一种基于类脑动力学与神经符号融合的电网自主调控方法

本发明属于电网优化及人工智能交叉，特别涉及一种基于类脑动力学与神经符号融合的电网自主调控方法。

背景技术：

1、随着风电、光伏等高比例新能源大规模接入电力系统，电网运行环境呈现出强随机性、强波动性及多时空耦合等特征。新能源有功出力易受到气象条件、环境变化及负荷扰动等因素影响，导致电网运行状态动态变化加剧，传统以确定性建模为核心的调控方式面临更高的运行复杂度与安全挑战。尤其在台风、暴雨、高温等极端天气场景下，新能源有功出力与负荷需求可能发生快速波动，易引发频率偏移、电压越限以及潮流失稳等问题，对电网安全稳定运行构成严峻挑战。

2、目前，传统电网调控方法主要基于预设规则、专家经验或物理潮流方程实现调度控制，其在稳定工况下具备较好的可解释性与工程可靠性。然而，在高比例新能源接入及复杂动态扰动场景下，传统方法对非线性时序变化的动态感知能力不足，难以有效适应快速变化的电网运行状态，导致调控灵活性及自主决策能力受限。

3、近年来，基于深度学习的智能调控方法逐渐应用于电网运行分析与控制领域。该类方法能够通过大规模运行数据学习复杂非线性映射关系，在负荷预测、异常检测及调度优化等方面表现出较强的数据驱动能力。然而，现有深度神经网络方法大多缺乏对电网运行物理规律的显式约束，其模型输出往往难以严格满足基尔霍夫电流定律（kcl）、节点电压安全边界以及线路潮流热稳定等基本运行约束，容易出现物理不可行或不可解释的调控结果，存在潜在运行风险。

4、此外，现有数据驱动方法通常采用静态特征提取或短时序建模方式，难以充分描述新能源波动、电网负荷变化以及扰动传播过程中复杂的动态演化行为。同时，多数现有方案缺少基于实时反馈的闭环修正机制，当电网运行环境发生突变时，模型难以及时对调控策略进行动态修正，从而影响电网自主调控的稳定性与鲁棒性。

5、由此可见，如何构建一种既具备类脑感知灵活性，又能严格遵循电力物理法则的自主调控架构，已成为亟待解决的技术问题。

技术实现思路

1、本发明的目的是克服现有技术的缺陷，提供了一种基于类脑动力学与神经符号融合的电网自主调控方法，其能够根据电网运行状态的动态变化对电网进行自主调控，并且保证调控结果满足物理一致性与运行安全性。

2、本发明提供的技术方案为：

3、一种基于类脑动力学与神经符号融合的电网自主调控方法，包括：

4、构建类脑动力学模型；

5、将电网运行状态数据和运行环境气象数据的时间序列转化为脉冲序列；并将所述脉冲序列作为所述类脑动力学模型的输入特征向量，将电网控制指令作为类脑动力学模型输出向量；

6、其中，所述电网控制指令包括：电网中各节点的发电机组有功出力、储能系统充放电功率和电压控制量；

7、根据电网运行物理风险约束规则和电力符号规则构建损失函数，并基于所述损失函数对所述类脑动力学模型进行训练，得到电网自主调控模型；

8、在电网运行过程中，按照设定时间窗口实时采集电网运行状态数据和运行环境气象数据的时间序列，并将采集的时间序列转化脉冲序列输入所述电网自主调控模型，所述自主调调控模型输出电网控制指令。

9、优选的是，所述类脑动力学模型采用脉冲神经网络模型。

10、优选的是，所述电网运行状态数据包括：电网各节点的负荷有功功率、电网各节点的新能源场站有功出力和新能源瞬时总体波动率；所述运行环境气象数据包括：电网各节点的环境温度、环境风速、太阳辐照度和风向偏角。

11、优选的是，所述损失函数为：

12、；

13、其中，为常规基础任务损失，为电网运行物理风险约束损失，为电力符号逻辑规则正则化惩罚权重系数，为综合电力符号逻辑规则信任度。

14、优选的是，所述电网运行物理风险约束损失的计算公式为：

15、；

16、其中， 分别为节点功率平衡、电压越限以及潮流热稳定的惩罚权重系数；表示节点功率平衡惩罚，表示电压越限惩罚，表示潮流热稳定惩罚。

17、优选的是，节点功率平衡惩罚的计算公式为：

18、；

19、其中，表示电网节点的功率偏差量，n 为电网节点总数；

20、；

21、式中，表示电网节点满足物理界限约束的发电机组有功出力，表示节点的新能源场站有功出力，表示节点的负荷有功功率，表示节点的交换潮流。

22、优选的是，综合电力符号逻辑规则信任度的计算公式为：

23、；

24、其中，表示电网控制指令与第m个电力符号规则经可微逻辑映射算子转化后的连续软逻辑真值，表示电力符号规则的数量；

25、；

26、式中，表示与电网控制指令与第m个电力符号规则确定的边界的间隙值，temp表示带有平滑温标因子。

27、优选的是，所述的基于类脑动力学与神经符号融合的电网自主调控方法，还包括：

28、如果电网运行物理风险约束损失，则对类脑动力学模型输出向量进行修正；

29、修正的类脑动力学模型输出向量的计算公式为：

30、；

31、其中，为修正的类脑动力学模型输出向量，为电网运行物理风险约束损失对类脑动力学模型输出向量的偏导数梯度，为快环特征修正步长。

32、优选的是，所述的基于类脑动力学与神经符号融合的电网自主调控方法，还包括：

33、在电网运行过程中，如果新能源有功出力发生剧烈波动，则构建调整损失函数，并基于所述调整损失函数对电网自主调控模型的参数进行调整，并利用调整后的电网自主调控模型输出电网控制指令；

34、其中，所述调整损失函数为：

35、；

36、式中，表示调整损失函数，表示新能源-储能协同动态纠偏惩罚项。

37、优选的是，所述新能源-储能协同动态纠偏惩罚项的计算公式为：

38、；

39、其中，k为电网中的储能电站数量；表示第电网节点在t时刻的储能系统有功功率控制指令，所述储能系统有功功率控制指令以放电为正方向、充电为负方向，且其为所述类脑动力学模型输出的储能原始解调特征经由所述神经符号逻辑推理层进行快环瞬态纠偏后，下发至对应节点储能变流器的最终安全合规控制动作；表示根据电力符号规则确定的协同调度软逻辑真值。

40、本发明的有益效果是：

41、（1）本发明通过构建基于类脑动力学的时序建模机制，实现对新能源波动、电网负荷变化及复杂扰动传播过程的动态感知，相较于传统静态规则调控方法，能够提高复杂运行环境下电网状态感知的实时性与灵敏性。

42、（2）本发明通过将基于电网运行物理风险约束规则的神经符号一致性推理机制转化为损失函数融入模型优化过程，能够提高调控结果的物理一致性与运行安全性，降低深度学习模型“黑盒输出”带来的潜在运行风险。

43、（3）本发明通过构建新能源波动与储能系统之间的协同调节机制，并结合闭环反馈优化过程，实现对机组有功出力、储能充放电及节点电压的联合自主调控，从而提高高比例新能源接入场景下电网运行的稳定性与自主调控能力。