国网江苏省电力有限公司营销服务中心

本发明公开了一种基于原型学习的非独立同分布多模态数据挖掘方法及系统。首先通过多模态适配与掩码机制处理缺失模态，利用已知的粗粒度风险标签作为强约束，在各数据集内部自适应聚类提取细粒度风险原型；同时构建粗粒度预测器以辅助特征语义学习并支撑后续推理。将其余节点的细粒度风险原型作为补充样本引入，并根据源数据的样本占比赋予权重，实现知识共享的同时保护数据隐私。基于扩充数据集构建由正样本、弱负样本及负样本组成的层次对比损失，联合细粒度分类损失对模型进行多任务迭代优化，有效提升了模型对未知细粒度风险类别的挖掘能力，通过先验粗标签指导与自适应聚类机制，解决了数据倾斜下的细粒度分类准确度问题。

本发明公开了一种基于自监督与图聚类的多模态电力数据表征方法及系统，涉及电力系统数据处理领域。首先采集并预处理配电网的数值、文本、音频及图像数据。随后对各单模态进行精细化特征提取：数值数据采用自注意力时序与变分潜在空间建模；文本数据利用实体状态控制矩阵约束状态空间编码；音频数据基于对比预测机制进行上下文时序建模；图像数据通过动态图原型记忆池进行匹配与重建。在此基础上，构建查询、键和值向量，通过门控机制与双通道交互实现跨模态融合。最后，利用融合特征构建多模态用户连通图，在多维一致性约束下执行图卷积聚类学习，输出电力用户画像。本发明有效克服了异构语义对齐难题，显著提升了用户画像的精准度与鲁棒性。

本发明公开了基于时序聚类与神经网络的居民节电潜力分析方法及系统，属于智能电网与大数据分析技术领域。首先提取目标用户的宏观衍生特征，并与VAE网络提取的时序低维潜在特征拼接，利用自适应聚类算法自适应划分为多个用户簇；其次，基于多维评价指标的得分贡献率确定各用户簇的敏感度驱动类型，构建候选激励策略库；随后，利用时序预测网络生成数字孪生基准负荷，通过链式仿真模型推演主观响应概率与负荷压降能力，以预期综合净收益最大化为目标寻优最优激励策略；最后，利用同质化对照组剔除外部环境干扰以核算真实净响应节电量，并据此对数字孪生与仿真网络进行闭环反向微调。本发明实现了需求侧资源的精细挖掘与策略自进化。

本发明涉及新能源并网运行技术领域，具体提供了一种基于神经网络可导安全修正的用户侧资源无功电压控制方法及装置，包括：将配用电网运行状态作为预先训练的神经网络模型的输入，得到预先训练的神经网络模型输出的各无功调节设备的无功动作参考向量；判断各无功调节设备的无功动作参考向量是否满足预设硬性约束，若是，则将各无功调节设备的无功动作参考向量作为各无功调节设备的初始无功动作，否则，以各无功调节设备的无功动作参考向量为自适应矩估计Adam算法的迭代初值，执行Adam算法得到无功动作修正量，并将无功动作修正量作为各无功调节设备的初始无功动作。该方案，通过针对性设计，成功达成无功电压控制目标，兼具保护范围和工程可实施性。