本技術涉及電力系統調控，特別涉及一種電力系統源荷平衡的自動匹配調控方法、裝置及電子設備。

背景技術：

1、在全球能源格局加速向綠色低碳轉型的大趨勢下，“雙碳”目標成為電力系統發展的核心導向，可再生能源在電力供應中的占比持續攀升，這為電力系統的源荷平衡帶來了前所未有的挑戰。一方面，可再生能源發電受自然條件制約，其出力波動劇烈且難以精準預測；另一方面，新型電力負荷呈現多樣化、動態化特性，如電動汽車無序充電、工業生產的間歇性負荷以及居民用電行為的不確定性等，進一步增加了源荷匹配的復雜度與難度。

2、在高比例可再生能源電力系統中，柔性負荷資源的參與對于實現源荷平衡調控至關重要。但目前存在幾個問題：一是研究多集中于單一目標，缺乏綜合優化策略；二是傳統優化算法計算復雜，難以滿足實時調控需求；三是人工智能與機器學習技術在柔性負荷調控中的應用不足，導致調控決策滯后和精準度不足。這些問題限制了系統運行效能的提升和電力供應的可靠性，無法有效解決高比例波動可再生能源接入電力系統時源荷波動性強及靈活調控資源匱乏的問題，亟需完善。

技術實現思路

1、本技術提供一種電力系統源荷平衡的自動匹配調控方法、裝置及電子設備，以解決高比例波動可再生能源接入電力系統時源荷波動性強及靈活調控資源匱乏的問題，為柔性負荷資源參與電力系統快速響應的實現提供了有效途徑。

2、為達到上述目的，本技術第一方面實施例提出一種電力系統源荷平衡的自動匹配調控方法，包括以下步驟：

3、獲取電力系統的當前場景運行數據；

4、將所述當前場景運行數據輸入至預設的神經網絡模型，得到當前場景的源荷平衡自動匹配調控策略，其中，所述預設的神經網絡模型由歷史場景運行數據集訓練和預設的歷史場景-源荷平衡調控策略映射關系庫得到；

5、基于所述源荷平衡自動匹配調控策略，對所述當前場景的源荷平衡過程進行自動匹配調控。

6、根據本技術的一個實施例，在將所述當前場景運行數據輸入至所述預設的神經網絡模型，得到所述當前場景運行時的源荷平衡自動匹配調控策略之前，還包括：

7、獲取所述電力系統的歷史場景運行數據集；

8、對所述歷史場景運行數據集進行預處理，并將預處理后的歷史場景運行數據集劃分為訓練集和驗證集；

9、基于所述預設的歷史場景-源荷平衡調控策略映射關系庫，利用所述訓練集對預設的神經網絡進行訓練得到初始神經網絡模型，并利用所述驗證集驗證所述初始神經網絡模型，直到所述初始神經網絡模型滿足預設標準，結束對所述預設的神經網絡的迭代訓練得到所述預設的神經網絡模型，否則調整所述預設的神經網絡的訓練參數后繼續迭代訓練。

10、根據本技術的一個實施例，在基于所述預設的歷史場景-源荷平衡調控策略映射關系庫，利用所述訓練集對所述預設的神經網絡進行訓練得到所述初始神經網絡模型之前，還包括：

11、獲取源荷平衡匹配調控需求；

12、基于所述源荷平衡匹配調控需求將電力系統中的源荷不平衡場景劃分為多種典型場景，并確定每種典型場景對應的量化表征指標；

13、獲取所述每種典型場景對應的調控需求；

14、基于所述每種典型場景對應的量化表征指標和所述每種典型場景對應的調控需求，構建所述每種典型場景對應的源荷平衡調控模型；

15、基于所述歷史場景運行數據集和所述每種典型場景對應的源荷平衡調控模型，建立所述預設的歷史場景-源荷平衡調控策略映射關系庫。

16、根據本技術的一個實施例，所述典型場景包括可再生能源消納場景、削峰場景、填谷場景、頻率波動場景和電壓波動場景中的至少一種。

17、根據本技術的一個實施例，所述基于所述每種典型場景對應的量化表征指標和所述每種典型場景對應的調控需求，構建所述每種典型場景對應的源荷平衡調控模型，包括：

18、基于所述每種典型場景對應的量化表征指標和所述每種典型場景對應的調控需求，確定所述每種典型場景對應的柔性負荷資源優化調控目標；

19、根據所述每種典型場景對應的柔性負荷資源優化調控目標，構建所述每種典型場景對應的源荷平衡調控模型。

20、根據本技術的一個實施例，所述基于所述歷史場景運行數據和所述每種典型場景對應的源荷平衡調控模型，建立所述預設的歷史場景-源荷平衡調控策略映射關系庫，包括：

21、確定所述歷史場景運行數據集中每個時刻對應的運行場景向量；

22、基于所述每種典型場景對應的源荷平衡調控模型，利用多目標粒子群算法，得到多個歷史場景的源荷平衡調控策略；

23、基于所述多個歷史場景的源荷平衡調控策略，建立所述預設的歷史場景-源荷平衡調控策略映射關系庫。

24、根據本技術實施例提出的電力系統源荷平衡的自動匹配調控方法，通過獲取電力系統的當前場景運行數據，并將當前場景運行數據輸入至預設的神經網絡模型，可以得到當前場景的源荷平衡自動匹配調控策略；基于源荷平衡自動匹配調控策略，對當前場景的源荷平衡過程進行自動匹配調控。由此，通過基于深度神經網絡的柔性負荷資源參與電力系統源荷平衡的自動匹配調控，解決了高比例波動可再生能源接入電力系統時源荷波動性強及靈活調控資源匱乏的問題，為柔性負荷資源參與電力系統快速響應的實現提供了有效途徑。

25、為達到上述目的，本技術第二方面實施例提出一種電力系統源荷平衡的自動匹配調控裝置，包括：

26、獲取模塊，用于獲取電力系統的當前場景運行數據；

27、獲得模塊，用于將所述當前場景運行數據輸入至預設的神經網絡模型，得到當前場景的源荷平衡自動匹配調控策略，其中，所述預設的神經網絡模型由歷史場景運行數據集訓練和預設的歷史場景-源荷平衡調控策略映射關系庫得到；

28、調控模塊，用于基于所述源荷平衡自動匹配調控策略，對所述當前場景的源荷平衡過程進行自動匹配調控。

29、根據本技術的一個實施例，在將所述當前場景運行數據輸入至所述預設的神經網絡模型，得到所述當前場景運行時的源荷平衡自動匹配調控策略之前，所述獲得模塊，還包括：

30、獲取單元，用于獲取所述電力系統的歷史場景運行數據集；

31、預處理單元，用于對所述歷史場景運行數據集進行預處理，并將預處理后的歷史場景運行數據集劃分為訓練集和驗證集；

32、訓練單元，用于基于所述預設的歷史場景-源荷平衡調控策略映射關系庫，利用所述訓練集對預設的神經網絡進行訓練得到初始神經網絡模型，并利用所述驗證集驗證所述初始神經網絡模型，直到所述初始神經網絡模型滿足預設標準，結束對所述預設的神經網絡的迭代訓練得到所述預設的神經網絡模型，否則調整所述預設的神經網絡的訓練參數后繼續迭代訓練。

33、根據本技術的一個實施例，在基于所述預設的歷史場景-源荷平衡調控策略映射關系庫，利用所述訓練集對所述預設的神經網絡進行訓練得到所述初始神經網絡模型之前，所述訓練單元，還包括：

34、第一獲取子單元，用于獲取源荷平衡匹配調控需求；

35、確定子單元，用于基于所述源荷平衡匹配調控需求將電力系統中的源荷不平衡場景劃分為多種典型場景，并確定每種典型場景對應的量化表征指標；

36、第二獲取子單元，用于獲取所述每種典型場景對應的調控需求；

37、構建子單元，用于基于所述每種典型場景對應的量化表征指標和所述每種典型場景對應的調控需求，構建所述每種典型場景對應的源荷平衡調控模型；

38、建立子單元，用于基于所述歷史場景運行數據集和所述每種典型場景對應的源荷平衡調控模型，建立所述預設的歷史場景-源荷平衡調控策略映射關系庫。

39、根據本技術的一個實施例，所述典型場景包括可再生能源消納場景、削峰場景、填谷場景、頻率波動場景和電壓波動場景中的至少一種。

40、根據本技術的一個實施例，所述構建子單元，具體用于：

41、基于所述每種典型場景對應的量化表征指標和所述每種典型場景對應的調控需求，確定所述每種典型場景對應的柔性負荷資源優化調控目標；

42、根據所述每種典型場景對應的柔性負荷資源優化調控目標，構建所述每種典型場景對應的源荷平衡調控模型。

43、根據本技術的一個實施例，所述建立子單元，具體用于：

44、確定所述歷史場景運行數據集中每個時刻對應的運行場景向量；

45、基于所述每種典型場景對應的源荷平衡調控模型，利用多目標粒子群算法，得到多個歷史場景的源荷平衡調控策略；

46、基于所述多個歷史場景的源荷平衡調控策略，建立所述預設的歷史場景-源荷平衡調控策略映射關系庫。

47、根據本技術實施例提出的電力系統源荷平衡的自動匹配調控裝置，通過獲取電力系統的當前場景運行數據，并將當前場景運行數據輸入至預設的神經網絡模型，可以得到當前場景的源荷平衡自動匹配調控策略；基于源荷平衡自動匹配調控策略，對當前場景的源荷平衡過程進行自動匹配調控。由此，通過基于深度神經網絡的柔性負荷資源參與電力系統源荷平衡的自動匹配調控，解決了高比例波動可再生能源接入電力系統時源荷波動性強及靈活調控資源匱乏的問題，為柔性負荷資源參與電力系統快速響應的實現提供了有效途徑。

48、為達到上述目的，本技術第三方面實施例提出一種電子設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序，以實現如上述實施例的電力系統源荷平衡的自動匹配調控方法。

49、為達到上述目的，本技術第四方面實施例提出一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行，以用于實現如上述實施例的電力系統源荷平衡的自動匹配調控方法。

50、為達到上述目的，本技術第四方面實施例提出一種計算機程序產品，其包括計算機程序，該計算機程序被處理器執行時以實現如上述實施例的電力系統源荷平衡的自動匹配調控方法。

51、本技術附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。