水电互补的跨能源网络AI协同调度优化系统及方法与流程

本发明涉及水电站调度，特别是一种水电互补的跨能源网络ai协同调度优化系统及方法。

背景技术：

1、随着新型电力系统的发展，梯级水电站群除承担常规发电任务外，还需要兼顾调峰、调频及电网负荷响应等要求。在实际运行中，流域内各水电站之间存在明显的上下游水力联系，上游来水、泄流过程会对下游电站的水位、流量及发电能力产生影响；同时，各水电站并网运行后，其出力又受到电网负荷变化、输电通道容量及网络结构约束的影响。因此，梯级水电调度属于水力过程与电气过程相互耦合的复杂优化问题。

2、现有技术中，针对梯级水电站调度的方法多侧重于水库水位控制、发电计划分配或单一流域内的水量优化，通常主要考虑水文条件、水量平衡及机组运行边界，对电网侧负荷需求及网络传输约束考虑不足，难以满足水电站群与电网协同调度的应用需求。另一方面，部分电力调度方法虽然考虑了负荷变化和功率分配，但往往将水电机组视为普通电源，未充分体现梯级电站之间的水流传播时滞、水头变化及水能向电能转换过程中的耦合特性，导致模型难以准确反映真实运行规律。此外，水文数据、机组运行数据和电网负荷数据通常来源不同、采样频率不同，现有方法在多源异构数据同步、跨网络关系建模以及多站协同决策方面仍存在不足，容易出现局部优化而整体协调性不足的问题。

技术实现思路

1、本发明的目的在于克服上述不足，提供一种水电互补的跨能源网络ai协同调度优化系统及方法，以解决背景技术中提出的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：一种水电互补的跨能源网络ai协同调度优化系统，应用于同一流域梯级水电站群与电网的协同调度，水电站群中每个水电站配置有一个调度智能体，系统包括：

3、数据同步模块，用于获取各水电站的机组设备参数和电网线路参数，采集各水电站的水文数据、机组运行数据及电网负荷数据并进行时间对齐，得到同步特征数据；

4、图构建模块，用于根据各水电站的上下游河道拓扑和电网线路拓扑构建水电双层图，将所述同步特征数据构建为所述水电双层图的节点特征；

5、协同感知模块，用于控制各调度智能体在所述水电双层图的水力有向图和电气无向图中分别执行工况自适应的图注意力聚合得到聚合消息，将聚合消息与对应的同步特征数据融合生成协同感知嵌入；

6、共识生成模块，用于对全部协同感知嵌入进行注意力池化得到流域摘要向量，与电网需求向量融合生成共识信号向量，广播至各调度智能体；

7、调度执行模块，用于控制各调度智能体的策略网络接收对应的协同感知嵌入和所述共识信号向量，推理输出调度动作并投影至物理可行域，得到调度指令。

8、优选地，所述图构建模块包括水力图构建单元、电气图构建单元、节点特征提取单元和跨层耦合单元，其中：

9、所述水力图构建单元，用于以各水电站为节点，以上下游水流传递方向为有向边构建水力有向图，各有向边的属性包括上游站至下游站的水流传播时滞和区间衰减系数；

10、所述电气图构建单元，用于以各水电站的并网节点和电网变电站节点为节点，以输电线路为边构建电气无向图，各边的属性包括线路电抗和传输功率上限；

11、所述节点特征提取单元，用于从所述同步特征数据中提取坝前水位、尾水位、入库流量、出库流量、过机流量作为水力层节点特征，提取机组出力、电网负荷作为电气层节点特征；

12、所述跨层耦合单元，用于在同一水电站对应的水力层节点与电气层节点之间建立跨层耦合边，形成水电双层图，所述跨层耦合边的属性包括该水电站的净水头及机组出力对净水头和过机流量的偏导数。

13、优选地，所述跨层耦合单元配置有耦合边属性计算逻辑，所述耦合边属性计算逻辑包括：

14、根据坝前水位、尾水位和水力损失计算得到净水头，所述水力损失根据过机流量和机组设备参数计算得到；

15、根据机组的水轮机特性曲线，在净水头和过机流量所确定的运行状态下对净水头和过机流量分别求偏导数，得到机组出力对净水头的偏导数和机组出力对过机流量的偏导数。

16、优选地，所述协同感知模块包括工况编码单元、水力聚合单元、电气聚合单元和特征融合单元，其中：

17、所述工况编码单元，用于根据水文数据和电网负荷数据确定当前工况并编码为工况编码向量，将所述工况编码向量分别与所述水力有向图和电气无向图的节点特征融合，生成水力层缩放因子和电气层缩放因子；

18、所述水力聚合单元，用于各调度智能体基于所述水力有向图，以水流传播时滞对相邻节点的节点特征进行时序对齐，计算水力层注意力系数并以所述水力层缩放因子进行缩放，以缩放后的水力层注意力系数对对齐后的相邻节点特征加权聚合，得到各自的水力层聚合消息；

19、所述电气聚合单元，用于各调度智能体基于所述电气无向图，计算电气层注意力系数并以所述电气层缩放因子进行缩放，以缩放后的电气层注意力系数对相邻节点特征加权聚合，得到各自的电气层聚合消息；

20、所述特征融合单元，用于将水力层聚合消息、电气层聚合消息与对应智能体的水力层节点特征和电气层节点特征拼接后进行非线性映射，生成各调度智能体的协同感知嵌入。

21、优选地，所述工况编码单元配置有工况编码逻辑，所述工况编码逻辑包括：

22、根据各水电站的入库流量和坝前水位分别与预设的水文阈值进行比较，确定当前水文工况等级，根据电网负荷与预设的负荷阈值进行比较，确定当前负荷工况等级；

23、将所述水文工况等级和负荷工况等级分别进行独热编码后拼接，得到工况编码向量；

24、分别对所述水力有向图和电气无向图的全部节点特征取均值得到对应的特征均值，将所述工况编码向量与各特征均值拼接后投影并归一化，分别得到水力层缩放因子和电气层缩放因子。

25、优选地，所述水力聚合单元配置有水力聚合逻辑，所述水力聚合逻辑包括：

26、对各调度智能体，获取所述水力有向图中指向该智能体所在节点的各上游相邻节点对应有向边的水流传播时滞，将当前时刻回溯对应时滞量得到各相邻节点的历史节点特征，作为对齐后的相邻节点特征；

27、将该智能体的自身节点特征、对齐后的各相邻节点特征及对应有向边的边属性进行拼接，经非线性激活计算各相邻节点的原始注意力得分，对全部相邻节点的原始注意力得分进行归一化，得到水力层注意力系数；

28、以所述水力层缩放因子对所述水力层注意力系数进行缩放，以缩放后的水力层注意力系数对对齐后的各相邻节点特征进行加权求和，得到水力层聚合消息。

29、优选地，所述特征融合单元配置有特征融合逻辑，所述特征融合逻辑包括：

30、将各调度智能体的水力层聚合消息、电气层聚合消息、水力层节点特征和电气层节点特征沿特征维度进行拼接，得到融合特征向量；

31、对所述融合特征向量依次进行线性变换和非线性激活，得到各调度智能体的协同感知嵌入。

32、优选地，所述共识生成模块包括池化单元、需求编码单元和共识广播单元，其中：

33、所述池化单元，用于根据全部调度智能体的协同感知嵌入计算各协同感知嵌入对应的注意力权重，以所述注意力权重对全部协同感知嵌入加权求和，得到流域摘要向量；

34、所述需求编码单元，用于根据电网负荷数据计算电网调度需求指标，编码为电网需求向量；

35、所述共识广播单元，用于将所述流域摘要向量与所述电网需求向量拼接后进行非线性映射，生成共识信号向量，将所述共识信号向量广播至各调度智能体。

36、优选地，所述调度执行模块包括策略推理单元、可行域确定单元和投影单元，其中：

37、所述策略推理单元，用于各调度智能体的策略网络将对应的协同感知嵌入与所述共识信号向量拼接作为输入，推理输出调度动作，所述调度动作包括各机组的出力分配和水库下泄流量；

38、所述可行域确定单元，用于根据当前水位约束、机组出力上下限和最小生态流量确定当前时刻的物理可行域；

39、所述投影单元，用于将调度动作投影至所述物理可行域内，得到调度指令。

40、优选地，所述策略推理单元中各调度智能体的策略网络通过集中训练分布式执行范式训练得到，所述系统还包括训练模块，所述训练模块配置有训练逻辑，所述训练逻辑包括：

41、构建各调度智能体对应的局部价值网络，所述局部价值网络根据对应智能体的协同感知嵌入、共识信号向量和调度动作评估局部价值；

42、根据发电收益、水资源利用效率、水位越限惩罚和生态流量违规惩罚构建各调度智能体的局部奖励函数；

43、构建价值混合网络，在保证全局价值对各局部价值单调递增的条件下，将全部智能体的局部价值通过所述价值混合网络合成为全局价值，所述价值混合网络通过水量平衡约束和功率平衡约束的拉格朗日乘子惩罚违反耦合约束的联合动作；

44、各策略网络在执行阶段仅接收对应智能体的协同感知嵌入和共识信号向量进行独立推理；

45、根据各调度智能体的局部奖励函数计算各时步的局部奖励，以全局价值的时序差分误差更新局部价值网络和价值混合网络的参数，根据全局价值经价值混合网络反向传播至各策略网络进行策略梯度更新，直至全局价值的时序差分误差低于预设误差阈值。

46、本发明还公开一种水电互补的跨能源网络ai协同调度优化方法，应用于上述的水电互补的跨能源网络ai协同调度优化系统，所述方法包括以下步骤：

47、s1：获取各水电站的机组设备参数和电网线路参数，采集各水电站的水文数据、机组运行数据及电网负荷数据并进行时间对齐，得到同步特征数据；

48、s2：根据各水电站的上下游河道拓扑和电网线路拓扑构建水电双层图，将所述同步特征数据构建为所述水电双层图的节点特征；

49、s3：各调度智能体在所述水电双层图的水力有向图和电气无向图中分别执行工况自适应的图注意力聚合得到聚合消息，将聚合消息与对应的同步特征数据融合生成协同感知嵌入；

50、s4：对全部协同感知嵌入进行注意力池化得到流域摘要向量，与电网需求向量融合生成共识信号向量，广播至各调度智能体；

51、s5：各调度智能体的策略网络接收对应的协同感知嵌入和所述共识信号向量，推理输出调度动作并投影至物理可行域，得到调度指令。

52、进一步地，步骤s2具体包括：

53、s2.1：以各水电站为节点，以上下游水流传递方向为有向边构建水力有向图，各有向边的属性包括上游站至下游站的水流传播时滞和区间衰减系数，所述水流传播时滞和区间衰减系数通过历史水文数据计算得到；

54、s2.2：以各水电站的并网节点和电网变电站节点为节点，以输电线路为边构建电气无向图，各边的属性包括线路电抗和传输功率上限；

55、s2.3：从所述同步特征数据中提取坝前水位、尾水位、入库流量、出库流量、过机流量作为水力层节点特征，提取机组出力、电网负荷作为电气层节点特征；

56、s2.4：在同一水电站对应的水力层节点与电气层节点之间建立跨层耦合边，形成水电双层图，所述跨层耦合边的属性包括该水电站的净水头及机组出力对净水头和过机流量的偏导数。

57、进一步地，步骤s2.4中，所述跨层耦合边的属性的计算过程包括：

58、根据坝前水位、尾水位和水力损失计算得到净水头，所述水力损失根据过机流量和机组设备参数计算得到；

59、根据机组的水轮机特性曲线，在净水头和过机流量所确定的运行状态下对净水头和过机流量分别求偏导数，得到机组出力对净水头的偏导数和机组出力对过机流量的偏导数。

60、进一步地，步骤s3具体包括：

61、s3.1：根据水文数据和电网负荷数据确定当前工况并编码为工况编码向量，将所述工况编码向量分别与所述水力有向图和电气无向图的节点特征融合，生成水力层缩放因子和电气层缩放因子；

62、s3.2：各调度智能体基于所述水力有向图，以水流传播时滞对相邻节点的节点特征进行时序对齐，计算水力层注意力系数并以所述水力层缩放因子进行缩放，以缩放后的水力层注意力系数对对齐后的相邻节点特征加权聚合，得到各自的水力层聚合消息；

63、s3.3：各调度智能体基于所述电气无向图，计算电气层注意力系数并以所述电气层缩放因子进行缩放，以缩放后的电气层注意力系数对相邻节点特征加权聚合，得到各自的电气层聚合消息；

64、s3.4：将水力层聚合消息、电气层聚合消息与对应智能体的水力层节点特征和电气层节点特征拼接后进行非线性映射，生成各调度智能体的协同感知嵌入。

65、进一步地，步骤s3.1具体包括：

66、s3.1.1：根据各水电站的入库流量和坝前水位分别与预设的水文阈值进行比较，确定当前水文工况等级，根据电网负荷与预设的负荷阈值进行比较，确定当前负荷工况等级；

67、s3.1.2：将所述水文工况等级和负荷工况等级分别进行独热编码后拼接，得到工况编码向量；

68、s3.1.3：分别对所述水力有向图和电气无向图的全部节点特征取均值得到对应的特征均值，将所述工况编码向量与各特征均值拼接后投影并归一化，分别得到水力层缩放因子和电气层缩放因子。

69、进一步地，步骤s3.2具体包括：

70、s3.2.1：对各调度智能体，获取所述水力有向图中指向该智能体所在节点的各上游相邻节点对应有向边的水流传播时滞，将当前时刻回溯对应时滞量得到各相邻节点的历史节点特征，作为对齐后的相邻节点特征；

71、s3.2.2：将该智能体的自身节点特征、对齐后的各相邻节点特征及对应有向边的边属性进行拼接，经非线性激活计算各相邻节点的原始注意力得分，对全部相邻节点的原始注意力得分进行归一化，得到水力层注意力系数；

72、s3.2.3：以所述水力层缩放因子对所述水力层注意力系数进行缩放，以缩放后的水力层注意力系数对对齐后的各相邻节点特征进行加权求和，得到水力层聚合消息。

73、进一步地，步骤s3.4具体包括：

74、将各调度智能体的水力层聚合消息、电气层聚合消息、水力层节点特征和电气层节点特征沿特征维度进行拼接，得到融合特征向量；

75、对所述融合特征向量依次进行线性变换和非线性激活，得到各调度智能体的协同感知嵌入。

76、进一步地，步骤s4具体包括：

77、s4.1：根据全部调度智能体的协同感知嵌入计算各协同感知嵌入对应的注意力权重，以所述注意力权重对全部协同感知嵌入加权求和，得到流域摘要向量；

78、s4.2：根据电网负荷数据计算电网调度需求指标，编码为电网需求向量；

79、s4.3：将所述流域摘要向量与所述电网需求向量拼接后进行非线性映射，生成共识信号向量，将所述共识信号向量广播至各调度智能体。

80、进一步地，步骤s5具体包括：

81、s5.1：各调度智能体的策略网络将对应的协同感知嵌入与所述共识信号向量拼接作为输入，推理输出调度动作，所述调度动作包括各机组的出力分配和水库下泄流量；

82、s5.2：根据当前水位约束、机组出力上下限和最小生态流量确定当前时刻的物理可行域；

83、s5.3：将所述调度动作投影至所述物理可行域内，得到调度指令。

84、进一步地，各调度智能体的策略网络通过集中训练分布式执行范式训练得到，训练过程包括以下步骤：

85、a1：构建各调度智能体对应的局部价值网络，所述局部价值网络根据对应智能体的协同感知嵌入、共识信号向量和调度动作评估局部价值；

86、a2：根据发电收益、水资源利用效率、水位越限惩罚和生态流量违规惩罚构建各调度智能体的局部奖励函数；

87、a3：构建价值混合网络，在保证全局价值对各局部价值单调递增的条件下，将全部智能体的局部价值通过所述价值混合网络合成为全局价值，所述价值混合网络通过水量平衡约束和功率平衡约束的拉格朗日乘子惩罚违反耦合约束的联合动作；

88、a4：各策略网络在执行阶段仅接收对应智能体的协同感知嵌入和共识信号向量进行独立推理；

89、a5：根据各调度智能体的局部奖励函数计算各时步的局部奖励，以全局价值的时序差分误差更新局部价值网络和价值混合网络的参数，根据全局价值经价值混合网络反向传播至各策略网络进行策略梯度更新，直至全局价值的时序差分误差低于预设误差阈值。

90、本发明有益效果：

91、1.本发明通过建立包含水力有向图、电气无向图及跨层耦合关系的水电双层图，实现了对上下游水流传递关系、电网拓扑传输关系以及水能向电能转换关系的统一建模。相较于现有技术中对水力系统与电力系统分离建模的方式，本发明能够更全面、准确地反映水电站群与电网之间的耦合机理，从而提高复杂调度场景下的整体建模能力和协同优化能力。

92、2.本发明通过对水文数据、机组运行数据及电网负荷数据进行时间对齐，并结合工况自适应协同感知、全局共识生成以及物理可行域投影机制，使各调度智能体既能够根据局部运行状态进行独立决策，又能够响应流域整体状态和电网需求变化，最终输出满足水位约束、机组出力约束及生态流量约束的调度指令。相较于现有技术，本发明能够有效提升多站协同调度的准确性、鲁棒性、一致性及工程可实施性。