一种多源协同区域电网的优化调度方法与流程

本发明涉及电网调度，尤其涉及一种多源协同区域电网的优化调度方法。

背景技术：

1、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。

2、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。

技术实现思路

1、本发明的目的在于提供一种多源协同区域电网的优化调度方法，以解决上述背景技术中提出的问题。

2、本发明是通过以下技术方案实现的：

3、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：

4、步骤s1：获取历史电网数据、天气数据、供需数据；

5、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；

6、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；

7、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。

8、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。

9、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。

10、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。

11、具体的，所述步骤s3的具体过程如下：

12、第一，天气预测准确性评估：

13、根据历史天气数据和相应的天气预测数据，构建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；

14、假设我们有以下示例数据：

15、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)

16、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)

17、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)

18、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。

19、假设我们的深度学习网络模型预测的天气情况为：

20、预测天气情况：[0,0,1,0,1,0,1]

21、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。

22、根据已知天气情况和预测结果，计算以下指标：

23、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(falsenegative,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：

24、准确率(accuracy)：(tp+tn)/(tp+fp+tn+fn)

25、召回率(recall)：tp/(tp+fn)

26、f1得分(f1score)：2*(precision*recall)/(precision+recall)，其中precision＝tp/(tp+fp)

27、根据具体数据计算，假设我们有以下结果：

28、tp＝2

29、fp＝1

30、fn＝1

31、tn＝3

32、则可以计算得到：

33、准确率：(2+3)/(2+1+3+1)＝0.625

34、召回率：2/(2+1)＝0.6667

35、f1得分：2*(0.6667*0.6667)/(0.6667+0.6667)＝0.6667

36、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。

37、第二，供需匹配的可行性评估：

38、根据历史电网负荷数据和深度学习网络模型的预测结果，构建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；

39、第三，能源价格波动性评估：

40、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；

41、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。

42、具体的，所述步骤s4的具体过程如下：

43、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；

44、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；

45、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。

46、与现有技术相比，本发明达到的有益效果如下：

47、本发明提供的一种多源协同区域电网的优化调度方法，将深度学习和博弈论相结合，以优化电力系统的供需匹配和能源调度在极端天气下的鲁棒性。通过深度学习模型来预测极端天气情况下的电网负荷和能源供需，并结合博弈论的思想，协调各个参与方的利益，实现多源协同调度的最优决策。此外，引入风险管理和实时监控机制，能够及时应对极端天气情况下的电力供应波动性，提高电力系统的稳定性和抗灾能力。