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(jī)組配置調(diào)整方法及系統(tǒng)。

背景技術(shù)：

1、在工業(yè)生產(chǎn)，尤其是電力系統(tǒng)中，機(jī)組配置調(diào)整是一個(gè)至關(guān)重要的環(huán)節(jié)，隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大和復(fù)雜性的增加，機(jī)組配置調(diào)整問題日益凸顯其重要性。機(jī)組配置調(diào)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(jī)組配置調(diào)整問題，雖然在一定程度上解決了問題，但存在計(jì)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(jìn)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(jī)組配置調(diào)整中取得了顯著成效，但單一算法往往難以應(yīng)對(duì)所有復(fù)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(quán)公告號(hào)為cn116632931a的專利公開了一種機(jī)組涉網(wǎng)控制參數(shù)配置方法及系統(tǒng)，包括：針對(duì)機(jī)組本地故障，通過仿真對(duì)機(jī)組涉網(wǎng)控制參數(shù)進(jìn)行配置，若配置后效果滿足設(shè)定條件，則進(jìn)一步檢驗(yàn)該配置參數(shù)對(duì)系統(tǒng)其他關(guān)鍵故障的適應(yīng)性，并對(duì)機(jī)組涉網(wǎng)控制參數(shù)進(jìn)行調(diào)整，若配置后效果不滿足設(shè)定條件，則對(duì)本地故障進(jìn)行重新仿真以及參數(shù)重新配置。因此該技術(shù)方案可對(duì)多類型機(jī)組中的機(jī)組參數(shù)進(jìn)行優(yōu)化配置，可考慮機(jī)組自身性能及其對(duì)系統(tǒng)性能的影響，也可考慮機(jī)組涉網(wǎng)控制參數(shù)對(duì)多個(gè)故障的適應(yīng)性，并可考慮多個(gè)機(jī)組控制參數(shù)協(xié)調(diào)配置及其對(duì)系統(tǒng)整體性能的影響。

3、以上現(xiàn)有技術(shù)均存在以下問題：依賴于仿真環(huán)境來模擬機(jī)組故障和參數(shù)配置的效果，導(dǎo)致仿真結(jié)果與實(shí)際情況存在偏差；需要人工判斷配置后效果是否滿足設(shè)定條件，并據(jù)此進(jìn)行參數(shù)調(diào)整；缺乏對(duì)機(jī)組運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和動(dòng)態(tài)調(diào)整能力。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于多算法優(yōu)化的機(jī)組配置調(diào)整方法及系統(tǒng)，獲取并預(yù)處理機(jī)組運(yùn)行數(shù)據(jù)，劃分工況類別，識(shí)別各工況下最優(yōu)運(yùn)行參數(shù)并建模分析；通過構(gòu)建機(jī)組運(yùn)行知識(shí)圖譜，實(shí)時(shí)匹配歷史最優(yōu)工況參數(shù)，結(jié)合約束條件設(shè)置聯(lián)合尋優(yōu)空間；利用預(yù)訓(xùn)練機(jī)器學(xué)習(xí)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(diào)整機(jī)組配置，實(shí)時(shí)監(jiān)測(cè)運(yùn)行狀態(tài)，并根據(jù)實(shí)時(shí)反饋優(yōu)化模型參數(shù)；本發(fā)明提升了機(jī)組運(yùn)行效率與穩(wěn)定性，實(shí)現(xiàn)了智能化、自適應(yīng)的機(jī)組配置調(diào)整。

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

3、一種基于多算法優(yōu)化的機(jī)組配置調(diào)整方法，包括：

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

5、步驟s2：在每個(gè)工況類別中，篩選出最優(yōu)運(yùn)行參數(shù)組合，生成機(jī)組運(yùn)行最優(yōu)工況表，并對(duì)最優(yōu)運(yùn)行參數(shù)進(jìn)行建模分析；

6、步驟s3：構(gòu)建機(jī)組運(yùn)行知識(shí)圖譜，并通過相似性度量策略將實(shí)時(shí)工況參數(shù)值與知識(shí)圖譜中的節(jié)點(diǎn)進(jìn)行匹配，獲得歷史最優(yōu)工況參數(shù)，同時(shí)，以歷史最優(yōu)工況參數(shù)為基準(zhǔn)，結(jié)合機(jī)組運(yùn)行的約束條件，設(shè)置聯(lián)合尋優(yōu)空間；

7、步驟s4：加載預(yù)訓(xùn)練后的機(jī)器學(xué)習(xí)模型，同時(shí)，將聯(lián)合尋優(yōu)空間內(nèi)的參數(shù)組合輸入到機(jī)器學(xué)習(xí)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(duì)機(jī)組配置進(jìn)行調(diào)整，并對(duì)調(diào)整后的機(jī)組運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，同時(shí)，根據(jù)實(shí)時(shí)反饋信息，優(yōu)化機(jī)器學(xué)習(xí)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(jī)組維護(hù)記錄，結(jié)合步驟s2生成的最優(yōu)工況表及建模結(jié)果，生成多源數(shù)據(jù)集；

11、s3.2：定義知識(shí)圖譜的實(shí)體、關(guān)系和屬性，利用圖神經(jīng)網(wǎng)絡(luò)和圖嵌入方法，從多源數(shù)據(jù)集中自動(dòng)抽取并構(gòu)建知識(shí)圖譜的節(jié)點(diǎn)和邊，形成動(dòng)態(tài)機(jī)組運(yùn)行知識(shí)圖譜；

12、s3.3：實(shí)時(shí)采集機(jī)組工況參數(shù)，通過融合模糊邏輯，結(jié)合深度學(xué)習(xí)算法對(duì)實(shí)時(shí)的機(jī)組工況參數(shù)與知識(shí)圖譜中節(jié)點(diǎn)進(jìn)行相似性度量，綜合評(píng)估實(shí)時(shí)工況與歷史最優(yōu)工況的相似度；

13、s3.4：根據(jù)相似度結(jié)果，將對(duì)應(yīng)的機(jī)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(zhǔn)，結(jié)合機(jī)組運(yùn)行的約束條件，構(gòu)建多目標(biāo)優(yōu)化模型；

15、s3.6：使用多目標(biāo)優(yōu)化算法對(duì)多目標(biāo)優(yōu)化模型進(jìn)行求解，生成多維度的參數(shù)調(diào)整方案，同時(shí)，根據(jù)實(shí)時(shí)工況反饋，動(dòng)態(tài)調(diào)整參數(shù)波動(dòng)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(shí)圖譜的實(shí)體、關(guān)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(dòng)抽取實(shí)體，并通過模式匹配方法從多源數(shù)據(jù)中自動(dòng)抽取實(shí)體之間的關(guān)系；

19、s3.23：加載預(yù)訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)模型，并利用圖神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)實(shí)體和關(guān)系之間的交互和依賴關(guān)系；

20、s3.24：通過圖嵌入方法將圖結(jié)構(gòu)數(shù)據(jù)中的節(jié)點(diǎn)和邊映射到低維向量空間中，并根據(jù)抽取的實(shí)體、關(guān)系和圖嵌入生成的嵌入向量，構(gòu)建知識(shí)圖譜的節(jié)點(diǎn)和邊；

21、s3.25：根據(jù)實(shí)時(shí)采集的機(jī)組工況參數(shù)，動(dòng)態(tài)更新知識(shí)圖譜中的節(jié)點(diǎn)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(shí)時(shí)采集機(jī)組工況參數(shù)，并加載動(dòng)態(tài)機(jī)組運(yùn)行知識(shí)圖譜；

24、s3.32：將實(shí)時(shí)采集的機(jī)組工況參數(shù)與知識(shí)圖譜中的數(shù)據(jù)進(jìn)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(zhuǎn)換為模糊集合；

25、s3.33：利用神經(jīng)網(wǎng)絡(luò)模型對(duì)融合后的模糊數(shù)據(jù)集進(jìn)行特征提取，并對(duì)知識(shí)圖譜中的節(jié)點(diǎn)進(jìn)行表示學(xué)習(xí)，將節(jié)點(diǎn)轉(zhuǎn)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(luò)模型的輸出結(jié)果，結(jié)合模糊邏輯處理的結(jié)果，對(duì)實(shí)時(shí)工況參數(shù)與知識(shí)圖譜中的節(jié)點(diǎn)進(jìn)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(quán)重，表示實(shí)時(shí)工況參數(shù)在維度i上的值，表示知識(shí)圖譜節(jié)點(diǎn)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(diào)整因子，n表示節(jié)點(diǎn)向量的維度；

30、s3.35：根據(jù)相似性度量的結(jié)果，篩選出與實(shí)時(shí)工況相似度最高的n個(gè)歷史工況節(jié)點(diǎn)；

31、若歷史最優(yōu)工況的標(biāo)識(shí)在節(jié)點(diǎn)的篩選結(jié)果中，則計(jì)算實(shí)時(shí)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(biāo)識(shí)不在節(jié)點(diǎn)的篩選結(jié)果中，則通過比較步驟s3.34中的相似度得分的大小，綜合評(píng)估實(shí)時(shí)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(yù)訓(xùn)練后的機(jī)器學(xué)習(xí)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(jī)生成m個(gè)參數(shù)組合作為初始評(píng)估點(diǎn)；

35、s4.2：將基于機(jī)器學(xué)習(xí)模型的預(yù)測(cè)性能指標(biāo)作為目標(biāo)函數(shù)，并使用目標(biāo)函數(shù)對(duì)每個(gè)初始評(píng)估點(diǎn)進(jìn)行評(píng)估，記錄評(píng)估結(jié)果；

36、s4.3：使用步驟s4.2中得到的初始評(píng)估點(diǎn)數(shù)據(jù)和對(duì)應(yīng)的目標(biāo)函數(shù)值訓(xùn)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(yù)測(cè)結(jié)果計(jì)算采集函數(shù)；

37、s4.4：根據(jù)采集函數(shù)的值選擇下一個(gè)評(píng)估點(diǎn)，對(duì)選定的評(píng)估點(diǎn)進(jìn)行目標(biāo)函數(shù)的評(píng)估，并記錄結(jié)果，同時(shí)，根據(jù)新評(píng)估結(jié)果，更新貝葉斯優(yōu)化模型；

38、s4.5：設(shè)置迭代次數(shù)，當(dāng)達(dá)到預(yù)設(shè)的迭代次數(shù)時(shí)，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(duì)應(yīng)的目標(biāo)函數(shù)值作為最終優(yōu)化結(jié)果。

39、具體地，所述s3.2中知識(shí)圖譜的實(shí)體是指機(jī)組、部件、工況、環(huán)境參數(shù)，知識(shí)圖譜的屬性包括溫度值、壓力范圍、維護(hù)時(shí)間。

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

41、所述數(shù)據(jù)處理模塊，用于獲取機(jī)組運(yùn)行數(shù)據(jù)，并進(jìn)行預(yù)處理；

42、所述工況識(shí)別模塊，用于根據(jù)預(yù)處理后的機(jī)組運(yùn)行數(shù)據(jù)，將機(jī)組運(yùn)行狀態(tài)劃分為不同工況類別，并識(shí)別每個(gè)工況下的最優(yōu)運(yùn)行參數(shù)組合；

43、所述匹配模塊，用于通過相似性度量將實(shí)時(shí)工況參數(shù)與構(gòu)建的機(jī)組運(yùn)行知識(shí)圖譜中的節(jié)點(diǎn)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(yù)訓(xùn)練的機(jī)器學(xué)習(xí)模型，結(jié)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(jī)組調(diào)整模塊，基于最優(yōu)參數(shù)組合對(duì)機(jī)組配置進(jìn)行調(diào)整，并實(shí)時(shí)監(jiān)測(cè)調(diào)整后的機(jī)組運(yùn)行狀態(tài)，同時(shí)根據(jù)實(shí)時(shí)反饋信息優(yōu)化機(jī)器學(xué)習(xí)模型參數(shù)。

46、具體地，所述工況識(shí)別模塊包括：工況分類單元、工況識(shí)別單元；

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

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

49、具體地，所述匹配模塊包括：知識(shí)圖譜構(gòu)建單元、實(shí)時(shí)匹配單元；

50、所述知識(shí)圖譜構(gòu)建單元，用于根據(jù)最優(yōu)運(yùn)行參數(shù)，構(gòu)建包含工況特征、參數(shù)組合及效果評(píng)估信息的知識(shí)圖譜；

51、所述實(shí)時(shí)匹配單元，用于使用相似性度量策略將實(shí)時(shí)工況參數(shù)與知識(shí)圖譜中的節(jié)點(diǎn)進(jìn)行匹配，定位歷史最優(yōu)工況參數(shù)。

52、與現(xiàn)有技術(shù)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(jī)組配置調(diào)整系統(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(jiǎn)單，投資運(yùn)行費(fèi)用低廉，生產(chǎn)工作成本低的優(yōu)點(diǎn)。

54、2.本發(fā)明提出一種基于多算法優(yōu)化的機(jī)組配置調(diào)整方法，通過系統(tǒng)化的數(shù)據(jù)預(yù)處理和工況劃分，實(shí)現(xiàn)了機(jī)組運(yùn)行數(shù)據(jù)的精細(xì)化管理和分析，有效提升了機(jī)組運(yùn)行狀態(tài)的識(shí)別精度，在每個(gè)工況類別中篩選出最優(yōu)運(yùn)行參數(shù)組合，不僅為機(jī)組運(yùn)行提供了科學(xué)的指導(dǎo)依據(jù)，還通過建模分析深化了對(duì)機(jī)組性能的理解，有助于優(yōu)化機(jī)組的運(yùn)行策略，提高運(yùn)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(jī)組配置調(diào)整方法，構(gòu)建機(jī)組運(yùn)行知識(shí)圖譜并引入相似性度量策略，實(shí)現(xiàn)了實(shí)時(shí)工況與歷史最優(yōu)工況的快速匹配，為機(jī)組調(diào)整提供了精準(zhǔn)的參考；結(jié)合機(jī)組運(yùn)行的約束條件設(shè)置聯(lián)合尋優(yōu)空間，并利用預(yù)訓(xùn)練的機(jī)器學(xué)習(xí)模型和混合優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)，提升了參數(shù)調(diào)整的準(zhǔn)確性和效率，不僅確保了機(jī)組始終運(yùn)行在最優(yōu)狀態(tài)，還通過實(shí)時(shí)反饋信息不斷優(yōu)化機(jī)器學(xué)習(xí)模型的參數(shù)，提高了機(jī)器學(xué)習(xí)模型的適應(yīng)性和預(yù)測(cè)精度。