CN117114363B - 配电网调控方法、装置、电子设备和计算机可读介质 - Google Patents

配电网调控方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN117114363B
CN117114363B CN202311353070.0A CN202311353070A CN117114363B CN 117114363 B CN117114363 B CN 117114363B CN 202311353070 A CN202311353070 A CN 202311353070A CN 117114363 B CN117114363 B CN 117114363B
Authority
CN
China
Prior art keywords
power
information set
information
power supply
distribution network
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.)
Active
Application number
CN202311353070.0A
Other languages
English (en)
Other versions
CN117114363A (zh
Inventor
董华
王玉帅
田锦锦
高媛
张震雷
薄洞
李赟
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.)
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network 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 State Grid Information and Telecommunication Co Ltd, Beijing Guodiantong Network Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202311353070.0A priority Critical patent/CN117114363B/zh
Publication of CN117114363A publication Critical patent/CN117114363A/zh
Application granted granted Critical
Publication of CN117114363B publication Critical patent/CN117114363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开的实施例公开了配电网调控方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对分布式电源档案信息集和分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；确定分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；生成电源渗透率数值集；对配电网信息进行集群划分，得到分布式电网信息集；对分布式电网信息进行电网负荷和发电量预测处理，得到配电网负荷信息集和发电量信息集；对分布式电源信息集进行聚类处理，得到电源聚类区域信息集；对电源聚类区域信息集对应的配电网进行动态调控。该实施方式可以更全面的、精准地对配电网进行调控，减少配电网的线损和电压变化，提高稳定性和安全性。

Description

配电网调控方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及配电网调控方法、装置、电子设备和计算机可读介质。
背景技术
随着自然环境的变化，以光伏、风力发电为代表的分布式电源作为清洁无污染的发电方式发挥着重要作用。由于分布式电源电压不稳定，接入配电网对配电网的规划和安全都有很大影响。对于配电网调控，通常采用的方式为：将分布式电源装机容量与配电网总发电容量的比值，确定为电源渗透率数值，并通过电源渗透率数值对配电网进行动态调控。
然而，发明人发现，当采用上述方式来调控配电网，经常会存在如下技术问题：
第一，由于分布式电源装机容量仅体现了分布式电源的发电机的额定有功功率，不能表现电网运行的真实状况，以及仅通过电源渗透率数值对配电网进行动态调控，考虑的影响因素不够全面，易造成电源渗透率数值的准确率较低，从而导致配电网的线损较高和电压波动较大。
第二，采用粒子群优化算法得到有功功率和无功功率对配电网进行调控，由于粒子群优化算法易陷入局部最优解，造成得到的有功功率和无功功率准确度较低，分布式电源接入配电网的容量较多，导致配电网的电压波动较大和线损较高，电网设备的损坏率较高。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了配电网调控方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种配电网调控方法，包括：获取分布式电源档案信息集、分布式电源电量信息集和配电网信息；对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集；根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集；对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集；对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集；对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。
第二方面，本公开的一些实施例提供了一种配电网调控装置，包括：获取单元，被配置成获取分布式电源档案信息集、分布式电源电量信息集和配电网信息；关键词匹配单元，被配置成对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；确定单元，被配置成根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；生成单元，被配置成根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集；集群划分单元，被配置成根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集；执行单元，被配置成对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集；对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集；对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的配电网调控方法可以通过分布式电源发电量、区域供电量和分布式电源消耗电量确定分布式电源渗透率，并通过分布式电源渗透率对配电网进行集群划分，以及负荷和发电量预测，可以对配电网进行精准调控，以及减少配电网的线损和电压变化，提高配电网的稳定性和安全性。具体来说，造成相关的配电网的线损较高和电压波动较大的原因在于：由于分布式电源装机容量仅体现了分布式电源的发电机的额定有功功率，不能表现电网运行的真实状况，以及仅通过电源渗透率数值对配电网进行动态调控，考虑的影响因素不够全面，易造成电源渗透率数值的准确率较低，从而导致配电网的线损较高和电压波动较大。基于此，本公开的一些实施例的配电网调控方法可以首先，获取分布式电源档案信息集、分布式电源电量信息集和配电网信息。在这里，分布式电源档案信息集、分布式电源电量信息集和配电网信息便于后续对信息进行关键词融合匹配。其次，对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集。在这里，关键词匹配可以对分散的信息进行融合，对配电网的现有状况有更全面地了解。再次，根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。在这里，便于后续电源渗透率数值的生成。接着，根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集。在这里，可以提高电源渗透率数值的准确性。然后，根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集。在这里，通过电源渗透率数值集进行集群划分可以对不同的电源渗透率数值下的配电网接入分布式电源的情况有更细致的了解，对后续不同的电源渗透率数值下的配电网采取不同的调控措施，可以提高配电网的稳定性和安全性。最后，对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集。在这里，电网负荷预测处理可以预测预测时间内配电网的负荷变动，可以提高对未来时间段内的配电网调控，提高配电网的稳定性和安全性。对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集。在这里，由于光伏发电具有间歇性和随机性，对发电量进行预测可以提前预知配电网的发电量，对分布式电源的接入可以进行更精准的把控，提高配电网的安全性和稳定性。对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集。在这里，聚类处理可以对分布式电源接入配电网的区域进行更细致的划分，以及对配电网进行更精准的调控。根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。在这里，可以提高配电网的稳定性和安全性，减少配电网的线损率和电压的波动性。由此可得，该配电网调控方法通过分布式发电量、供电量和消耗电量确定电源渗透率，并分布式电源发电量、区域供电量和分布式电源消耗电量确定分布式电源渗透率，并通过分布式电源渗透率对配电网进行集群划分，以及负荷和发电量预测，可以对配电网进行精准调控，以及减少配电网的线损和电压变化，提高配电网的稳定性和安全性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的配电网调控方法的一些实施例的流程图；
图2是根据本公开的配电网调控装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的配电网调控方法的一些实施例的流程100。该配电网调控方法，包括以下步骤：
步骤101，获取分布式电源档案信息集、分布式电源电量信息集和配电网信息。
在一些实施例中，上述配电网调控方法的执行主体（例如电子设备）可以通过有线连接方式或者无线连接方式从本地电网数据库中获取分布式电源档案信息集、分布式电源电量信息集和配电网信息。其中，上述分布式电源档案信息集中的分布式电源档案信息可以是用于记录分布式电源的基本信息和维修信息的文档信息。上述分布式电源可以是利用光伏进行发电的电源。上述基本信息可以包括但不限于以下至少一项：位置信息、编号、生产信息。上述分布式电源电量信息集中的分布式电源电量信息可以是关于分布式电源的电量信息。上述电量信息可以包括但不限于以下至少一项：分布式电源的总发电量、接入配电网的电量和分布式电源自身消耗的电量。上述配电网信息可以是接收发电厂发或者输电网发送的电量、并通过配电设备分配电量的电力网的信息。
步骤102，对分布式电源档案信息集和分布式电源电量信息集进行关键词匹配处理，得到匹配后电源信息集。
在一些实施例中，上述执行主体可以对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集。其中，上述匹配后电源信息集中的匹配后电源信息可以是将分布式电源档案信息和分布式电源电量信息进行整合得到的信息。上述关键词匹配处理可以是通过分布式电源的编号，对上述分布式电源档案信息集和分布式电源电量信息集进行整合的处理。
步骤103，根据匹配后电源信息集，确定配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。
在一些实施例中，上述执行主体可以根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。其中，上述台区信息集中的台区信息可以是一台电力变压器可以进行供电的区域范围信息。上述台区信息可以包括但是不限于以下至少一项：台区包括的分布式电源的数量、台区内分布式电源集的总发电量、台区内分布式电源的电池板产生的额定功率的总和。上述分布式电源消耗电量信息集中的分布式电源消耗电量信息可以是台区内包括的分布式电源集的发电设备自发自用消耗的电量信息。上述区域供电量信息集中的区域供电量信息可以是台区内输送至用电用户集的电量总和的信息。上述分布式电源发电量信息集中的分布式电源发电量信息可以是台区内分布式电源集的发电设备的总发电量信息。
作为示例，通过查询语句，从上述匹配后电源信息集中查询出配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。
步骤104，根据分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集，生成电源渗透率数值集。
在一些实施例中，上述执行主体可以根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集。其中，上述电源渗透率数值集中的电源渗透率数值可以是表征台区内分布式电源产生的电量占配电网总发电量的百分比。
作为示例，上述执行主体可以对于台区信息集的台区信息，执行以下确定步骤：将区域供电量信息对应的供电量与分布式电源消耗电量信息对应的耗电量的和确定为目标发电量。将分布式电源发电量信息对应的分布式电源发电量与上述目标发电量的比值，确定为分布式电源渗透率，作为电源渗透率数值。
步骤105，根据电源渗透率数值集，对配电网信息对应的配电网进行集群划分，得到分布式电网信息集。
在一些实施例中，上述执行主体可以根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集。其中，上述分布式电网信息集中的分布式电网信息可以是不同电源渗透率数值对应的台区信息集的信息。
作为示例，上述执行主体可以首先，从上述电源渗透率数值集中筛选出大于百分之六十的电源渗透率数值集，作为第一分布式电网信息。其中，上述第一分布式电网信息表征电源渗透率数值接近饱和，与配电网承载能力协调性较好，可少量适度地接入分布式电源。其次，从上述电源渗透率数值集中筛选出大于百分之三十小于等于百分之六十的电源渗透率数值集，作为第二分布式电网信息。其中，上述第二分布式电网信息可以表征分布式电源与配电网承载能力协调性较好，可接入配电网的分布式电源比较充足。再次，从上述电源渗透率数值集中筛选出大于百分之十小于等于百分之三十的电源渗透率数值集，作为第三分布式电网信息。其中，上述第三分布式电网信息可以表征需要提高分布式电源与配电网承载能力的协调性，加大分布式电源的接入。然后，从上述电源渗透率数值集中筛选出小于等于百分之十的电源渗透率数值集，作为第四分布式电网信息。其中，上述第四分布式电网信息可以表征分布式电源接入配电网的发展受阻，需要对配电网结构进行调控。最后，将上述第一分布式电网信息、上述第二分布式电网信息、上述第三分布式电网信息和上述第四分布式电网信息，确定为分布式电网信息集。
步骤106，对于分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：
步骤1061，对分布式电网信息对应的历史配电网负荷信息集进行负荷预测处理，得到待预测时间段对应的配电网负荷信息集。
在一些实施例中，上述执行主体可以对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集。其中，上述历史配电网负荷信息集可以是截止到当前时间之前的配电网的负荷变化信息。上述配电网负荷可以表征配电网电路中的电功率。上述配电网负荷信息集中的配电网负荷信息可以是预测的待预测时间段内的配电网电路中的电功率的信息。上述电网负荷预测处理可以是利用联邦学习算法进行的预测。
在一些实施例的一些可选的实现方式中，上述执行主体可以对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集，可以包括以下步骤：
第一步，对上述历史配电网负荷信息集进行频域分解处理，得到日周期分量信息集、周周期分量信息集、低频负荷分量信息集和高频负荷分量信息集。其中，上述日周期分量信息集中的日周期分量信息可以表针电网负荷的固定变化周期为天的变化分量信息。上述周周期分量信息集中的周周期分量信息可以表征电网负荷的固定变化周期为周的变化分量信息。上述低频负荷分量信息集中的低频负荷分量信息可以表征电网负荷变化比较平滑，负荷变化频率低于预设频域阈值的频率对应的负荷信息。上述预设频域阈值可以根据具体情况确定，在此不作限定。上述高频负荷分量信息集中的高频负荷分量信息可以表征电网负荷变化较快、负荷变化频率高于预设频域阈值的频率对应的负荷信息。上述频域分解处理可以是基于傅里叶变换的频域分解处理。
第二步，将上述日周期分量信息集和上述周周期分量信息集分别输入至隐藏层，得到第一日周期分量特征向量集和第一周周期分量特征向量集。其中，上述隐藏层可以是包括11个神经元的、激活函数为Tansig（双曲正切函数）的隐藏层。上述第一日周期分量特征向量集中的第一日周期分量特征向量可以是表征日周期分量信息的非线性特征向量。上述第一周周期分量特征向量集中的第一周周期分量特征向量可以是表征周周期分量信息的非线性特征向量。
第三步，将上述第一日周期分量特征向量集和上述第一周周期分量特征向量集分别输入至承接层，得到第二日周期分量特征向量集和第二周周期分量特征向量集。其中，上述第二日周期分量特征向量集中的第二日周期分量特征向量可以是表征日周期分量信息的时序关系的特征向量。上述第二周周期分量特征向量集中的第二周周期分量特征向量可以是表征周周期分量信息的时序关系的特征向量。
第四步，将上述第二日周期分量特征向量集和上述第二周周期分量特征向量集输入至输出层，得到日配电网负荷信息集和周配电网负荷信息集。其中，上述输出层可以是包括一个神经元的、激活函数是Purelin函数的输出层。上述日配电网负荷信息集可以是预测的预测时间段内的日周期分量信息集。上述周配电网负荷信息集可以是预测的预测时间段内的周周期分量信息集。
第五步，对上述低频负荷分量信息集进行预测处理，得到低频配电网负荷信息集。其中，上述低频配电网负荷信息集中的低频配电网负荷信息可以是预测的预测时间段内的低频负荷分量信息集。上述预测处理可以是利用线性回归模型进行的预测处理。
第六步，对上述高频负荷分量信息集进行滤波分解处理，得到滤波后负荷分量信息集。其中，上述滤波分解处理可以是利用一维小波变换进行的滤波处理。
第七步，将上述滤波后负荷分量信息集输入至预测模型，得到高频配电网负荷信息集。其中，上述预测模型可以是Elman模型。上述高频配电网负荷信息集可以是预测的预测时间段内高频负荷分量信息集。
第八步，将上述日配电网负荷信息集、上述周配电网负荷信息集、上述低频配电网负荷信息集和上述高频配电网负荷信息集进行组合处理，得到待预测时间段对应的配电网负荷信息集。
步骤1062，对分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到待预测时间段对应的发电量信息集。
在一些实施例中，上述执行主体可以对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集。其中，上述历史发电量信息集中的历史发电量信息可以是截止到当前时间之前的分布式电网信息包括的分布式电源产生的发电量的信息。上述发电量预测处理可以是利用卷积神经网络进行的发电量的预测。
在一些实施例的一些可选的实现方式中，上述执行主体可以对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集，可以包括以下步骤：
第一步，获取上述待预测时间段对应的环境信息集。其中，上述环境信息集中的环境信息可以是太阳光照时长、太阳光照强度、温度信息和湿度信息。
第二步，从上述历史发电量信息集中筛选出与上述环境信息集对应的历史发电量信息集，作为目标历史发电量信息集。
第三步，对上述目标历史发电量信息集进行分类处理，得到分类后发电量信息组集。其中，上述分类处理可以是按照环境信息集进行的分类。上述分类后发电量信息组集中的分类后发电量信息组可以是同一类环境信息对应的历史发电量信息组。
第四步，对于上述分类后发电量信息组集中的每个分类后发电量信息组，执行以下预测步骤：
第一子步骤，对上述分类后发电量信息组进行归一化处理，得到归一化后发电量信息组。
第二子步骤，对上述归一化后发电量信息组进行异常数据清洗处理，得到清洗后发电量信息组。其中，上述清洗后发电量信息组可以是去除异常发电信息后得到的历史发电量信息组。上述异常发电信息可以是离散点对应的发电量信息。上述异常数据清洗处理可以是利用孤立森林算法进行异常数据清洗处理。
第三子步骤，对上述清洗后发电量信息组进行预测处理，得到上述待预测时间段对应的发电量信息。其中，上述预测处理可以是利用发电量预测模型进行的预测。上述发电量预测模型可以采用Stacking集成模型融合方法融合TCN（Temporal ConvolutionalNetwork，时间卷积神经网络）、XGBoost（eXtreme Gradient Boosting）、LightGBM（LightGradient Boosting Machine）和长短期记忆神经网络的融合模型。上述TCN、XGBoost和LightGBM作为Stacking集成模型的第一层模型。上述长短期记忆神经网络作为第二层模型。
步骤1063，对分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集。
在一些实施例中，上述执行主体可以对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集。其中，上述电源聚类区域信息集中的电源聚类区域信息可以是包括多个分布式电源信息集的区域信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集，可以包括以下步骤：
第一步，从上述分布式电源信息集中筛选出第一预设阈值个分布式电源信息，作为初始电源聚类中心集。其中，上述第一预设阈值可以表征分布式电源信息集聚类得到的聚类数量。上述第一预设阈值可以根据实际情况确定。
作为示例，上述执行主体可以采用肘部法，从上述分布式电源信息集中筛选出第一预设阈值个分布式电源信息，作为初始电源聚类中心集。
第二步，基于初始电源聚类中心集，执行以下聚类中心确定步骤：
第一子步骤，确定上述分布式电源信息集中每个分布式电源信息与初始电源聚类中心集中每个初始电源聚类中心的电源阻抗距离数值，得到电源阻抗距离数值集。其中，上述电源阻抗距离数值集中的电源阻抗距离数值可以表征任意两个分布式电源之间的阻抗距离、有功功率和无功功率。上述有功功率表征分布式电源对应的设备运转消耗的电功率。上述无功功率表征分布式电源将电能与磁场能力进行转换的功率值。
作为示例，上述执行主体可以第一步，通过注入虚拟电流，将上述分布式电源信息集对应的电压差值集与上述虚拟电流的比值，确定为电源阻抗矩阵。其中，上述电压差值集中的电压差值可以是分布式电源信息集中任意两个分布式电源之间的电压差。第二步，对于上述去除分布式电源信息集中每个去除分布式电源信息与上述初始电源聚类中心集中每个初始电源聚类中心，执行以下步骤：首先，从上述电源阻抗矩阵中选取出上述去除分布式电源信息和上述初始电源聚类中心对应的互阻抗集和自阻抗集。其中，上述互阻抗集包括：去除分布式电源信息至初始电源聚类中心的电源阻抗、初始电源聚类中心至去除分布式电源信息的电源阻抗。上述自阻抗集包括：初始电源聚类中心的电源阻抗、去除分布式电源信息的电源阻抗。其次，将自阻抗集的和与互阻抗集的和的差值，确定为电源等效阻抗。接着，利用牛顿-拉夫逊潮流算法，对上述分布式电源信息集进行潮流计算，得到雅可比矩阵。随后，从上述雅可比矩阵的逆矩阵中选取出去除分布式电源信息的电压与初始电源聚类中心的有功功率的偏导，作为有功灵敏度。从上述雅可比矩阵的逆矩阵中选取出去除分布式电源信息的电压与初始电源聚类中心的无功功率的偏导，作为无功灵敏度。之后，确定每个去除分布式电源信息与初始电源聚类中心的有功功率的偏导的和，作为目标有功灵敏度。确定每个去除分布式电源信息与初始电源聚类中心的无功功率的偏导的和，作为目标无功灵敏度。然后，将上述有功灵敏度与上述目标有功灵敏度的比值，确定为有功电压影响因子。将上述无功灵敏度与上述目标无功灵敏度的比值，确定为无功电压影响因子。最后，将第一权重因子与上述有功电压影响因子的乘积、与第二权重因子与上述无功电压影响因子的乘积的和，确定为电源阻抗距离数值。其中，上述第一权重因子可以是上述电源等效阻抗的实部。上述第二权重因子可以是上述电源等效阻抗的虚部对应的数值。
第二子步骤，根据电源阻抗距离数值集，确定上述分布式电源信息集中每个分布式电源信息对应的初始电源聚类中心，得到初始电源聚类中心集对应的初始电源类簇信息集。其中，上述初始区域信息集中的初始区域信息可以是以上述初始电源聚类中心，包括去除分布式电源信息子集的区域信息。
作为示例，上述执行主体可以首先，从上述电源阻抗距离数值集中选取出每个去除分布式电源信息与上述初始电源聚类中心集的电源阻抗距离数值组，得到电源阻抗距离数值组集。然后，确定上述电源阻抗距离数值组集中每个电源阻抗距离数值组中最小的电源阻抗距离数值，得到目标阻抗距离数值集。最后，将上述目标阻抗距离数值集对应的初始电源聚类中心集，确定为每个去除分布式电源信息对应的初始电源聚类中心，得到初始电源类簇信息集。
第三子步骤，确定初始电源类簇信息集中每个初始电源类簇信息包括的初始电源聚类中心和分布式电源信息集之间的电源阻抗距离数值集的平均值，以生成电源阻抗距离平均值，得到电源阻抗距离平均值集。其中，上述分布式电源信息集可以是从上述初始电源类簇信息包括的分布式电源信息集中去除初始电源聚类中心对应的分布式电源信息后的分布式电源信息集。
第四子步骤，将电源阻抗距离平均值集对应的位置信息集，确定为更新后电源聚类中心集。
第五子步骤，响应于确定更新后电源聚类中心集与初始电源聚类中心集相同，将初始电源类簇信息集确定为电源聚类区域信息集。
第三步，响应于确定更新后电源聚类中心集与初始电源聚类中心集不相同，将更新后电源聚类中心集确定为初始电源聚类中心集，以及再次执行上述聚类中心确定步骤。
可选地，上述第一预设阈值是通过以下步骤得到的：
第一步，对上述分布式电源信息集包括的分布式电源信息的聚类数目进行开平方运算，得到目标聚类数目。
第二步，将上述聚类数目的初始值设置为第二预设阈值。其中，上述第二预设阈值可以是1。
第三步，基于聚类数目，执行以下聚类平均评估系数筛选步骤：
第一子步骤，根据上述聚类数目，对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源候选聚类区域信息集。其中，上述电源候选聚类区域信息集中的电源候选聚类区域信息可以是每个聚类中心包括的分布式电源信息对应的区域信息集。上述电源候选聚类区域信息集包括的电源候选聚类区域信息的数目为聚类数目。
作为示例，上述执行主体可以首先，从上述分布式电源信息集中随机选择聚类数目个初始聚类中心，作为目标初始聚类中心集。然后，利用K均值聚类算法，对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源候选聚类区域信息集。
第二子步骤，对于电源候选聚类区域信息集中的每个电源候选聚类区域信息，执行以下聚类评估系数生成步骤：
子步骤1，将电源候选聚类区域信息对应的电源聚类中心与电源候选聚类区域信息包括的分布式电源信息集中每个分布式电源信息的电源阻抗距离集的平均值，确定为电源簇内阻抗距离数值。
子步骤2，从电源候选聚类区域信息集去除电源候选聚类区域信息，得到去除电源候选聚类区域信息集。
子步骤3，将电源聚类中心与去除电源候选聚类区域信息集中每个去除电源候选聚类区域信息包括的分布式电源信息集的电源阻抗聚类集的平均值集，确定为电源簇间阻抗距离数值集。
子步骤4，从电源簇间阻抗距离数值集中筛选出满足第一预设条件的电源簇间阻抗距离数值，作为目标电源簇间阻抗距离数值。其中，上述第一预设条件可以是筛选出最小的电源簇间阻抗距离数值。
子步骤5，根据电源簇内阻抗距离数值和目标电源簇间阻抗距离数值，生成聚类评估系数。其中，上述聚类评估系数可以表征每个电源候选聚类区域信息的聚类效果。上述聚类评估系数越大，聚类效果越好。
作为示例，上述执行主体可以将上述电源簇内阻抗距离数值与上述目标电源簇间阻抗距离数值的差值，确定为电源阻抗差值。然后，从上述电源簇内阻抗距离数值与上述目标电源簇间阻抗距离数值中筛选出数值小的阻抗距离数值，得到目标阻抗数值。最后，将上述电源阻抗差值与目标阻抗数值的比值，确定为聚类评估系数。
第三子步骤，确定所得到的聚类评估系数集的平均值，作为聚类平均评估系数。其中，上述聚类平均评估系数可以表征将上述分布式电源信息集聚类为第二预设阈值个类簇的聚类效果。聚类平均评估系数越大对应的聚类数目的聚类效果越好。
第四子步骤，将上述聚类平均评估系数添加至预设聚类平均评估系数序列，得到目标聚类平均评估系数序列。其中，上述预设聚类平均评估系数序列可以是预先设计的、用于存储上述聚类平均评估系数的序列。
第五子步骤，响应于确定聚类数目大于等于上述目标聚类数目，从目标聚类平均评估系数序列中筛选出满足第二预设条件的聚类平均评估系数对应的聚类数目，作为上述第一预设阈值。其中，上述第二预设条件可以是筛选出数值最大的聚类平均评估系数。
第四步，响应于确定聚类数目小于上述目标聚类数目，将聚类数目与上述第二预设阈值的和确定为聚类数目，以及再次执行上述聚类平均评估系数筛选步骤。
步骤1064，根据配电网负荷信息集和发电量信息集，对电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。
在一些实施例中，上述执行主体可以根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。其中，上述动态调控可以包括以下至少一项：线路切换、分布式电源接入量的调控。
作为示例，上述执行主体可以利用秃鹰搜索优化算法，根据配电网负荷信息集和发电量信息集，对电源聚类区域信息集对应的配电网进行动态调控。
在一些实施例的一些可选的实现方式中，上述执行主体可以根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控，可以包括以下步骤：
第一步，对上述分布式电网信息进行拓扑图构建，得到配电网拓扑图。其中，上述配电网拓扑图表征上述分布式电网信息包括的电源信息集之间的连接关系。上述电源信息集包括分布式电源信息集和上述分布式电网信息中原有的电源信息集。上述拓扑图中的节点对应分布式电网信息中的电源信息集。上述拓扑图中的边对应分布式电网信息中任意两个电源信息之间是否具有连接关系。
第二步，根据上述配电网拓扑图、上述配电网负荷信息集和上述发电量信息集，对上述分布式电网信息对应的配电网进行潮流计算，得到配电网包括的分布式电源信息集的有功功率集和无功功率集。
作为示例，上述执行主体可以利用牛顿-拉夫逊算法，根据上述配电网拓扑图、上述配电网负荷信息集和上述发电量信息集，对上述分布式电网信息对应的配电网进行潮流计算，得到配电网包括的分布式电源信息集的有功功率集和无功功率集。
第三步，对于上述电源聚类区域信息集中的每个电源聚类区域信息，执行以下调控步骤：
第一子步骤，将上述电源聚类区域信息包括的分布式电源信息集对应的有功功率集和上述无功功率集确定为粒子群。
第二子步骤，构建粒子群的粒子群适应度函数。其中，上述粒子群适应度函数可以是电源聚类区域信息内的电压偏差最小和电源聚类区域信息的线损值最小组成的函数。上述粒子群适应度函数还包括约束条件集。上述约束条件集可以包括：有功功率和无功功率的最大值和最小值的约束、配电网潮流约束和分布式电源对应的设备的功率因数角的约束。上述功率因数角的取值范围可以是[-25.84°，25.84°]。
第三子步骤，对上述粒子群进行初始化，得到初始化粒子群。其中，上述初始化粒子群的位置可以是上述有功功率和无功功率。上述初始化粒子群的速度均为0。上述初始化粒子群的数量是上述电源聚类区域信息包括的分布式电源信息集包括的分布式电源信息的数量的二倍。
第四子步骤，基于上述初始化粒子群，执行以下粒子群更新步骤：
子步骤1，确定上述粒子群更新步骤的已执行次数。
子步骤2，将上述初始化粒子群代入至上述粒子群适应度函数中，得到第一适应度数值集。
子步骤3，从上述第一适应度数值集中筛选出数值最大的第一适应度数值对应的位置，作为集群目标位置，以及将上述第一适应度数值集对应的位置作为上述粒子群中每个粒子群的目标位置，得到目标位置集。
子步骤4，根据上述集群目标位置和上述目标位置集，对上述初始化粒子群的初始位置集和初始速度集进行更新，得到更新后位置集和更新后速度集。其中，上述速度集更新可以是利用布谷鸟优化算法中的莱维飞行策略和粒子群优化算法中的速度更新函数进行的更新。上述位置集更新可以是利用粒子群优化算法中的位置更新函数进行的更新。
作为示例，上述执行主体可以首先，对布谷鸟优化算法中的莱维飞行策略和粒子群优化算法中的速度更新函数进行组合处理，得到组合后更新函数。然后，利用上述组合后更新函数，对上述速度集进行更新，得到更新后速度集。最后，利用粒子群优化算法中的位置更新函数，对上述位置集进行更新，得到更新后位置集。
子步骤5，将上述更新后位置集和上述更新后位置集对应的更新后粒子群输入至上述粒子群适应度函数中，得到第二适应度数值集。其中，上述更新后粒子群中的每个更新后粒子可以是上述更新后位置集中的每个更新后位置与对应的速度对应的粒子。
子步骤6，根据上述第一适应度数值集和上述第二适应度数值集，对上述更新后粒子群进行筛选处理，得到筛选后集群位置和筛选后位置集。其中，上述筛选后位置集中的筛选后位置可以是上述第一适应度和上述第二适应度数值较大的适应度对应的位置。上述更新后集群位置可以是上述第一适应度数值集和上述第二适应度数值集中适应度数值最大的适应度数值对应的位置。
作为示例，上述执行主体可以首先，对上述第一适应度数值集中的每个第一适应度数值与上述第二适应度数值集中对应的第二适应度数值进行对比，得到对比结果集。其次，从上述对比结果集中筛选出第一适应度数值大于等于第二适应度数值的对比结果集，作为目标对比结果集。再次，将上述目标对比结果集对应的第一适应度数值集和剩余对比结果集对应的第二适应度数值集，确定为目标适应度数值集。然后，将上述目标适应度数值集对应的位置和速度确定为筛选后位置集和筛选后速度集。最后，从上述目标适应度数值集中筛选出数值最大的目标适应度数值对应的位置，作为更新后集群位置。
子步骤7，响应于确定上述已执行次数超过预设执行阈值，将筛选后位置集对应的有功功率集和无功功率集确定为目标有功功率集和目标无功功率集。其中，上述预设执行阈值可以是预先设定的执行次数。例如，上述预设执行阈值可以是100。
第五子步骤，响应于确定上述已执行次数未超过预设执行阈值，将上述更新后位置集、上述更新后速度集确定为初始化粒子群的位置集和速度集，以及再次执行上述粒子群更新步骤。
第六子步骤，根据上述目标有功功率集和上述目标无功功率集，对电源聚类区域信息对应的配电网进行动态调控。
作为示例，上述执行主体可以通过上述目标有功功率集和上述目标无功功率集，确定上述配电网的电压变化范围和配电网的线损，以及控制分布式电源信息集接入到配电网中的电源和接入方式。
上述第一步至第六子步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“采用粒子群优化算法得到有功功率和无功功率对配电网进行调控，由于粒子群优化算法易陷入局部最优解，造成得到的有功功率和无功功率准确度较低，分布式电源接入配电网的容量较多，导致配电网的电压波动较大和线损较高，电网设备的损坏率较高”。导致配电网的电压波动较大和线损较高，电网设备的损坏率较高的因素往往如下：采用粒子群优化算法得到有功功率和无功功率对配电网进行调控，由于粒子群优化算法易陷入局部最优解，造成得到的有功功率和无功功率准确度较低。如果解决了上述因素，就能达到稳定配电网的电压波动、降低线损和电网设备的损坏率的效果。为了达到这一效果，本公开首先，对分布式电网信息进行潮流计算，可以了解集群内分布式电源接入配电网后配电网的运行状况，便于后续对配电网进行集群内外的调控。然后，以最小线损和最小电压偏差为适应度函数，利用布谷鸟优化算法中的莱维飞行策略，对将粒子群优化算法中粒子群速度更新函数进行改进，可以提高粒子群的寻优能力、收敛速度和跳出局部最优质值，减少内存资源的浪费，得到最优的分布式电源的有功功率和无功功率。最后，通过调节分布式电源的有功功率和无功功率，可以对配电网接入的分布式电源进行有效调控，解决分布式电源接入配电网后配电网的电压不稳定和不安全，减少配电网线损率，减少电网设备的损坏率。
可选地，在上述根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控之后，上述执行主体还可以执行以下步骤：
第一步，响应于确定上述分布式电网信息对应的配电网发生故障，获取上述分布式电网信息对应的配电网的监控信息，得到监控信息集。其中，上述监控信息集中的监控信息可以是用于监控配电网的运行状态的信息。上述监控信息集中的监控信息可以表征配电网中各个电力设备的运行状态的信息。
第二步，对上述监控信息集进行预处理，得到预处理后监控信息集。其中，上述预处理可以包括以下至少一项：去停用词、关键词提取。
第三步，对上述预处理后监控信息集进行故障检测处理，得到故障区段信息集，以及根据上述故障区段信息集，对上述分布式电网信息进行动态调控。其中，上述故障区段信息集中的故障区段信息可以是配电网中各个电力设备之间的线路对应的区域信息。上述各个电力设备中的电力设备可以是以下至少一项：配电网中断路器、分布式电源、电路开关和电网补偿设置。
作为示例，上述执行主体可以首先，利用改进的秃鹰搜索优化算法，对上述预处理后监控信息集进行故障检测处理，得到故障区段信息集。其中，上述改进的秃鹰搜索优化算法可以是利用混沌映射算法的均匀分布特性生成初始化种群、通过交叉和非均匀变异增强秃鹰搜索优化算法的全局搜索能力、通过翻筋斗觅食策略改进秃鹰搜索优化算法中的位置更新函数的优化算法。然后，确定上述故障区段信息集中每个故障区段信息的故障类型，得到故障类型集。最后，通过上述故障类型集，对上述分布式电源信息进行动态调控。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的配电网调控方法可以通过分布式电源发电量、区域供电量和分布式电源消耗电量确定分布式电源渗透率，并通过分布式电源渗透率对配电网进行集群划分，以及负荷和发电量预测，可以对配电网进行精准调控，以及减少配电网的线损和电压变化，提高配电网的稳定性和安全性。具体来说，造成相关的配电网的线损较高和电压波动较大的原因在于：由于分布式电源装机容量仅体现了分布式电源的发电机的额定有功功率，不能表现电网运行的真实状况，以及仅通过电源渗透率数值对配电网进行动态调控，考虑的影响因素不够全面，易造成电源渗透率数值的准确率较低，从而导致配电网的线损较高和电压波动较大。基于此，本公开的一些实施例的配电网调控方法可以首先，获取分布式电源档案信息集、分布式电源电量信息集和配电网信息。在这里，分布式电源档案信息集、分布式电源电量信息集和配电网信息便于后续对信息进行关键词融合匹配。其次，对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集。在这里，关键词匹配可以对分散的信息进行融合，对配电网的现有状况有更全面地了解。再次，根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。在这里，便于后续电源渗透率数值的生成。接着，根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集。在这里，可以提高电源渗透率数值的准确性。然后，根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集。在这里，通过电源渗透率数值集进行集群划分可以对不同的电源渗透率数值下的配电网接入分布式电源的情况有更细致的了解，对后续不同的电源渗透率数值下的配电网采取不同的调控措施，可以提高配电网的稳定性和安全性。最后，对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集。在这里，电网负荷预测处理可以预测预测时间内配电网的负荷变动，可以提高对未来时间段内的配电网调控，提高配电网的稳定性和安全性。对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集。在这里，由于光伏发电具有间歇性和随机性，对发电量进行预测可以提前预知配电网的发电量，对分布式电源的接入可以进行更精准的把控，提高配电网的安全性和稳定性。对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集。在这里，聚类处理可以对分布式电源接入配电网的区域进行更细致的划分，以及对配电网进行更精准的调控。根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。在这里，可以提高配电网的稳定性和安全性，减少配电网的线损率和电压的波动性。由此可得，该配电网调控方法通过分布式发电量、供电量和消耗电量确定电源渗透率，并分布式电源发电量、区域供电量和分布式电源消耗电量确定分布式电源渗透率，并通过分布式电源渗透率对配电网进行集群划分，以及负荷和发电量预测，可以对配电网进行精准调控，以及减少配电网的线损和电压变化，提高配电网的稳定性和安全性。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种配电网调控装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该配电网调控装置具体可以应用于各种电子设备中。
如图2所示，一种配电网调控装置200包括：获取单元201、关键词匹配单元202、确定单元203、生成单元204、集群划分单元205和执行单元206。其中，获取单元201被配置成：获取分布式电源档案信息集、分布式电源电量信息集和配电网信息。关键词匹配单元202被配置成：对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集。确定单元203被配置成：根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集。生成单元204被配置成：根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集。集群划分单元205被配置成：根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集。执行单元206被配置成：对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集；对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集；对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。
可以理解的是，配电网调控装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于配电网调控装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，电子设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取分布式电源档案信息集、分布式电源电量信息集和配电网信息；对上述分布式电源档案信息集和上述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；根据上述匹配后电源信息集，确定上述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；根据上述分布式电源发电量信息集、上述区域供电量信息集和上述分布式电源消耗电量信息集，生成电源渗透率数值集；根据上述电源渗透率数值集，对上述配电网信息对应的配电网进行集群划分，得到分布式电网信息集；对于上述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对上述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集；对上述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到上述待预测时间段对应的发电量信息集；对上述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；根据上述配电网负荷信息集和上述发电量信息集，对上述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、关键词匹配单元、确定单元、生成单元、集群划分单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取分布式电源档案信息集、分布式电源电量信息集和配电网信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种配电网调控方法，包括：
获取分布式电源档案信息集、分布式电源电量信息集和配电网信息；
对所述分布式电源档案信息集和所述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；
根据所述匹配后电源信息集，确定所述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；
根据所述分布式电源发电量信息集、所述区域供电量信息集和所述分布式电源消耗电量信息集，生成电源渗透率数值集；
根据所述电源渗透率数值集，对所述配电网信息对应的配电网进行集群划分，得到分布式电网信息集；
对于所述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：
对所述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集，其中，所述对所述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集，包括：
对所述历史配电网负荷信息集进行频域分解处理，得到日周期分量信息集、周周期分量信息集、低频负荷分量信息集和高频负荷分量信息集；
将所述日周期分量信息集和所述周周期分量信息集分别输入至隐藏层，得到第一日周期分量特征向量集和第一周周期分量特征向量集；
将所述第一日周期分量特征向量集和所述第一周周期分量特征向量集分别输入至承接层，得到第二日周期分量特征向量集和第二周周期分量特征向量集；
将所述第二日周期分量特征向量集和所述第二周周期分量特征向量集输入至输出层，得到日配电网负荷信息集和周配电网负荷信息集；
对所述低频负荷分量信息集进行预测处理，得到低频配电网负荷信息集；
对所述高频负荷分量信息集进行滤波分解处理，得到滤波后负荷分量信息集；
将所述滤波后负荷分量信息集输入至预测模型，得到高频配电网负荷信息集；
将所述日配电网负荷信息集、所述周配电网负荷信息集、所述低频配电网负荷信息集和所述高频配电网负荷信息集进行组合处理，得到待预测时间段对应的配电网负荷信息集；
对所述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到所述待预测时间段对应的发电量信息集；
对所述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；
根据所述配电网负荷信息集和所述发电量信息集，对所述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控，其中，所述根据所述配电网负荷信息集和所述发电量信息集，对所述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控，包括：
对所述分布式电网信息进行拓扑图构建，得到配电网拓扑图；
根据所述配电网拓扑图、所述配电网负荷信息集和所述发电量信息集，对所述分布式电网信息对应的配电网进行潮流计算，得到配电网包括的分布式电源信息集的有功功率集和无功功率集；
对于所述电源聚类区域信息集中的每个电源聚类区域信息，执行以下调控步骤：
将所述电源聚类区域信息包括的分布式电源信息集对应的有功功率集和所述无功功率集确定为粒子群；
构建粒子群的粒子群适应度函数，其中，所述粒子群适应度函数是电源聚类区域信息内的电压偏差最小和电源聚类区域信息的线损值最小组成的函数，所述粒子群适应度函数还包括约束条件集，所述约束条件集包括：有功功率和无功功率的最大值和最小值的约束、配电网潮流约束和分布式电源对应的设备的功率因数角的约束；
对所述粒子群进行初始化，得到初始化粒子群；
基于所述初始化粒子群，执行以下粒子群更新步骤：
确定所述粒子群更新步骤的已执行次数；
将所述初始化粒子群代入至所述粒子群适应度函数中，得到第一适应度数值集；
从所述第一适应度数值集中筛选出数值最大的第一适应度数值对应的位置，作为集群目标位置，以及将所述第一适应度数值集对应的位置集作为所述粒子群中每个粒子群的目标位置，得到目标位置集；
根据所述集群目标位置和所述目标位置集，对所述初始化粒子群的初始位置集和初始速度集进行更新，得到更新后位置集和更新后速度集，其中，速度集更新是利用布谷鸟优化算法中的莱维飞行策略和粒子群优化算法中的速度更新函数进行的更新，位置集更新是利用粒子群优化算法中的位置更新函数进行的更新；
将所述更新后位置集和所述更新后速度集对应的更新后粒子群输入至所述粒子群适应度函数中，得到第二适应度数值集；
根据所述第一适应度数值集和所述第二适应度数值集，对所述更新后粒子群进行筛选处理，得到筛选后集群位置和筛选后位置集；
响应于确定所述已执行次数超过预设执行阈值，将筛选后位置集对应的有功功率集和无功功率集确定为目标有功功率集和目标无功功率集；
响应于确定所述已执行次数未超过预设执行阈值，将所述更新后位置集、所述更新后速度集确定为初始化粒子群的位置集和速度集，以及再次执行所述粒子群更新步骤；
根据所述目标有功功率集和所述目标无功功率集，对电源聚类区域信息对应的配电网进行动态调控。
2.根据权利要求1所述的方法，其中，在所述根据所述配电网负荷信息集和所述发电量信息集，对所述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控之后，所述方法还包括：
响应于确定所述分布式电网信息对应的配电网发生故障，获取所述分布式电网信息对应的配电网的监控信息，得到监控信息集；
对所述监控信息集进行预处理，得到预处理后监控信息集；
对所述预处理后监控信息集进行故障检测处理，得到故障区段信息集，以及根据所述故障区段信息集，对所述分布式电网信息进行动态调控。
3.根据权利要求1所述的方法，其中，所述对所述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到所述待预测时间段对应的发电量信息集，包括：
获取所述待预测时间段对应的环境信息集；
从所述历史发电量信息集中筛选出与所述环境信息集对应的历史发电量信息集，作为目标历史发电量信息集；
对所述目标历史发电量信息集进行分类处理，得到分类后发电量信息组集；
对于所述分类后发电量信息组集中的每个分类后发电量信息组，执行以下预测步骤：
对所述分类后发电量信息组进行归一化处理，得到归一化后发电量信息组；
对所述归一化后发电量信息组进行异常数据清洗处理，得到清洗后发电量信息组；
对所述清洗后发电量信息组进行预测处理，得到所述待预测时间段对应的发电量信息。
4.根据权利要求1所述的方法，其中，所述对所述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集，包括：
从所述分布式电源信息集中筛选出第一预设阈值个分布式电源信息，作为初始电源聚类中心集；
基于初始电源聚类中心集，执行以下聚类中心确定步骤：
确定所述分布式电源信息集中每个分布式电源信息与初始电源聚类中心集中每个初始电源聚类中心的电源阻抗距离数值，得到电源阻抗距离数值集；
根据电源阻抗距离数值集，确定所述分布式电源信息集中每个分布式电源信息对应的初始电源聚类中心，得到初始电源聚类中心集对应的初始电源类簇信息集；
确定初始电源类簇信息集中每个初始电源类簇信息包括的初始电源聚类中心和分布式电源信息集之间的电源阻抗距离数值集的平均值，以生成电源阻抗距离平均值，得到电源阻抗距离平均值集；
将电源阻抗距离平均值集对应的位置信息集，确定为更新后电源聚类中心集；
响应于确定更新后电源聚类中心集与初始电源聚类中心集相同，将初始电源类簇信息集确定为电源聚类区域信息集；
响应于确定更新后电源聚类中心集与初始电源聚类中心集不相同，将更新后电源聚类中心集确定为初始电源聚类中心集，以及再次执行所述聚类中心确定步骤。
5.根据权利要求4所述的方法，其中，所述第一预设阈值是通过以下步骤得到的：
对所述分布式电源信息集包括的分布式电源信息的聚类数目进行开平方运算，得到目标聚类数目；
将所述聚类数目的初始值设置为第二预设阈值；
基于聚类数目，执行以下聚类平均评估系数筛选步骤：
根据所述聚类数目，对所述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源候选聚类区域信息集；
对于电源候选聚类区域信息集中的每个电源候选聚类区域信息，执行以下聚类评估系数生成步骤：
将电源候选聚类区域信息对应的电源聚类中心与电源候选聚类区域信息包括的分布式电源信息集中每个分布式电源信息的电源阻抗距离集的平均值，确定为电源簇内阻抗距离数值；
从电源候选聚类区域信息集去除电源候选聚类区域信息，得到去除电源候选聚类区域信息集；
将电源聚类中心与去除电源候选聚类区域信息集中每个去除电源候选聚类区域信息包括的分布式电源信息集的电源阻抗聚类集的平均值集，确定为电源簇间阻抗距离数值集；
从电源簇间阻抗距离数值集中筛选出满足第一预设条件的电源簇间阻抗距离数值，作为目标电源簇间阻抗距离数值；
根据电源簇内阻抗距离数值和目标电源簇间阻抗距离数值，生成聚类评估系数；
确定所得到的聚类评估系数集的平均值，作为聚类平均评估系数；
将所述聚类平均评估系数添加至预设聚类平均评估系数序列，得到目标聚类平均评估系数序列；
响应于确定聚类数目大于等于所述目标聚类数目，从目标聚类平均评估系数序列中筛选出满足第二预设条件的聚类平均评估系数对应的聚类数目，作为所述第一预设阈值；
响应于确定聚类数目小于所述目标聚类数目，将聚类数目与所述第二预设阈值的和确定为聚类数目，以及再次执行所述聚类平均评估系数筛选步骤。
6.一种配电网调控装置，包括：
获取单元，被配置成获取分布式电源档案信息集、分布式电源电量信息集和配电网信息；
关键词匹配单元，被配置成对所述分布式电源档案信息集和所述分布式电源电量信息集进行关键词匹配，得到匹配后电源信息集；
确定单元，被配置成根据所述匹配后电源信息集，确定所述配电网信息对应的配电网区域对应的台区信息集对应的分布式电源发电量信息集、区域供电量信息集和分布式电源消耗电量信息集；
生成单元，被配置成根据所述分布式电源发电量信息集、所述区域供电量信息集和所述分布式电源消耗电量信息集，生成电源渗透率数值集；
集群划分单元，被配置成根据所述电源渗透率数值集，对所述配电网信息对应的配电网进行集群划分，得到分布式电网信息集；
执行单元，被配置成对于所述分布式电网信息集中的每个分布式电网信息，执行以下动态调整步骤：对所述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集，其中，所述对所述分布式电网信息对应的历史配电网负荷信息集进行电网负荷预测处理，得到待预测时间段对应的配电网负荷信息集，包括：对所述历史配电网负荷信息集进行频域分解处理，得到日周期分量信息集、周周期分量信息集、低频负荷分量信息集和高频负荷分量信息集；将所述日周期分量信息集和所述周周期分量信息集分别输入至隐藏层，得到第一日周期分量特征向量集和第一周周期分量特征向量集；将所述第一日周期分量特征向量集和所述第一周周期分量特征向量集分别输入至承接层，得到第二日周期分量特征向量集和第二周周期分量特征向量集；将所述第二日周期分量特征向量集和所述第二周周期分量特征向量集输入至输出层，得到日配电网负荷信息集和周配电网负荷信息集；对所述低频负荷分量信息集进行预测处理，得到低频配电网负荷信息集；对所述高频负荷分量信息集进行滤波分解处理，得到滤波后负荷分量信息集；将所述滤波后负荷分量信息集输入至预测模型，得到高频配电网负荷信息集；将所述日配电网负荷信息集、所述周配电网负荷信息集、所述低频配电网负荷信息集和所述高频配电网负荷信息集进行组合处理，得到待预测时间段对应的配电网负荷信息集；对所述分布式电网信息对应的历史发电量信息集进行发电量预测处理，得到所述待预测时间段对应的发电量信息集；对所述分布式电网信息包括的分布式电源信息集进行聚类处理，得到电源聚类区域信息集；根据所述配电网负荷信息集和所述发电量信息集，对所述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控，其中，所述根据所述配电网负荷信息集和所述发电量信息集，对所述电源聚类区域信息集中的每个电源聚类区域信息对应的配电网进行动态调控，包括：对所述分布式电网信息进行拓扑图构建，得到配电网拓扑图；根据所述配电网拓扑图、所述配电网负荷信息集和所述发电量信息集，对所述分布式电网信息对应的配电网进行潮流计算，得到配电网包括的分布式电源信息集的有功功率集和无功功率集；对于所述电源聚类区域信息集中的每个电源聚类区域信息，执行以下调控步骤：将所述电源聚类区域信息包括的分布式电源信息集对应的有功功率集和所述无功功率集确定为粒子群；构建粒子群的粒子群适应度函数，其中，所述粒子群适应度函数是电源聚类区域信息内的电压偏差最小和电源聚类区域信息的线损值最小组成的函数，所述粒子群适应度函数还包括约束条件集，所述约束条件集包括：有功功率和无功功率的最大值和最小值的约束、配电网潮流约束和分布式电源对应的设备的功率因数角的约束；对所述粒子群进行初始化，得到初始化粒子群；基于所述初始化粒子群，执行以下粒子群更新步骤：确定所述粒子群更新步骤的已执行次数；将所述初始化粒子群代入至所述粒子群适应度函数中，得到第一适应度数值集；从所述第一适应度数值集中筛选出数值最大的第一适应度数值对应的位置，作为集群目标位置，以及将所述第一适应度数值集对应的位置集作为所述粒子群中每个粒子群的目标位置，得到目标位置集；根据所述集群目标位置和所述目标位置集，对所述初始化粒子群的初始位置集和初始速度集进行更新，得到更新后位置集和更新后速度集，其中，速度更新是利用布谷鸟优化算法中的莱维飞行策略和粒子群优化算法中的速度更新函数进行的更新，位置更新是利用粒子群优化算法中的位置更新函数进行的更新；将所述更新后位置集和所述更新后速度集对应的更新后粒子群输入至所述粒子群适应度函数中，得到第二适应度数值集；根据所述第一适应度数值集和所述第二适应度数值集，对所述更新后粒子群进行筛选处理，得到筛选后集群位置和筛选后位置集；响应于确定所述已执行次数超过预设执行阈值，将筛选后位置集对应的有功功率集和无功功率集确定为目标有功功率集和目标无功功率集；响应于确定所述已执行次数未超过预设执行阈值，将所述更新后位置集、所述更新后速度集确定为初始化粒子群的位置集和速度集，以及再次执行所述粒子群更新步骤；根据所述目标有功功率集和所述目标无功功率集，对电源聚类区域信息对应的配电网进行动态调控。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202311353070.0A 2023-10-19 2023-10-19 配电网调控方法、装置、电子设备和计算机可读介质 Active CN117114363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311353070.0A CN117114363B (zh) 2023-10-19 2023-10-19 配电网调控方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311353070.0A CN117114363B (zh) 2023-10-19 2023-10-19 配电网调控方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN117114363A CN117114363A (zh) 2023-11-24
CN117114363B true CN117114363B (zh) 2024-02-06

Family

ID=88805807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311353070.0A Active CN117114363B (zh) 2023-10-19 2023-10-19 配电网调控方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN117114363B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093150A (zh) * 2017-03-13 2017-08-25 国网安徽省电力公司电力科学研究院 基于等效阻抗的有源配电网集群划分方法
CN110048420A (zh) * 2019-05-15 2019-07-23 广东电网有限责任公司 一种配电网随机优化调度的方法、装置和介质
CN115496273A (zh) * 2022-09-15 2022-12-20 华南理工大学 一种可再生能源集群分布鲁棒优化配置方法及系统
CN115564193A (zh) * 2022-09-20 2023-01-03 贵州电网有限责任公司 智能配电网多维度综合效益评估方法及系统、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230238801A1 (en) * 2022-01-24 2023-07-27 Hitachi, Ltd. Dynamic hosting capacity analysis framework for distribution system planning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093150A (zh) * 2017-03-13 2017-08-25 国网安徽省电力公司电力科学研究院 基于等效阻抗的有源配电网集群划分方法
CN110048420A (zh) * 2019-05-15 2019-07-23 广东电网有限责任公司 一种配电网随机优化调度的方法、装置和介质
CN115496273A (zh) * 2022-09-15 2022-12-20 华南理工大学 一种可再生能源集群分布鲁棒优化配置方法及系统
CN115564193A (zh) * 2022-09-20 2023-01-03 贵州电网有限责任公司 智能配电网多维度综合效益评估方法及系统、存储介质

Also Published As

Publication number Publication date
CN117114363A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Raju et al. IOT based online load forecasting using machine learning algorithms
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
Galicia et al. A novel Spark-based multi-step forecasting algorithm for big data time series
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Raghavendra et al. Artificial humming bird with data science enabled stability prediction model for smart grids
KR20200123310A (ko) 부하 예측 장치 및 방법
Gao et al. Optimal parameter selection for support vector machine based on artificial bee colony algorithm: a case study of grid‐connected PV system power prediction
Wang et al. A prediction method for voltage and lifetime of lead–acid battery by using machine learning
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN110827069A (zh) 数据处理方法、装置、介质以及电子设备
Zjavka Power quality daily predictions in smart off-grids using differential, deep and statistics machine learning models processing NWP-data
You et al. A novel approach for CPU load prediction of cloud server combining denoising and error correction
Natarajan et al. Wind power forecasting using parallel random forest algorithm
Li et al. An intelligent method for wind power forecasting based on integrated power slope events prediction and wind speed forecasting
CN117114363B (zh) 配电网调控方法、装置、电子设备和计算机可读介质
Nijim et al. The design of a novel smart home control system using a smart grid based on edge and cloud computing
CN116205382B (zh) 用电量的预测方法、预测装置、电子装置和电子设备
Zhang et al. Building energy consumption prediction based on temporal-aware attention and energy consumption states
CN112231299A (zh) 一种特征库动态调整的方法和装置
Zhang et al. Short‐Term Power Load Forecasting Model Design Based on EMD‐PSO‐GRU
Hua Power quality prediction of active distribution network based on CNN-LSTM deep learning model
Wang et al. Short‐term load forecasting based on VMD and combined deep learning model
Xu et al. Short-Term Photovoltaic Output Prediction Based on Decomposition and Reconstruction and XGBoost under Two Base Learners
Loseva et al. Ensembles of neural networks with application of multi-objective self-configurable genetic programming
Yu et al. IRFLMDNN: hybrid model for PMU data anomaly detection and re-filling with improved random forest and Levenberg Marquardt algorithm optimized dynamic neural network

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