基于大语言模型与模糊规则的新能源系统仿真建模方法

摘要: 本发明涉及电力系统及人工智能,具体而言,涉及一种基于大语言模型与模糊规则的新能源系统仿真建模方法。背景技术:1、随着新能源发电技术的快速发展,以光伏发电系统、风...
基于大语言模型与模糊规则的新能源系统仿真建模方法

本发明涉及电力系统及人工智能,具体而言,涉及一种基于大语言模型与模糊规则的新能源系统仿真建模方法。

背景技术:

1、随着新能源发电技术的快速发展,以光伏发电系统、风力发电系统以及储能系统为代表的新能源电力系统在能源结构中的占比不断提高。新能源系统通常具有运行环境复杂、工作状态变化频繁以及设备参数动态变化等特点,因此在系统设计、运行优化以及故障诊断过程中,往往需要依赖高精度仿真模型对系统运行特性进行预测和分析。通过建立新能源系统仿真模型,可以在系统实际运行之前模拟不同运行工况下的电气行为,从而为系统控制策略设计、运行状态评估以及能量管理提供重要技术支撑。因此,新能源系统仿真建模技术已成为新能源电力系统研究和工程应用中的关键基础技术。

2、在现有技术中,新能源系统仿真建模通常依赖基于物理机理的等效模型。例如,在光伏系统建模中,常采用单二极管模型或双二极管模型描述光伏组件的电流电压特性,并结合温度和辐照度等环境因素建立系统等效模型;在风力发电系统中,则通过建立风机空气动力学模型、发电机电磁模型以及功率电子变换器模型构成完整系统模型。上述方法通过物理方程描述系统内部机理,并利用参数识别算法确定模型参数,例如最小二乘法、递归最小二乘法或卡尔曼滤波等方法。然而,这类方法通常建立在系统结构已知且参数变化缓慢的假设基础上。当系统运行环境发生变化或设备发生老化时,系统关键参数可能发生明显漂移,例如光伏组件串联电阻变化、电感电容参数变化或功率器件特性变化等。此外,在实际工程环境中,新能源系统还可能受到环境电磁耦合或设备接线变化等因素影响,导致系统结构发生变化。在上述情况下,基于固定模型结构的参数识别方法难以同时处理系统结构变化与参数变化的问题,从而影响仿真模型精度。

3、近年来,大语言模型在复杂知识推理任务中展现出较强能力。通过整合多源知识信息,大语言模型能够对复杂工程问题进行推理分析,并生成可能的解决方案。因此,一些研究开始探索利用大语言模型辅助工程系统建模,例如通过提示学习或知识增强方法生成系统建模建议。然而,大语言模型生成的结果通常以文本形式表达,其输出结果具有一定语义不确定性,并且在复杂工程系统中可能出现与物理规律不一致的推理结果。此外,新能源系统仿真模型优化过程需要对系统结构或参数进行数值更新,而文本形式的推理结果难以直接转化为可执行的数值建模操作,从而限制了大语言模型在新能源系统仿真建模任务中的应用。

4、综上所述,现有新能源系统仿真建模技术仍然存在一定局限性:一方面,传统基于物理模型的参数识别方法难以在系统结构不确定条件下保持有效;另一方面,纯数据驱动方法依赖大量训练数据且缺乏物理可解释性;同时,现有知识融合方法通常仅针对参数估计问题,难以同时处理系统结构变化与参数漂移问题。此外,大语言模型虽然具备较强知识推理能力,但其输出结果难以直接应用于数值仿真模型更新,并且缺乏稳定可靠的决策机制。因此,在新能源系统仿真建模领域仍然缺乏一种能够在观测信息不完整条件下,同时处理系统结构变化、参数漂移以及推理不确定性问题的建模优化方法。

技术实现思路

1、本发明提出了一种基于大语言模型与模糊规则的新能源系统仿真建模方法,通过构建概率化仿真模型空间,并利用双层优化框架实现模型结构与参数的联合修正,从而在不依赖大量标注数据的情况下逐步提高仿真模型与真实系统之间的一致性。

2、本发明技术方案具体实现为:

3、基于大语言模型与模糊规则的新能源系统仿真建模方法,包括:

4、将新能源系统仿真模型形式化描述为三元组并采集新能源系统的观测数据集合;

5、构建双层优化框架,上层优化用于在新能源系统仿真模型空间中搜索候选模型结构,下层优化用于更新大语言模型的建模策略,两层优化通过经验回放机制进行信息交换;

6、在所述上层优化过程中,利用大语言模型根据当前仿真模型、观测数据以及领域知识生成候选建模建议,并引入模糊推理系统对模型更新过程进行控制,通过模糊规则动态调整优化权重,基于更新后的目标函数对候选模型进行排序并选取最优模型;

7、在所述下层优化过程中,通过强化学习方法对大语言模型策略进行更新,采用基于人类反馈的强化学习策略优化方法,并构建多维奖励函数评价模型生成质量;

8、迭代执行上述优化过程,直至仿真误差收敛,得到与真实系统行为一致性较高的新能源系统仿真模型。

9、进一步地,所述构建双层优化框架包括将新能源系统建模问题表示为仿真误差与建模熵之间的加权优化目标:

10、

11、其中表示仿真误差函数,用于衡量仿真输出 与观测数据之间的差异;表示建模熵,用于描述当前建模策略的不确定性;α 和 β 为权重参数,用于平衡仿真精度与模型稳定性。

12、进一步地,所述双层优化框架的迭代过程表示为:

13、

14、

15、其中表示第 k 次迭代的仿真模型; 表示第 k 次迭代的大语言模型建模策略;f(·) 表示基于模糊推理系统的模型更新函数;表示经验回放缓冲区;q(m) 表示强化学习奖励函数;η 表示策略更新学习率。

16、进一步地,所述模糊推理系统采用takagi-sugeno模糊推理系统,输入变量包括仿真误差和建模熵,所述建模熵的隶属函数定义如下:

17、设历史建模熵范围为 h1 至 h2,则建模熵的隶属函数定义为

18、= 0,当  ≤ h1

19、 = -(- h1)/(h2 - h1),当 h1 ≤  ≤ h2

20、 = 1,当  ≥ h2

21、 = 1,当  ≤ h1

22、=-(hu + h2)/(h2 - h1),当 h1 ≤  ≤ h2

23、 = 0,当  ≥ h2

24、其中表示高熵隶属度,表示低熵隶属度。

25、进一步地,所述模糊规则包括:

26、当仿真误差较低且建模熵较低时,系统处于收敛状态,优化权重设置为:α = 1 /e  β = 2 / (h1 + h2);

27、当仿真误差较低但建模熵较高时,降低模型探索强度,优化权重设置为:α = 1 /(2e)  β = 1 / h2;

28、当仿真误差较高而建模熵较低时,增加模型结构调整能力,优化权重设置为:α =2 / e  β = 1 / h2;

29、当仿真误差较高且建模熵较高时,提高探索能力,优化权重设置为:α = 4/e  β =2/h1;

30、其中e表示历史模型集合中仿真误差的平均值,h1与h2分别表示历史建模熵的下界与上界。

31、进一步地,所述模糊规则激活过程中,各规则的触发强度表示为:

32、= μ(e) × μ(h)

33、其中μ(e)与μ(h)分别表示仿真误差和建模熵的隶属度函数。

34、进一步地,通过模糊规则动态调整优化权重的过程中,通过加权平均方式计算新的优化目标函数:

35、

36、利用更新后的目标函数对候选模型进行排序,并选取最优模型进入下一轮优化。

37、进一步地,所述经验回放机制采用单调栈结构的经验回放缓冲区,用于记录历史优化过程中生成的候选模型,并根据目标函数值保持模型质量单调递增;当新的候选模型生成后,若新模型优于当前缓冲区中的最优模型,则更新栈顶元素,否则丢弃该模型。

38、进一步地,所述基于人类反馈的强化学习策略优化方法,其目标函数表示为

39、

40、其中= π( | ) / ( | )表示策略更新前后的概率比值;表示优势函数;ε为裁剪阈值;表示当前策略与初始策略之间的kl散度约束,用于防止策略更新过快导致模型退化。

41、进一步地,所述多维奖励函数表示为:

42、q(m)=k1·(m)+k2·(m)+k3·(m)

43、其中表示格式奖励,用于保证模型输出结构规范;表示推理过程奖励,用于保证推理过程与最终结论一致;表示机制奖励,用于保证模型满足物理约束条件。

44、与现有技术相比,本发明的有益效果在于:

45、本发明通过构建双层优化框架,并通过模糊推理系统动态调整优化权重,实现了对系统结构变化与参数漂移的联合处理。具体而言,上层利用大语言模型生成建模建议并引入takagi-sugeno模糊推理系统,根据仿真误差与建模熵动态调整权重,提升模型搜索的鲁棒性与效率;下层采用基于人类反馈的强化学习(rlhf)结合多维奖励函数对大语言模型策略进行优化,增强模型生成建议的合理性与物理一致性。同时,引入单调栈结构的经验回放机制,保留历史最优模型,避免陷入局部最优。本发明在结构变化、高质量与低质量数据场景下均显著降低仿真误差与kl散度,有效抑制大语言模型幻觉,提升推理路径稳定性与建模效率,仅需少数迭代即可收敛,具有强鲁棒性与工程适用性。