本发明属于电力智能管理，具体是指一种基于人工智能的电力智能管理方法及系统。
背景技术：
1、电力智能管理利用人工智能技术对电力系统的各种数据进行分析和处理，以实现对电力系统的智能化管理和优化，进而更好地满足用户的用电需求，确保电力系统的安全稳定运行，并提高电力系统的运行效率，促进能源可持续发展。但在现有的电力智能管理过程中，存在着传统方法仅采用电力系统中的固有数据，而电力系统数据不可避免的存在数据重复性较高进而导致电力负荷预测效果较差，影响方法整体的可用性的技术问题；存在着电力系统故障检测对于模型参数的自适应优化策略依赖较高，进而导致在有限的计算资源内难以提供高质量的解决方案，从而提高了电力故障检测的成本也降低了电力智能管理的整体效率的技术问题；存在着电力管理的复杂性既需要考虑电力负荷，也要考虑电力系统本身存在故障才能进一步进行预防性维护和电力系统本身健康状态管理，而传统方法针对两项任务常各自独立进行预测和处理，影响了电力智能管理的集成性和效率的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的电力智能管理方法及系统，针对在电力智能管理过程中，存在着传统方法仅采用电力系统中的固有数据，而电力系统数据不可避免的存在数据重复性较高进而导致电力负荷预测效果较差，影响方法整体的可用性的技术问题，本方案创造性地采用基于卷积长短期网络的双任务模型，通过结合环境因素数据，并引入双任务共享部分参数，在处理电力系统数据的同时考虑了复杂多变的天气条件对于电力系统负荷产生的影响，提高了方法整体的泛用性和适用范围，同时改善了数据重复性问题；针对在电力智能管理过程中，存在着电力系统故障检测对于模型参数的自适应优化策略依赖较高，进而导致在有限的计算资源内难以提供高质量的解决方案，从而提高了电力故障检测的成本也降低了电力智能管理的整体效率的技术问题，本方案创造性地采用结合自适应二次插值学习的差分进化算法，优化分层极限学习机进行电力故障检测，提升了模型参数的自适应优化质量，提高了电力故障检测准确性，同时提高了电力智能管理整体任务的可靠性；针对在电力智能管理过程中，存在着电力管理的复杂性既需要考虑电力负荷，也要考虑电力系统本身存在故障才能进一步进行预防性维护和电力系统本身健康状态管理，而传统方法针对两项任务常各自独立进行预测和处理，影响了电力智能管理的集成性和效率的技术问题，本方案创造性地采用结合电力负荷预测和电力故障检测两项任务，并统合给出电力智能管理辅助参考，提高了系统的智能性、集成性和可扩展性。
2、本发明采取的技术方案如下：本发明提供的一种基于人工智能的电力智能管理方法，该方法包括以下步骤：
3、步骤s1：电力数据采集；
4、步骤s2：数据预处理；
5、步骤s3：电负荷预测；
6、步骤s4：电力系统故障检测；
7、步骤s5：电力智能管理。
8、作为本方案的进一步改进，在步骤s1中，电力数据采集，用于采集电力智能管理所需的原始数据，具体为通过数据采集，得到电力原始数据，所述电力原始数据包括电力系统数据和环境因素数据，所述电力系统数据包括历史用电数据和电力系统运行数据，所述环境因素数据包括温度、湿度、风速和降水率。
9、作为本方案的进一步改进，在步骤s2中，所述数据预处理，用于优化数据质量，具体为通过对电力原始数据进行缺失值填补、异常值删除、归一化处理和独热编码，得到电力优化数据，所述电力优化数据包括电力系统优化数据和环境因素优化数据。
10、作为本方案的进一步改进，在步骤s3中，所述电负荷预测，具体为依据电力优化数据，采用基于卷积长短期网络的双任务模型，进行电负荷预测，得到电负荷预测信息；
11、所述基于卷积长短期网络的双任务模型，用于通过对主任务和辅助任务的相关训练信息进行加权来使模型更好地适应各种情况，从而提高模型的泛化能力，具体包括电负荷预测主任务子网和辅助任务子网；
12、所述电负荷预测主任务子网，具体包括主要输入层、编码模块、第一解码模块、第二解码模块和主要输出层；
13、所述辅助任务子网，具体包括辅助输入层、辅助编码模块、辅助解码模块和辅助输出层；
14、所述电负荷预测，包括以下步骤：
15、步骤s31：构建模型输入，具体为将电力优化数据作为辅助任务子网的输入，将电力系统优化数据作为电负荷主任务子网的输入；
16、步骤s32：构建辅助任务子网，具体为通过构建所述辅助任务子网，得到辅助任务输出结果，包括以下步骤：
17、步骤s321：构建辅助输入层，具体为接收电力优化数据作为辅助任务子网的输入，得到辅助输入数据；
18、步骤s322：构建辅助编码模块，用于对输入数据进行特征提取和表示，具体为在辅助编码模块中设置2个卷积层和1个最大池化层，所述卷积层的计算公式为：
19、；
20、式中，conv(·)是卷积操作函数，cx是卷积层输入，⨂是卷积操作符，wc是卷积核权重，m是卷积核通道数量，wid是卷积核宽度，hig是卷积核高度，k是卷积核通道索引，j是卷积操作的水平位置索引，i是卷积操作的垂直位置索引；
21、步骤s323：构建辅助解码模块，用于对编码模块提取的特征转换为高层次的语义表示，具体为在辅助解码模块中设置2个长短期网络层、1个正则化层和1个密集层，所述长短期网络层的计算公式为：
22、；
23、式中，t是时间步索引，用于表示当前时刻，igt是输入门在当前时刻下的输出向量，sig(·)是sigmoid激活函数，wig是输入门的输入数据权重，xt是长短期网络层在当前时刻下的输入数据，wig是输入门的循环权重，用于控制前一时刻隐藏状态对输入门的影响程度，ht-1是前一时刻隐藏状态，big是输入门偏置项，fgt是遗忘门的输出向量，wfg是遗忘门的输入数据权重，wfg是遗忘门的循环权重，用于控制前一时刻隐藏状态对遗忘门的影响程度，bfg是遗忘门偏置项，ogt是输出门在当前时刻下的输出向量，wog是输出门的输入数据权重，wog是输出门的循环权重，用于控制前一时刻隐藏状态对输出门的影响程度，bog是输出门偏置项；
24、步骤s324：构建辅助输出层，用于输出辅助任务子网的计算结果；
25、步骤s33：构建电负荷预测主任务子网，具体为结合辅助任务输出结果，通过构建所述电负荷预测任务子网，得到主任务输出结果，包括以下步骤：
26、步骤s331：构建主要输入层，具体为接收电力系统优化数据作为电负荷预测主任务子网的输入，得到主任务输入数据；
27、步骤s332：设计电负荷预测主任务子网的编码模块和解码模块，具体为在主要编码模块中设置1个卷积层和1个最大池化层，在第一解码模块中设置1个长短期网络层和1个密集层，在第二解码模块中设置2个长短期网络层、1个正则化层和1个密集层；
28、步骤s333：结合辅助任务输出结果，对电负荷预测主任务进行辅助计算，具体为对辅助任务输出结果进行重复和扩展，并将重复和扩展后的辅助任务输出结果与第一解码模块的输出结果进行串联，得到串联数据，再将串联数据输入到第二解码模块中进行计算；
29、步骤s334：构建主要输出层，用于输出电负荷预测主任务子网的预测结果；
30、步骤s34：电力负荷预测模型构建，具体为通过构建电负荷预测主任务子网和辅助任务子网，得到基于卷积长短期网络的双任务模型，通过构建模型损失函数，对基于卷积长短期网络的双任务模型进行模型训练，得到电力负荷预测模型，所述模型损失函数的计算公式为：
31、；
32、式中，losstotal是总损失函数，用于衡量模型在双任务上的性能，w1是辅助任务损失函数权重，所述辅助任务损失函数权重为0.8，loss1是辅助任务损失函数，w2是电负荷预测主任务损失函数权重，所述电负荷预测主任务损失函数权重为1，loss2是电负荷预测主任务损失函数；
33、步骤s35：通过电力负荷预测模型进行电力负荷预测，得到电负荷预测信息。
34、作为本方案的进一步改进，在步骤s4中，所述电力系统故障检测，用于检测电力系统潜在的故障情况，具体为依据电力系统优化数据，采用结合自适应二次插值学习的差分进化算法，对分层极限学习机进行优化，通过优化后的分层极限学习机进行电力系统故障检测，得到电力故障检测信息，包括以下步骤：
35、步骤s41：构建分层极限学习机，包括以下步骤：
36、步骤s411：构建基础的极限学习机；
37、步骤s412：构建分层结构，具体为通过将n个极限学习机进行逐层堆叠，构建分层极限学习机的结构；
38、步骤s413：将分层极限学习机划分为特征提取子网和结果预测子网，所述特征提取子网用于无监督特征提取，所述结果预测子网用于进行电力系统故障检测；
39、步骤s414：构建输出权重，用于计算模型输出，计算公式为：
40、；
41、式中，ω是输出权重，i是单位矩阵，c是正则化参数，用于控制惩罚强度，m是特征矩阵，所述特征矩阵具体指输入数据经过特征提取子网计算的输出，t是转置操作，g是待学习标签；
42、步骤s415：构建正则化代价函数，用于增强模型的泛化性能，计算公式为：
43、；
44、式中，是正则化代价函数，argmin是求取最小值函数，||·||是范数，e是期望输出，是l1范数；
45、步骤s416：依据输出权重，计算每层极限学习机的输出，得到最终的模型输出，所述每层极限学习机的输出计算公式为：
46、；
47、式中，k是层级索引，hk是第k层极限学习机的输出，fh是激活函数，hk-1是第k-1层极限学习机的输出；
48、步骤s42：改进差分进化算法，具体为通过在差分进化算法中加入自适应学习和二次插值，对差分进化算法进行改进，得到结合自适应二次插值学习的差分进化算法，所述结合自适应二次插值学习的差分进化算法包括以下步骤：
49、步骤s421：初始化种群，用于表示候选解，具体为通过随机生成一组个体作为初始种群；
50、步骤s422：计算适应度值，具体为选择模型目标函数作为适应度值，计算每个个体的适应度值；
51、步骤s423：设计自适应学习策略，用于自适应参数调整，具体为分别设计参数自适应学习策略、变异自适应学习策略和交叉自适应学习策略，包括以下步骤：
52、步骤s4231：设计参数自适应学习策略，用于调整缩放因子和交叉率，包括以下步骤：
53、步骤s42311：构建第一次迭代情况下的参数自适应学习策略，并将缩放因子的初值设为0.6，计算公式为：
54、；
55、式中，z是个体索引，是第一次迭代下第z个个体的交叉率，是第一次迭代下的第一交叉率，rand(·)是随机函数，是第一次迭代下的第二交叉率；
56、步骤s42312：构建后续迭代情况下的参数自适应学习策略，具体为预设两个候选值集合，依据两个候选值集合被选择的概率，来调整缩放因子和交叉率，计算公式为：
57、；
58、；
59、式中，g是迭代次数索引，用于表示当前迭代，是当前迭代下第z个个体的交叉率，是当前迭代下的第一交叉率，是当前迭代下的第二交叉率，是当前迭代下第z个个体的缩放因子，是当前迭代下的第一缩放因子，是当前迭代下的第二缩放因子，p1是第一候选值集合被选择的概率，p2是第二候选值集合被选择的概率；
60、步骤s4232：设计变异自适应学习策略，用于平衡收敛速度，计算公式为：
61、；
62、式中，是当前迭代下第z个个体的变异向量，用于产生下一次迭代的个体，是当前迭代下的第一随机独立个体，是当前迭代下的第二随机独立个体，是当前迭代下的第三随机独立个体，r1、r2和r3是从种群中随机选择的三个相互独立的整数，gmax是最大迭代次数，是当前迭代下的最佳个体；
63、步骤s4233：设计交叉自适应学习策略，具体为通过二次插值学习的差分进化算法，计算得到互斥的参数自适应最优解和变异自适应最优解，并通过组合参数自适应最优解和变异自适应最优解，得到近似最优解；
64、步骤s424：种群更新，具体为依据自适应学习策略进行种群迭代更新，直到达到最大迭代次数；
65、步骤s43：模型训练并优化，具体为通过结合自适应二次插值学习的差分进化算法，优化分层极限学习机，并进行模型训练，得到电力系统故障检测模型；
66、步骤s44：通过电力系统故障检测模型进行电力系统故障检测，得到电力故障检测信息。
67、作为本方案的进一步改进，在步骤s5中，所述电力智能管理，用于结合电负荷预测和电系统故障检测结果进行电力智能管理，具体为结合所述电力故障检测信息和所述电负荷预测信息，进行基于人工智能的电力管理辅助，得到电力智能管理辅助参考信息，所述电力智能管理辅助参考信息，具体包括电力系统健康状态评估参考信息、电力系统预防性维护建议信息、电力供应调整建议信息和应急响应策略参考信息。
68、本发明提供的一种基于人工智能的电力智能管理系统，包括：电力数据采集模块、数据预处理模块、电负荷预测模块、电力系统故障检测模块和电力智能管理模块；
69、所述电力数据采集模块，用于采集电力智能管理所需的原始数据，通过数据采集，得到电力原始数据，并将所述电力原始数据发送至数据预处理模块；
70、所述数据预处理模块，通过对电力原始数据进行缺失值填补、异常值删除、归一化处理和独热编码，得到电力优化数据，所述电力优化数据包括电力系统优化数据和环境因素优化数据，并将所述电力系统优化数据发送至电负荷预测模块和电力系统故障检测模块，将所述环境因素优化数据发送至电负荷预测模块；
71、所述电负荷预测模块，依据电力系统优化数据和环境因素优化数据，采用基于卷积长短期网络的双任务模型，进行电负荷预测，得到电负荷预测信息，并将所述电负荷预测信息发送至电力智能管理模块；
72、所述电力系统故障检测模块，依据电力系统优化数据，采用结合自适应二次插值学习的差分进化算法，对分层极限学习机进行优化，通过优化后的分层极限学习机进行电力系统故障检测，得到电力故障检测信息，并将所述电力故障检测信息发送至电力智能管理模块；
73、所述电力智能管理模块，结合所述电力故障检测信息和所述电负荷预测信息，进行基于人工智能的电力管理辅助，得到电力智能管理辅助参考信息。
74、采用上述方案本发明取得的有益效果如下：
75、（1）针对在电力智能管理过程中，存在着传统方法仅采用电力系统中的固有数据，而电力系统数据不可避免的存在数据重复性较高进而导致电力负荷预测效果较差，影响方法整体的可用性的技术问题，本方案创造性地采用基于卷积长短期网络的双任务模型，通过结合环境因素数据，并引入双任务共享部分参数，在处理电力系统数据的同时考虑了复杂多变的天气条件对于电力系统负荷产生的影响，提高了方法整体的泛用性和适用范围，同时改善了数据重复性问题。
76、（2）针对在电力智能管理过程中，存在着电力系统故障检测对于模型参数的自适应优化策略依赖较高，进而导致在有限的计算资源内难以提供高质量的解决方案，从而提高了电力故障检测的成本也降低了电力智能管理的整体效率的技术问题，本方案创造性地采用结合自适应二次插值学习的差分进化算法，优化分层极限学习机进行电力故障检测，提升了模型参数的自适应优化质量，提高了电力故障检测准确性，同时提高了电力智能管理整体任务的可靠性。
77、（3）针对在电力智能管理过程中，存在着电力管理的复杂性既需要考虑电力负荷，也要考虑电力系统本身存在故障才能进一步进行预防性维护和电力系统本身健康状态管理，而传统方法针对两项任务常各自独立进行预测和处理，影响了电力智能管理的集成性和效率的技术问题，本方案创造性地采用结合电力负荷预测和电力故障检测两项任务，并统合给出电力智能管理辅助参考，提高了系统的智能性、集成性和可扩展性。
1.一种基于人工智能的电力智能管理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s3中，所述电负荷预测，包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s32中，所述构建辅助任务子网，包括以下步骤：
4.根据权利要求3所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s42中，所述结合自适应二次插值学习的差分进化算法包括以下步骤：
5.根据权利要求4所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s41中，所述构建分层极限学习机，包括以下步骤：
6.根据权利要求5所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s5中，所述电力智能管理，用于结合电负荷预测和电系统故障检测结果进行电力智能管理，具体为结合所述电力故障检测信息和所述电负荷预测信息，进行基于人工智能的电力管理辅助，得到电力智能管理辅助参考信息，所述电力智能管理辅助参考信息，具体包括电力系统健康状态评估参考信息、电力系统预防性维护建议信息、电力供应调整建议信息和应急响应策略参考信息。
7.根据权利要求6所述的一种基于人工智能的电力智能管理方法，其特征在于：在步骤s1中，电力数据采集，具体为通过数据采集，得到电力原始数据，所述电力原始数据包括电力系统数据和环境因素数据，所述电力系统数据包括历史用电数据和电力系统运行数据，所述环境因素数据包括温度、湿度、风速和降水率；
8.一种基于人工智能的电力智能管理系统，用于实现如权利要求1-7中任一项所述的一种基于人工智能的电力智能管理方法，其特征在于：包括电力数据采集模块、数据预处理模块、电负荷预测模块、电力系统故障检测模块和电力智能管理模块。
9.根据权利要求8所述的一种基于人工智能的电力智能管理系统，其特征在于：所述电力数据采集模块，用于采集电力智能管理所需的原始数据，通过数据采集，得到电力原始数据，并将所述电力原始数据发送至数据预处理模块；
