虚拟电厂能源调度方法、装置、电子设备和可读介质与流程

本公开的实施例涉及计算机，具体涉及虚拟电厂能源调度方法、装置、电子设备和可读介质。

背景技术：

1、虚拟电厂是一种通过软件和智能控制设备对分布式能源进行集中控制和调度的系统。目前，在进行虚拟电厂能源调度时，通常采用的方式为：通过预先训练的单一类型神经网络模型对虚拟电厂负荷进预测，并按照预测结果进行能源调度。

2、然而，当采用上述方式进行虚拟电厂能源调度时，经常会存在如下技术问题：

3、第一，虚拟电厂中的数据往往采集于多类型的数据源，而单一神经网络模型的泛化能力较弱，导致预测出的能源负荷与真实负荷存在较大误差，从而导致所调度的能源与实际所需能源有较大差异，仍需进行多次能源再调度，进而导致能源在多次传输过程中产生损耗，造成能源浪费。

4、第二，为提高模型预测准确率，所使用的神经网络模型往往具较高的模型深度和复杂的模型结构，从而导致所需算力大幅度提升。

5、第三，在神经网络模型训练过程中，当由于样本数据集中的各个样本数据采集于不同的数据源，采用常规的数值法对样本数据集进行异常数据筛选的效果较差，从而使得样本数据集中仍存在较多的异常样本数据，造成模型训练的额外算力支出，进而导致算力资源浪费。

6、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了虚拟电厂能源调度方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

3、第一方面，本公开的一些实施例提供了一种虚拟电厂能源调度方法，该方法包括：从目标数据库中获取历史虚拟电厂数据组集合，其中，上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组对应有数据源标签；对于上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组，执行以下步骤：对上述历史虚拟电厂数据组包括的各个历史虚拟电厂数据进行数据预处理，得到处理后虚拟电厂数据组；根据上述处理后虚拟电厂数据组，对预先设置的各个初始电力负荷预测模型进行模型训练，以生成各个模型权重信息和各个模型结构信息，其中，上述各个初始电力负荷预测模型的网络结构不同，上述各个模型权重信息对应有各个模型训练结果；根据上述各个模型训练结果、上述各个模型权重信息和上述各个模型结构信息，确定目标模型权重信息和目标模型结构信息；根据所确定的目标模型权重信息和目标模型结构信息，构建多源电力负荷预测模型，以及将所构建的多源电力负荷预测模型和目标数据源标签进行绑定，其中，上述目标数据源标签是上述历史虚拟电厂数据组对应的数据源标签；响应于确定当前时间满足预设时间周期对应的预测周期条件，获取虚拟电厂数据组；根据所获取的虚拟电厂数据组和所构建的各个多源电力负荷预测模型，生成各个多源电力负荷信息；根据所生成的各个多源电力负荷信息进行能源调度，其中，所生成的每个多源电力负荷信息可以是对应的电力需求源在预设单位时间内的电力负荷值，所对应的电力需求源包括但不限于：钢铁厂、化工厂和制造厂。

4、第二方面，本公开的一些实施例提供了一种虚拟电厂能源调度装置，装置包括：获取单元，被配置成从目标数据库中获取历史虚拟电厂数据组集合，其中，上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组对应有数据源标签；执行单元，被配置成对于上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组，执行以下步骤：对上述历史虚拟电厂数据组包括的各个历史虚拟电厂数据进行数据预处理，得到处理后虚拟电厂数据组；根据上述处理后虚拟电厂数据组，对预先设置的各个初始电力负荷预测模型进行模型训练，以生成各个模型权重信息和各个模型结构信息，其中，上述各个初始电力负荷预测模型的网络结构不同，上述各个模型权重信息对应有各个模型训练结果；根据上述各个模型训练结果、上述各个模型权重信息和上述各个模型结构信息，确定目标模型权重信息和目标模型结构信息；根据所确定的目标模型权重信息和目标模型结构信息，构建多源电力负荷预测模型，以及将所构建的多源电力负荷预测模型和目标数据源标签进行绑定，其中，上述目标数据源标签是上述历史虚拟电厂数据组对应的数据源标签；第二获取单元，被配置成响应于确定当前时间满足预设时间周期对应的预测周期条件，获取虚拟电厂数据组；生成单元，被配置成根据所获取的虚拟电厂数据组和所构建的各个多源电力负荷预测模型，生成各个多源电力负荷信息；能源调度单元，被配置成根据所生成的各个多源电力负荷信息进行能源调度，其中，所生成的每个多源电力负荷信息可以是对应的电力需求源在预设单位时间内的电力负荷值，所对应的电力需求源包括但不限于：钢铁厂、化工厂和制造厂。

5、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

6、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

7、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的虚拟电厂能源调度方法可以提高负荷预测信息的准确性，从而减少调度过程中的能源浪费。具体来说，造成调度过程中的能源浪费的原因在于：虚拟电厂中的数据往往采集于多类型的数据源，而单一神经网络模型的泛化能力较弱，导致预测出的能源负荷与真实负荷存在较大误差，从而导致所调度的能源与实际所需能源有较大差异，仍需进行多次能源再调度，进而导致能源在多次传输过程中产生损耗，造成能源浪费。基于此，本公开的一些实施例的虚拟电厂能源调度方法，首先，从目标数据库中获取历史虚拟电厂数据组集合。其中，上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组对应有数据源标签。由此，可以获取从不同数据源处采集得到的各个虚拟电厂数据组。然后，对于上述历史虚拟电厂数据组集合中的每个历史虚拟电厂数据组，执行以下步骤：第一步，对上述历史虚拟电厂数据组包括的各个历史虚拟电厂数据进行数据预处理，得到处理后虚拟电厂数据组。由此，通过数据预处理可以提高各个历史虚拟电厂数据质量，降低噪声干扰。第二步，根据上述处理后虚拟电厂数据组，对预先设置的各个初始电力负荷预测模型进行模型训练，以生成各个模型权重信息和各个模型结构信息。其中，上述各个初始电力负荷预测模型的网络结构不同，上述各个模型权重信息对应有各个模型训练结果。由此，使用采集于单一数据源的历史虚拟电厂数据组训练各个不同网络结构的模型，可以确定各个模型结构对当前数据源类型的泛化能力和预测准确率。第三步，根据上述各个模型训练结果、上述各个模型权重信息和上述各个模型结构信息，确定目标模型权重信息和目标模型结构信息。其中，上述目标数据源标签是上述虚拟电厂数据组对应的数据源标签。实践中，由于不同类型的数据源对模型的指标要求不同，由此，可以按照目标数据源标签所对应的指标条件从上述各个模型权重信息和上述各个模型结构信息中确定与上述历史虚拟电厂数据组匹配度较高的模型权重信息和模型结构信息，从而提高模型的泛化能力。第四步，根据所确定的目标模型权重信息和目标模型结构信息，构建多源电力负荷预测模型，以及将所确定的多源电力负荷预测模型和目标待数据源标签进行绑定。由此，可以构建出与上述目标数据源标签所表征的数据源匹配度更好的多源电力负荷预测模型，从而提高模型预测准确率。之后，响应于确定当前时间满足预设时间周期对应的预测周期条件，获取虚拟电厂数据组。接着，根据所获取的虚拟电厂数据组和所构建的各个多源电力负荷预测模型，生成各个多源电力负荷信息。最后，根据所生成的各个多源电力负荷信息进行能源调度。其中，所生成的每个多源电力负荷信息可以是对应的电力需求源在预设单位时间内的电力负荷值。所对应的电力需求源包括但不限于：钢铁厂、化工厂和制造厂。由此，通过具有更高准确率的各个多源电力负荷信息进行能源调度，可以减少因预测误差导致的能源调度不准确问题，从而降低能源再调度的频率，进而减少能源传输过程中的损耗，从而减少能源浪费。