技术领域
[0001] 本发明涉及电网调度技术领域，尤其涉及一种多源协同区域电网的优化调度方法。
相关背景技术
[0002] 考虑极端天气下的多源协同区域电网的优化调度方法是为了解决当天气发生极端变化时，传统电网调度无法有效应对的技术问题。传统电网调度方法通常仅基于历史数据和静态规划，无法充分考虑极端天气条件下的电网负荷增加、能源供给需求调整以及不同能源来源的协同运行。
[0003] 然而，极端天气如台风、暴雨或高温等会对电网负荷和能源供需产生巨大影响，可能导致负荷峰值过高、能源供应不足、能源价格剧烈波动等问题。因此，急需一种优化调度方法来实现多源协同运行的电网，以适应和应对极端天气条件下的电力需求。
具体实施方式
[0053] 为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
[0054] 在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
[0055] 应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
[0056] 在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
[0057] 为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
[0058] 参见图1，一种多源协同区域电网的优化调度方法，所述方法包括以下步骤：
[0059] 步骤S1：获取历史电网数据、天气数据、供需数据；
[0060] 步骤S2：构建深度学习网络模型，根据所述历史电网数据、天气数据，判断该天气是否为极端天气，并预测在极端天气情况下的电网负荷和能源供给需求情况；
[0061] 步骤S3：构建风险评估模型，并所述根据深度学习网络模型的预测结果，评估天气预测的准确性、供需匹配的可行性，能源价格的波动性；
[0062] 步骤S4：构建博弈模型，并根据所述风险评估模型的评估结果，考虑各个参与方的利益，输出多源协同调度的最优策略。
[0063] 示例性的，对于步骤S1：获取历史电网数据、天气数据、供需数据。这一步骤主要是收集和获取历史的电网数据、天气数据和供需数据，以作为后续模型构建和优化调度的基础。对于步骤S2：构建深度学习网络模型，判断极端天气并预测负荷和能源需求。在这一步骤中，首先利用收集的历史电网数据和天气数据，构建一个深度学习网络模型。该模型可以通过输入当前的天气数据来判断当前天气是否为极端天气，并预测在极端天气情况下的电网负荷和能源供给需求情况。对于步骤S3：构建风险评估模型，评估天气预测准确性、供需匹配可行性和能源价格波动性。该步骤中，根据深度学习网络模型的预测结果，构建一个风险评估模型。这个模型会综合考虑天气预测准确性、供需匹配的可行性和能源价格的波动性的多个指标。通过对这些指标进行综合分析和量化，可以评估不同风险因素对电网运行的影响程度。对于步骤S4：构建博弈模型，输出多源协同调度的最优策略。在这一步骤中，根据风险评估模型的评估结果，考虑各个参与方的利益，并构建一个博弈模型。博弈模型将综合考虑各个参与方的目标和约束条件，利用数学方法和优化算法，寻求多源协同调度的最优策略。最终，该步骤会输出一个最优的调度方案，以实现电网的优化运行和供需匹配。
[0064] 总体来说，该方法通过获取历史数据，构建深度学习网络模型来判断极端天气和预测负荷需求，构建风险评估模型来综合评估各项指标，利用博弈模型来优化多源协同调度策略。这种方法可以提高电网的安全性、供需的匹配性，以及减少能源价格波动对电网的影响，从而实现电网的可靠运行和优化调度。
[0065] 具体的，所述步骤S1中的历史电网数据包括电力负荷、能源供给、负荷曲线，天气数据包括温度、湿度、风速，供需数据包括用户需求量、能源价格。
[0066] 具体的，所述步骤S2中判断该天气是否为极端天气的具体过程为将预测结果与实际数据进行比对，计算预测值与实际值之间的误差，设定阈值，当误差值超过了阈值，则判定为发生了极端天气情况。
[0067] 具体的，所述步骤S2中预测在极端天气情况下的电网负荷和能源供给需求的具体过程如下：在极端天气情况下，电网负荷会因为空调用电量增加或电力设备损坏而增加，能源供给需求可能需要调整以满足不同的能源来源和需求峰值，通过使用深度学习网络模型，根据历史电网数据和天气数据，预测在极端天气情况下的电网负荷和能源供给需求情况。
[0068] 具体的，所述步骤S3的具体过程如下：
[0069] 第一，天气预测准确性评估：
[0070] 根据历史天气数据和相应的天气预测数据，通过深度学习网络模型来预测未来的天气情况，根据历史数据中已知的天气情况与深度学习网络模型的预测结果进行比较，计算估算指标，具体包括准确率、召回率、F1得分，以评估天气预测的准确性，其中，F1得分为2*(准确率*召回率)/(准确率+召回率)；
[0071] 示例性的，假设我们有以下示例数据：
[0072] 历史天气数据：温度[25,26,24,22,27,25,28](℃)，湿度[60,65,55,50,70,62,75](％)，风速[10,12,8,9,11,10,13](m/s)
[0073] 天气预测数据：温度[23,25,22,20,28,24,30](℃)，湿度[58,63,56,51,72,61,78](％)，风速[11,13,9,10,12,11,14](m/s)
[0074] 已知天气情况：[0,0,1,0,1,0,1](0表示正常天气，1表示极端天气)
[0075] 首先，我们将历史天气数据作为输入，训练深度学习网络模型。使用训练好的深度学习网络模型来预测未来天气情况。给定天气预测数据作为输入，模型可以输出对应的天气预测结果。
[0076] 假设我们的深度学习网络模型预测的天气情况为：
[0077] 预测天气情况：[0,0,1,0,1,0,1]
[0078] 接下来，将已知天气情况与深度学习网络模型的预测结果进行比较，并计算准确率、召回率和F1得分来评估天气预测的准确性。
[0079] 根据已知天气情况和预测结果，计算以下指标：
[0080] 真阳性(True Positive,TP)：预测为极端天气且实际为极端天气的样本数假阳性(False Positive,FP)：预测为极端天气但实际为正常天气的样本数假阴性(False Negative,FN)：预测为正常天气但实际为极端天气的样本数真阴性(True Negative,TN)：预测为正常天气且实际为正常天气的样本数根据上述数据，计算准确率、召回率和F1得分：
[0081] 准确率(Accuracy)：(TP+TN)/(TP+FP+TN+FN)
[0082] 召回率(Recall)：TP/(TP+FN)
[0083] F1得分(F1score)：2*(Precision*Recall)/(Precision+Recall)，其中Precision＝TP/(TP+FP)
[0084] 根据具体数据计算，假设我们有以下结果：
[0085] TP＝2
[0086] FP＝1
[0087] FN＝1
[0088] TN＝3
[0089] 则可以计算得到：
[0090] 准确率：(2+3)/(2+1+3+1)＝0.625
[0091] 召回率：2/(2+1)＝0.6667
[0092] F1得分：2*(0.6667*0.6667)/(0.6667+0.6667)＝0.6667
[0093] 通过计算准确率、召回率和F1得分，我们可以评估天气预测的准确性。较高的准确率、召回率和F1得分表示预测结果与实际情况较为一致。
[0094] 第二，供需匹配的可行性评估：
[0095] 根据历史电网负荷数据和深度学习网络模型的预测结果，通过深度学习网络模型来预测未来的电网负荷，将电网负荷预测结果与实际的能源供给数据进行比较，计算评估指标，具体包括供需平衡率、能源缺口来衡量供需匹配的程度评估电力供需匹配的可行性；
[0096] 示例性的，假设有以下数据：
[0097] 历史电网负荷数据：[100,110,120,130,140,150,160](单位：MW)
[0098] 深度学习网络模型的预测结果：[120,130,140,150,160,170,180](单位：MW)[0099] 实际能源供给数据：[120,130,140,150,150,160,170](单位：MW)
[0100] 根据这些数据，计算以下评估指标来衡量供需匹配的程度：
[0101] 1、供需平衡率：
[0102] 供需平衡率是衡量电力供需匹配程度的指标，表示实际能源供给与电网负荷之间的比率。计算方法为：实际能源供给总量/电网负荷总量。
[0103] 则实际能源供给总量为120+130+140+150+150+160+170＝1000MW，电网负荷总量为100+110+120+130+140+150+160＝910MW。因此，供需平衡率为1000/910≈1.099。
[0104] 2、能源缺口：
[0105] 能源缺口是指实际能源供给与电网负荷之间的差值，用于衡量供需匹配的不足程度。计算方法为：实际能源供给总量‑电网负荷总量。
[0106] 则能源缺口为1000‑910＝90MW。
[0107] 通过计算供需平衡率和能源缺口，可以评估电力供需匹配的可行性。供需平衡率越接近1，表示供需匹配程度越好；能源缺口越小，表示供需匹配的不足程度越低。这些评估指标可以帮助电力系统运营商评估当前供需状态并进行相应的调整和决策。
[0108] 第三，能源价格波动性评估：
[0109] 根据历史能源价格数据和相关的经济指标，来预测未来的能源价格波动，将模型预测结果与实际的能源价格数据进行比较，计算评估指标，具体包括均方根误差、平均绝对误差，以评估模型对能源价格波动性的准确性；
[0110] 示例性的，历史能源价格数据：[10,12,14,15,18,20,22](单位：美元)[0111] 相关的经济指标：[2,3,5,4,6,7,8]；
[0112] 假设我们的深度学习网络模型可以预测未来7天的能源价格波动情况。
[0113] 根据这些数据，计算以下评估指标来衡量模型对能源价格波动性的准确性：
[0114] 均方根误差(Root Mean Square Error,RMSE)：
[0115] 均方根误差是衡量模型预测结果与实际能源价格数据之间差异的指标，它表示预测误差的平均大小；
[0116] 在这个示例中，首先计算每天的预测误差，即模型预测结果与实际能源价格数据之间的差值：[12‑10,14‑12,15‑14,16‑15,17‑18,20‑20,23‑22]＝[2,2,1,1,‑1,0,1]。
[0117] 我们首先计算每天的预测误差的平方：[2^2,2^2,1^2,1^2,(‑1)^2,0^2,1^2]＝[4,4,1,1,1,0,1]。
[0118] 然后，计算平均误差平方和：(4+4+1+1+1+0+1)/7≈0.857。
[0119] 最后，计算均方根误差：sqrt(0.857)≈0.926。
[0120] 在这个示例中，均方根误差为约0.926，表示模型的预测结果与实际能源价格数据的平均差异较小。
[0121] 平均绝对误差(Mean Absolute Error,MAE)：
[0122] 平均绝对误差也是衡量模型预测结果与实际能源价格数据之间差异的指标，它表示预测误差的平均绝对值。计算方法为：平均误差绝对值的和除以样本数量。
[0123] 在这个示例中，平均绝对误差为：(|2|+|2|+|1|+|1|+|‑1|+|0|+|1|)/7≈1.143。
[0124] 在这个示例中，平均绝对误差为约1.143，表示模型的预测结果与实际能源价格数据的平均绝对差异较小。
[0125] 通过计算均方根误差和平均绝对误差，我们可以评估模型对能源价格波动性的准确性。在这个示例中，均方根误差约为0.926，平均绝对误差约为1.143，表示模型的预测结果与实际能源价格数据之间有一定的误差存在，但整体上趋于准确。
[0126] 第四，结合天气预测准确性、供需匹配可行性以及能源价格波动性的评估结果，构建风险评估模型，将不同指标的评估结果进行综合分析和量化，从而得出最终的风险评估结果。
[0127] 示例性的，设
[0128] 天气预测准确性评估结果的标准化值为：0.70。
[0129] 供需匹配可行性评估结果的标准化值为：0.90。
[0130] 能源价格波动性评估结果的标准化值为：(1‑均方根误差/最大均方根误差)＝(1‑0.926/10)≈0.907。
[0131] 假设将天气预测准确性、供需匹配可行性和能源价格波动性的权重分别设定为：0.4,0.3,0.3。
[0132] 将标准化后的评估结果与相应的权重进行加权求和，得到综合风险评估结果：
[0133] 综合风险评估结果＝0.40*天气预测准确性标准化值+0.30*供需匹配可行性标准化值+0.30*能源价格波动性标准化值
[0134] 即综合风险评估结果＝0.40*0.70+0.30*0.90+0.30*0.907≈0.822
[0135] 综合风险评估结果的数值越高表示风险越低，0.822的综合风险评估结果表示整体风险程度较低，相对较安全。
[0136] 具体的，所述步骤S4的具体过程如下：
[0137] 第一，确定参与博弈的各个参与方，所述参与方具体包括电力消费者、能源供应商、电力系统运营商；
[0138] 第二，确定各个参与方的利益目标和约束条件，包括利润最大化、成本最小化、供需平衡、能源价格稳定；
[0139] 第三，根据参与方的利益目标和约束条件，建立博弈模型，并将最终的评估结果纳入博弈模型中，作为参与方决策的输入，并输出最优的调度方案。
[0140] 示例性的，假设在极端天气情况下，电力消费者的需求为1000单位，能源供应商可以提供1200单位的电能供应，电力系统运营商的运营成本为1单位/电能。电力消费者对电能的购买价格的心理期望为5单位/电能。能源供应商对电能的销售价格的心理期望为8单位/电能。
[0141] 基于上述数据，能源供应商可以考虑将电能的销售价格定为8单位/电能，以获取更高的利润。
[0142] 电力系统运营商根据电力消费者的需求和能源供应商的定价策略，将1000单位的电能分配给电力消费者，1200单位的电能由能源供应商提供，成本为1200单位。
[0143] 最终的调度方案是以8单位/电能的价格将1000单位的电能提供给电力消费者，能源供应商获得8*1000‑1200＝6800单位的利润，电力系统运营商获得1200单位的成本。
[0144] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
