一种规模化可调资源的联合优化控制方法和装置

1.本发明涉及可调资源响应控制领域，尤其涉及一种规模化可调资源的联合优化控制方法和装置。


背景技术：

2.随着可再生能源、电动汽车和终端用户再电气化比例的大幅增长，新能源消纳与电网平衡调节等问题更加突出，电网安全稳定运行面临的挑战越来越大。通过先进的数字化技术，利用虚拟电厂、负荷聚合商等可调资源集群形式的管理和调节，实现新型电力系统下的调峰、调频和缓解新能源出力的波动性与消纳等问题成为当前研究的热点。
3.不同电网平衡调节对可调资源的响应性能有差异化的需求。虚拟电厂是规模化可控资源的先进控制方式，对所聚合的可调资源进行优化控制，不仅需要考虑可调资源自身的功率特性，还应考虑可调资源参与响应时的动态特性。当前针对虚拟电厂内可调资源的优化控制策略的研究主要集中于运营管理架构、优化模型和优化算法三个方面，这些研究主要分析了虚拟电厂参与电网平衡调节时如何通过自身的优化控制提高收益，通常将可调资源的额定功率或者当前用电功率作为响应模型和算法的优化求解的边界，但虚拟电厂内的可调资源不仅包含储能、燃气发电机组等可直接控制的可调资源，还包括：工商业用户、空调设备和电动汽车等通过激励价格进行调节的可调资源，这部分资源的响应性能通常达不到优化所设定的边界，从而影响优化模型和算法求解的准确性。因此针对虚拟电厂可调资源的优化控制的研究要充分考虑资源参与响应时自身的响应性能边界。


技术实现要素：

4.本发明提供了一种规模化可调资源的联合优化控制方法和装置，结合可调资源响应过程中性能的差异性，从多个维度对可调资源集群的响应性能进行分析，提高了响应性能分析的准确性，并通过联合优化控制提高了虚拟电厂的资源管理效率，详见下文描述：
5.一种规模化可调资源的联合优化控制方法，所述方法包括：
6.考虑集群响应动态过程，构建可调资源的多维响应性能参数，求解可调资源响应综合性能参数；
7.考虑响应不确定性对可调资源响应性能的影响，构建响应性能分析模型；基于响应性能分析模型，通过数据分析对模型中相关参数的历史时间序列数据进行分解并提取特征；
8.根据提取的特征集，求取多时间节点的可调资源响应性能分析模型参数；
9.考虑可调资源响应性能差异，确定vpp参与调峰、调频的可调资源联合优化控制的目标函数；确定vpp参与调峰、调频的可调资源联合优化控制的约束条件；
10.代入模型相关参数，通过cplex软件快速求解上述线性优化问题，基于求解结果对用户的电价结构、用电负荷进行调整，降低输电线路的传输风险。
11.其中，所述响应性能分析模型将用户参与需求响应的多维性能参数与激励强度的
关系描述为一个分段函数，
12.可调资源响应性能参数为：
[0013][0014]
式中：η表示可调资源响应的多维性能参数；r4参数为考虑不确定性影响的随机参数，通过r4的随机性变化可以刻画可调资源参与响应过程的随机特征；δ为激励强度；
[0015]
可调资源响应性能参数的不确定性参数模型为：
[0016][0017]
其中，r1、r2、r3为已知的确定性模型参数；r4为满足一定规律的正态分布，其中该分布均值为标准差为参数μ0与σ0为根据r4的历史响应数据集进行点估计得到的估计值，将该估计值视为r4满足的正态分布参数。
[0018]
进一步地，所述确定vpp参与调峰、调频的可调资源联合优化控制的约束条件为：
[0019]
1)vpp内部功率平衡约束；
[0020]
1、调频容量功率平衡约束：
[0021]
2、调峰容量功率平衡约束：
[0022]
3、蓄电池的功率平衡约束：
[0023]
其中，为t时间节点第z台蓄电池参与调频、调峰辅助服务的投标功率；
[0024]
2)可调资源集群调节约束；
[0025][0026][0027]
3)储能充放电约束；
[0028][0029][0030]
各时刻蓄电池的荷电状态soc表示为s
t
，由下式计算得到：
[0031]st
＝(1-ε)s
t-1
+p
ch
δtμ
c-p
dis
δt/μdꢀꢀꢀ
(7)
[0032]
式中：ε为蓄电池自放电率；μc为充电效率；μd为放电效率。
[0033]
一种虚拟电厂可调资源的联合优化控制装置，所述装置包括：数据加工单元、数据分解单元、数据处理单元、基于sae的特征提取单元和资源联合优化控制单元，
[0034]
所述数据加工单元，用于历史用电功率数据和响应数据的收集，异常点的辨识和
修正；
[0035]
所述数据分解单元，用于历史用电功率数据的分解，获取各imf分量；
[0036]
所述基于sae的特征提取单元，用于获取imf分量和可调资源响应数据的特征关系数据hi；
[0037]
所述资源联合优化控制单元，用于求取可调资源在各时间节点下响应性能参数，并求解优化控制策略。
[0038]
本发明提供的技术方案的有益效果是：
[0039]
1、本发明结合可调资源用电特征差异性和集群响应的动态互补特征，从多个维度对可调资源集群的响应性能进行分析，提高了潜力分析的精准性，同时充分考虑了可调资源响应过程中的不确定性因素影响，提高了响应性能分析的实用性；基于求解结果对用户的电价结构、用电负荷进行调整，降低输电线路的传输风险；
[0040]
2、本发明通过改进的eemd算法和sae算法对可调资源历史用电功率时序数据和历史响应数据进行处理并提取关键特征，然后将该特征用于求取响应性能分析模型中的关键参数，形成各时间节点下可调资源集群响应性能参数的概率分布；
[0041]
3、本发明在虚拟电厂可调资源的联合优化控制策略中充分考虑可调资源自身响应性能的影响，使得优化算法的边界条件更符合实际情况，减少了虚拟电厂参与辅助服务时因响应容量不满足要求而带来的困难，本发明结合可调资源响应过程中性能的差异性，从多个维度对可调资源集群的响应性能进行分析，提高了响应性能分析的准确性。
附图说明
[0042]
图1为不确定性因素影响下响应性能分析模型示意图；
[0043]
图2为一种可调资源集群响应性能分析的结构框图；
[0044]
图3为一种考虑可调资源集群响应动态过程的响应性能分析方法流程图；
[0045]
图4为特征提取原始输入参数获取流程图；
[0046]
图5为可调资源响应特征提取与性能分析流程图；
[0047]
图6为现货市场实时购电价格曲线；
[0048]
图7为基于eemd对原始负荷序列的分解结果图；
[0049]
图8为各时间节点响应性能分析模型参数计算结果图；
[0050]
图9为可调资源集群响应性能参数概率分布结果图；
[0051]
图10为可调资源集群的有效响应降负荷功率计算结果图。
[0052]
图11为可调资源的日内调用价格，调频、调峰出清价格和响应惩罚价格曲线；
[0053]
图12为本发明所提的考虑集群响应性能的联合优化控制策略方法收益结果对比图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0055]
实施例1
[0056]
一种规模化可调资源的联合优化控制方法，该方法包括以下步骤：
[0057]
步骤101：考虑集群响应动态过程，构建可调资源的多维响应性能参数，进而求解可调资源响应综合性能参数；
[0058]
步骤102：考虑响应不确定性对可调资源响应性能的影响，构建响应性能分析模型；
[0059]
步骤103：基于响应性能分析模型，通过数据分析方法对模型中相关参数的历史时间序列数据进行分解并提取特征；
[0060]
步骤104：根据提取的特征集，求取多时间节点的可调资源响应性能分析模型参数；
[0061]
步骤105：考虑可调资源响应性能差异，确定vpp参与调峰、调频的可调资源联合优化控制的目标函数；
[0062]
步骤106：确定vpp参与调峰、调频的可调资源联合优化控制的约束条件；
[0063]
步骤107：代入模型相关参数，通过cplex软件快速求解上述线性优化问题，基于求解结果对用户的电价结构、用电负荷进行调整，降低输电线路的传输风险。
[0064]
其中，步骤101中的考虑集群响应动态过程，构建可调资源的多维响应性能参数，进而求解可调资源响应综合性能参数，具体包括：最大调节功率p
adjust
，响应反应时间τr，平均响应速率va，稳态响应持续时间ts，可响应频率fr，具体有：
[0065]
1)最大调节功率p
adjust
。表示可调资源集群参与响应后，整体出力达到相对稳定时的用电总功率与初始用电功率之差。
[0066]
2)响应反应时间τr。指可调资源管理者下发响应信号后到开始参与响应的时间。
[0067]
3)平均响应速率va。表示可调资源集群在接收到响应信号后每单位时间的调节功率。
[0068]
4)稳态响应持续时间ts。表示集群接收调节容量信号后，稳定维持响应状态的持续时间。该指标反映可调资源集群参与精细化调控的能力。
[0069]
5)可响应频率fr：表示集群响应结束后功率达到的最大值与响应前功率之差。
[0070]
6)可调资源响应综合性能参数：
[0071][0072][0073]
式中，为对应参与在vpp下各集群归一化后的结果，即是将该参数原始值除以vpp内各集群中对应参数中的最大值。以响应反映时间为例，可根据公式(3)求得
[0074][0075]
其中，步骤102中考虑响应不确定性对可调资源响应性能的影响，构建响应性能分析模型，具体有：
[0076]
1)建立如图2所示为不确定性因素影响下可调资源响应性能与激励强度关系，该模型将用户参与需求响应的多维性能参数与激励强度的关系描述为一个分段函数。其中a为激励强度的死区拐点，其横坐标为r1；b为激励强度的饱和区拐点，其横坐标为r2，纵坐标为r3。
[0077]
2)可调资源响应性能参数可由式(4)求取：
[0078][0079]
式中：η表示可调资源响应的多维性能参数；r4参数为考虑不确定性影响的随机参数，通过r4的随机性变化可以刻画可调资源参与响应过程的随机特征；δ为激励强度。
[0080]
3)可调资源响应性能参数的不确定性参数模型可根据式(5)求得：
[0081][0082]
其中，r1、r2、r3为已知的确定性模型参数；r4为满足一定规律的正态分布，其中该分布均值为标准差为参数μ0与σ0为根据r4的历史响应数据集进行点估计得到的估计值，将该估计值视为r4满足的正态分布参数。
[0083]
其中，步骤103基于响应性能分析模型，通过数据分析方法对模型中相关参数的历史时间序列数据进行分解并提取特征，具体有：
[0084]
1)将采集到的每日用电功率xk数据进行单时间节点切分得到用电功率时序数据x
k,t
，其中k为可调资源编号，t表示所取时间节点；
[0085]
2)使用改进的经验模态分解(ensemble empirical mode decomposition,eemd)将用电功率时序数据x
k,t
分解为一系列本征模态分量(intrinsic mode function,imf)分量和残差分量，具体有：
[0086]
①
根据公式(6)将正态分布的白噪声加到初始用电时间序列x
k,t
，其中：n为归一化白噪声，σ
x
为信号标准差，a为比例系数，得到信噪混合序列x
′
k,t
；
[0087]
x
′
k,t
＝x
k,t
+a
·
σ
x
·
n (6)
[0088]
②
将x
′
k,t
作为初始分解时间序列，然后进行emd分解，得到各imf分量；
[0089]
③
由公式(7)获取剩余分量r
k,i
，若i＝1，则有r
k,0
＝x
′
k,t
；
[0090]rk,i
＝r
k,i-1-imf
k,i
ꢀꢀꢀ
(7)
[0091]
④
将分解模态分量h
k,j-1
＝r
k,i
作为第i个模态分量求取的初始序列，并提取局部极值；
[0092]
⑤
用样条插值形成上下包络线，并计算上下包络线均值m
k,j-1
；
[0093]
⑥
根据公式(8)将分解模态分量h
k,j-1
与上下包络线均值m
k,j-1
相减，得到下一次迭代过程中的分解模态分量h
k,j
：
[0094]hk,j
＝h
k,j-1-m
k,j-1
ꢀꢀꢀ
(8)
[0095]
⑦
判断第i个模态分量求取是否满足迭代停止条件，若满足则输出h
k,j
为imf
k,i
，若不满足则重复步骤上述过程，直至满足迭代停止条件，并输出第i个imf分量imf
k,i
；
[0096]
⑧
加入新的正态分布白噪声序列，得到新的imf分量，并将得到的imf做集成平均处理后作为最终结果。
[0097]
⑨
在上述eemd算法的基础上，通过最大互信息系数(mic)对各imf分量进行筛选，
提取与各影响因素关联性较大的分量，根据公式(9)计算各影响因素与imf分量的mic值：
[0098][0099]
其中x，y分别表示x和y对应的划分区域，b的大小通常设置为数据量的0.6次方左右。
[0100]
⑩
设置mic值阈值，筛选出满足mic值的imf分量，并将筛选后的imf分量组合构成矩阵yi＝[imf
1,i
；imf
2,i
；
…
；imf
n,i
]；
[0101]
3)将分解后的imf分量数据和历史响应数据集进行组合，形成初始输入矩阵yi和di；
[0102]
4)使用堆栈自编码器(stacked auto-encoder,sae)对提取筛选后的imf分量进行特征提取，并形成特征参数集，具体有：
[0103]
①
给定含n个可调资源的集群，sae网络的输入为筛选后的imf指标数据集yi＝[imf
1,i
；imf
2,i
；
…
；imf
n,i
]，则编码过程就是通过编码函数将输入转化为隐藏层状态hi，可用公式(10)表示；
[0104]hi
＝f(wi·
yi+bi)
ꢀꢀꢀ
(10)
[0105]
其中，wi和bi分别为单时间节点下第i个本征分量特征提取的输入层与隐含层之间权重矩阵和偏置向量。
[0106]
②
解码过程是通过解码函数g对隐藏层状态hi进行重构为y
′i的过程，可用公式(11)表示；
[0107]y′i＝g(w
′i·hi
+b
′i)
ꢀꢀꢀ
(11)
[0108]
其中，w
′i和b
′i分别表示第i个本征分量特征提取的隐含层与输出层之间权重矩阵和偏置向量。
[0109]
③
设置网络训练的目标为最小化重构误差，并通过网络编码过程与解码过程的不断自迭代，最终使得编码过程输入的数据yi与解码之后输出的y
′i尽可能相等，该过程可用式(12)表示；
[0110]
θ
ae
(wi,bi,w
′i,b
′i)＝argminl(yi,y
′i)
ꢀꢀꢀ
(12)
[0111]
其中，θ
ae
为wi，bi，w
′i和b
′i的取值，l为yi与y
′i的误差函数。
[0112]
④
输出训练后神经网络隐藏层提取的特征参数集hi，用于后续可调资源响应性能分析模型的参数计算。
[0113]
步骤104：根据提取的特征集，求取多时间节点的可调资源响应性能分析模型参数，具体有：
[0114]
1)根据提取的特征参数集hi，采用最小二乘拟合挖掘可调资源响应潜力模型的确定性参数，得到如下关系式：
[0115][0116]
式中：b
1j
(t)、b
2j
(t)、b
3j
(t)为单时间节点t下关键参数的特征系数，uj表示通过主成分分析法提取出的第j个可调资源用电特征指标的主成分，a
ij
(t)为第j个主成分构成中第i个特征指标的系数，hi为第i个特征指标的取值。
[0117]
2)对响应历史数据集进行点估计得到各时间节点下的估计值，将该估计值视为r4(t)满足的正态分布参数；
[0118][0119]
其中，均值基准值μ(t)、方差基准值σ2(t)、均值模糊值μe(t)和方差模糊值σe(t)为描述可调资源特定时间节点下响应潜力模型的不确定性参数。
[0120]
3)通过对可调资源集群各个时间节点的时序数据进行滚动分析，得到该集群在不同时间的多维响应性能参数的概率分布；
[0121]
步骤105：根据分析所得的可调资源响应性能，确定vpp参与调峰、调频的联合资源优化策略的目标函数，具体有：
[0122]
1)vpp参与调峰、调频业务的优化运行目标为最大化净利润w；
[0123][0124]
其中，w
u,t
为vpp对可调资源的响应控制成本，w
es,t
为vpp内蓄电池的调用成本；w
tpun
为vpp参与响应时未满足响应需求的惩罚成本；w
tagc
和w
treg
分别表示vpp参与调峰和调频辅助的收益，主要包括日前响应结算收益和日内响应结算收益，具体有：
[0125][0126][0127]
其中，c
ac,t
和c
rc,t
分别表示日前市场调频和调峰出清价格；c
e,t
为日内调用功率价格的预测值；和分别为vpp参与调频、调峰的中标调频和调峰容量；和分别为vpp日内预期被调用的调频和调峰功率。
[0128]
2)每个时间节点中标的调频、调峰容量和取决于vpp参与投标的容量和对应的中标概率；
[0129]
[0130][0131]
其中，和分别表示vpp参与调频、调峰两种服务服务的投标容量；ρ1和ρ2分别表示vpp参与辅助服务市场的调频、调峰的中标概率；
[0132]
3)vpp参与调频、调峰投标概率ρ1和ρ2主要与其内部可调资源的响应性能有关。
[0133][0134][0135]
其中，和分别为vpp内可调资源集群调峰、调频的综合响应性能参数；k
agc
和k
reg
为vpp中标概率与响应性能系数，该值可根据可调资源历史响应中标数进行求取。
[0136][0137][0138]
其中，s
agc
和s
reg
分别为调频、调峰的历史中标次数，和分别为调频、调峰的历史投标次数，和为vpp内可调资源集群的综合响应性能参数均值；
[0139][0140][0141]
其中，n为获取的vpp可调资源历史响应数据天数，t为一日内的数据采集数量，通常取t＝96；
[0142]
4)vpp参与调频、调峰的响应成本w
u,t
和w
es,t
可根据公式(26)和(27)求得；
[0143][0144][0145]
其中，和分别为第i个参与调频的可调资源集群响应功率和第j个参与调峰的可调资源集群响应功率；c
es
表示蓄电池单位折旧和维修成本；p
ch,esz,t
和p
dis,es,t
分别为t时间节点下第z台蓄电池的充放电功率；n
es
表示电池台数；和分别表示可调资源集群u的激励价格。
[0146]
5)vpp参与响应时未满足响应需求的惩罚成本w
tpun
可根据公式(28)求得：
[0147][0148]
其中，和分别表示日前响应任务的实际完成量，为响应任务完成偏差的惩罚价格。
[0149]
步骤106：确定vpp参与调峰、调频的可调资源联合优化控制策略的约束条件，具体包括：vpp内部功率平衡约束，可调资源集群调节约束和储能充放电约束。
[0150]
1)vpp内部功率平衡约束。
[0151]
1、调频容量功率平衡约束：
[0152]
2、调峰容量功率平衡约束：
[0153]
3、蓄电池的功率平衡约束：
[0154]
其中，为t时间节点第z台蓄电池参与调频、调峰辅助服务的投标功率。
[0155]
2)可调资源集群调节约束。
[0156][0157][0158]
3)储能充放电约束。
[0159][0160][0161]
各时刻蓄电池的荷电状态soc表示为s
t
，由下式计算得到：
[0162]st
＝(1-ε)s
t-1
+p
ch
δtμ
c-p
dis
δt/μdꢀꢀꢀ
(33)
[0163]
式中：ε为蓄电池自放电率；μc为充电效率；μd为放电效率。通常蓄电池总电量也要维持在一定限度内：
[0164]smin
≤s
t
≤s
max
ꢀꢀꢀ
(34)
[0165]sinit
＝s
t
ꢀꢀꢀ
(35)
[0166]
其中，s
min
、s
max
和s
t
分别表示蓄电池的最小荷电状态、最大荷电状态和初始荷电状态。并且，由于蓄电池无法同时充放电，因此有：
[0167]
p
ch,esz,t
p
dis,esz,t
＝0
ꢀꢀꢀ
(36)
[0168]
公式(36)为vpp联合资源优化引入了非线性因素，引入变量αz将公式(36)转化成公式(37)和(38)两组不等式关系。
[0169][0170][0171]
当αz＝1时，蓄电池z可能处于充电状态，但一定不处于放电状态；当αz＝0时，蓄电池z可能处于放电状态，但一定不处于充电状态。
[0172]
实施例2
[0173]
下面结合具体的实验数据对实施例1中的方案进行进一步地介绍，详见下文描述：
[0174]
通过数据采集与监视控制系统(scada)或高级量测体系(ami)获得的。在电力系统中，ami通过智能电表的数据采集、数据管理和应用，提供基于云平台的业务服务，满足千万级别电表、百万dcu接入能力，实现用户的预付费和后付费、用电信息分析、大用户计费支持等多项业务。同时依托营销、费控、采集等自动化系统积累的用能数据，进行数据分析，构建用户电力负荷预测模型。利用企业用电量价费历史数据和用电负荷数据，为用户提供用能分析、账单优化工作，优化用户的电价结构、负荷曲线等。
[0175]
以仿真得到的2019年5月10日至2020年2月25日可调资源集群用电负荷数据作为
实验数据输入eemd模型，电价采用图6所示的现货市场实时购店价格曲线，数据的采集频率为15min/点。选取12:00d的用电功率时序数据，并通过eemd对原始负荷序列进行分解，如图7所示。
[0176]
为了便于数据处理可将所述日类型数据化(使用1和0分别表示节假日和非节假日，1～12依次表示一月至12月，1～7依次表示周一至周日，1～24依次表示一天中1至24小时)；
[0177]
所述步骤s22，本实施例以仿真得到的2019年5月10日至2020年2月25日可调资源集群用电负荷数据作为实验数据集，由于难以获得15min/点的气温数据，算例采用日最高气温与日最低气温来分析温度对可调资源各时序分量用电特征的影响。本实施例最终得到不同时间节点下可调资源集群响应潜力概率分布如图8所示。
[0178]
根据表1中不同响应业务对可调资源不同维度指标要求，进一步得到可调资源在不同业务场景下的有效响应潜力。本实施例以仿真的四种不同类型可调资源集群为例，各集群负荷类型组成和仿真的参数如表2和表3所示，最终得到可调资源集群有效响应降负荷功率分布如图10所示。
[0179]
为验证本发明所提响应性能分析方法的优越性，对算例中各时间节点的性能分析结果进行对比，将仿真的响应性能参数均值作为真值，将一天内各时间节点潜力性能参数结果的平均误差作为对比指标。表4给出了几种响应潜力性能分析算法的计算结果对比，由该结果可知，直接使用sae和fcl方式进行有监督的标签训练分析误差虽然较小，但该方法计算效率较低，并且在实际中很难得到各时间节点响应潜力的大量历史数据。同时，由于可调资源集群用电功率时序数据较为复杂，因此pca算法特征提取效果较差，从而导致最终的分析误差较大。功率时序数据分解算法中，改进eemd算法虽然增加了少量计算时间，但与emd算法相比能够有效减少分析误差。
[0180]
为验证本发明所提优化算法的优越性，模拟了参数如表3所示的3台蓄电池es1、es2、es3。es1～es3额定容量sn均为1500kw
·
h，初始容量为1000kw
·
h，最低允许容量0.2sn，最高允许容量0.9sn，最大充放电功率和效率相同。可调资源的日内调用价格，调频、调峰出清价格和响应惩罚价格如图11所示。为保证结果的可靠性，通过随机取样本的方式选取集群ii的40组可能响应性能参数，并将集群ii的响应功率均值作为实际响应功率，并将可调资源响应的额定功率作为约束的优化结果(case2)与本发明所提的考虑集群响应性能的优化方法(case1)进行对比。由图12所示的实验仿真结果可知，本发明所提方法能有效减少可调资源的惩罚成本，提高虚拟电厂参与辅助服务的市场收益。
[0181]
表1
[0182][0183]
表2
[0184][0185]
表3
[0186][0187][0188]
表4
[0189][0190]
表5
[0191][0192]
第二方面，提供一种虚拟电厂可调资源的联合优化控制装置，该装置结构框图如图3所示，主要用于执行第一方面所提供的优化方法，具体包括数据加工单元、数据分解单元、数据处理单元、基于sae的特征提取单元和资源联合优化控制单元。
[0193]
所述数据加工单元，用于历史用电功率数据和响应数据的收集，异常点的辨识和修正；
[0194]
所述数据分解单元，用于历史用电功率数据的分解，获取各imf分量；
[0195]
所述基于sae的特征提取单元，用于获取imf分量和可调资源响应数据的特征关系数据hi。
[0196]
所述资源联合优化控制单元，用于求取可调资源在各时间节点下响应性能参数，
并求解本发明所提的优化控制策略算法。
[0197]
其进一步技术方案为：根据所述数据预处理单元包括数据获取模块、异常数据点的辨识模块和异常数据点的修正模块；
[0198]
所述数据获取模块，用于从数据库中获取所述评估目标的历史功率时序数据x
k,t
和历史响应数据d；
[0199]
所述异常数据点的辨识模块，用于从获取的数据中辨识出异常数据；
[0200]
所述异常数据点的修正模块，用于修正辨识出的所述异常数据。
[0201]
其进一步技术方案为：根据所述数据分解单元包括白噪声混合模块、数据分解模块、imf均值计算模块和mic值获取模块；
[0202]
所述白噪声混合模块，用于给历史功率时序数据x
k,t
添加白噪声分量，得到待分解时序数据x
′
k,t
；
[0203]
所述数据分解模块，用于将添加不同白噪声分量的时序数据进行emd分解，得到不同白噪声分量下的imf分量；
[0204]
所述imf均值计算模块，用于将得到的不同分量下的imf求取均值，作为最终输出的imf分量imf；
[0205]
所述mic值获取模块，用于得到的各imf与历史响应数据的最大互信系数mic值；
[0206]
其进一步技术方案为：根据所述数据处理单元包括imf分量筛选模块、数据组合模块和数据归一化模块；
[0207]
所述imf分量筛选模块，用于筛选出与历史响应数据关联性较大的imf分量imfi，用于进一步进行特征提取；
[0208]
所述数据组合模块，用于组合筛选后的各imf分量数据和历史响应数据集，形成矩阵yi和di；
[0209]
所述数据归一化模块，用于消除不同因素的量纲和限制数据范围，以便于数据处理；
[0210]
其进一步技术方案为：根据所述基于sae的特征提取单元包括数据编码模块、数据解码模块、数据训练模块和特征输出模块；
[0211]
所述数据编码模块，用于将网络输入数据进行编码，保留数据特征信息；
[0212]
所述数据解码模块，用于对编码后的数据进行解码，重新得到含特征信息的一组数据；
[0213]
所述数据训练模块，用于对比编码前的数据特征数据和解码后的数据特征数据，并通过迭代训练减少两组数据的特征差异；
[0214]
所述特征输出模块，用于输出训练后神经网络的隐藏层特征参数集hi。
[0215]
其进一步技术方案为：根据所述资源联合优化控制单元包括模型参数计算模块、响应性能分析模块、优化算法计算模块；
[0216]
所述模型参数计算模块，用于根据特征参数集hi计算得到响应性能分析模型中的各参数r1，r2，r3和r4；
[0217]
所述响应性能分析模块，用于计算可调资源响应性能参数的概率分布η和综合响应性能参数和
[0218]
所述优化算法计算模块，用于求解所构建的可调资源联合优化控制算法。
[0219]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0220]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0221]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。