(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211350863.2 (22)申请日 2022.10.31 (71)申请人 国网湖北省电力有限公司信息通信 公司 地址 430077 湖北省武汉市洪山区徐 东大 街341号 (72)发明人 罗弦　廖荣涛　董亮　刘芬　 杨荣浩　李想　姚渭箐　张岱　 郭岳　王逸兮　李磊　王敬靖　 胡欢君　龙霏　袁翔宇　王博涛　 叶宇轩　 (74)专利代理 机构 武汉楚天专利事务所 421 13 专利代理师 胡盛登 (51)Int.Cl. G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的分布式电力资源调度 方法 (57)摘要 本申请涉及一种基于神经网络的分布式电 力资源调度方法， 包括以下具体步骤： 搭建基于 多小区电力网络的分布式通信架构； 根据上述搭 建的分布式电力网络通信架构， 设计相应的消息 传递图神经网络算法并进行训练； 设计LSTM神经 网络用于处理单个节点的图嵌入输出， 实现对小 区历史信息的有选择地保留与更新， 使智能体具 有记忆性， 从而优化其决策选择； 训练动作价值 函数Q用于智能体进行资源的调度， 智 能体选择 向邻居节点请求资源或向用电需求紧张的邻居 节点输送资源。 本申请可以更有效地提升电力网 络的整体电力资源利用效率， 面对突发情况可以 更高效地协调各小区间的电力资源以满足不同 小区的用电需求。 权利要求书4页 说明书9页 附图1页 CN 115409431 A 2022.11.29 CN 115409431 A 1.一种基于神经网络的分布式电力资源调度方法， 其特 征在于， 包括以下 具体步骤： 步骤1： 搭建基于多小区电力网络的分布式通信架构， 所述网络架构包括： N个独立用电 小区， 每个小区与邻居 小区建立 通信连接， N个小区共享用电商提供的有限电力资源； 步骤2： 根据上述搭建的分布式电力网络通信架构， 设计相应的消息传递图神经网络算 法并进行训练， 使 单个小区可以聚合来自邻居小区的信息， 经过多层消息聚合， 实现单个小 区决策视野的全局化； 步骤3： 基于步骤2中神经网络的聚合结果， 设计LSTM神经网络用于处理单个节点的图 嵌入输出， 实现对小区历史信息的有选择地保留与更新， 使智能体具有记忆性， 从而优化其 决策选择； 步骤4： 将步骤3的处理结果作为智能体观测到的状态， 训练动作价值函数Q用于智能体 进行资源的调度， 智能体选择向邻居节点请求资源或向用电需求紧张的邻居节点输送资 源。 2.根据权利要求1所述的一种基于神经网络的分布式电力资源调度方法， 其特征在于， 所述步骤2具体如下： 步骤2.1： 由于分布式电力网络是一个图结构， 为了捕捉网络的图拓扑信息并扩大单个 节点的决策视野， 首先将多小区电力网络抽象成图结构 ， 其中 表示节点 的 结合， 在网络中表示的是小区；  表示节点对相关的边集合， 表示 x ， y两个小区之间建立通信关系； 图集合还包含节点 特征集合   ， 表示小 区 电力负载的实时信息， 为 中的节点； 步骤2.2： 利用注 意力机制在图神经网络做信息聚合的操作， 将 输入特征的维度 记作 ， 令输出的节点特征向量维度为 首先根据节点的输入特征进行自 ‑注意力处理， 得到小 区 与小区 之间的权 重系数 ： 其中， fc是一个 的映射， 是一个所有节点之间共享的权值矩阵， 小区也即是节点， 是 节点的电力负载信息， 是 节点的电力负载信 息， 是节点 所有 的邻居节点， 为了保留图结构信息， 注意力只被分配到邻居节点上， 记节点 的邻居节点集 为 ， 那么对于节点 的任意邻居节点 有： fc使用单层的前馈神经网络实现， 总的计算过程 为： 其中， 为前馈神经网络fc的参数， LeakyReLU为前馈神经网络的激活参数， 利用 计算得到的权 重 ， 得到节点 在消息聚合后的输出节点特 征：权　利　要　求　书 1/4 页 2 CN 115409431 A 2步骤2.3： 为了提高模型的拟合能力， 在注意力机制上引入了多头 ‑注意力， 即同时使用 多个 计算权重系数 ， 将 K头自‑注意力计算得到的节点输出特征取平均得到最终输 出： 。 3.根据权利要求1所述的一种基于神经网络的分布式电力资源调度方法， 其特征在于， 步骤3具体如下： 步骤3.1： t时刻的LSTM层根据当前时刻的输入特征 与前一时刻的隐藏层状态 和 细胞状态 输出当前时刻的隐藏层状态 ， 细胞状态 与输出特征 ， 首先利用LSTM的 当前输入 与上一时刻的隐藏层状态 拼接训练得到四个 状态： 其中， 是由拼接向量与权重矩阵乘积通过sigmoid激 活函数转换得到的0~1之 间的值， 作为一种门控状态来控制当前时刻不同信息的选择，  z是将结果通过一个tanh激 活函数转换成 ‑1~1之间的值； 步骤3.2： 基于步骤3.1计算得到的四个z值与上一时刻的细胞状态 计算得到当前时 刻的细胞状态、 隐藏层状态与输出： 其中 表示操作矩阵中对应的元 素相乘， LSTM内部结构主 要由三个阶段： 遗忘阶段， 选择 作为门控， 这个阶段主要是对上一时刻节点传进来的状态 进行选 择性的忘记， 忽略不重要的信息， 记 忆重要性息， 选择记忆阶段， 选择 作为门控， 这个阶段将输入有选择性地进行级意， 主要是对输入 进行选择记 忆， 将对节点本身影响较大的信息保留下来， 将与节点本身无关的信息忽略， 输出阶段， 这个阶段决定哪些将会被当成当前的状态输出， 选择 作为门控控制， 并且 还对当前时刻的 进行了放缩。 4.根据权利要求1所述的一种基于神经网络的分布式电力资源调度方法， 其特征在于， 所述步骤4具体如下： 步骤4.1： 采取分布式训练与决策的多智能体强化学习架构， 为所有智能体训练一个状权　利　要　求　书 2/4 页 3 CN 115409431 A 3