CN117791618A - 电力调度方法、装置、计算机设备和存储介质 - Google Patents
电力调度方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117791618A CN117791618A CN202311681590.4A CN202311681590A CN117791618A CN 117791618 A CN117791618 A CN 117791618A CN 202311681590 A CN202311681590 A CN 202311681590A CN 117791618 A CN117791618 A CN 117791618A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- historical
- power
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010248 power generation Methods 0.000 claims abstract description 220
- 230000005611 electricity Effects 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 64
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电力调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。所述方法包括：获取目标区域内的历史用电量数据和气象预测信息；根据所述历史用电数据预测第一预设时间段内的用电负荷数据；采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。采用本方法有效地处理新能源并网和负荷变化的问题。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种电力调度方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着新能源并网和电网数字化进程的推进，电网业务对调度运行平台的监测、控制能力提出了更高的要求，以保证电网安全稳定运行、对外可靠供电、各类电力生产工作有序进行。
新能源具有较为显著的随机性、间歇性、波动性，难以进行稳定可靠的供电，很可能因为极端天气而停摆。那么新能源供电系统大规模接入电网后，其随机性增加了电网稳定运行的潜在风险。例如：风电引发的潮流多变，增加了有稳定限制的送电断面的运行控制难度；风电发电成分增加，导致在相同的负荷水平下，系统的惯量下降，影响电网动态稳定了；风电机组在系统故障后可能无法重新建立机端电压，失去稳定，从而引起地区电网的电压稳定破坏。
因此，随着社会对新能源的推广使用，在面对负荷变化、系统失配和设备故障等各种复杂情况时，目前的电力调度方法并不能有效地处理新能源并网和负荷变化的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效地处理新能源并网和负荷变化的问题的电力调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电力调度方法，包括：
获取目标区域内的历史用电量数据和气象预测信息；
根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
在其中一个实施例中，所述发电预测模型的训练方法包括：
收集历史气象信息和历史发电数据，其中，所述历史气象信息包括多种与发电数据相关联的影响因素信息；
根据所述历史发电数据，采用关联分析方法对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；
根据所述目标影响因素信息和历史发电数据建立训练数据集，并采用所述训练数据集训练所述发电预测模型。
在其中一个实施例中，所述影响因素信息包括日照强度、风速、风向、环境温度、环境湿度、降雨量、大气压力中的任意一种或多种。
在其中一个实施例中，所述根据所述历史发电数据，采用关联分析方法对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息，包括：
分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；
根据所述定量映射关系对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
在其中一个实施例中，所述根据所述目标影响因素信息和历史发电数据建立训练数据集，并采用所述训练数据集训练所述发电预测模型，包括：
根据所述目标影响因素信息和历史发电数据建立训练数据集；
在所述训练数据集中找到相似度达到预设条件的历史数据序列；
根据所述历史数据序列确定结构参数，并根据所述结构参数对所述发电预测模型进行初始化；
采用所述训练数据集训练所述发电预测模型。
在其中一个实施例中，所述方法应用于供电区域中，所述供电区域根据地理位置和所述历史气象信息划分为多个供电子区域，所述目标区域是多个所述供电子区域中的任意一个。
第二方面，本申请还提供了一种电力调度装置，所述装置包括：
数据获取模块，用于获取目标区域内的历史用电量数据和气象预测信息；
用电预测模块，用于根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
发电预测模块，用于采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
电力调度模块，用于根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标区域内的历史用电量数据和气象预测信息；
根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标区域内的历史用电量数据和气象预测信息；
根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标区域内的历史用电量数据和气象预测信息；
根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
上述电力调度方法、装置、计算机设备、存储介质和计算机程序产品，通过对历史用电量数据和气象信息的分析和计算，从而完成电力智能调度。首先获取目标区域内的历史用电量数据和气象预测信息，并根据历史用电数据预测第一预设时间段内的用电负荷数据，从而能够得到第一预设时间段内所需要的电量，并且能够根据实时的历史用电数据动态地预估接下来需要的用电量数据。接下来，再利用采用历史气象信息和历史发电数据训练得到的发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，即可根据气象信息预测出第一预设时间段内能够产生的电量，最后再根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。因此，能够根据实际的用电数据和气象信息实时地动态预估接下来一段时间的用电量和发电量数据，并在预测的过程中使用发电预测模型，充分考虑气象情况对发电的影响，从而有效地处理新能源并网和负荷变化的问题。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中电力调度方法的应用环境图；
图2为一个实施例中电力调度方法的流程示意图；
图3为一个实施例中发电预测模型的训练方法的流程示意图；
图4为一个实施例中电力调度装置的结构框图；
图5为一个实施例中计算机设备的内部结构图；
图6为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的电力调度方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。数据存储系统可以用于存储历史用电量数据、气象预测信息、历史气象信息和历史发电数据等。终端102可以用于接收服务器104的返回数据，并显示当前的电力调度过程等信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，如图2所示，提供了一种电力调度方法，方法可以应用于供电区域中，其中，供电区域根据地理位置和历史气象信息划分为多个供电子区域，目标区域是多个供电子区域中的任意一个，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤S202至步骤S208。其中：
步骤S202，获取目标区域内的历史用电量数据和气象预测信息。
其中，每个目标区域是指在小范围的用电区域内形成一个分布式的能源孤岛系统，既可以实现该供电区域电能的自给自足，也可以和供电区域中其他外部电网并网实现电能的相互传输，可以高效的解决当地区域的能源问题，可以延缓由于输配电网升级更新换代带来的巨大经济成本。
其中，历史用电数据是指对应的目标区域内的既往用电量统计结果数据。气象预测信息可以是对应的目标区域内的天气预报信息，也可以是根据天气预报生成的经过计算和修正的预测信息。
示例性地，首先服务器104可以向数据存储系统请求获得供电区域划分结果，从而确定出目标区域，供电区域按照每一个供电总线所负责的供电区域进行划分，再根据目标区域向数据存储系统请求获取对应的历史用电量数据和气象预测信息。
步骤S204，根据历史用电数据预测第一预设时间段内的用电负荷数据。
其中，第一预设时间段可以是确定的时间周期，以固定的时长为一个周期，在每个周期的时间段来临之前对该周期时间段内的数据进行预估分析。示例性地，上述固定的时长可以是1天、1星期等，既往周期和下一个周期量级相对应。
示例性地，服务器104可以统计供电区域内所有的新能源发电设备数量和出力数据，再根据历史用电数据预测第一预设时间段内的用电负荷数据，根据每个目标区域的既往周期用电量进行预估下一个周期的用电负荷数据。
步骤S206，采用发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据。
其中，发电预测模型是采用历史气象信息和历史发电数据训练得到的。发电预测数据是指新能源的供电负荷。供电负荷是指全部供电区域内所需要的供电负荷，包括了新能源发电设备出力负荷和传统能源发电出力负荷。对于用电负荷数据的预估和新能源发电预测数据的预估均按照相同周期进行比对，如同一天、同一周，量级相对应判断相应的差值。
步骤S208，根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。
示例性地，服务器104可以根据用电负荷数据和发电预测数据计算目标区域内的负荷产能差，根据用电负荷数据和发电预测数据获得同一周期下的负荷产能差，并利用用电负荷数据和发电预测数据对比，择机进行水力发电储能，然后利用并网后电能进行补充调度，新能源发电出力包括风力发电出力、光伏发电出力，结合风力发电机组和光伏机组的预估出力产能，和发电预测数据进行对比，根据其差值，先由水力发电机组预先介入进行调峰填谷，如仍有不足或富余，则再由并网后的电网进行调度处理。
调度处理的规则可以由服务器104结合风力发电机组和光伏机组的产能，和供电负荷预估量进行对比，计算其差值，在风力发电机组和光伏机组在预估值满足负荷值且现有富余的情况下，利用水力发电机组进行储能，在风力发电机组和光伏机组在预估值不能满足负荷值，且现有不足的情况下，利用水力发电机组进行补充，如仍不足则由并网后的电网进行调度处理。在风力发电机组和光伏机组在预估值满足负荷值，但现有不足的情况下，先利用水力发电机组进行补充，再有不足部分并网的电网进行调度，在风力发电机组和光伏机组在预估值不足负荷值，而现有充裕的情况下，利用水力发电机组进行储能，当预估值不足负荷值时，采用水力发电机组进行补充。
上述电力调度方法中，通过对历史用电量数据和气象信息的分析和计算，从而完成电力智能调度。首先获取目标区域内的历史用电量数据和气象预测信息，并根据历史用电数据预测第一预设时间段内的用电负荷数据，从而能够得到第一预设时间段内所需要的电量，并且能够根据实时的历史用电数据动态地预估接下来需要的用电量数据。接下来，再利用采用历史气象信息和历史发电数据训练得到的发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，即可根据气象信息预测出第一预设时间段内能够产生的电量，最后再根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。因此，能够根据实际的用电数据和气象信息实时地动态预估接下来一段时间的用电量和发电量数据，并在预测的过程中使用发电预测模型，充分考虑气象情况对发电的影响，从而有效地处理新能源并网和负荷变化的问题。
进一步地，通过人工智能和大数据分析技术，对包括新能源在内的各类能源发电和用电负荷精准预测，配合对历史气象信息和气象预测信息进行分析计算，预估得到风力发电和光伏发电产量，通过水力发电装置进行储能，实现调峰填谷，实现多时空的实时供需平衡，进而通过数字化技术实现对风能、太阳能和水力发电能新能源运行的协同优化、多方主体自动联合调节，提升电力系统整体效能，降低系统运行成本和管理成本。同时，结合水力发电装置储能，并将供电区域模块化、单元化，能够降低由于风力发电不稳定对并网主网带来的冲击，并且减少了新能源需要配置大规模储能、灵活调节和支撑保障电源等需要的投资成本。
在一个示例性的实施例中，如图3所示，发电预测模型的训练方法包括步骤S302至步骤S306。其中：
步骤S302，收集历史气象信息和历史发电数据。
其中，历史气象信息包括多种与发电数据相关联的影响因素信息。示例性地，影响因素信息可以包括日照强度、风速、风向、环境温度、环境湿度、降雨量、大气压力中的任意一种或多种。
步骤S304，根据历史发电数据，采用关联分析方法对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
示例性地，服务器104可以分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系，再根据定量映射关系对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。服务器104可以先对历史气象信息进行数据收集，通过对历史发电数据概率统计分析总结出既往的新能源的实际发电出力数据，然后通过知识挖掘技术的关联分析探寻历史发电出力数据和历史气象信息中的相关因素之间的强弱关系，选择具有明显关联影响的因素，得到符合预设关联度条件的目标影响因素信息。
为了充分考虑新能源发电的间歇性和不稳定性特点，为智能电网环境下的新能源发电建设规划、发电调度提供依据，上述步骤可以形成所在地区环境气象年概率分布统计数据，借助数据挖掘的手段探寻年概率分布统计数据对风力发电影响的定量映射关系，选取相关因素建立历史数据序列的数据仓库，构建电网中新能源发电因素影响的模拟机制环境，形成影响因素信息的待选集合。
步骤S306，根据目标影响因素信息和历史发电数据建立训练数据集，并采用训练数据集训练发电预测模型。
示例性地，服务器104可以采用具有良好非线性拟合能力和具有动态记忆功能的Elman 动态反馈神经网络短期智能预测模型。
在一个示例性的实施例中，步骤S306包括：根据目标影响因素信息和历史发电数据建立训练数据集；在训练数据集中找到相似度达到预设条件的历史数据序列；根据历史数据序列确定结构参数，并根据结构参数对发电预测模型进行初始化；采用训练数据集训练发电预测模型。
其中，模型的结构参数是指影响模型整体结构和性能的参数。这些参数不是通过训练数据学习得到的，而是需要在建立模型之前手动设置或通过一些优化算法进行调整。模型的结构参数可以包括模型类型、模型层数和节点数、核函数和核参数、正则化参数、学习率、决策树深度和分裂标准、聚类数目等。
其中，模型类型是指选择何种类型的模型结构，例如线性回归、决策树、神经网络等。核函数用于确定输入数据在高维空间中的映射方式，参数影响了核函数的形状；正则化用于防止模型过拟合。正则化参数控制正则化项在损失函数中的权重，从而调整模型对训练数据的拟合程度；对于梯度下降等优化算法，学习率是一个关键的结构参数。
在另一个示例性地实施例中，服务器104可以首先获得天气信息预报和历史用电量数据，根据历史用电量数据对第一预设时间段内的用电负荷数据进行预测，并对天气信息预报进行计算和修正，从而得出气象预测信息，其中包括所有的影响新能源发电出力的天气因素，结合得到的气象预测信息中的主要影响新能源发电出力的因素数值进行预测，得到初步的预估发电数据。完成初步预估获得新能源发电出力过程，根据获得的气象预测信息，结合供电区域内的新能源发电设备装机量相同情况下进行计算，预估获得供电区域内可以获得的新能源发电的出力，也即发电预测数据。
接下来，服务器104采用发电预测模型，利用知识挖掘技术建立新能源发电出力的拟境反演知识推理模型，通过拟境反演知识推理分析这些因素对预测结果的得到相关的预测后干预知识，形成记忆推理知识库，对初步预测结果进行后干预，进一步提高精度，得到最终的预测结果，即最终的新能源发电出力预测值。
最后，服务器104根据用电负荷数据和发电预测数据计算电力调度数据，根据电力调度数据进行电力调度，并将电力调度过程显示于终端102。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电力调度方法的电力调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力调度装置实施例中的具体限定可以参见上文中对于电力调度方法的限定，在此不再赘述。
在一个示例性的实施例中，如图4所示，提供了一种电力调度装置，包括：数据获取模块402、用电预测模块404、发电预测模块406和电力调度模块408，其中：
数据获取模块402，用于获取目标区域内的历史用电量数据和气象预测信息；
用电预测模块404，用于根据历史用电数据预测第一预设时间段内的用电负荷数据；
发电预测模块406，用于采用发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，发电预测模型是采用历史气象信息和历史发电数据训练得到的；
电力调度模块408，用于根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。
在其中一个实施例中，发电预测模块406包括：
模型初始化子模块，用于收集历史气象信息和历史发电数据，其中，历史气象信息包括多种与发电数据相关联的影响因素信息；
信息关联子模块，用于根据历史发电数据，采用关联分析方法对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；
模型训练子模块，用于根据目标影响因素信息和历史发电数据建立训练数据集，并采用训练数据集训练发电预测模型。
在其中一个实施例中，影响因素信息包括日照强度、风速、风向、环境温度、环境湿度、降雨量、大气压力中的任意一种或多种。
在其中一个实施例中，信息关联子模块包括：
信息映射单元，用于分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；
信息筛选单元，用于根据定量映射关系对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
在其中一个实施例中，模型训练子模块包括：
数据集建立单元，用于根据目标影响因素信息和历史发电数据建立训练数据集；
数据确定单元，用于在训练数据集中找到相似度达到预设条件的历史数据序列；
结构参数确定单元，用于根据历史数据序列确定结构参数，并根据结构参数对发电预测模型进行初始化；
模型训练单元，用于采用训练数据集训练发电预测模型。
在其中一个实施例中，方法应用于供电区域中，供电区域根据地理位置和历史气象信息划分为多个供电子区域，目标区域是多个供电子区域中的任意一个。
上述电力调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史用电量数据、气象预测信息、历史气象信息和历史发电数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力调度方法。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种电力调度方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标区域内的历史用电量数据和气象预测信息；根据历史用电数据预测第一预设时间段内的用电负荷数据；采用发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，发电预测模型是采用历史气象信息和历史发电数据训练得到的；根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：收集历史气象信息和历史发电数据，其中，历史气象信息包括多种与发电数据相关联的影响因素信息；根据历史发电数据，采用关联分析方法对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；根据目标影响因素信息和历史发电数据建立训练数据集，并采用训练数据集训练发电预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；根据定量映射关系对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标影响因素信息和历史发电数据建立训练数据集；在训练数据集中找到相似度达到预设条件的历史数据序列；根据历史数据序列确定结构参数，并根据结构参数对发电预测模型进行初始化；采用训练数据集训练发电预测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标区域内的历史用电量数据和气象预测信息；根据历史用电数据预测第一预设时间段内的用电负荷数据；采用发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，发电预测模型是采用历史气象信息和历史发电数据训练得到的；根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：收集历史气象信息和历史发电数据，其中，历史气象信息包括多种与发电数据相关联的影响因素信息；根据历史发电数据，采用关联分析方法对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；根据目标影响因素信息和历史发电数据建立训练数据集，并采用训练数据集训练发电预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；根据定量映射关系对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标影响因素信息和历史发电数据建立训练数据集；在训练数据集中找到相似度达到预设条件的历史数据序列；根据历史数据序列确定结构参数，并根据结构参数对发电预测模型进行初始化；采用训练数据集训练发电预测模型。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取目标区域内的历史用电量数据和气象预测信息；根据历史用电数据预测第一预设时间段内的用电负荷数据；采用发电预测模型，根据气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，发电预测模型是采用历史气象信息和历史发电数据训练得到的；根据用电负荷数据和发电预测数据计算电力调度数据，并根据电力调度数据进行电力调度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：收集历史气象信息和历史发电数据，其中，历史气象信息包括多种与发电数据相关联的影响因素信息；根据历史发电数据，采用关联分析方法对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；根据目标影响因素信息和历史发电数据建立训练数据集，并采用训练数据集训练发电预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；根据定量映射关系对历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标影响因素信息和历史发电数据建立训练数据集；在训练数据集中找到相似度达到预设条件的历史数据序列；根据历史数据序列确定结构参数，并根据结构参数对发电预测模型进行初始化；采用训练数据集训练发电预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力调度方法，其特征在于，所述方法包括：
获取目标区域内的历史用电量数据和气象预测信息；
根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
2.根据权利要求1所述的方法，其特征在于，所述发电预测模型的训练方法包括：
收集历史气象信息和历史发电数据，其中，所述历史气象信息包括多种与发电数据相关联的影响因素信息；
根据所述历史发电数据，采用关联分析方法对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息；
根据所述目标影响因素信息和历史发电数据建立训练数据集，并采用所述训练数据集训练所述发电预测模型。
3.根据权利要求2所述的方法，其特征在于，所述影响因素信息包括日照强度、风速、风向、环境温度、环境湿度、降雨量、大气压力中的任意一种或多种。
4.根据权利要求2所述的方法，其特征在于，所述根据所述历史发电数据，采用关联分析方法对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息，包括：
分别提取多个第二预设时间段内的历史发电数据和历史气象信息，以得到不同影响因素信息与历史发电数据之间的定量映射关系；
根据所述定量映射关系对所述历史气象信息进行筛选，得到符合预设关联度条件的目标影响因素信息。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标影响因素信息和历史发电数据建立训练数据集，并采用所述训练数据集训练所述发电预测模型，包括：
根据所述目标影响因素信息和历史发电数据建立训练数据集；
在所述训练数据集中找到相似度达到预设条件的历史数据序列；
根据所述历史数据序列确定结构参数，并根据所述结构参数对所述发电预测模型进行初始化；
采用所述训练数据集训练所述发电预测模型。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法应用于供电区域中，所述供电区域根据地理位置和所述历史气象信息划分为多个供电子区域，所述目标区域是多个所述供电子区域中的任意一个。
7.一种电力调度装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标区域内的历史用电量数据和气象预测信息；
用电预测模块，用于根据所述历史用电数据预测第一预设时间段内的用电负荷数据；
发电预测模块，用于采用发电预测模型，根据所述气象预测信息对第一预设时间段内的发电数据进行预测，得到发电预测数据，其中，所述发电预测模型是采用历史气象信息和历史发电数据训练得到的；
电力调度模块，用于根据所述用电负荷数据和所述发电预测数据计算电力调度数据，并根据所述电力调度数据进行电力调度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681590.4A CN117791618A (zh) | 2023-12-08 | 2023-12-08 | 电力调度方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311681590.4A CN117791618A (zh) | 2023-12-08 | 2023-12-08 | 电力调度方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117791618A true CN117791618A (zh) | 2024-03-29 |
Family
ID=90379128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311681590.4A Pending CN117791618A (zh) | 2023-12-08 | 2023-12-08 | 电力调度方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117791618A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
| CN118316127A (zh) * | 2024-06-06 | 2024-07-09 | 国网浙江省电力有限公司慈溪市供电公司 | 园区电力资源调度方法及装置 |
-
2023
- 2023-12-08 CN CN202311681590.4A patent/CN117791618A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
| CN117996757B (zh) * | 2024-04-07 | 2024-06-11 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
| CN118316127A (zh) * | 2024-06-06 | 2024-07-09 | 国网浙江省电力有限公司慈溪市供电公司 | 园区电力资源调度方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marino et al. | A microgrid energy management system based on chance-constrained stochastic optimization and big data analytics | |
| CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| Bilgili et al. | Long short-term memory (LSTM) neural network and adaptive neuro-fuzzy inference system (ANFIS) approach in modeling renewable electricity generation forecasting | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
| He et al. | Probabilistic solar irradiance forecasting via a deep learning‐based hybrid approach | |
| CN116207739A (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
| CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
| CN112613642A (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
| US20230369863A1 (en) | Time-shifting optimizations for resource generation and dispatch | |
| He et al. | Forecasting power grid states for regional energy markets with deep neural networks | |
| Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
| CN116823308A (zh) | 一种新能源电力大数据交易分析方法、装置、设备及介质 | |
| CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
| CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
| Kulikova et al. | Optimization algorithms to solve problems of comprehensive electrification based on renewable energy sources | |
| CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
| Zhao et al. | Internet-of-thing based real-time electrical market monitoring system design | |
| Zim et al. | Short-term Weather Forecasting for Wind Energy Generation using A Deep Learning Technique | |
| Gao et al. | Comparative Research on Electricity Consumption Forecast Based on Deep Learning |
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 |