CN115081940A - 资源调度方法、电力资源分配方法以及装置 - Google Patents

资源调度方法、电力资源分配方法以及装置 Download PDF

Info

Publication number
CN115081940A
CN115081940A CN202210862744.9A CN202210862744A CN115081940A CN 115081940 A CN115081940 A CN 115081940A CN 202210862744 A CN202210862744 A CN 202210862744A CN 115081940 A CN115081940 A CN 115081940A
Authority
CN
China
Prior art keywords
scheduling information
resource
scheduling
scheduled
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210862744.9A
Other languages
English (en)
Other versions
CN115081940B (zh
Inventor
钮孟洋
杨超
韩佳澦
杨程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority to CN202210862744.9A priority Critical patent/CN115081940B/zh
Publication of CN115081940A publication Critical patent/CN115081940A/zh
Application granted granted Critical
Publication of CN115081940B publication Critical patent/CN115081940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本说明书实施例提供资源调度方法、电力资源分配方法以及装置，其中所述资源调度方法包括：获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率和准确性，并且对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。

Description

资源调度方法、电力资源分配方法以及装置
技术领域
本说明书实施例涉及计算机技术领域，特别涉及一种资源调度方法。本说明书一个或者多个实施例同时涉及一种电力资源分配方法、一种资源调度装置、一种电力资源分配装置、一种计算设备以及一种计算机可读存储介质。
背景技术
随着社会的不断发展，为了构建以清洁能源为主体的资源系统，如何准确进行资源调度逐渐成为备受人们关注的问题。资源调度是指对各种资源进行合理有效的调节、测量、分析以及使用。
目前，通常采用人工调度的方式：充分利用调度员的专家经验，由调度员在线对待调度资源进行调度。然而，上述人工进行资源调度的方式中，对调度员的要求极高，在面对复杂的资源调度时，人工调度效率低，并且，人工势必会引入大量不确定因素，影响资源调度的准确性。
发明内容
有鉴于此，本说明书实施例提供了一种资源调度方法。本说明书一个或者多个实施例同时涉及一种电力资源分配方法、一种资源调度装置、一种电力资源分配装置、一种计算设备、一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了一种资源调度方法，包括：
获取待调度资源；
利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；
在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；
输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。
根据本说明书实施例的第二方面，提供了一种电力资源分配方法，应用于电力调度平台，包括：
获取待调度电力资源；
利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型；
在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息；
输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。
根据本说明书实施例的第三方面，提供了一种资源调度装置，包括：
第一获取模块，被配置为获取待调度资源；
第一分析模块，被配置为利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；
第一生成模块，被配置为在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；
第一输出模块，被配置为输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。
根据本说明书实施例的第四方面，提供了一种电力资源分配装置，应用于电力调度平台，包括：
第二获取模块，被配置为获取待调度电力资源；
第二分析模块，被配置为利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型；
第二生成模块，被配置为在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息；
第二输出模块，被配置为输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。
根据本说明书实施例的第五方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述第一方面或第二方面所提供方法的步骤。
根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述第一方面或第二方面所提供方法的步骤。
根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述第一方面或第二方面所提供方法的步骤。
本说明书一个实施例提供的资源调度方法，获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过利用预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率以及准确性，并且，对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。
附图说明
图1是本说明书一个实施例提供的资源调度系统下的一种资源调度方法的处理流程图；
图2是本说明书一个实施例提供的应用于电力资源调度场景中的一种资源调度系统的架构图；
图3是本说明书一个实施例提供的一种资源调度方法的流程图；
图4a是本说明书一个实施例提供的一种资源调度方法中前端显示界面的示意图；
图4b是本说明书一个实施例提供的另一种资源调度方法中前端显示界面的示意图；
图5是本说明书一个实施例提供的一种电力资源分配方法的流程图；
图6是本说明书一个实施例提供的一种资源调度方法的处理流程图；
图7是本说明书一个实施例提供的一种调度信息生成模型的训练流程图；
图8是本说明书一个实施例提供的一种资源调度界面的示意图；
图9是本说明书一个实施例提供的一种资源调度装置的结构示意图；
图10是本说明书一个实施例提供的一种电力资源分配装置的结构示意图；
图11是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
潮流计算（PF，Power Flow）：一种根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力系统各部分稳态运行状态参数的计算方法。
神经网络（NN，Neural Network）：一种模仿动物神经网络行为特征，由人工神经节点构成，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
可行性投影（feasibility mapping）：一种将调度信息从根据物理规则划分的不可行域投影至可行域的数学建模求解方法。
随着社会的不断发展，为了构建以清洁能源为主体的资源系统，如何准确进行资源调度逐渐成为备受人们关注的问题。资源调度是指对各种资源进行合理有效的调节、测量、分析以及使用。传统调度信息的计算方式包括人工调度和数学建模优化求解，人工调度方法充分利用了调度员的专家经验，但是在调度的可行性上缺乏理论保证；数学建模方法对真实的资源系统建立数学模型，并使用系统的费用函数、损耗、效益等等进行求解，获得调度信息。但数学建模方法求解时间长、速度慢，难以应对资源的波动性和不可预测性。因此，亟需一种高效、准确的资源调度方案。
为了解决上述问题，本说明书实施例提供了一种资源调度方法，获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过利用预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率以及准确性，并且，对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。
在本说明书中，提供了一种资源调度方法。本说明书一个或者多个实施例同时涉及一种电力资源分配方法、一种资源调度装置、一种电力资源分配装置、一种计算设备、一种计算机可读存储介质以及一种计算机程序，在下面的实施例中逐一进行详细说明。
参见图1，图1示出了本说明书一个实施例提供的资源调度系统下的一种资源调度方法的处理流程图，其中，资源调度系统包括资源调度平台和前端：
资源调度平台，用于获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化；
前端，用于向资源调度平台发送待调度资源；接收资源调度平台输出的目标调度信息；根据目标调度信息对待调度资源进行资源调度。
值得说明的是，本说明书实施例中提供的资源调度方法一般由资源调度平台执行，但是，在本说明书的其它实施例中，前端也可以与资源调度平台具有相似的功能，从而执行本说明书实施例所提供的资源调度方法。在其他实施例中，本说明书实施例所提供的资源调度方法还可以是由前端与资源调度平台共同执行。
本说明书一种可选的实现方式中，资源调度平台可以将预先训练的调度信息生成模型发送给前端，前端利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；根据目标调度信息对待调度资源进行资源调度。
应用本说明书实施例的方案，获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过利用预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率以及准确性，并且，对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。
参见图2，图2示出了本说明书一个实施例提供的应用于电力资源调度场景中的一种资源调度系统的架构图，该系统可以包括资源调度平台100以及多个前端200。多个前端200之间通过资源调度平台100可以建立通信连接，在电力资源调度场景中，资源调度平台100即用来在多个前端200之间提供资源调度服务，多个前端200可以分别作为发送端或接收端，通过资源调度平台100实现通信。
前端200可与资源调度平台100进行交互以接收其它前端200发送的数据，或将数据发送至其它前端200等。在电力资源调度场景中，可以是用户通过前端200向资源调度平台100发布待调度资源，资源调度平台100根据待调度资源生成目标调度信息，并将目标调度信息推送至其他前端。
其中，前端200与资源调度平台100之间通过网络建立连接。网络为前端与资源调度平台之间提供了通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。资源调度平台100可以包括提供各种服务的服务器，例如为多个前端提供通信服务的服务器，又如为前端上使用的模型提供支持的用于后台训练的服务器，又如对前端发送的数据进行处理的服务器等。
具体地，资源调度平台100可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（CDN，Content Delivery Network）、以及大数据和人工智能平台等基础云计算服务的云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
参见图3，图3示出了本说明书一个实施例提供的一种资源调度方法的流程图，具体包括以下步骤：
步骤302：获取待调度资源。
本说明书一个或多个实施例中，在进行资源调度时，可以获取待调度资源，对待调度资源进行处理，实现资源调度。
具体地，待调度资源是指等待调度的资源，也可以理解为需要进行资源调度的资源。调度是指对资源进行调节、测量、分析、使用等操作。资源包括但不限于电力资源、热力资源、新能源等等，具体新能源包括地热能、太阳能等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
实际应用中，获取待调度资源的方式有多种，本说明书一种可能的实现方式中，可以接收前端主动发送的待调度资源，本说明书另一种可能的实现方式中，可以定时向前端发送待调度资源获取指令，接收前端响应于获取指令发送的待调度资源，获取待调度资源的方式具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
步骤304：利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型。
本说明书一个或多个实施例中，在获取待调度资源之后，进一步地，可以利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息。
具体地，预先训练的调度信息生成模型为机器学习模型，机器学习模型可以理解为经过训练的程序，可以在新数据中发现模式并进行预测。这些模型表示为一个数学函数，它以输入数据的形式接受请求，对输入数据进行预测，然后提供输出作为响应。调度信息是指可以对待调度资源的调度过程进行指导的信息。
实际应用中，利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中，预先训练的调度信息生成模型中包括特征提取模块，可以将待调度资源输入特征提取模块中，由调度信息生成模型中的特征提取模块提取待调度资源的属性信息，之后根据调度资源的属性信息，获得待调度资源的调度信息。
本说明书另一种可能的实现方式中，在获取待调度资源之后，可以提取待调度资源的属性信息，将待调度资源的属性信息输入预先训练的调度信息生成模型中，获得待调度资源的调度信息。
以待调度资源为待调度电力资源为例，上述利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息的步骤，可以包括以下步骤：
提取待调度电力资源的电力属性信息；
将电力属性信息输入预先训练的调度信息生成模型中，获得待调度电力资源的调度信息，其中，电力属性信息包括机组信息、功率信息、线路信息以及电网关系信息中的至少一种。
具体地，发电机组是将其他形式的能源转换成电能的成套机械设备，机组信息即为发电机组的信息，如机组出力、机组数量等。线路是指供电设备和用电设备间用来传送电能的线路，线路信息包括线路数量等信息，电网关系信息是指供电设备与用电设备之间的关系信息，包括但不限于关系图、邻接矩阵等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
应用本说明书实施例的方案，提取待调度电力资源的电力属性信息，将电力属性信息输入预先训练的调度信息生成模型中，获得待调度电力资源的调度信息。提高了获取待调度电力资源的调度信息的效率以及调度信息的准确性。
需要说明的是，在提取待调度资源的属性信息之后，可以生成待调度资源的属性信息对应的特征向量，利用特征向量获得待调度资源的调度信息，也即，上述利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息的步骤，可以包括以下步骤：
提取待调度资源的属性信息；
对属性信息进行向量化处理，生成属性信息对应的特征向量；
将特征向量输入预先训练的调度信息生成模型中，获得待调度资源的调度信息。
具体地，待调度资源的属性信息是指待调度资源自身的信息，以待调度资源为电力资源为例，待调度资源的属性信息包括但不限于机组信息、功率信息、线路信息以及电网关系信息；以待调度资源为热力资源为例，待调度资源的属性信息包括但不限于供热机组、管道信息等等。
需要说明的是，由于预先训练的调度信息生成模型的处理形式为矩阵或者向量，因此，可以对属性信息进行向量化处理，生成属性信息对应的特征向量，在获得特征向量之后，可以将属性信息对应的特征向量合并成一个向量或者根据特征向量组成一个矩阵。
示例性地，以待调度资源为待调度电力资源为例，待调度电力资源的电力属性信息包括机组信息、功率信息、线路信息以及电网关系信息，将机组出力表示为向量V1，向量V1的向量维度等于机组数量，其中，机组出力可以理解为机组的当前功率，向量V1中的每个元素为一台机组的功率。功率信息中的负载功率同理可以表示为向量V2，向量V2的维度等于负载数量，向量V2中的每个元素为一个负载节点的功率。线路信息同理可以表示为向量V3，向量V3的维度等于线路数量，向量V3中的每个元素为一条线路的功率，电网关系信息可以使用邻接矩阵A1表示，将V1、V2、V3以及A1展开后合并为一个向量或者组成一个矩阵，之后将该矩阵或者向量输入预先训练的调度信息生成模型中，获得待调度电力资源的调度信息。
应用本说明书实施例的方案，提取待调度资源的属性信息，对属性信息进行向量化处理，生成属性信息对应的特征向量，将特征向量输入预先训练的调度信息生成模型中，获得待调度资源的调度信息，使得待调度资源的属性信息符合预先训练的调度信息生成模型的处理形式，提高生成调度信息的效率。
值得说明的是，在获取待调度资源，利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息之后，进一步地，可以判断调度信息是否符合预设资源消耗指标，在调度信息符合预设资源消耗指标的情况下，将调度信息作为目标调度信息，也即，上述利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息的步骤之后，还可以包括以下步骤：
在调度信息符合预设资源消耗指标的情况下，将调度信息作为目标调度信息。
具体地，预设资源消耗指标是指预先设置的对资源消耗进行评估的指标，预设资源消耗指标包括安全性指标以及可行性指标，以电力资源为例，电力资源的预设资源消耗指标可以分为等式约束指标和不等式约束指标，可行性指标也即等式约束指标，等式约束指标为节点注入潮流平衡方程，表示一个节点连接的所有线路注入净功率总和等于节点的功率消耗。不等式约束指标也即安全性指标，包括但不限于节点电压约束、发电机节点的有功、无功功率约束、支路潮流约束等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
应用本说明书实施例的方案，若调度信息符合预设资源消耗指标，则说明该调度信息是可行且安全的，可以直接将符合预设资源消耗指标的调度信息作为目标调度信息。通过判断调度信息是否符合预设资源消耗指标，使得最终确定的目标调度信息可行且安全，提高了资源调度的准确性。
值得说明的是，预先训练的调度信息生成模型中包括了调度信息生成模块和调度信息调整模块，可以利用调度信息生成模块生成初始调度信息，利用调度信息调整模块将不符合预设资源消耗指标的初始调度信息调整为符合预设资源消耗指标的调度信息。也即，上述利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息的步骤，可以包括以下步骤：
利用调度信息生成模块，生成待调度资源对应的初始调度信息；
在初始调度信息不符合预设资源消耗指标的情况下，利用调度信息调整模块，获得待调度资源的调度信息。
具体地，由于训练样本限制，参数调整限制等原因导致预先训练的调度信息生成模块并不是完全准确的，因此，在利用调度信息生成模块生成调度资源对应的初始调度信息之后，可以进一步判断该初始调度信息是否符合预设资源消耗指标，若符合，则将初始调度信息作为待调度资源的调度信息；若不符合，则利用调度信息调整模块对初始调度信息进行调整，获得待调度资源的调度信息。
同理，由于预先训练的调度信息调整模块也并不是完全准确的，也即调整后的待调度资源的调度信息也不一定完全符合预设消耗资源指标，因此，可以判断调度信息是否符合资源消耗指标，在调度信息不符合预设资源消耗指标的情况下，调整调度信息，生成目标调度信息，在调度信息符合预设资源消耗指标的情况下，将调度信息作为目标调度信息。
应用本说明书实施例的方案，利用调度信息生成模块，生成待调度资源对应的初始调度信息，在初始调度信息不符合预设资源消耗指标的情况下，利用调度信息调整模块，获得待调度资源的调度信息，保证了调度信息的可行性，提高了资源调度的准确性。
步骤306：在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息。
本说明书一个或多个实施例中，获取待调度资源，利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息之后，进一步地，在调度信息不符合预设资源消耗指标的情况下，可以调整调度信息，生成目标调度信息。
具体地，目标调度信息是指即将输出的调度信息，该目标调度信息符合预设资源消耗指标，用于指示对待调度资源进行调度优化。
实际应用中，调整调度信息，生成目标调度信息的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中，可以预先设置调整值，在调度信息不符合预设资源消耗指标的情况下，根据预先设置的调整值调整调度信息，直至调整后的调度信息符合预设资源消耗指标。
示例性地，预先设置的调整值为1赫兹，调度信息为电压频率50赫兹，则可以根据预先设置的调整值1赫兹将调度信息调整为电压频率为51赫兹，此时，调度信息符合预设资源消耗指标，停止调整，将电压频率为51赫兹作为目标调度信息。
本说明书另一种可能的实现方式中，可以对调度信息进行可行性投影，生成目标调度信息，也即，上述调整调度信息，生成目标调度信息的步骤，可以包括以下步骤：
将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息。
具体地，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息的过程称为可行性投影，也可以理解为二次规划问题，实际应用中，可以根据预设资源消耗指标，利用最小二乘法调整调度信息，生成目标调度信息。
需要说明的是，可以利用下述公式（1）-（3）进行计算，公式（1）-（3）的目标为最小化P范数投影距离，其中，P=2。
Figure 99283DEST_PATH_IMAGE001
其中，y1’表示目标调度信息，y1表示调度信息，
Figure 794707DEST_PATH_IMAGE002
与
Figure 505174DEST_PATH_IMAGE003
为预设资源消耗指标。在电力资源调度场景中，
Figure 983560DEST_PATH_IMAGE002
为等式约束，
Figure 95872DEST_PATH_IMAGE003
为不等式约束，等式约束指标为节点注入潮流平衡方程，表示一个节点连接的所有线路注入净功率总和等于节点的功率消耗。不等式约束指标也即安全性指标，包括但不限于节点电压约束、发电机节点的有功、无功功率约束、支路潮流约束等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
应用本说明书实施例的方案，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息，使得确定的目标调度信息更为准确。
步骤308：输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。
本说明书一个或多个实施例中，在获取待调度资源，利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息之后，进一步地，可以输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。
应用本说明书实施例的方案，获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过利用预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率以及准确性，并且，对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。
需要说明的是，输出目标调度信息的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中，可以直接将目标调度信息下发至资源调度设备，以使资源调度设备根据目标调度信息对待调度资源进行资源调度。
具体地，资源调度设备是指可以对待调度资源进行资源调度的设备，也可以理解为资源分配设备，如配电设备、供热设备等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
本说明书另一种可能的实现方式中，可以向前端发送调度提示信息，也即上述输出目标调度信息的步骤，可以包括以下步骤：
向前端发送调度提示信息，其中，调度提示信息携带目标调度信息，用于提示用户根据目标调度信息确定是否进行调度优化。
参见图4a，图4a示出了本说明书一个实施例提供的一种资源调度方法中前端显示界面的示意图，前端显示界面包括调度提示信息以及“确定”控件和“取消”控件，其中，调度提示信息携带目标调度信息，提示待调度资源需要优化。用户点击“确定”控件，即可根据目标调度信息对待调度资源进行调度优化，点击“取消”控件，即可取消对调度资源的调度优化。可选地，在用户点击“确定”控件之后，还可以直接将目标调度信息下发至资源调度设备。
具体地，用户对控件进行操作的方式包括点击、双击、触控、鼠标悬停、滑动、长按、语音控制或摇一摇等任一方式，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
应用本说明书实施例的方案，向前端发送调度提示信息，其中，调度提示信息携带目标调度信息，用于提示用户根据目标调度信息确定是否进行调度优化，使得用户能够及时根据目标调度信息进行优化，进一步提高了用户使用体验感。
进一步地，调度提示信息中除了目标调度信息，还可以携带目标调度信息对应的机组的状态信息，也即，上述向前端发送调度提示信息的步骤，可以包括以下步骤：
对目标调度信息对应的机组的类型进行识别；
在类型符合指定类型的情况下，将机组的状态信息添加至调度提示信息；
向前端发送调度提示信息，以提示用户根据状态信息确定是否进行调度优化。
具体地，机组的类型包括核心机组、边缘机组、火力发电机组等等，指定类型是指预先设置的机组类型，用于识别目标调度信息对应的机组是否需要着重提示。机组的状态信息包括当前机组是否正在运行，还可以是当前机组的编号等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
参见图4b，图4b示出了本说明书一个实施例提供的另一种资源调度方法中前端显示界面的示意图，前端显示界面包括调度提示信息以及“确定”控件和“取消”控件，其中，调度提示信息携带机组A的状态信息以及目标调度信息。用户点击“确定”控件，即可根据目标调度信息对机组A进行调度优化，点击“取消”控件，即可取消调度优化。
应用本说明书实施例的方案，对目标调度信息对应的机组的类型进行识别，在类型符合指定类型的情况下，将机组的状态信息添加至调度提示信息，向前端发送调度提示信息，以提示用户根据状态信息确定是否进行调度优化，使得用户能够根据状态信息针对性地对状态信息对应的机组进行优化，进一步提高了用户使用体验感。
进一步地，对本说明书一个或多个实施例中的调度信息生成模型的训练方式进行说明，可以利用包括预设生成模块和预设调整模块的预设神经网络对样本资源进行分析，获得样本资源的预测调度信息，在预测调度信息不符合预设资源消耗指标的情况下，调整预测调度信息，生成测试调度信息，进一步利用预测调度信息和测试调度信息训练预设神经网络，生成调度信息生成模型。具体地，上述调度信息生成模型的训练方式，可以包括以下步骤：
获取样本资源；
利用预设生成模块，生成样本资源的预测调度信息；
在预测调度信息不符合预设资源消耗指标的情况下，利用预设调整模块，获得样本资源的测试调度信息；
根据预测调度信息和测试调度信息，计算预设生成模块和预设调整模块的损失值；
调整预设生成模块和预设调整模块的参数，并返回执行利用预设生成模块，生成样本资源的预测调度信息的步骤，直至达到预设停止条件的情况下，获得调度信息生成模型。
具体地，样本资源是指训练调度信息生成模型的资源，包括但不限于电力资源、热力资源、新能源等等。预设神经网络是预先设置的神经网络，包括但不限于全连接神经网络，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。预测调度信息是指预设生成模块真实预测的调度信息。测试调度信息是指符合预设资源消耗指标的调度信息。预设停止条件表示达到该预设停止条件时，调度信息生成模型已经足够准确，该预设停止条件包括但不限于损失值小于预设损失阈值、训练次数大于预设次数阈值等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定，调度信息生成模型包括训练后的预设生成模块和训练后的预设调整模块，也即上述调度信息生成模块和调度信息调整模块。
需要说明的是，利用预设生成模块，生成样本资源的预测调度信息，在预测调度信息不符合预设资源消耗指标的情况下，利用预设调整模块，获得样本资源的测试调度信息的方式与上述步骤302-步骤306相同，本实施例便不再进行赘述。
应用本说明书实施例的方案，获取样本资源，利用预设生成模块，生成样本资源的预测调度信息，在预测调度信息不符合预设资源消耗指标的情况下，利用预设调整模块，获得样本资源的测试调度信息，根据预测调度信息和测试调度信息，计算预设生成模块和预设调整模块的损失值，调整预设生成模块和预设调整模块的参数，并返回执行利用预设生成模块，生成样本资源的预测调度信息的步骤，直至达到预设停止条件的情况下，获得调度信息生成模型，提高了调度信息生成模型的准确性，使得可以快速、准确地获取调度信息，进一步提高了资源调度的准确性。
实际应用中，可以根据预测调度信息和测试调度信息，计算目标资源消耗值以及目标调整值，根据目标调整值和目标资源消耗值确定预设生成模块和预设调整模块的损失值，也即，上述根据预测调度信息和测试调度信息，计算预设生成模块和预设调整模块的损失值的步骤，可以包括以下步骤：
基于预测调度信息和测试调度信息，计算目标调整值；
基于测试调度信息，计算目标资源消耗值；
根据目标调整值和目标资源消耗值，确定预设生成模块和预设调整模块的损失值。
具体地，目标调整值也可以理解为将预设调度信息投影为测试调度信息的投影距离，目标资源消耗值也可以理解为样本资源的机组成本，可以利用下述公式（4）计算目标调整值Lcost，利用下述公式（5）计算目标资源消耗值Ldist，将目标调整值和目标资源消耗值相加，即为预设生成模块和预设调整模块的损失值。
Figure 696618DEST_PATH_IMAGE004
其中，n是机组数量，i表示第i个机组，n表示机组数量为n，k表示次方，m表示最高次方，
Figure 894381DEST_PATH_IMAGE005
表示机组i的k次方的成本系数，Pi表示机组i的功率，y表示预测调度信息，y’表示测试调度信息，MSE为均方误差（Mean Squared Error），也即对预测调度信息和测试调度信息求均方误差即可获得目标资源消耗值。
值得说明的是，在确定预设生成模块和预设调整模块的损失值（Ldist+Lcost）之后，可以调整预设生成模块和预设调整模块的参数，并返回执行利用预设生成模块，生成样本资源的预测调度信息的步骤，直至损失值最小时，确定参数为θ的调度信息生成模型，确定θ的过程可以参见下述公式（6）：
Figure 442037DEST_PATH_IMAGE006
应用本说明书实施例的方案，基于预测调度信息和测试调度信息，计算目标调整值，基于测试调度信息，计算目标资源消耗值，根据目标调整值和目标资源消耗值，确定预设生成模块和预设调整模块的损失值，提高了损失值的计算准确度，进一步使得最终获得的调度信息生成模型更为准确。
本说明书一种可选的实现方式中，在训练预设生成模块和预设调整模块，反向梯度传播的过程中，可以采用基于KKT（Karush-Kuhn-Tucker）条件的隐函数求导法计算测试调度信息对预测调度信息的导数，获得计算结果，利用该计算结果对预设生成模块和预设调整模块的参数进行调整，也即，上述调整预设生成模块和预设调整模块的参数的步骤之前，还可以包括以下步骤：
计算测试调度信息对预测调度信息的导数，获得计算结果；
根据计算结果，确定预设生成模块和预设调整模块的参数调整值；
调整预设生成模块和预设调整模块的参数的步骤，包括：
根据参数调整值，调整预设生成模块和预设调整模块的参数。
具体地，针对上述将预测调度信息调整为测试调度信息的问题，决策变量为y’，具体计算过程参见下述公式（7）-（9）：
Figure 143277DEST_PATH_IMAGE007
其中，y表示预测调度信息，y’表示测试调度信息，
Figure 180503DEST_PATH_IMAGE008
为预设资源消耗指标。
上述公式（7）-（9）的拉格朗日对偶函数表示为下述公式（10）：
Figure 98518DEST_PATH_IMAGE009
其中，v和λ分别是
Figure 449865DEST_PATH_IMAGE010
和
Figure 5611DEST_PATH_IMAGE011
的对偶变量，且λ≥0。KKT条件表示为下述公式（11）-（13）：
Figure 417001DEST_PATH_IMAGE012
Figure 323777DEST_PATH_IMAGE013
其中，y*、v*、λ*分别是收敛情况对应的决策变量和对偶变量，
Figure 9973DEST_PATH_IMAGE014
表示矩阵G、向量y*的乘法减去向量h，
Figure 951384DEST_PATH_IMAGE015
表示以向量λ*为对角线元素的对角矩阵，
Figure 268096DEST_PATH_IMAGE016
表示矩阵A、向量y*的乘法减去向量b，矩阵A和向量b分别表示等式约束的线性系数矩阵和常数项系数、矩阵G和向量h分别表示不等式约束的线性系数矩阵和常数项系数，矩阵AT表示矩阵A的转置，矩阵GT表示矩阵G的转置。对KKT条件的方程组求全微分，为以下公式（14）-（16）：
Figure 458906DEST_PATH_IMAGE017
将上述公式（14）-（16）表示成矩阵形式，为以下公式（17）：
Figure 152056DEST_PATH_IMAGE018
其中，I表示单位矩阵。
求解上述线性方程（17），可以获得计算结果为以下公式（18）：
Figure 918280DEST_PATH_IMAGE019
在获得计算结果之后，可以根据上述计算结果确定预设生成模块和预设调整模块的参数调整值，根据参数调整值，对预设生成模块和预设调整模块的参数进行调整，直至达到预设停止条件的情况下，获得调度信息生成模型。
应用本说明书实施例的方案，由于传统的神经网络自动微分只针对比较简单的函数，比如y=ln(x)，则dy/dx=1/x。而对调度信息进行调整时，无法通过通用的神经网络自动微分功能计算导数，因此，通过计算测试调度信息对预测调度信息的导数，获得计算结果，根据计算结果，确定预设生成模块和预设调整模块的参数调整值，根据参数调整值，调整预设生成模块和预设调整模块的参数，提高了对预设生成模块和预设调整模块的参数调整的准确性。
值得说明的是，为实现“碳达峰、碳中和”的战略目标，构建以清洁能源为主体的新型电力系统势在必行。对比传统化石能源，清洁能源受限于不可控的自然条件，具有更大的波动性和不可预测性，其大规模并网对调度系统的稳定性和实时性提出了新的挑战。
实际应用中，可以采用机组组合调度（SCUC，Security Constrained UnitCommitment）方案：以多个时间步的整体目标来决定各时刻机组的启停决策以及出力决策，可以提前一天来进行决策。还可以基于强化学习实现资源调度，除此之外，本说明书实施例提出了一种电力资源分配方法，在保证调度决策可行的同时加快调度的决策效率，提高电网快速响应的能力。参见图5，图5示出了本说明书一个实施例提供的一种电力资源分配方法的流程图，应用于电力调度平台，具体包括以下步骤：
步骤502：获取待调度电力资源。
步骤504：利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型。
步骤506：在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息。
步骤508：输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。
具体地，待调度电力资源的产生方式包括火力发电（煤等可燃烧物）、太阳能发电、大容量风力发电技术、核能发电、氢能发电、水力发电等，电力调度信息是指可以对电网调度进行指导的信息，如发电方式为火力发电、电压频率为51赫兹，调度信息生成模型可以是对全连接神经网络（DNN，Deep Neural Networks）、循环神经网络（RNN、Recurrent NeuralNetwork）、长短期记忆网络（LSTM，Long Short-Term Memory）等神经网络进行训练获得的机器学习模型，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
示例性地，以调度信息生成模型为对全连接神经网络（DNN，Deep NeuralNetworks）进行训练获得的机器学习模型为例，全连接神经网络包括输入层（input）、隐藏层以及输出层（output），其中，隐藏层是多个中间层的堆叠重复，中间层的结构包括“全连接层→标准化层（normalization）→激活层（activation）”。其中，在全连接层中，第i层的每个神经元与第i+1层每个神经元两两相连。数学表达上是一个矩阵乘法，第i层的输出是一个向量vi，第i+1层的输出是向量vi+1，vi+1=(Ai+1)*vi，Ai+1是第i+1层的参数矩阵。标准化层（normalization）包括批量标准化（batch normalization）、层标准化（layernormalization）、权值标准化（weight normalization）等等，数据的标准化（normalization）是将数据按比例缩放，使数据落入一个特定区间，将数据转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。激活层中包括激活函数，激活函数提供了非线性的性质，常用的激活函数包括ReLU函数、Sigmoid函数、Tanh函数等等。在输出层，为了将调度信息约束在有意义的范围内，可以利用Sigmoid函数，对调度信息进行归一化处理。
在实际应用中，确定待调度电力资源，提取待调度电力资源的属性信息，对待调度资源的属性信息进行向量化处理，生成属性信息对应的特征向量，将属性信息对应的特征向量输入调度信息生成模型中，经过隐藏层的处理，可以获得电力调度信息的特征向量，进一步经过输出层对电力调度信息的特征向量进行处理，输出电力调度信息。
值得说明的是，在人工神经网络数学理论中，有通用近似定理 (Universalapproximation theorem)，意为如果一个前馈神经网络具有线性输出层和至少一层隐藏层，只要给予神经网络足够数量的神经元，便可以实现以足够高精度来逼近任意一个在欧式空间Rn的紧子集(Compact subset)上的连续函数。在资源调度方案中，想要根据输入的待调度资源的属性信息，预测出合理有效的调度策略输出，输入和输出在数学上都可以表达成高维向量，那么输入和输出之间的映射关系（也就是属性信息和调度策略之间的映射关系）在实际中以一个高维空间中的非线性连续函数表达，因此理论上只要神经网络神经元足够，就可以学习逼近这个真实存在的映射关系，从而学习到根据属性信息给出调度策略的能力。
需要说明的是，步骤502、步骤504、步骤506以及步骤508的实现方式与上述步骤302、步骤304、步骤306以及步骤308相同，本实施例便不再进行赘述。
应用本说明书实施例的方案，获取待调度电力资源，利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型，在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息，输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。利用预先训练的调度信息生成模型生成电力调度信息，提高了生成电力调度信息的效率，并且，对不符合预设资源消耗指标的电力调度信息进行调整，也即将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息，保证电力调度信息的可行性，使得可以高效、准确地实现电力资源调度。
参见图6，图6示出了本说明书一个实施例提供的一种资源调度方法的处理流程图，具体包括：
预处理：确定待调度资源为待调度电力资源，将当前电网系统真实状态信息进行结构化预处理，生成矩阵或向量等调度信息生成模型可以处理的格式，其中，电网系统真实状态信息包括机组出力、负载功率、电网拓扑、线路状态等等；
资源调度：将处理后的真实状态信息输入调度信息生成模型，生成电力调度信息，判断电力调度信息是否符合预设资源消耗指标，若符合，则将电力调度信息作为目标电力调度信息；若不符合，则调整电力调度信息，生成符合预设资源消耗指标的目标电力调度信息，输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。其中，调度信息可以理解为调度策略，对电力调度信息进行调整也可以理解为对该电力调度信息进行投影，也即将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息。
应用本说明书实施例的方案，由于机器学习模型的推理计算可通过GPU大规模并行加速，其计算效率更高。同时，经过训练的调度信息生成模型本身具有极高的概率直接输出符合预设资源消耗指标的调度信息，因此在调度信息求解速度上更快，可实现实时求解，进一步实现实时资源调度。
参见图7，图7示出了本说明书一个实施例提供的一种调度信息生成模型的训练流程图，具体包括：
样本预处理：获取样本资源，将样本资源的状态信息结构化预处理为矩阵或向量等模型可以处理的格式，将处理后的状态信息作为输入变量x；
模型训练：将输入变量x输入预设生成模块中，生成样本资源的预测调度信息，判断预测调度信息是否符合预设资源消耗指标，若符合，则将该预测调度信息作为测试调度信息；若不符合，则利用预设调整模块调整预测调度信息，生成测试调度信息；根据预测调度信息和测试调度信息，计算预设生成模块和预设调整模块的损失值；调整预设生成模块和预设调整模块的参数，并返回执行利用预设生成模块，生成样本资源的预测调度信息的步骤，直至达到预设停止条件的情况下，获得调度信息生成模型。其中，损失值包括目标调整值和目标资源消耗值，其中，利用预设调整模块调整预测调度信息，生成测试调度信息的步骤，具体可以是将预测调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的测试调度信息。
应用本说明书实施例的方案，在训练预设神经网络的过程中，进行了预设资源消耗指标的约束，在资源调度过程中同样将不符合预设资源消耗指标的调度信息转换为符合预设资源消耗指标的调度信息，提高了资源调度的准确性、可行性、安全性的保障。
参见图8，图8示出了本说明书一个实施例提供的一种资源调度界面的示意图，具体包括：
待调度资源输入区：待调度资源输入区包括输入框，用户可以在输入框输入或选择待调度资源。
资源调度策略显示区：在接收待调度资源的目标调度信息之后，可以在资源调度策略显示区显示目标调度信息，实现对待调度资源的资源调度优化。
应用本说明书实施例的方案，通过资源调度界面输入待调度资源，并且显示目标调度信息，提高了资源调度过程中的用户体验度。
与上述资源调度方法实施例相对应，本说明书还提供了资源调度装置实施例，图9示出了本说明书一个实施例提供的一种资源调度装置的结构示意图。如图9所示，该装置包括：
第一获取模块902，被配置为获取待调度资源；
第一分析模块904，被配置为利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；
第一生成模块906，被配置为在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；
第一输出模块908，被配置为输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。
可选地，待调度资源包括待调度电力资源，第一分析模块904，进一步被配置为提取待调度电力资源的电力属性信息；将电力属性信息输入预先训练的调度信息生成模型中，获得待调度电力资源的调度信息，其中，电力属性信息包括机组信息、功率信息、线路信息以及电网关系信息中的至少一种。
可选地，调度信息生成模型包括调度信息生成模块和调度信息调整模块；第一分析模块904，进一步被配置为利用调度信息生成模块，生成待调度资源对应的初始调度信息；在初始调度信息不符合预设资源消耗指标的情况下，利用调度信息调整模块，获得待调度资源的调度信息。
可选地，该装置还包括：训练模块，被配置为获取样本资源；利用预设生成模块，生成样本资源的预测调度信息；在预测调度信息不符合预设资源消耗指标的情况下，利用预设调整模块，获得样本资源的测试调度信息；根据预测调度信息和测试调度信息，计算预设生成模块和预设调整模块的损失值；调整预设生成模块和预设调整模块的参数，并返回执行利用预设生成模块，生成样本资源的预测调度信息的步骤，直至达到预设停止条件的情况下，获得调度信息生成模型。
可选地，训练模块，进一步被配置为基于预测调度信息和测试调度信息，计算目标调整值；基于测试调度信息，计算目标资源消耗值；根据目标调整值和目标资源消耗值，确定预设生成模块和预设调整模块的损失值。
可选地，第一分析模块904，进一步被配置为提取待调度资源的属性信息；对属性信息进行向量化处理，生成属性信息对应的特征向量；将特征向量输入预先训练的调度信息生成模型中，获得待调度资源的调度信息。
可选地，该装置还包括：第三生成模块，被配置为在调度信息符合预设资源消耗指标的情况下，将调度信息作为目标调度信息。
可选地，第一输出模块908，进一步被配置为向前端发送调度提示信息，其中，调度提示信息携带目标调度信息，用于提示用户根据目标调度信息确定是否进行调度优化。
可选地，第一输出模块908，进一步被配置为对目标调度信息对应的机组的类型进行识别；在类型符合指定类型的情况下，将机组的状态信息添加至调度提示信息；向前端发送调度提示信息，以提示用户根据状态信息确定是否进行调度优化。
应用本说明书实施例的方案，获取待调度资源；利用预先训练的调度信息生成模型对待调度资源进行分析，获得待调度资源的调度信息，其中，调度信息生成模型为机器学习模型；在调度信息不符合预设资源消耗指标的情况下，将调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标调度信息；输出目标调度信息，其中，目标调度信息用于指示对待调度资源进行调度优化。通过利用预先训练的调度信息生成模型生成调度信息，提高了生成调度信息的效率以及准确性，并且，对不符合预设资源消耗指标的调度信息进行调整，保证调度信息的可行性，使得可以高效、准确地实现资源调度。
上述为本实施例的一种资源调度装置的示意性方案。需要说明的是，该资源调度装置的技术方案与上述的资源调度方法的技术方案属于同一构思，资源调度装置的技术方案未详细描述的细节内容，均可以参见上述资源调度方法的技术方案的描述。
与上述电力资源分配方法实施例相对应，本说明书还提供了电力资源分配装置实施例，图10示出了本说明书一个实施例提供的一种电力资源分配装置的结构示意图。如图10所示，该装置包括：
第二获取模块1002，被配置为获取待调度电力资源；
第二分析模块1004，被配置为利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型；
第二生成模块1006，被配置为在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息；
第二输出模块1008，被配置为输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。
应用本说明书实施例的方案，获取待调度电力资源，利用预先训练的调度信息生成模型对待调度电力资源进行分析，获得待调度电力资源的电力调度信息，其中，调度信息生成模型为机器学习模型，在电力调度信息不符合预设资源消耗指标的情况下，将电力调度信息投影至预设资源消耗指标对应的可行域中，获得符合预设资源消耗指标的目标电力调度信息，输出目标电力调度信息，其中，目标电力调度信息用于指示对待调度电力资源进行调度优化。利用预先训练的调度信息生成模型生成电力调度信息，提高了生成电力调度信息的效率，并且，对不符合预设资源消耗指标的电力调度信息进行调整，保证电力调度信息的可行性，使得可以高效、准确地实现电力资源调度。
上述为本实施例的一种电力资源分配装置的示意性方案。需要说明的是，该电力资源分配装置的技术方案与上述的电力资源分配方法的技术方案属于同一构思，电力资源分配装置的技术方案未详细描述的细节内容，均可以参见上述电力资源分配方法的技术方案的描述。
图11示出了本说明书一个实施例提供的一种计算设备的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接，数据库1150用于保存数据。
计算设备1100还包括接入设备1140，接入设备1140使得计算设备1100能够经由一个或多个网络1160通信。这些网络的示例包括公用交换电话网（PSTN，Public SwitchedTelephone Network）、局域网（LAN，Local Area Network）、广域网（WAN，Wide AreaNetwork）、个域网（PAN，Personal Area Network）或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口（例如，网络接口卡（NIC，NetworkInterface Card））中的一个或多个，诸如IEEE802.11无线局域网（WLAN，Wireless LocalArea Networks）无线接口、全球微波互联接入（Wi-MAX，World Interoperability forMicrowave Access）接口、以太网接口、通用串行总线（USB，Universal Serial Bus）接口、蜂窝网络接口、蓝牙接口、近场通信（NFC，Near Field Communication）接口，等等。
在本说明书的一个实施例中，计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图11所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备1100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
其中，处理器1120用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述资源调度方法或电力资源分配方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的资源调度方法或电力资源分配方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述资源调度方法或电力资源分配方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述资源调度方法或电力资源分配方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的资源调度方法或电力资源分配方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述资源调度方法或电力资源分配方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述资源调度方法或电力资源分配方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的资源调度方法或电力资源分配方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述资源调度方法或电力资源分配方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (13)

1.一种资源调度方法，包括：
获取待调度资源；
利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息，其中，所述调度信息生成模型为机器学习模型；
在所述调度信息不符合预设资源消耗指标的情况下，将所述调度信息投影至所述预设资源消耗指标对应的可行域中，获得符合所述预设资源消耗指标的目标调度信息；
输出所述目标调度信息，其中，所述目标调度信息用于指示对所述待调度资源进行调度优化。
2.根据权利要求1所述的方法，所述待调度资源包括待调度电力资源，所述利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息的步骤，包括：
提取所述待调度电力资源的电力属性信息；
将所述电力属性信息输入预先训练的调度信息生成模型中，获得所述待调度电力资源的调度信息，其中，所述电力属性信息包括机组信息、功率信息、线路信息以及电网关系信息中的至少一种。
3.根据权利要求1所述的方法，所述调度信息生成模型包括调度信息生成模块和调度信息调整模块；
所述利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息的步骤，包括：
利用所述调度信息生成模块，生成所述待调度资源对应的初始调度信息；
在所述初始调度信息不符合所述预设资源消耗指标的情况下，利用所述调度信息调整模块，获得所述待调度资源的调度信息。
4.根据权利要求3所述的方法，所述调度信息生成模型的训练方式，包括：
获取样本资源；
利用预设生成模块，生成所述样本资源的预测调度信息；
在所述预测调度信息不符合预设资源消耗指标的情况下，利用预设调整模块，获得所述样本资源的测试调度信息；
根据所述预测调度信息和所述测试调度信息，计算所述预设生成模块和所述预设调整模块的损失值；
调整所述预设生成模块和所述预设调整模块的参数，并返回执行所述利用预设生成模块，生成所述样本资源的预测调度信息的步骤，直至达到预设停止条件的情况下，获得调度信息生成模型。
5.根据权利要求4所述的方法，所述根据所述预测调度信息和所述测试调度信息，计算所述预设生成模块和所述预设调整模块的损失值的步骤，包括：
基于所述预测调度信息和所述测试调度信息，计算目标调整值；
基于所述测试调度信息，计算目标资源消耗值；
根据所述目标调整值和所述目标资源消耗值，确定所述预设生成模块和所述预设调整模块的损失值。
6.根据权利要求1或3所述的方法，所述利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息的步骤，包括：
提取所述待调度资源的属性信息；
对所述属性信息进行向量化处理，生成所述属性信息对应的特征向量；
将所述特征向量输入预先训练的调度信息生成模型中，获得所述待调度资源的调度信息。
7.根据权利要求1所述的方法，所述利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息的步骤之后，还包括：
在所述调度信息符合所述预设资源消耗指标的情况下，将所述调度信息作为目标调度信息。
8.根据权利要求1所述的方法，所述输出所述目标调度信息的步骤，包括：
向前端发送调度提示信息，其中，所述调度提示信息携带所述目标调度信息，用于提示用户根据所述目标调度信息确定是否进行调度优化。
9.根据权利要求8所述的方法，所述向前端发送调度提示信息的步骤，包括：
对所述目标调度信息对应的机组的类型进行识别；
在所述类型符合指定类型的情况下，将所述机组的状态信息添加至所述调度提示信息；
向所述前端发送所述调度提示信息，以提示用户根据所述状态信息确定是否进行调度优化。
10.一种电力资源分配方法，应用于电力调度平台，所述方法包括：
获取待调度电力资源；
利用预先训练的调度信息生成模型对所述待调度电力资源进行分析，获得所述待调度电力资源的电力调度信息，其中，所述调度信息生成模型为机器学习模型；
在所述电力调度信息不符合预设资源消耗指标的情况下，将所述电力调度信息投影至所述预设资源消耗指标对应的可行域中，获得符合所述预设资源消耗指标的目标电力调度信息；
输出所述目标电力调度信息，其中，所述目标电力调度信息用于指示对所述待调度电力资源进行调度优化。
11.一种资源调度装置，包括：
第一获取模块，被配置为获取待调度资源；
第一分析模块，被配置为利用预先训练的调度信息生成模型对所述待调度资源进行分析，获得所述待调度资源的调度信息，其中，所述调度信息生成模型为机器学习模型；
第一生成模块，被配置为将所述调度信息投影至所述预设资源消耗指标对应的可行域中，获得符合所述预设资源消耗指标的目标调度信息；
第一输出模块，被配置为输出所述目标调度信息，其中，所述目标调度信息用于指示对所述待调度资源进行调度优化。
12.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至9或权利要求10任意一项所述方法的步骤。
13.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至9或权利要求10任意一项所述方法的步骤。
CN202210862744.9A 2022-07-21 2022-07-21 资源调度方法、电力资源分配方法以及装置 Active CN115081940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210862744.9A CN115081940B (zh) 2022-07-21 2022-07-21 资源调度方法、电力资源分配方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210862744.9A CN115081940B (zh) 2022-07-21 2022-07-21 资源调度方法、电力资源分配方法以及装置

Publications (2)

Publication Number Publication Date
CN115081940A true CN115081940A (zh) 2022-09-20
CN115081940B CN115081940B (zh) 2022-11-22

Family

ID=83243556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210862744.9A Active CN115081940B (zh) 2022-07-21 2022-07-21 资源调度方法、电力资源分配方法以及装置

Country Status (1)

Country Link
CN (1) CN115081940B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345388A (zh) * 2022-10-19 2022-11-15 山东省地质科学研究院 一种砂石资源供需精准分析方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040054564A1 (en) * 2002-09-17 2004-03-18 Fonseca Adolfo M. Systems and methods for the optimization of resources in energy markets
CN103296681A (zh) * 2013-05-27 2013-09-11 东南大学 一种电动汽车与风电协同实时调度优化方法
CN105322534A (zh) * 2015-10-08 2016-02-10 南京邮电大学 一种基于区间不确定性的微网优化调度方法
CN108808668A (zh) * 2018-06-29 2018-11-13 广东电网有限责任公司 一种计及多类电源的主动配电网分布式优化调度算法
CN113298342A (zh) * 2021-03-25 2021-08-24 深圳供电局有限公司 一种电力调度指令安全状态的分析方法
CN114066333A (zh) * 2022-01-17 2022-02-18 阿里巴巴达摩院(杭州)科技有限公司 数据处理方法及装置
CN114491388A (zh) * 2022-01-04 2022-05-13 阿里巴巴（中国）有限公司 电力系统的数据处理方法、装置、设备和存储介质
CN114493331A (zh) * 2022-02-14 2022-05-13 南方电网数字电网研究院有限公司 发电机组功率调度方法、装置、计算机设备和存储介质
CN114596012A (zh) * 2022-05-10 2022-06-07 支付宝(杭州)信息技术有限公司 用于资源调度的方法、系统、装置和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040054564A1 (en) * 2002-09-17 2004-03-18 Fonseca Adolfo M. Systems and methods for the optimization of resources in energy markets
CN103296681A (zh) * 2013-05-27 2013-09-11 东南大学 一种电动汽车与风电协同实时调度优化方法
CN105322534A (zh) * 2015-10-08 2016-02-10 南京邮电大学 一种基于区间不确定性的微网优化调度方法
CN108808668A (zh) * 2018-06-29 2018-11-13 广东电网有限责任公司 一种计及多类电源的主动配电网分布式优化调度算法
CN113298342A (zh) * 2021-03-25 2021-08-24 深圳供电局有限公司 一种电力调度指令安全状态的分析方法
CN114491388A (zh) * 2022-01-04 2022-05-13 阿里巴巴（中国）有限公司 电力系统的数据处理方法、装置、设备和存储介质
CN114066333A (zh) * 2022-01-17 2022-02-18 阿里巴巴达摩院(杭州)科技有限公司 数据处理方法及装置
CN114493331A (zh) * 2022-02-14 2022-05-13 南方电网数字电网研究院有限公司 发电机组功率调度方法、装置、计算机设备和存储介质
CN114596012A (zh) * 2022-05-10 2022-06-07 支付宝(杭州)信息技术有限公司 用于资源调度的方法、系统、装置和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏鹏等: "考虑风电高阶不确定性的分布式鲁棒优化调度模型", 《电工技术学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345388A (zh) * 2022-10-19 2022-11-15 山东省地质科学研究院 一种砂石资源供需精准分析方法及系统
CN115345388B (zh) * 2022-10-19 2023-01-17 山东省地质科学研究院 一种砂石资源供需精准分析方法及系统

Also Published As

Publication number Publication date
CN115081940B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Hua et al. Data-driven dynamical control for bottom-up energy Internet system
Bahmani-Firouzi et al. An efficient scenario-based and fuzzy self-adaptive learning particle swarm optimization approach for dynamic economic emission dispatch considering load and wind power uncertainties
Datta et al. A binary-real-coded differential evolution for unit commitment problem
Shukla et al. Clustering based unit commitment with wind power uncertainty
Kavousi-Fard A hybrid accurate model for tidal current prediction
Andervazh et al. Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants
WO2023134759A1 (zh) 数据处理方法及装置
Kaur et al. Smart grid energy management using rnn-lstm: A deep learning-based approach
Ali et al. Solution of constrained mixed‐integer multi‐objective optimal power flow problem considering the hybrid multi‐objective evolutionary algorithm
Zhao et al. Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration
CN112163715A (zh) 生成式对抗网络的训练方法及装置、电力负荷预测方法
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN115081940B (zh) 资源调度方法、电力资源分配方法以及装置
Zhao et al. A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks
CN116307211A (zh) 一种风电消纳能力预测及优化方法及系统
Wang et al. Fast optimal power flow with guarantees via an unsupervised generative model
Krishnasamy et al. A refined teaching-learning based optimization algorithm for dynamic economic dispatch of integrated multiple fuel and wind power plants
CN114153828A (zh) 光伏发电系统智能数据清洗方法与装置
Lin et al. Deep reinforcement learning and LSTM for optimal renewable energy accommodation in 5G internet of energy with bad data tolerant
Arshad et al. Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN)
Ge et al. Short‐term load forecasting of the integrated energy system considering the peak‐valley of load correlations
Niu et al. A novel social-environmental-economic dispatch model for thermal/wind power generation and application
Balaji et al. Deep Learning Based Energy Consumption Prediction on Internet of Things Environment.
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Li et al. Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant