CN119294872A 基于图神经网络的电网调度决策方法及大模型 （中科南京人工智能创新研究院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119294872A(43)申请公布日2025.01.10

(21)申请号202411806897.7

(22)申请日2024.12.10

(71)申请人中科南京人工智能创新研究院

地址211135江苏省南京市江宁区创研路

266号麒麟人工智能产业园3号楼3楼

(72)发明人刘伟翔赵天理程健

(74)专利代理机构北京中先生知识产权代理事务所(普通合伙)16063

专利代理师蔡冬婷

G06QGO6F

GO6NGO6N

50/06(2024.01)18/20(2023.01) 3/042(2023.01)

3/08(2023.01)

(51)Int.CI.

GO6Q

GO6F

GO6F

GO6F

GO6F

10/0637(2023.01)18/214(2023.01)

18/24(2023.01)

18/213(2023.01)

18/25(2023.01)

权利要求书5页

说明书18页附图3页

(54)发明名称

基于图神经网络的电网调度决策方法及大

模型

(57)摘要

CN119294872A本发明公开了一种基于图神经网络的电网调度决策方法及大模型，该方法包括采集原始电网数据集，通过自适应分布映射和递归分解生成融合特征张量；导入融合特征张量和电网拓扑矩阵，通过谱分解和矩阵流形分析生成动态图嵌入矩阵；对动态图嵌入矩阵执行马尔可夫跳跃过程分析和最优传输融合，生成整合特征矩阵；基于整合特征矩阵构建多目标Lyapunov函数，通过求解Hamilton-Jacobi-Bellman方程生成鲁棒决策策略；对鲁棒决策策略进行多维度性能监控和统计流形学习，实现策略优化。本发明能够有效处

CN119294872A

步骤51.采集原始电同数据集，并对其进行自适应分布映射处理，生成标准化数据集；对标准化数据集执行多重

步骤51.采集原始电同数据集，并对其进行自适应分布映射处理，生成标准化数据集；对标准化数据集执行多重送归分解运算，得到多尺度特征矩阵；对多尺度特征矩阵进行动态图诸相关分析，获取动态特征矩阵和特征关联矩阵；基于动态特征矩阵和特征关联矩阵，进行自适应多模态融合处理，生成融合特征张量；

步骤S2.基于融合特征张量和预配置的电网拓扑矩阵，通过谱分解增强的拓扑特征提取处理，生成拓扑特征矩阵和特征值序列：基于特征值序列和预存储的历史拓扑变化记录，进行矩阵流形上的变化检测，得到拓扑变化指标

基于拓扑特征矩阵和融合特征张量，构腱多关系张量并进行分解，获得异质图结构；基于异质图结构和拓扑变化指标，进行谱保持的动态图该入处理，输出动态图嵌入矩阵；

步骤S3.基于动态磨嵌入矩阵和融合特征张量，通过层次化谱分析处理，得到多层级特征集合；对多层级特征集合执行马尔可夫就跃过程分析，生成时序特征矩阵；将时序特征距阵轴入棒龄图正则化学习单元，获取特征关联矩阵；基于时序特征矩阵和特征关联矩阵，进行最优传输增强的特征融合处理，输出整合特征矩阵；

步豫S4,基于整合特征矩阵和预存储的运行约束集合，通过半代故集约束转换处理，生成约束多项式集；基于整合特征矩游和约柬多项式集，构建多目标lyapunov函数：基于多目标lyapunov函数和约束多项式集，进行陆机通近动态规划，获得决策策略和值函数；对决策策略和值函数执行Hamilton-Jacobi-Bellman方程求解，生成鲁棒决策策路；

步豫55.获取系统反馈的实时状态数据，基于实时状态数据、鲁棒决策策路和预存储的历史性能指标，通过多维度性能监控处理，生成性能偏差矩阵；基于性能偏差矩阵和鲁棒决策策略，执行递归最小二乘自适应运算，输出

更新策路和参数估计值；基于参数估计值和预存储的历史决策数据，通过统计流形学习，获得知识库；基于更新路知识库，进行实时凸优化处理，生成优化策路和调整参数集。

CN119294872A权利要求书1/5页

2

1.基于图神经网络的电网调度决策方法，其特征在于，包括如下步骤：

S1、采集原始电网数据集，并对其进行自适应分布映射处理，生成标准化数据集；对标准化数据集执行多重递归分解运算，得到多尺度特征矩阵；对多尺度特征矩阵进行动态图谱相关分析，获取动态特征矩阵和特征关联矩阵；基于动态特征矩阵和特征关联矩阵，进行自适应多模态融合处理，生成融合特征张量；其中原始电网数据集包括电压数据、