一种基于碳配额的电力系统调度方法、装置及设备

1.本发明属于电力系统调度领域，具体涉及一种基于碳配额的电力系统调度方法、装置及设备。


背景技术：

2.碳市场环境下，火电企业需要计算求出碳配额盈缺量。从而可以进行碳配额盈缺分析，通过运行优化和入厂煤掺配，使火电厂碳配额在国家规定允许范围内。发电厂在未来一段时间内的碳配额固定后，其发电量也随之被限定，而发电厂供电区域在未来一段时间内的使用电量会产生变化的，因此，发电厂的发电量可能会低于对应供电区域的使用电量，从而导致供电不足的问题产生。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种基于碳配额的电力系统调度方法、装置及设备解决了现有技术中存在的问题。
4.为了达到上述发明目的，本发明采用的技术方案为：一种基于碳配额的电力系统调度方法，包括：
5.获取供电区域对应发电厂在未来一段时间内的待使用碳配额以及待使用碳配额对应的发电量，所述待使用碳配额及对应的发电量预先存储于云端或者数据库；
6.采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量；
7.根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度。
8.进一步地，采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量，包括：
9.采集若干样本数据，并对该样本数据进行预处理，得到预处理后的样本数据；
10.构建神经网络模型，并采用所述预处理后的样本数据对神经网络模型进行训练，得到供电区域使用电量预测模型；
11.采集供电区域数据，并以供电区域数据为供电区域使用电量预测模型的输入，对供电区域在未来一段时间内的使用电量进行预测，所述样本数据与供电区域数据为同类型数据。
12.进一步地，所述样本数据包括供电区域在连续时间点上的季节数据、天气数据、温度数据、日期类型数据以及对应的使用电量，所述季节数据包括春季、夏季、秋季或冬季，所述天气数据包括下雨、晴天、阴天或雪天，所述日期类型数据包括工作日或非工作日；
13.所述连续时间点表示连续多天对应的时间点，所述时间点表示每天的整点值。
14.进一步地，对该样本数据进行预处理，得到预处理后的样本数据，包括：
15.判断样本数据中的季节数据、天气数据、温度数据、日期类型数据以及对应的使用电量是否存在缺失值，若是，则对缺失值进行补全，并对补全后的样本数据进行归一化处
理，得到预处理后的样本数据否则直接对样本数据进行归一化处理，得到预处理后的样本数据。
16.进一步地，构建神经网络模型，并采用所述预处理后的样本数据对神经网络模型进行训练，得到供电区域使用电量预测模型，包括：
17.a、构建rbf神经网络，并以该rbf神经网络作为神经网络模型；
18.b、随机初始化神经网络模型的网络中心、网络宽度以及网络权值，并以网络中心、网络宽度以及网络权值构建向量，将该向量作为初代染色体，重复本步骤，得到两条父代染色体；
19.c、将所述两条父代染色体加入种群中，所述种群中的个体用于表征染色体；
20.d、采用所述预处理后的样本数据获取种群中每个个体的适应度；
21.e、判断种群中个体的适应度是否大于预先设定的适应度阈值，若是，则以适应度最大的个体为最优个体，得到最优网络中心、最优网络宽度以及最优网络权值，并进入步骤g，否则进入步骤f；
22.f、对种群的个体进行变异和交叉操作，得到子代染色体，将子代染色体加入种群中，并返回步骤d；
23.g、根据所述预处理后的样本数据、最优网络中心、最优网络宽度以及最优网络权值，对神经网络模型进行二次训练，并将训练完成的神经网络模型作为供电区域使用电量预测模型。
24.进一步地，采用所述预处理后的样本数据获取种群中每个个体的适应度，包括：
25.以预处理后的样本数据中季节数据、天气数据、温度数据和日期类型数据作为所述神经网络模型的输入数据，获取该神经网络模型的输出数据；
26.以预处理后的样本数据中对应的使用电量作为该神经网络模型的期望输出数据，并根据所述输出数据和期望输出数据，获取该神经网络模型对应的误差为：
[0027][0028]
其中，e表示神经网络模型对应的误差，di表示第i个预处理后样本数据中的使用电量，yi表示根据第i个预处理后样本数据获取的神经网络模型的输出数据，i＝1,2,
…
,i，i表示获取适应度时使用的样本数据的个数；
[0029]
根据所述神经网络模型对应的误差，获取个体的适应度为：
[0030][0031]
其中，f表示个体的适应度；
[0032]
遍历所有个体，获取种群中每个个体的适应度。
[0033]
进一步地，根据所述预处理后的样本数据、最优网络中心、最优网络宽度以及最优网络权值，对神经网络模型进行二次训练，并将训练完成的神经网络模型作为供电区域使用电量预测模型，包括：
[0034]
以最优网络中心、最优网络宽度以及最优网络权值作为神经网络模型在二次训练过程中的初始网络中心、初始网络宽度以及初始网络权值；
[0035]
以预处理后的样本数据中季节数据、天气数据、温度数据和日期类型数据作为所述神经网络模型的输入数据，获取该神经网络模型的输出数据；
[0036]
以预处理后的样本数据中对应的使用电量作为该神经网络模型的期望输出数据，并根据所述输出数据和期望输出数据，获取该神经网络模型对应的残差信号为：
[0037]en
＝d
n-yn[0038]
其中，en表示神经网络模型对应的残差信号；yn表示输入第n个样本数据xn时，神经网络模型的输出数据；dn表示输出数据yn对应的期望输出数据，n＝1,2,
…
,n，n表示输入样本数据的总数；
[0039]
根据所述神经网络模型对应的残差信号对神经网络模型的网络中心、网络宽度以及网络权值进行调整，对神经网络模型的网络中心、网络宽度以及网络权值的调整包括：
[0040][0041][0042][0043]
其中，表示调整后的网络权值，即第t+1次训练时隐含层中第j个神经元对应的网络权值；表示调整前的网络权值，即第t次训练时隐含层中第j个神经元对应的网络权值；ηw表示第一学习率；表示第t次训练时，神经网络模型对应的残差信号en；表示第t次训练时，神经网络模型中隐含层第j个神经元对输入的样本数据xn的响应；βw表示网络权值对应的第一运算参数值，且βw的取值范围为[0,1]；表示第t次训练时，网络权值对应的调整量；应的调整量；表示第t-1次训练时隐含层中第j个神经元对应的网络权值；t＝1时，值；t＝1时，表示最优网络权值；j＝1,2,
…
,j，j表示神经网络模型中神经元的总数；表示调整后的网络中心，即第t+1次训练时隐含层中第j个神经元对应的网络中心；表示调整前的网络中心，即第t次训练时隐含层中第j个神经元对应的网络中心；ηc表示第二学习率；βc表示网络中心对应的第二运算参数值，且βc的取值范围为[0,1]；表示第t次训练时，网络中心对应的调整量，第t次训练时，网络中心对应的调整量，表示第t-1次训练时隐含层中第j个神经元对应的网络中心；t＝1时，个神经元对应的网络中心；t＝1时，表示最优网络中心；表示调整后的网络宽度，即第t+1次训练时隐含层中第j个神经元对应的网络宽度；表示调整前的网络宽
度，即第t次训练时隐含层中第j个神经元对应的网络宽度；η
σ
表示第三学习率，βc表示网络宽度对应的第三运算参数值，且βc的取值范围为[0,1]；表示第t次训练时，网络宽度对应的调整量；应的调整量；表示第t-1次训练时隐含层中第j个神经元对应的网络宽度；t＝1时，宽度；t＝1时，表示最优网络宽度；根据神经网络模型对应的残差信号en，获取总训练误差的平方和ee为：
[0044][0045]
判断总训练误差的平方和ee是否小于预先设定的误差阈值，若是，则训练完成，并以当前的网络中心、网络宽度以及网络权值分别作为神经网络模型最终的网络中心、网络宽度以及网络权值，得到训练完成的神经网络模型，将训练完成的神经网络模型作为供电区域使用电量预测模型，否则重新选取n个样本数据，并以重新选取的n个样本数据为基础，进行下一次网络中心、网络宽度以及网络权值的调整，直至训练完成。
[0046]
进一步地，根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度，包括：
[0047]
判断发电厂对应的发电量是否大于供电区域的使用电量，若是，则在未来一段时间内仅由供电区域对应的发电厂进行供电，否则获取电力系统中其他发电厂的多余电量，所述多余电量表示其他发电厂为对应的供电区域供电后，所多出的电量；
[0048]
判断距离阈值范围内是否存在其他发电厂的多余电量大于或等于当前供电区域的电量差额，若是，则将距离最近的其他发电厂的多余电量调度至当前供电区域，否则，调度至少两个距离最近的其他发电厂的多余电量至当前供电区域，完成电力系统的调度，所述电量差额为当前供电区域的使用电量减去当前发电厂对应的发电量的差值，所述至少两个距离最近的其他发电厂的多余电量大于或等于电量差额，所述当前发电厂与其他发电厂之间的距离预先存储于数据库或者云端。
[0049]
第二发面，本技术实施例提供一种基于碳配额的电力系统调度装置，包括发电量获取模块、使用电量预测模块以及调度模块；
[0050]
所述发电量获取模块用于，获取供电区域对应发电厂在未来一段时间内的待使用碳配额以及待使用碳配额对应的发电量，所述待使用碳配额及对应的发电量预先存储于云端或者数据库；
[0051]
所述使用电量预测模块用于，采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量；
[0052]
所述调度模块用于，根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度。
[0053]
第三方面，本技术实施例提供一种基于碳配额的电力系统调度设备，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；
[0054]
所述存储器存储计算机执行指令；
[0055]
所述处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面所述的基于碳配额的电力系统调度方法。
[0056]
本发明的有益效果为：
[0057]
(1)本发明提供了一种基于碳配额的电力系统调度方法、装置及设备，实现了对供电区域的使用电量的预测，并根据预测结果，对电力系统进行调度，避免了供电不足的情况发生。
[0058]
(2)本发明在训练神经网络模型时，先采用遗传算法进行训练，避免了局部最优解的情况。
[0059]
(3)本发明能够准确的预测供电区域在未来一端时间内的使用电量，为电力系统的调度提供了依据。
附图说明
[0060]
图1为本发明实施例提供的一种基于碳配额的电力系统调度方法的流程图。
[0061]
图2为本发明实施例提供的一种基于碳配额的电力系统调度装置的结构示意图。
[0062]
图3为本发明实施例提供的一种基于碳配额的电力系统调度设备的结构示意图。
[0063]
其中：21-发电量获取模块、22-使用电量预测模块、23-调度模块、31-存储器、32-处理器、33-总线。
[0064]
通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
[0065]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0066]
下面结合附图详细说明本发明的实施例。
[0067]
如图1所示，一种基于碳配额的电力系统调度方法，包括：
[0068]
s11、获取供电区域对应发电厂在未来一段时间内的待使用碳配额以及待使用碳配额对应的发电量，所述待使用碳配额及对应的发电量预先存储于云端或者数据库。
[0069]
未来一段时间可以是指未来一天、两天或者三天中的连续时间点，连续时间点是指每天连续的整点数，例如，未来一天的碳配额可以包括未来1-24小时整点对应的碳配额，1点对应的碳配额表示24点至1点之间能够使用的碳配额，2点对应的碳配额表示1点至2点之间能够使用的碳配额。
[0070]
碳配额对应的发电量可以通过以下方式获取：根据历史碳配额以及所产生的发电量数据，对碳配额对应的发电量进行预测，或者，根据历史碳配额以及发电量数据训练发电量预测模型，并根据预测模型进行碳配额对应的发电量的预测。例如，可以采用bp(back propagation，多层前馈网络)神经网络作为发电量预测模块，对bp神经网络的训练为常规训练，此处不再赘述。
[0071]
s12、采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量。
[0072]
例如，采集未来连续m个时间点(时间点为一天中的整点)对应的供电区域数据，并根据m个时间点对应的供电区域数据，对供电区域在未来连续m个时间点的使用电量进行预测。
[0073]
s13、根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度。
[0074]
在一种可能的实施方式中，采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量，包括：
[0075]
采集若干样本数据，并对该样本数据进行预处理，得到预处理后的样本数据。
[0076]
构建神经网络模型，并采用所述预处理后的样本数据对神经网络模型进行训练，得到供电区域使用电量预测模型。
[0077]
采集供电区域数据，并以供电区域数据为供电区域使用电量预测模型的输入，对供电区域在未来一段时间内的使用电量进行预测，所述样本数据与供电区域数据为同类型数据。
[0078]
在一种可能的实施方式中，所述样本数据包括供电区域在连续时间点上的季节数据、天气数据、温度数据、日期类型数据以及对应的使用电量，所述季节数据包括春季、夏季、秋季或冬季，所述天气数据包括下雨、晴天、阴天或雪天，所述日期类型数据包括工作日或非工作日；所述连续时间点表示连续多天对应的时间点，所述时间点表示每天的整点值。
[0079]
在对样本数据进行预处理之前，可以将样本数据中的文字数据转换为神经网络模型的输入数据的形式，并按季节数据、天气数据、温度数据和日期类型数据的顺序构建输入向量，以便进行后续训练。
[0080]
在一种可能的实施方式中，对该样本数据进行预处理，得到预处理后的样本数据，包括：
[0081]
判断样本数据中的季节数据、天气数据、温度数据、日期类型数据以及对应的使用电量是否存在缺失值，若是，则对缺失值进行补全，并对补全后的样本数据进行归一化处理，得到预处理后的样本数据否则直接对样本数据进行归一化处理，得到预处理后的样本数据。
[0082]
在本实施例中，可以采用以下方法对缺失值进行补全：
[0083]
获取缺失值对应的时间点以及类型，类型可以包括季节数据、天气数据、温度数据、日期类型数据以及对应的使用电量；
[0084]
获取缺失值对应时间点的前时间点或者后时间点，并根据前时间点对应的与缺失值同类型的数据和后时间点对应的与缺失值同类型的数据，对缺失值进行补全，具体为：
[0085][0086]
tm表示缺失值，其可以为季节数据、天气数据、温度数据、日期类型数据或者对应的使用电量，t
m+1
表示缺失值后一个时间点对应的同类型数据，t
m-1
表示缺失值前一个时间点对应的同类型数据。
[0087]
或者，将前一天与缺失值对应时间点的数据填入缺失值部分，又或者将后一天与缺失值对应时间点的数据填入缺失值部分。
[0088]
在一种可能的实施方式中，构建神经网络模型，并采用所述预处理后的样本数据对神经网络模型进行训练，得到供电区域使用电量预测模型，包括：
[0089]
a、构建rbf(radialbasisfunction，径向基)神经网络，并以该rbf神经网络作为神经网络模型。
[0090]
b、随机初始化神经网络模型的网络中心、网络宽度以及网络权值，并以网络中心、网络宽度以及网络权值构建向量，将该向量作为初代染色体，重复本步骤，得到两条父代染色体。
[0091]
c、将所述两条父代染色体加入种群中，所述种群中的个体用于表征染色体。
[0092]
例如，第一父代染色体可以为f1＝[c
11
,c
12
,...,c
1j
,...,c
1j
,σ
11
,σ
12
,...,σ
1j
,...,σ
1j
,w
11
,w
12
,...,w
1j
,...,w
1j
]，第二父代染色体可以为f2＝[c
21
,c
22
,...,c
2j
,...,c
2j
,σ
21
,σ
22
,...,σ
2j
,...,σ
2j
,w
21
,w
22
,...,w
2j
,...,w
1j
]，c
1j
、σ
1j
以及w
1j
分别表示隐含层中第j个神经元对应的第一网络中心、第一网络宽度以及第一网络权值，c
2j
、σ
2j
以及w
2j
分别表示隐含层中第j个神经元对应的第二网络中心、第二网络宽度以及第二网络权值。
[0093]
d、采用所述预处理后的样本数据获取种群中每个个体的适应度。
[0094]
e、判断种群中个体的适应度是否大于预先设定的适应度阈值，若是，则以适应度最大的个体为最优个体，得到最优网络中心、最优网络宽度以及最优网络权值，并进入步骤g，否则进入步骤f。
[0095]
f、对种群的个体进行变异和交叉操作，得到子代染色体，将子代染色体加入种群中，并返回步骤d。
[0096]
在本实施例中，交叉操作可以包括：对两个个体中的网络中心、网络宽度或者网络权值进行随机交换。变异操作可以包括：限定网络中心的取值范围、网络宽度的取值范围以及网络权值的取值范围，随机选取网络中心、网络宽度和/或网络权值，并在取值范围内，随机生成新的网络中心、网络宽度和/或网络权值，并替换选取的网络中心、网络宽度和/或网络权值。
[0097]
值得说明的是，上述交叉操作和变异操作仅仅为示例，也可以采用现有技术中其他的方法进行变异操作和交叉操作。
[0098]
g、根据所述预处理后的样本数据、最优网络中心、最优网络宽度以及最优网络权值，对神经网络模型进行二次训练，并将训练完成的神经网络模型作为供电区域使用电量预测模型。
[0099]
先通过遗传算法对神经网络模型的网络中心、网络宽度以及网络权值进行初步训练，将遗传算法获取的最优个体(最优网络中心、最优网络宽度以及最优网络权值)作为二次训练时神经网络模型的初始网络中心、初始网络宽度以及初始网络权值，在此基础上，进行二次训练，避免了局部最优解的情况发生。
[0100]
在一种可能的实施方式中，采用所述预处理后的样本数据获取种群中每个个体的适应度，包括：
[0101]
以预处理后的样本数据中季节数据、天气数据、温度数据和日期类型数据作为所述神经网络模型的输入数据，获取该神经网络模型的输出数据。
[0102]
以预处理后的样本数据中对应的使用电量作为该神经网络模型的期望输出数据，并根据所述输出数据和期望输出数据，获取该神经网络模型对应的误差为：
[0103]
[0104]
其中，e表示神经网络模型对应的误差，di表示第i个预处理后样本数据中的使用电量，yi表示根据第i个预处理后样本数据获取的神经网络模型的输出数据，i＝1,2,
…
,i，i表示获取适应度时使用的样本数据的个数。
[0105]
根据所述神经网络模型对应的误差，获取个体的适应度为：
[0106][0107]
其中，f表示个体的适应度；
[0108]
遍历所有个体，获取种群中每个个体的适应度。
[0109]
在一种可能的实施方式中，根据所述预处理后的样本数据、最优网络中心、最优网络宽度以及最优网络权值，对神经网络模型进行二次训练，并将训练完成的神经网络模型作为供电区域使用电量预测模型，包括：
[0110]
以最优网络中心、最优网络宽度以及最优网络权值作为神经网络模型在二次训练过程中的初始网络中心、初始网络宽度以及初始网络权值；
[0111]
以预处理后的样本数据中季节数据、天气数据、温度数据和日期类型数据作为所述神经网络模型的输入数据，获取该神经网络模型的输出数据。
[0112]
以预处理后的样本数据中对应的使用电量作为该神经网络模型的期望输出数据，并根据所述输出数据和期望输出数据，获取该神经网络模型对应的残差信号为：
[0113]en
＝d
n-yn[0114]
其中，en表示神经网络模型对应的残差信号；yn表示输入第n个样本数据xn时，神经网络模型的输出数据；dn表示输出数据yn对应的期望输出数据，n＝1,2,
…
,n，n表示输入样本数据的总数。
[0115]
根据所述神经网络模型对应的残差信号对神经网络模型的网络中心、网络宽度以及网络权值进行调整，对神经网络模型的网络中心、网络宽度以及网络权值的调整包括：
[0116][0117][0118][0119]
其中，表示调整后的网络权值，即第t+1次训练时隐含层中第j个神经元对应的网络权值；表示调整前的网络权值，即第t次训练时隐含层中第j个神经元对应的网络权值；ηw表示第一学习率；表示第t次训练时，神经网络模型对应的残差信号en；表示第t次训练时，神经网络模型中隐含层第j个神经元对输入的样本数据xn的响应；βw表示网络权值对应的第一运算参数值，且βw的取值范围为[0,1]；表示第t次训练时，网络权值对
应的调整量；应的调整量；表示第t-1次训练时隐含层中第j个神经元对应的网络权值；t＝1时，值；t＝1时，表示最优网络权值；j＝1,2,
…
,j，j表示神经网络模型中神经元的总数；表示调整后的网络中心，即第t+1次训练时隐含层中第j个神经元对应的网络中心；表示调整前的网络中心，即第t次训练时隐含层中第j个神经元对应的网络中心；ηc表示第二学习率；βc表示网络中心对应的第二运算参数值，且βc的取值范围为[0,1]；表示第t次训练时，网络中心对应的调整量，第t次训练时，网络中心对应的调整量，表示第t-1次训练时隐含层中第j个神经元对应的网络中心；t＝1时，个神经元对应的网络中心；t＝1时，表示最优网络中心；表示调整后的网络宽度，即第t+1次训练时隐含层中第j个神经元对应的网络宽度；表示调整前的网络宽度，即第t次训练时隐含层中第j个神经元对应的网络宽度；η
σ
表示第三学习率，βc表示网络宽度对应的第三运算参数值，且βc的取值范围为[0,1]；表示第t次训练时，网络宽度对应的调整量；应的调整量；表示第t-1次训练时隐含层中第j个神经元对应的网络宽度；t＝1时，宽度；t＝1时，表示最优网络宽度。
[0120]
在本实施例中，和均表示矩量项。
[0121]
根据神经网络模型对应的残差信号en，获取总训练误差的平方和ee为：
[0122][0123]
判断总训练误差的平方和ee是否小于预先设定的误差阈值，若是，则训练完成，并以当前的网络中心、网络宽度以及网络权值分别作为神经网络模型最终的网络中心、网络宽度以及网络权值，得到训练完成的神经网络模型，将训练完成的神经网络模型作为供电区域使用电量预测模型，否则重新选取n个样本数据，并以重新选取的n个样本数据为基础，进行下一次网络中心、网络宽度以及网络权值的调整，直至训练完成。
[0124]
在本实施例中，每次训练时，可以对第一学习率、第二学习率以及第三学习率进行调整，以使神经网络模型收敛速度加快。
[0125]
例如，
[0126]
η(t+1)表示调整后的学习率，η(t)表示调整前的学习率，ee(t)表示第t次训练时的总训练误差的平方和，ee(t-1)表示第t-1次训练时的总训练误差的平方和。
[0127]
在一种可能的实施方式中，根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度，包括：
[0128]
判断发电厂对应的发电量是否大于供电区域的使用电量，若是，则在未来一段时间内仅由供电区域对应的发电厂进行供电，否则获取电力系统中其他发电厂的多余电量，所述多余电量表示其他发电厂为对应的供电区域供电后，所多出的电量；
[0129]
判断距离阈值范围内是否存在其他发电厂的多余电量大于或等于当前供电区域的电量差额，若是，则将距离最近的其他发电厂的多余电量调度至当前供电区域，否则，调度至少两个距离最近的其他发电厂的多余电量至当前供电区域，完成电力系统的调度，所述电量差额为当前供电区域的使用电量减去当前发电厂对应的发电量的差值，所述至少两个距离最近的其他发电厂的多余电量大于或等于电量差额，所述当前发电厂与其他发电厂之间的距离预先存储于数据库或者云端。
[0130]
当其他发电厂的多余电量被调度一部分后，多余电量应减去被调度的部分，以保证调度的准确性。
[0131]
值得说明的是，本发明所使用的数据，均可以预先存储于数据库中或者云端，以方便整个方法的执行。
[0132]
实施例2
[0133]
如图2所示，本技术实施例提供一种基于碳配额的电力系统调度装置，包括发电量获取模块21、使用电量预测模块22以及调度模块23；
[0134]
所述发电量获取模块21用于，获取供电区域对应发电厂在未来一段时间内的待使用碳配额以及待使用碳配额对应的发电量，所述待使用碳配额及对应的发电量预先存储于云端或者数据库；
[0135]
所述使用电量预测模块22用于，采集供电区域数据，并根据所述供电区域数据预测该供电区域在未来一段时间内的使用电量；
[0136]
所述调度模块23用于，根据发电厂对应的发电量以及供电区域的使用电量，对电力系统进行调度。
[0137]
本实施例所述的一种基于碳配额的电力系统调度装置可以执行上述实施例1所述的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0138]
实施例3
[0139]
如图3所示，本技术实施例提供了一种基于碳配额的电力系统调度设备，包括存储器31和处理器32，所述存储器31与处理器32之间通过总线33相互连接。
[0140]
所述存储器31存储计算机执行指令。
[0141]
所述处理器32执行存储器存储的计算机执行指令，使得处理器执行如实施例1所述的一种基于碳配额的电力系统调度方法。
[0142]
实施例4
[0143]
本实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现如实施例1所述的一种基于碳配额的电力系统调度方法。
[0144]
具体举例的，所述存储器可以但不限于包括随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、闪存(flash memory)、先进先出存储器(first input first output，fifo)和/或先进后出存储器(first in last out，filo)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处
理器可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
[0145]
在一些实施例中，处理器可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为stm32f105系列的微处理器、精简指令集计算机(reduced instruction set computer，risc)微处理器、x86等架构处理器或集成嵌入式神经网络处理器(neural-networkprocessing units，npu)的处理器；所述收发器可以但不限于为无线保真(wifi)无线收发器、蓝牙无线收发器、通用分组无线服务技术(general packet radio service，gprs)无线收发器、紫蜂协议(基于ieee802.15.4标准的低功耗局域网协议，zigbee)无线收发器、3g收发器、4g收发器和/或5g收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
[0146]
实施例5
[0147]
本技术实施例还可以提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如实施例1所述的一种基于碳配额的电力系统调度方法。
[0148]
值得说明的是，任何利用本发明构思的方法，都应该在本技术的保护范围内。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
[0149]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。