一种基于机器学习的配电网虚拟电厂多场景安全校核方法与流程

本申请涉及机器学习，且更为具体地，涉及一种基于机器学习的配电网虚拟电厂多场景安全校核方法。

背景技术：

1、随着"双碳"目标的深入推进与新型电力系统建设的加速落地，分布式能源在配电网中得到大规模接入，虚拟电厂作为聚合分布式电源、储能、可控负荷等灵活性资源的新型调控平台，在调峰、调频及辅助服务市场中发挥着日益重要的作用。然而，传统配电网运行优化技术与虚拟电厂聚合调控之间存在明显割裂，分布式资源在不同聚合调控场景下的响应特性尚未被充分掌握，其出力波动与协同调控行为对配电网潮流分布及电压稳定的影响机理缺乏深入解析，适配虚拟电厂多场景动态互动的安全校核手段严重缺失，使得虚拟电厂规模化应用下配电网设备过载、电压越限等风险持续加剧。现有安全校核方法主要依赖确定性潮流计算，在面对虚拟电厂多场景频繁切换所带来的海量运行工况组合时，计算复杂度呈指数级增长，难以满足在线快速校核的实时性需求。

2、近年来，部分研究尝试将深度神经网络等数据驱动方法引入配电网安全评估领域，通过统计学习建立运行状态到安全判定的端到端映射，在一定程度上缓解了计算瓶颈。然而，此类纯数据驱动模型的损失函数仅基于预测值与标签之间的统计差异进行优化，网络本身不内嵌基尔霍夫定律等电气物理方程，也不包含线路热稳定极限或电压安全阈值等刚性约束。当虚拟电厂功率突变使配电网运行状态进入训练数据未充分覆盖的边界区域时，模型易推断出统计上合理但物理上不可行的校核结果，这种缺乏物理定律约束的黑盒输出无法被工业现场调度系统直接采纳。其本质根源在于纯数据驱动范式忽略了节点功率平衡方程与支路传输容量等物理硬约束，使模型在极端工况下丧失物理可行性保障。此外，即便引入电压阈值与热稳定极限等物理约束信息，现有方案通常将节点级电压约束与支路级热稳定约束视为独立子空间进行简单通道拼接，忽略了二者之间由网络拓扑结构决定的空间交叉耦合关系，导致无法有效识别电压与热稳定约束同时趋紧的复合级联风险区域。

3、因此，期望一种优化的基于机器学习的配电网虚拟电厂多场景安全校核方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机器学习的配电网虚拟电厂多场景安全校核方法。

2、根据本申请的一个方面，提供了一种基于机器学习的配电网虚拟电厂多场景安全校核方法，其包括：

3、步骤一，基于配电网的拓扑邻接矩阵，对各节点采集的有功功率序列与无功功率序列进行时序拼接与归一化处理并映射至图结构节点以得到运行态时空图，同时对热稳定极限矩阵与电压阈值向量进行维度对齐以得到物理极限张量；

4、步骤二，基于图卷积网络与时间卷积网络，对运行态时空图分别进行节点间空间拓扑耦合特征提取与多尺度时间序列依赖关系捕捉以得到时空嵌入矩阵；

5、步骤三，基于多层感知机解码器，对时空嵌入矩阵进行电气状态解码与支路潮流分布量初始预估算以得到预测状态矩阵；

6、步骤四，基于物理极限张量，对预测状态矩阵进行物理规则惩罚计算与元学习自适应校准以得到校验状态矩阵；

7、步骤五，对校验状态矩阵中各节点与支路的电气状态量进行与理论崩溃边界之间的安全裕度量化计算，并将所得安全裕度指标映射至多场景风险预警规则库进行离散化风险等级判决以得到安全校核结果向量。

8、与现有技术相比，本申请提供的一种基于机器学习的配电网虚拟电厂多场景安全校核方法，其基于配电网拓扑邻接矩阵将各节点功率序列映射为图结构数据并构建融合拓扑耦合信息的物理极限张量，解决电压约束与热稳定约束之间空间交叉耦合关系被忽略的问题；然后，通过图卷积网络与时间卷积网络对运行态时空图进行空间拓扑耦合与多尺度时序依赖的联合特征提取，并经多层感知机解码为电气状态预测量，以端到端的非线性映射替代传统迭代潮流计算，提升计算效率；接着，将潮流平衡方程与设备物理极限约束嵌入损失函数构建物理信息惩罚机制，并通过元学习引擎对网络权重进行自适应校准与状态重构，强制模型输出严格收敛于物理可行域；最后，对校验后状态进行安全裕度量化并映射至多场景风险规则库完成离散化判决。

1.一种基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，包括：

2.根据权利要求1的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤一，包括：

3.根据权利要求1的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤二，包括：

4.根据权利要求1的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤三，包括：

5.根据权利要求1的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤四，包括：

6.根据权利要求5的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤4.2，包括：基于惩罚量与潮流不匹配残差矩阵，以如下公式确定物理信息损失标量，公式为：

7.根据权利要求1的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤五，包括：

8.根据权利要求2的基于机器学习的配电网虚拟电厂多场景安全校核方法，其特征在于，步骤1.3，包括：