用于對用戶側(cè)和電力網(wǎng)的數(shù)據(jù)進行預處理及融合處理，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；對用戶的網(wǎng)絡(luò)拓撲進行拓撲特征提取，得到拓撲特征x；

33、校驗反饋模塊，用于對所述電力網(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、拓撲特征x進行拓撲正確性校驗，得到校驗結(jié)果，具體過程如下：

34、首先，采用transformer?block對拓撲特征x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，對特征y1、特征y2、特征y3進行拼接操作，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送入多層感知機進行預測，得到拓撲校驗結(jié)果，根據(jù)校驗結(jié)果對拓撲結(jié)結(jié)構(gòu)進行修改；

42、對于transformer?block，輸入特征為拓撲特征x，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，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、首先對輸入特征進行線性映射：

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個注意力頭對應(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，計算注意力分數(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，這樣注意力分數(shù)計算公式變?yōu)椋鹤⒁饬Ψ謹?shù)計算公式變?yōu)椋?/p>

50、

51、其中其中r是低秩矩陣的秩。

52、進一步的，所述數(shù)據(jù)預處理及融合模塊中對用戶側(cè)和電力網(wǎng)的數(shù)據(jù)預處理方法為：首先進行數(shù)據(jù)清洗，通過刪除或修復異常值、錯誤值和缺失值，以確保輸入數(shù)據(jù)的質(zhì)量和一致性；隨后，進行了標準化和歸一化的處理，將各種數(shù)據(jù)規(guī)范化到相似的尺度，以便更好地進行比較和融合；最后，采用了預訓練的bert模型，通過對用戶側(cè)數(shù)據(jù)和電力網(wǎng)數(shù)據(jù)進行特征提取，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、進一步的，針對所述電力網(wǎng)數(shù)據(jù)特征x1、用戶側(cè)數(shù)據(jù)特征x2，使用多層感知機進行對齊得到融合數(shù)據(jù)特征x3。

54、進一步的，所述數(shù)據(jù)預處理及融合模塊中，所述拓撲特征x的提取方法為：

55、假設(shè)網(wǎng)絡(luò)拓撲有n個節(jié)點，每個節(jié)點組成一個n×d維的矩陣m，然后各個節(jié)點之間的關(guān)系形成一個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)點的特征矩陣，對于輸入層，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，確保每個節(jié)點都考慮到自身的特征；是的對角線度矩陣；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，包括至少一個處理器，以及與所述處理器通信連接的至少一個存儲器，其中：所述存儲器存儲有可被處理器執(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)明還提供一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令使所述計算機執(zhí)行上述述的方法。

60、本發(fā)明的優(yōu)點在于：

61、1、本發(fā)明提出了一種多源數(shù)據(jù)融合方法，使用大語言模型bert進行微調(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)的獨特之處在于不僅能夠彌補電力數(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)源之間的互補性。此外，本專利使用圖神經(jīng)網(wǎng)絡(luò)提取電網(wǎng)的拓撲特征，能夠捕捉電力網(wǎng)中節(jié)點之間的復雜關(guān)系和拓撲結(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)拓撲特征，捕捉電力網(wǎng)中節(jié)點之間的復雜關(guān)系和拓撲結(jié)構(gòu)。通過基于深度學習的方法進行電網(wǎng)拓撲正確性校驗，克服了傳統(tǒng)方法中概率模型難以全面覆蓋拓撲結(jié)構(gòu)各方面的問題，使網(wǎng)絡(luò)更適用于復雜的電力系統(tǒng)結(jié)構(gòu)和實際數(shù)據(jù)場景，為電力系統(tǒng)的安全和可靠性提供了更先進的解決方案。本發(fā)明提出了一種基于深度學習的新方法，采用數(shù)據(jù)驅(qū)動方式，能夠更全面地考慮和處理電網(wǎng)拓撲的多重因素。在神經(jīng)網(wǎng)絡(luò)中使用三種不同源的數(shù)據(jù)特征和電網(wǎng)拓撲進行交互，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)拓撲正確性。這種創(chuàng)新方法通過深度學習模型，以更細致和全面的方式進行電網(wǎng)拓撲正確性的判定，使網(wǎng)絡(luò)更適用于復雜的電力系統(tǒng)結(jié)構(gòu)和實際數(shù)據(jù)場景，為電力系統(tǒng)的安全和可靠性提供了更先進的解決方案。

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)推理的時間復雜度，實現(xiàn)了對電網(wǎng)拓撲的一次性并行預測，適用于實時同步反饋。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，使得實時同步反饋成為可能，具有重要的實用性和效率性。這對于電力系統(tǒng)的實時監(jiān)控和應(yīng)對潛在問題具有顯著的意義，為實時決策提供更準確和迅速的支持。