一种基于人工智能的配电网状态评估方法及系统

1.一种基于人工智能的配电网状态评估方法，其特征在于，所述方法包括以下步骤：实时获取目标配电网内各个配电网设备的运行状态数据；所述运行状态数据包括设备传感器监测数据、设备图像数据和设备日志文本数据；所述设备传感器监测数据包括设备对应的遥测数据、遥信数据、遥控数据和环境数据；根据预设运行状态特征提取模型，分别对各个配电网设备的运行状态数据进行特征提取，得到对应的设备多模运行特征；所述设备多模运行特征包括设备运行数据特征、设备图像数据特征和设备日志文本特征；所述设备运行数据特征包括遥测特征、遥信特征、遥控特征和环境特征；根据自适应梯度信息策略优化算法，分别对各个配电网设备的设备多模运行特征进行加权融合，得到对应的设备状态融合特征，包括：对所述设备多模运行特征进行标准化处理，得到对应的待融合多模运行特征；根据所述待融合多模运行特征建立设备状态分类任务，并以最大化设备状态分类预测准确率为优化目标，通过粒子群优化算法对所述设备状态分类任务进行迭代求解，得到对应的初始融合权重向量；根据设备状态融合特征和特征融合权重调整向量分别定义状态空间和动作空间，以构建马尔可夫决策过程模型，并根据所述初始融合权重向量对所述设备多模运行特征进行加权融合，得到对应的初始融合特征；根据所述初始融合特征、预设随机变量和预设策略网络，基于所述马尔可夫决策过程模型构建经验训练集，并根据所述经验训练集和所述自适应梯度信息策略优化算法，对所述预设策略网络进行自适应梯度策略迭代优化，得到对应的最优融合权重调整向量；所述自适应梯度信息策略优化算法为基于策略梯度信息对策略调整步长进行自适应调控的改进强化学习算法；根据所述最优融合权重调整向量对所述初始融合权重向量进行调整，得到最优融合权重向量，并根据所述最优融合权重向量，对所述待融合多模运行特征进行加权融合，得到所述设备状态融合特征；根据各个配电网设备的设备状态融合特征，基于所述目标配电网的网络拓扑构建配电网状态拓扑图，并根据预设图神经网络模型对所述配电网状态拓扑图进行分析，得到对应的配电网运行状态评估结果。 2.如权利要求1所述的基于人工智能的配电网状态评估方法，其特征在于，所述预设运行状态特征提取模型包括并列的第一特征提取模型、第二特征提取模型和第三特征提取模型；所述根据预设运行状态特征提取模型，分别对各个配电网设备的运行状态数据进行特征提取，得到对应的设备多模运行特征的步骤包括：根据所述第一特征提取模型，分别对各个配电网设备的设备传感器监测数据进行特征提取，得到对应的设备运行数据特征；所述第一特征提取模型包括依次连接的预设神经网络和运行数据特征融合模块；根据所述第二特征提取模型，分别对各个配电网设备的设备图像数据进行特征提取，得到对应的设备图像数据特征；所述设备图像数据特征包括运行状态指示灯特征、告警指示灯特征、设备外观完整性特征、被腐蚀性特征、密封性特征和连接部位紧固性特征；所述第二特征提取模型包括卷积神经网络、拓扑数据分析模块、稀疏编码模块和图像特征融合模块；根据所述第三特征提取模型，分别对各个配电网设备的设备日志文本数据进行特征提取，得到对应的设备日志文本特征；所述设备日志文本特征包括系统日志特征、故障诊断日志特征、维护记录特征和操作记录特征；所述第二特征提取模型包括流行学习模块、超图神经网络和文本特征融合模块。 3.如权利要求2所述的基于人工智能的配电网状态评估方法，其特征在于，所述根据所述第二特征提取模型，分别对各个配电网设备的设备图像数据进行特征提取，得到对应的设备图像数据特征的步骤包括：将所述设备图像数据进行预处理，得到对应的预处理设备图像数据；将所述预处理设备图像数据输入所述卷积神经网络进行特征提取，得到对应的第一图像特征；将所述预处理设备图像数据输入所述拓扑数据分析模块进行拓扑提取，得到对应的第二图像特征；所述拓扑数据分析模块基于持久同调算法进行拓扑特征提取；将所述第一图像特征和所述第二图像特征输入所述图像特征融合模块进行拼接融合，得到所述设备图像数据特征。 4.如权利要求2所述的基于人工智能的配电网状态评估方法，其特征在于，根据所述第三特征提取模型，分别对各个配电网设备的设备日志文本数据进行特征提取，得到对应的设备日志文本特征的步骤包括：将所述设备日志文本数据进行词向量转换，得到对应的文本词向量嵌入，并在所述文本词向量嵌入中添加位置编码，得到重构文本词向量嵌入数据；将所述重构文本词向量嵌入数据输入所述流行学习模块进行降维处理，得到对应的第一文本特征；根据所述重构文本词向量嵌入数据，基于所述设备日志文本数据的上下文信息构建日志文本超图，并将所述日志文本超图输入所述超图神经网络进行特征提取，得到对应的第二文本特征；将所述第一文本特征和所述第二文本特征输入所述文本特征融合模块进行拼接融合，得到所述设备日志文本特征。 5.如权利要求1所述的基于人工智能的配电网状态评估方法，其特征在于，所述根据所述经验训练集和所述自适应梯度信息策略优化算法，对所述预设策略网络进行自适应梯度策略迭代优化，得到对应的最优融合权重调整向量的步骤包括：根据初始策略调整步长、预设策略梯度损失函数和预设优势函数的策略梯度信息，构建策略网络的动作映射函数，并根据所述经验训练集和所述动作映射函数，对所述预设策略网络执行逼近优化；根据所述经验训练集中各个样本的二阶梯度矩阵信息，计算对应的策略梯度行列式值，并获取所有策略梯度行列式值中的最小行列式值和最大行列式值；计算所述经验训练集中各个样本的策略奖励值，并根据所有策略奖励值计算迭代期望回报值，以及根据预设裁剪范围，计算策略更新超出范围比率；根据各个配电网设备的遥测异常值、遥信跳变次数、遥控失败次数、外观完整度、故障时间、当前环境温度和当前环境湿度，基于协方差矩阵自适应进化策略获取对应的策略梯度行列式值控制参数；所述策略梯度行列式值控制参数包括上限控制参数和下限控制参数；根据所述迭代期望回报值、所述策略更新超出范围比率、所述最小行列式值、所述最大行列式值、所述策略梯度行列式值控制参数和预设策略调整步长条件，对当前策略调整步长进行更新；根据更新后的策略调整步长和预设代理损失函数，对所述预设策略网络的网络参数进行优化更新，直至达到预设迭代停止条件，获取所述最优融合权重调整向量。 6.如权利要求5所述的基于人工智能的配电网状态评估方法，其特征在于，所述根据各个配电网设备的遥测异常值、遥信跳变次数、遥控失败次数、外观完整度、故障时间、当前环境温度和当前环境湿度，基于协方差矩阵自适应进化策略获取对应的策略梯度行列式值控制参数的步骤包括：初始化所述协方差矩阵自适应进化策略的策略参数，并根据所述策略参数，生成多个候选解；所述策略参数包括策略梯度行列式值控制参数的均值、协方差矩阵和参数调整步长；根据各个配电网设备的遥测异常值、遥信跳变次数、遥控失败次数、外观完整度、故障时间、环境温度和环境湿度，基于累积效应计算各个候选解对应的配电网设备健康评分，并将所述配电网设备健康评分作为对应的候选解评估结果；所述配电网设备健康评分表示为：其中， 表示第i个配电网设备在第 个候选解 下计算出的配电网设备健康评分； 、 、 、 、 、 和 分别表示第i个配电网设备在第 个候选解 下的当前设备平均遥测异常值、遥信跳变次数、遥控失败次数、外观完整度、故障时间、环境温度和环境湿度； 、 、 、 、 、 和 分别表示第i个配电网设备最优运行状态下的遥测异常值、遥信跳变次数、遥控失败次数、外观完整度、故障时间、环境温度和环境湿度； 、 、 、 、 、 和 分别表示第i个配电网设备的最大遥测异常值、最大遥信跳变次数、最大遥控失败次数、最大外观完整度、最大故障时间、最大环境温度和最大环境湿度； 、 、 、 、 、 和 表示权重参数；根据所述候选解评估结果，选取预设数目个最优解，并根据所有最优解，更新所述参数调整步长；根据更新后的参数调整步长，对预设边界控制参数进行更新，得到所述策略梯度行列式值控制参数。 7.如权利要求5所述的基于人工智能的配电网状态评估方法，其特征在于，所述预设代理损失函数表示为：式中，其中， 表示代理损失； 为常数参数； 表示引入的随机扰动项； 表示剪裁函数； 、 和 分别表示状态 下选择动作策略 对应的过去策略网络、当前策略网络和 策略网络； 表示策略网络 和策略网络 的加权集成策略网络； 表示与 策略网络对应的优势函数； 表示预设裁剪范围； 表示训练集样本总数。 8.如权利要求1所述的基于人工智能的配电网状态评估方法，其特征在于，所述预设图神经网络模型包括图卷积层、图注意力层和Transformer层、线性变化层和Softmax分类器；所述根据预设图神经网络模型对所述配电网状态拓扑图进行分析，得到对应的配电网运行状态评估结果的步骤包括：通过所述图卷积层对配电网状态拓扑图进行分析，提取各个设备节点特征；将所有设备节点特征输入所述图注意力层进行特征注意力融合，得到对应的配网融合特征图；将所述配网融合特征图输入所述Transformer层进行计算，得到配网深度特征；将所述配网深度特征依次经过所述线性变化层和所述Softmax分类器进行处理，得到所述配电网运行状态评估结果。 9.一种基于人工智能的配电网状态评估系统，其特征在于，应用如权利要求1所述的基于人工智能的配电网状态评估方法，所述系统包括：数据获取模块，用于实时获取目标配电网内各个配电网设备的运行状态数据；所述运行状态数据包括设备传感器监测数据、设备图像数据和设备日志文本数据；所述设备传感器监测数据包括设备对应的遥测数据、遥信数据、遥控数据和环境数据；特征提取模块，用于根据预设运行状态特征提取模型，分别对各个配电网设备的运行状态数据进行特征提取，得到对应的设备多模运行特征；所述设备多模运行特征包括设备运行数据特征、设备图像数据特征和设备日志文本特征；所述设备运行数据特征包括遥测特征、遥信特征、遥控特征和环境特征；特征融合模块，用于根据自适应梯度信息策略优化算法，分别对各个配电网设备的设备多模运行特征进行加权融合，得到对应的设备状态融合特征；状态评估模块，用于根据各个配电网设备的设备状态融合特征，基于所述目标配电网的网络拓扑构建配电网状态拓扑图，并根据预设图神经网络模型对所述配电网状态拓扑图进行分析，得到对应的配电网运行状态评估结果。