CN111509728B - 一种基于多源异构虚拟负荷的优化调控方法及系统 - Google Patents

Abstract

本发明公开了一种基于多源异构虚拟负荷的优化调控方法及系统，所述方法包括：实时采集电网内多个负荷节点的负荷数据，并获得所述每个负荷节点的负荷设备参数信息；根据负荷设备参数信息，建立每个负荷节点的等效模型；根据每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；根据虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；根据虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略；所述方法及系统提供多样化的负荷集成互补性和丰富的优化调控策略，极大提升和改善电网的安全运行水平和经济调控能力。

Description

一种基于多源异构虚拟负荷的优化调控方法及系统

技术领域

本发明涉及电力技术领域，更具体地，涉及一种基于多源异构虚拟负荷的优化调控方法及系统。

背景技术

为了有效应对全球能源供需矛盾、环境因素制约、新能源发电占比递增等问题，全球能源互联网概念以全球能源战略视野提出建设以特高压电网为骨干网架、各级电网协调发展的坚强智能电网，推动能源资源在全国范围优化配置。2017年7月，国务院印发《新一代人工智能发展规划》，指出“建设分布式高效能源互联网，形成支撑多能源协调互补、及时有效接入的新型能源网络，推广智能储能设施、智能用电设施，实现能源供需信息的实时匹配和智能化响应”。电网智能技术的发展使得调度机构甚至普通用电者都能采用先进的网络通信、实时检测与计量等技术手段对电网运行状况进行监控与分析。在此背景下，打破传统电力系统中负荷的物理概念，充分发挥新型技术的优势，利用网络通信、智能量测、数据处理、智能决策等手段对负荷终端进行虚拟化智能管理成为可能。

虚拟技术是近年来急速发展的新兴技术之一，泛指具体产品采用“智能技术”使其具有由用户来编程确定的“虚拟功能”，具有一定的以软件代硬件的含义，它通过软件虚拟化实现资源的互补和配合，以达到资源的最高效利用。虚拟技术在电气上的应用广泛，虚拟电厂就是为充分利用分布式发电资源应运而生，负荷“虚拟化”也是虚拟技术在电气上的另一重要应用。而如何利用虚拟负荷实现电网资源的优化调控，是亟需解决的问题。

发明内容

为了解决背景技术存在的需要研究利用虚拟负荷实现电网资源的优化调控的问题，本发明提供了一种基于多源异构虚拟负荷的优化调控方法及系统；所述方法及系统通过采集来自各个节点的多源异构负荷数据，并根据预设规则生成虚拟负荷聚合模型，计算获得最优的虚拟负荷聚合方式，生成优化策略；所述一种基于多源异构虚拟负荷的优化调控方法，包括：

实时采集电网内多个负荷节点的负荷数据，并获得所述每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

进一步的，在实时采集电网内多个节点的负荷数据后，所述方法还包括：

对采集缺失的负荷数据种类进行自适应补缺；根据每种数据预设的数据阈值挑选出异常数据，根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

进一步的，根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

根据预设的建模方法以及所述完备负荷节点生成精细模型；

根据预设的建模方法以及所述不完备负荷节点生成外推模型；

将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型。

进一步的，根据所述完备节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

根据所述多个补负荷全节点，通过模糊神经网络算法生成外推模型。

进一步的，根据所述各个完备节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备节点的加权聚合结果；

根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型；

根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

进一步的，所述预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

进一步的，在根据所述最优聚合方式生成优化调控策略后，所述方法还包括：

协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

所述一种基于多源异构虚拟负荷的优化调控平台系统包括：

数据采集单元，所述数据采集单元用于实时采集电网内多个负荷节点的负荷数据，并获得所述每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

等效建模单元，所述等效建模单元用于根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

所述等效建模单元用于根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

调控生成单元，所述调控生成单元用于根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

所述调控生成单元用于根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

进一步的，所述数据采集单元用于对采集缺失的负荷数据种类进行自适应补缺，并根据每种数据预设的数据阈值挑选出异常数据；所述数据采集单元用于根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

进一步的，所述等效建模单元用于根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

所述等效建模单元用于根据预设的建模方法以及所述完备负荷节点生成精细模型；

所述等效建模单元用于根据预设的建模方法以及所述不完备负荷节点生成外推模型；

所述等效建模单元用于将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型。

进一步的，所述等效建模单元用于根据所述完备节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

所述等效建模单元用于通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

所述等效建模单元用于根据所述多个补负荷全节点，通过模糊神经网络算法生成外推模型。

进一步的，所述等效建模单元用于根据所述各个完备节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备节点的加权聚合结果；

所述等效建模单元用于根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型；

所述等效建模单元用于根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

进一步的，所述调控生成单元的预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

进一步的，所述系统还包括全网调度单元；

所述全网调度单元用于协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

本发明的有益效果为：本发明的技术方案，给出了一种基于多源异构虚拟负荷的优化调控方法及系统，所述方法及系统通过对电网多源异构负荷节点的负荷数据进行采集和分析，生成虚拟负荷聚合模型，进而通过动态优化算法，计算获得最优调控策略；所述方法及系统将电网中的负荷设备等效为虚拟负荷的聚合体，通过先进通信技术和软件架构，实现地理位置分散的多种负荷的聚合和协调优化，以作为一种特殊负荷参与电力市场和电网运行的一种负荷集中管理模式。所述方法及系统具有多样化的负荷集成互补性和丰富的优化调控策略，是对智能电网负荷安全经济调度的有效形式，为现代互联大电网的高性能分析和节能降耗管理提供实时辅助服务，极大提升和改善电网的安全运行水平和经济调控能力。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为本发明具体实施方式的一种基于多源异构虚拟负荷的优化调控方法的流程图；

图2为本发明具体实施方式的多源异构虚拟负荷数据的负荷模型分层聚合示意图；

图3为本发明具体实施方式的一种基于多源异构虚拟负荷的优化调控系统的结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为本发明具体实施方式的一种基于多源异构虚拟负荷的优化调控方法的流程图；如图1所示，所述方法包括：

步骤110，实时采集电网内多个负荷节点的负荷数据，并获得所述每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

本实施例所述的负荷节点是指在电网中的负荷设备，包括电网中连接的智能用电负荷(例如智能电器、智能开关等)；通过预先设置多层级的智能控制器、智能采集器等对电网中各个负荷节点的负荷数据进行实时采集，并获取该节点的负荷设备参数信息；所述通过负荷数据以及符合设备参数信息，确定该节点的负荷的可控裕度，为全网优化调控的幅度和范围做准备。所述负荷设备参数信息包括节点的电压等级、线路连接、传输容量、使用者用电习惯分析数据等。

因所述负荷数据来自多个不同的负载设备，每个负载设备的状况不尽相同，采集到的负荷数据可能也存在差距。故在采集到负荷数据后，对采集缺失的负荷数据种类进行自适应补缺；根据每种数据预设的数据阈值挑选出异常数据，根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

进一步的，在完成各负荷数据的采集后，将负荷数据与对应的负荷设备参数信息进行对应存储。

步骤120，根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

为了对多源异构的多个负荷节点进行虚拟负荷的等效，需对每个负荷节点根据其负荷设备参数进行等效模型的建立。

步骤130，根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

所述建立了等效模型的负荷节点，因部分负荷节点的负荷设备参数信息并不完整，故根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

具体的，如图2所示，所示虚拟负荷聚合模型的生成的方法为：

对于完备负荷节点，根据所述各个完备节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备节点的加权聚合结果；

根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型。

对于不完备的负荷节点，需要对其不完备部分进行补全，具体的，根据所述完备节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

根据所述多个补负荷全节点，通过模糊神经网络算法生成外推模型。

进一步的，通过将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型；并根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

步骤140，根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

步骤150，根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

所述预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

进一步的，在根据所述最优聚合方式生成优化调控策略后，所述方法还包括：

协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

将对应每个负载设备的调控指令通过输出采集单元的智能控制器或智能采集器到达对应的负载设备，实现对负载设备的全局优化调控。

所述方法通过先进的物联网、测量计量、信息通信、混合仿真、人工智能、系统集成等技术聚合负荷，并依靠更高层面的软件构架实现多源异构负荷的协调优化和混合控制。虚拟负荷作为一种特殊的负荷参与电力市场和电网运行，实现负荷的协同优化调控和电能的最高效利用。可为现代互联大电网的高性能分析和节能降耗管理提供实时辅助服务，极大提升和改善电网的安全运行水平和经济调控能力。

图3为本发明具体实施方式的一种基于多源异构虚拟负荷的优化调控系统的结构图。所述系统利用数据采集单元实现对多源负荷数据及其对应负荷设备信息的采集，实时跟踪负荷状态，并完成负荷基础数据的自适应补缺和异常数据校正，实现负荷全景感知；所述系统针对大电网多源异构负荷数据的需求，采用大数据、云计算、边缘计算等技术，搭建可实现负荷数据的快速存储和读取的多级大数据平台。向下联合硬件集群，向上提供智能全景电网应用的分析与计算支撑。所述系统通过与全景电网调度中心的通信，实现与其他区域电网对应的系统的通信和交互，保证全景电网整体的优化调控。

如图3所示，所述系统包括：

数据采集单元310，所述数据采集单元310用于实时采集电网内多个负荷节点的负荷数据，并获得所述每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

进一步的，所述数据采集单元310用于对采集缺失的负荷数据种类进行自适应补缺，并根据每种数据预设的数据阈值挑选出异常数据；所述数据采集单元310用于根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

等效建模单元320，所述等效建模单元320用于根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

所述等效建模单元320用于根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

进一步的，所述等效建模单元320用于根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

所述等效建模单元320用于根据预设的建模方法以及所述完备负荷节点生成精细模型；

所述等效建模单元320用于根据预设的建模方法以及所述不完备负荷节点生成外推模型；

所述等效建模单元320用于将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型。

进一步的，所述等效建模单元320用于根据所述完备节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

所述等效建模单元320用于通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

所述等效建模单元320用于根据所述多个补负荷全节点，通过模糊神经网络算法生成外推模型。

进一步的，所述等效建模单元320用于根据所述各个完备节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备节点的加权聚合结果；

所述等效建模单元320用于根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型；

所述等效建模单元320用于根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

调控生成单元330，所述调控生成单元330用于根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

所述调控生成单元330用于根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

进一步的，所述调控生成单元330的预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

进一步的，所述系统还包括全网调度单元340；

所述全网调度单元340用于协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤，而并不用于限制各步骤之间的时间或逻辑的关系，除非文中有明确的限定，否则各个步骤之间的关系包括各种可能的情况。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。

以上所述仅是本公开的具体实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开精神的前提下，可以作出若干改进、修改、和变形，这些改进、修改、和变形都应视为落在本申请的保护范围内。

Claims (14)

1.一种基于多源异构虚拟负荷的优化调控方法，其特征在于，所述方法包括：

实时采集电网内多个负荷节点的负荷数据，并获得每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

2.根据权利要求1所述的方法，其特征在于：在实时采集电网内多个节点的负荷数据后，所述方法还包括：

对采集缺失的负荷数据种类进行自适应补缺；根据每种数据预设的数据阈值挑选出异常数据，根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

3.根据权利要求1所述的方法，其特征在于：

根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

根据预设的建模方法以及所述完备负荷节点生成精细模型；

根据预设的建模方法以及所述不完备负荷节点生成外推模型；

将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型。

4.根据权利要求3所述的方法，其特征在于：

根据完备负荷节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

根据多个补全负荷节点，通过模糊神经网络算法生成外推模型。

5.根据权利要求3所述的方法，其特征在于：

根据各个完备负荷节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备负荷节点的加权聚合结果；

根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型；

根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

6.根据权利要求1所述的方法，其特征在于：所述预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

7.根据权利要求1所述的方法，其特征在于：在根据所述最优聚合方式生成优化调控策略后，所述方法还包括：

协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

8.一种基于多源异构虚拟负荷的优化调控平台系统，其特征在于，所述系统包括：

数据采集单元，所述数据采集单元用于实时采集电网内多个负荷节点的负荷数据，并获得每个负荷节点的负荷设备参数信息；所述负荷设备参数信息包括该节点的负荷的可控裕度；

等效建模单元，所述等效建模单元用于根据所述负荷设备参数信息，建立每个负荷节点的等效模型；

所述等效建模单元用于根据所述每个负荷节点的等效模型，通过预设规则，生成虚拟负荷聚合模型；

调控生成单元，所述调控生成单元用于根据所述虚拟负荷聚合模型以及实时采集的对应多个负荷节点的负荷数据，计算获得虚拟负荷聚合结果；

所述调控生成单元用于根据所述虚拟负荷聚合结果以及预设的约束条件，通过动态优化算法，计算获得最优聚合方式，并根据所述最优聚合方式生成优化调控策略。

9.根据权利要求8所述的系统，其特征在于：

所述数据采集单元用于对采集缺失的负荷数据种类进行自适应补缺，并根据每种数据预设的数据阈值挑选出异常数据；所述数据采集单元用于根据预设的校正方法对所述异常数据进行校正；获得多个负荷节点修正后的负荷数据。

10.根据权利要求8所述的系统，其特征在于：

所述等效建模单元用于根据所述负荷设备参数信息是否完整，将所述负荷设备参数信息对应的节点区分为完备负荷节点以及不完备负荷节点；

所述等效建模单元用于根据预设的建模方法以及所述完备负荷节点生成精细模型；

所述等效建模单元用于根据预设的建模方法以及所述不完备负荷节点生成外推模型；

所述等效建模单元用于将所述外推模型以及所述精细模型以及预设的权值，通过神经网络算法生成虚拟负荷聚合模型。

11.根据权利要求10所述的系统，其特征在于：

所述等效建模单元用于根据完备负荷节点的精细模型以及负荷节点分类结果，确定对应所述每一个不完备负荷节点的属性类似完备负荷节点；

所述等效建模单元用于通过所述属性类似的完备负荷节点的对应信息，将所述不完备负荷节点的不完备信息补全，获得多个补全负荷节点；

所述等效建模单元用于根据多个补全负荷节点，通过模糊神经网络算法生成外推模型。

12.根据权利要求10所述的系统，其特征在于：

所述等效建模单元用于根据各个完备负荷节点的预设权值以及模糊神经网络算法和主成分分析方法，计算获得完备负荷节点的加权聚合结果；

所述等效建模单元用于根据所述加权聚合结果通过模糊神经网络算法，生成完备负荷节点的精细模型；

所述等效建模单元用于根据所述加权聚合结果对所述虚拟负荷聚合模型进行修正。

13.根据权利要求8所述的系统，其特征在于：所述调控生成单元的预设的约束条件包括以虚拟负荷均值最小以及虚拟负荷曲线波动最小作为双优化目标，以电网稳定运行的网络安全性作为约束。

14.根据权利要求8所述的系统，其特征在于，所述系统还包括全网调度单元；

所述全网调度单元用于协调分析多个区域电网的负荷节点负荷数据以及优化调控策略，生成针对每个区域电网的调控指令，并下发至对应的区域电网进行优化调控。

Images