多类别电力设备的负荷控制方法、系统、设备和存储介质与流程

本发明涉及电力设备负荷控制，特别是涉及一种多类别电力设备的负荷控制方法、系统、设备和存储介质。

背景技术：

1、在多源数据与深度学习的多类别设备电力负荷控制中，设备类别分类粒度的选择面临着一个技术矛盾。为了提高负荷控制的响应速度和资源利用效率，需要对设备进行精细化的类别划分。细粒度的设备分类可以针对不同类型设备的用电特点，制定更加精准的控制策略，从而实现快速响应和资源节约。在实际的电力负荷控制场景中，设备所处的环境和工作状态是动态变化的。不同时间、不同场景下，同一类设备的用电行为可能存在较大差异。因此，采用固定粒度的设备分类方式可能导致负荷控制的不稳定性。不同时段的用电需求变化很大，高峰时段和低谷时段的设备用电行为差异明显。若采用统一的分类粒度，可能无法适应这种动态变化，导致控制决策的滞后或过度。不同类别的设备在功率、用电时长、启动频率等方面存在显著差异。例如，空调等家用电器与工业生产设备在用电特性上有很大不同。采用相同的分类粒度难以兼顾各类设备的特点，影响负荷控制的精准性。不同场景下设备的使用模式和环境因素也有很大差异。工业园区、商业区、居民区等场景的用电需求和设备组合各不相同，采用固定分类粒度难以适应场景的多样性，可能引起负荷控制的失衡。这需要综合考虑多源数据的融合、深度学习算法的优化，以及电力负荷控制策略的动态调整，才能实现设备分类粒度的自适应优化，提升多类别设备电力负荷控制的整体性能。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种多类别电力设备的负荷控制方法、系统、设备和存储介质，通过设备分类粒度的自适应优化，以达到提升多类别电力设备负荷控制的整体性能，提高电力资源利用率，保证电力系统运行的稳定性和可靠性的技术效果。

2、第一方面，本发明提供了一种多类别电力设备的负荷控制方法，所述方法包括：

3、根据不同级别的分类粒度，构建设备分类模型，并根据所述设备分类模型对应的设备类别，对各类电力设备的运行特征和能耗特征进行分析，得到各类电力设备的电力消耗模式；

4、采用预设级别的分类粒度对应的设备分类模型，对目标区域内的各个电力设备进行分类，并根据分类结果，获取对应的电力消耗模式；

5、通过预先构建的电力需求预测模型，得到电力设备的电力需求曲线，根据所述电力消耗模式和所述电力需求曲线，制定电力资源分配策略，并按照所述电力资源分配策略对各个电力设备进行电力资源分配。

6、进一步地，所述根据所述电力消耗模式和所述电力需求曲线，制定电力资源分配策略的步骤包括：

7、根据所述电力消耗模式，设置电力消耗阈值和优化目标，并根据所述电力需求曲线对所述电力消耗阈值和所述优化目标进行调整；

8、根据调整的所述电力消耗阈值和所述优化目标，采用多目标优化算法进行求解，得到最优电力消耗模式，并根据所述最优电力消耗模式，制定电力资源分配策略。

9、进一步地，在所述构建设备分类模型的步骤之后，还包括：

10、对目标区域内的能源消耗数据进行特征工程处理，得到能耗特征，并根据所述能耗特征，对目标区域进行应用场景的划分；

11、根据各个应用场景对应的设备运行需求，对所述设备分类模型的分类粒度和层次结构进行调整。

12、进一步地，在所述制定电力资源分配策略的步骤之后，还包括：

13、按照预设采样周期采集各个电力设备的实时用电数据，将所述实时用电数据输入预先建立的峰值预测模型对电力设备的用电高峰时段进行预测，得到峰值时间；

14、将所述峰值时间与当前时间之间的差值与预设的缓冲阈值相比较，并根据比较结果判断是否提高所述设备分类模型的分类粒度级别；

15、响应于提高分类粒度级别，采用提高分类粒度级别后的所述设备分类模型对电力设备进行分类，并根据分类结果，对电力资源分配策略进行调整。

16、进一步地，在所述将所述峰值时间与当前时间之间的差值与预设的缓冲阈值相比较的步骤之前，还包括：

17、根据所述实时用电数据，计算每个采样周期内的负荷变化率，并将所述负荷变化率与负荷变化率阈值相比较，所述负荷变化率阈值包括第一负荷变化率阈值和第二负荷变化率阈值；

18、当连续采样周期内每个采样周期对应的负荷变化率均大于第一负荷变化率阈值时，减小所述缓冲阈值；

19、当连续采样周期内每个采样周期对应的负荷变化率均小于第二负荷变化率阈值时，增大所述缓冲阈值。

20、进一步地，在所述按照预设采样周期采集各个电力设备的实时用电数据的步骤之后，还包括：

21、根据所述实时用电数据和电力需求预测模型，预测电力设备在目标区域的用电低谷时段的用电需求；

22、根据所述用电需求，计算每个采样周期内的用电需求变化率，并将所述用电需求变化率与需求变化率阈值相比较，所述需求变化率阈值包括第一需求变化率阈值和第二需求变化率阈值；

23、当连续采样周期内每个采样周期对应的用电需求变化率均大于第一需求变化率阈值时，提高分类粒度级别；

24、当连续采样周期内每个采样周期对应的用电需求变化率均小于第二需求变化率阈值时，降低分类粒度级别。

25、进一步地，在所述制定电力资源分配策略的步骤之后，还包括：

26、采集电力设备在不同时间粒度下的电力消耗数据，根据所述电力消耗数据计算电力设备在不同时间粒度下的用电差异；

27、将所述用电差异与差异阈值相比较，根据比较结果判断电力设备是否为关键设备；

28、若是，则获取关键设备的当前用电量，并判断所述当前用电量是否大于电量阈值，若大于，则提高关键设备对应的分类粒度级别，通过提高分类粒度级别的所述设备分类模型对关键设备重新分类，并根据分类结果，对电力资源分配策略进行调整。

29、第二方面，本发明提供了一种多类别电力设备的负荷控制系统，所述系统包括：

30、模型构建模块，用于根据不同级别的分类粒度，构建设备分类模型，并根据所述设备分类模型对应的设备类别，对各类电力设备的运行特征和能耗特征进行分析，得到各类电力设备的电力消耗模式；

31、设备分类模块，用于采用预设级别的分类粒度对应的设备分类模型，对目标区域内的各个电力设备进行分类，并根据分类结果，获取对应的电力消耗模式；

32、策略制定模块，用于通过预先构建的电力需求预测模型，得到电力设备的电力需求曲线，根据所述电力消耗模式和所述电力需求曲线，制定电力资源分配策略，并按照所述电力资源分配策略对各个电力设备进行电力资源分配。

33、第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

34、第四方面，本发明实施例还提供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上述方法的步骤。

35、本发明提供了一种多类别电力设备的负荷控制方法、系统、设备和存储介质。本发明通过分类粒度的自适应调整，能够增强电力系统对于不同用电场景需求的适应性，提升电力资源分配的灵活性，并通过对目标区域内电力资源分配的优化，提高电力资源利用率，保证电力系统运行的稳定性和可靠性。