人機混合智能高動態(tài)系統(tǒng)知識自動化和調(diào)控關鍵技術及平臺

目錄第1章基于多智能體的高動態(tài)系統(tǒng)調(diào)控關鍵技術/11.1計及風光新能源的電力系統(tǒng)源網(wǎng)協(xié)同實時調(diào)度策略/11.1.1問題描述/21.1.2DDRL架構(gòu)/51.1.3案例研究/111.2基于鄰域特征聚合的高比例新能源電力系統(tǒng)源儲協(xié)同實時調(diào)度策略/181.2.1基礎模型與理論方法/191.2.2基于鄰域特征聚合的源儲協(xié)同實時調(diào)度方法/241.2.3算例仿真/30本章參考文獻/41第2章基于示教學習的人機混合增強智能理論方法/442.1引言/442.2計及拓撲調(diào)節(jié)和電網(wǎng)拓撲可變性的有功校正控制強化學習方法/462.2.1基本模型與約束設置/462.2.2決策過程建模/482.3考慮電網(wǎng)拓撲可變性的復雜電網(wǎng)狀態(tài)表征方法/492.3.1時變電網(wǎng)狀態(tài)的統(tǒng)一規(guī)整方法/492.3.2基于圖注意力機制的電網(wǎng)狀態(tài)鄰域聚合表征方法/512.4基于改進蒙特卡羅樹搜索的強化學習動作空間優(yōu)化方法/522.5安全校核結(jié)果引導下的有功校正控制智能體訓練與部署機制/542.5.1安全校核結(jié)果引導的智能體深度探索訓練機制/542.5.2考慮控制策略長短期效益的智能體部署機制/572.6計及電網(wǎng)層級特征的實時狀態(tài)差異化融合方法/582.6.1電網(wǎng)高級、初級特征的構(gòu)造方法/582.6.2綜合全局、局部特征的電網(wǎng)狀態(tài)多層級圖表征架構(gòu)/592.7融合調(diào)度員校正控制經(jīng)驗的強化學習增強機制/612.7.1基于示教學習的有功校正控制強化學習增強機制/612.7.2考慮示教經(jīng)驗多樣性的有功校正控制示教數(shù)據(jù)集構(gòu)建方法/622.8計及校正控制動作稀疏性的智能體訓練算法/632.9算例分析/682.9.1算例設計/682.9.2算法基本控制性能測試及分析/712.9.3示教數(shù)據(jù)融合訓練機制的有效性分析/762.9.4先驗經(jīng)驗比例對智能體性能的影響分析/81本章小結(jié)/81本章參考文獻/82人機混合智能高動態(tài)系統(tǒng)知識自動化和調(diào)控關鍵技術及平臺目錄第3章基于圖計算的多源異構(gòu)數(shù)據(jù)和知識處理關鍵技術/853.1基于功能缺陷文本的電力二次設備智能診斷與輔助決策/853.1.1引言/853.1.2電力二次設備功能缺陷記錄文本描述/863.1.3電力二次設備功能缺陷智能診斷與輔助決策平臺/883.1.4基于BiLSTMCRF的電力二次設備功能缺陷文本信息抽取/903.1.5電力二次設備功能缺陷知識圖譜構(gòu)建與知識應用：智能診斷與輔助決策/923.1.6算例分析/963.2基于遷移學習的電網(wǎng)故障處置知識圖譜構(gòu)建及實時輔助決策研究/1003.2.1引言/1003.2.2故障處置實時輔助決策技術路線/1013.2.3面向電網(wǎng)故障領域的基于遷移學習的小樣本文本實體識別/1043.2.4基于故障處置的多元數(shù)據(jù)融合知識圖譜構(gòu)建與推理方法/1083.2.5基于電網(wǎng)故障處置知識圖譜的實時輔助決策及應用算例/111本章小結(jié)/119本章參考文獻/120第4章小樣本多源異構(gòu)數(shù)據(jù)深度學習關鍵技術/1244.1“黑天鵝”事件下的小樣本遷移學習框架/1244.1.1“黑天鵝”事件下的社會用電需求波動分析/1254.1.2基于CNN的經(jīng)濟電力關系特征提取器構(gòu)建/1264.1.3基于遷移學習的小樣本電力負荷預測框架/1294.1.4算例分析/1314.2用于社會能源和電力消耗分析的經(jīng)濟與政策綜合計算系統(tǒng)/1454.2.1EPICS框架：政策量化/1474.2.2EPICS框架：混頻經(jīng)濟數(shù)據(jù)融合/1524.2.3考慮經(jīng)濟、政策因素的中長期用電量預測方法/1524.2.4EPICS政策量化結(jié)果/1534.2.5EPICS混頻經(jīng)濟數(shù)據(jù)指標選取結(jié)果/1564.2.6考慮經(jīng)濟、政策因素的中長期用電量預測結(jié)果/157本章小結(jié)/160本章參考文獻/162第5章基于可解釋性方法的人機混合智能增強關鍵技術/1655.1SHAP值法/1685.1.1DRL中的SHAP值法/1685.1.2Deep SHAP方法/1695.1.3實驗平臺/1715.1.4實驗算例/1725.2基于加權傾斜決策樹的電力系統(tǒng)DRL控制策略提取/1815.2.1引言/1815.2.2電力系統(tǒng)DRL控制策略提取框架/1825.2.3WODT算法/1845.2.4算例分析/187本章小結(jié)/192本章參考文獻/192第6章物理數(shù)據(jù)知識混合驅(qū)動的高動態(tài)系統(tǒng)管控架構(gòu)/1986.1架構(gòu)建設背景/1986.2物理數(shù)據(jù)知識混合驅(qū)動的人機混合增強智能系統(tǒng)分析和管控方法/1996.2.1可信的分布式數(shù)據(jù)、計算和算法模型/2016.2.2物理信息深度學習/2036.2.3融合系統(tǒng)運行規(guī)則的混合型DRL方法/2056.2.4從知識圖譜到因果分析的方法/2066.2.5可解釋性人工智能與數(shù)字人/2076.3應用示例/2086.3.1物理信息深度學習示例/2086.3.2知識圖譜和因果分析示例/2096.3.3人機混合增強智能電網(wǎng)調(diào)控示例/212本章小結(jié)/217本章參考文獻/218第7章人機混合增強智能評估及自主進化關鍵技術/2227.1引言/2227.2PLASE系統(tǒng)/2257.2.1PLASE系統(tǒng)的基本結(jié)構(gòu)和目標函數(shù)/2257.2.2PLASE系統(tǒng)的結(jié)構(gòu)/2267.3算例實驗/2337.3.1實驗設計/2337.3.2基準智能體的智能評估結(jié)果/2377.3.3超參數(shù)對智能體智能水平的影響/2387.3.4*優(yōu)智能體超參數(shù)及智能體智能水平變化情況/241本章小結(jié)/243本章參考文獻/243第8章人機混合增強智能系統(tǒng)知識自動化和調(diào)控平臺/2478.1復雜系統(tǒng)理論方法發(fā)展概述/2478.2復雜系統(tǒng)與人機混合增強智能/2498.3總體問題/2508.3.1背景分析/2518.3.2機器智能對復雜系統(tǒng)的認知和管控/2528.3.3人類智能與機器智能之間的認知管控博弈關系/2538.4基于復雜系統(tǒng)管控的人機互信知識自動化流程/2548.4.1人機功能部署:基于任務和流程/2548.4.2人機行為約束:基于規(guī)則和職責/2558.4.3人機智能理解:基于相互解釋/2568.4.4人機決策驗證:基于經(jīng)驗知識和并行系統(tǒng)/2568.5人機混合增強智能、人機互信知識自動化與大電網(wǎng)調(diào)控/2568.5.1基于人類智能的大電網(wǎng)調(diào)控/2578.5.2機器智能對大電網(wǎng)的認知和管控/2588.5.3人機互信的知識自動化在大電網(wǎng)調(diào)控中的應用規(guī)則/2618.6人機混合增強智能的電網(wǎng)調(diào)控應用示例/262本章小結(jié)/264本章參考文獻/265