基于数据驱动的多区域电力系统经济环境调度方法及系统与流程

1.本技术涉及电力系统技术领域，特别是涉及基于数据驱动的多区域电力系统经济环境调度方法及系统。


背景技术：

2.本部分的陈述仅仅是提到了与本技术相关的背景技术，并不必然构成现有技术。
3.随着电力系统的扩张和负荷中心的分散，建立多个负荷中心互联的多区域电力系统对电力系统安全稳定运行至关重要。许多国家赋予电力工业的经营行为更多自主权利,并且这种情况有效的助力于经济运行和减少排放。基于以上两个因素,多区域电力系统经济调度可以为电力系统提供更高的稳定性和经济性。作为污染气体排放最多的电力行业，如何在保障供电质量不受影响的前提下，兼顾环境与经济效益是非常值得研究的重大技术难题，也是促进电力企业节能减排的关键内容。目前该问题已经得到了初步研究，其主要研究思路是：(1)同时考虑火电机组的发电成本和污染气体排放问题，(2)考虑多区域发电、调度过程中不同约束条件，(3)在满足调度时间要求的基础上选择合适的算法进行分析求解。
4.但是，由于电网规模的扩张和负荷中心的分散化，必定导致多区域电力系统经济排放调度问题的维度升高，从而占据大量计算资源和耗费大量计算时间。
5.因此，如何使优化调度策略更符合多区域电力系统经济排放调度问题，即同时提高优化算法的收敛速度和准确性并且尽可能减少操作时间，是本领域技术人员目前需要迫切解决的技术问题。


技术实现要素：

6.为了解决现有技术的不足，本技术提供了基于数据驱动的多区域电力系统经济环境调度方法、系统、电子设备及计算机可读存储介质，针对任意多区域电网拓扑，在确定结构参数之后，以同时最小化发电成本和最小化环境污染为目标，考虑实际电网运行潮流，同时提高优化算法的收敛速度和准确性并且尽可能减少操作时间。
7.第一方面，本技术提供了基于数据驱动的多区域电力系统经济环境调度方法；
8.基于数据驱动的多区域电力系统经济环境调度方法，包括：
9.以最小化污染气体排放和化石燃料成本为目标，构建考虑多重约束条件的多区域电力系统经济环境调度多目标优化模型；
10.根据目标和多重约束条件，构建数据驱动代理模型对多区域电力系统经济环境调度多目标优化模型进行转化，通过多目标蚁狮算法对转化后的多区域电力系统经济环境调度多目标优化模型进行求解；
11.根据求解的结果，获取全局最优解作为当前时段电力系统每个区域优化调度的决策依据。
12.进一步的，多区域电力系统经济环境调度多目标优化模型表示为：
13.minimize
ꢀꢀꢀꢀꢀ
[f(p),e(p)],
[0014]
subject to:gi(p)＝0,i＝1,
…
,m1，
[0015]hj
(p)≤0,j＝1,
…
,m2,
[0016]
其中，f(p)为化石燃料成本的优化目标函数，e(p)为污染气体排放的优化目标函数，gi(p)为涉及的不等式约束，hj(p)为涉及的等式约束。
[0017]
进一步的，多重约束条件包括发电机有功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束、传输线安全约束、区域热备用转移约束和线路损耗约束。
[0018]
优选的，发电机有功上下限约束表示为：
[0019][0020]
功率平衡约束表示为：
[0021][0022]
节点电压幅值约束表示为：
[0023][0024]
线路潮流约束表示为：
[0025][0026]
传输线安全约束表示为：
[0027][0028]
区域热备用转移约束表示为：
[0029][0030]
线路损耗约束表示为：
[0031][0032]
进一步的，所述构建数据驱动代理模型对多区域电力系统经济环境调度多目标优化模型进行转化的具体步骤包括：
[0033]
根据多重约束条件，求解出若干个满足约束条件的可行解；根据可行解和多区域电力系统经济环境调度多目标优化模型，计算可行解对应的优化目标值；
[0034]
根据可行解及对应的优化目标值，构建数据驱动代理模型以代替多区域电力系统经济环境调度多目标优化模型。
[0035]
进一步的，所述通过多目标蚁狮算法对转化后的多区域电力系统经济环境调度多目标优化模型进行求解的具体步骤包括：
[0036]
初始化蚂蚁种群和蚁狮种群，随机初始化每个区域每台发电机的发电量；
[0037]
将蚂蚁种群和蚁狮种群赋值为对应的随机初始化的每个区域每台发电机的发电量，求解每个优化目标的非支配解；
[0038]
遍历种群中的所有个体，根据个体寻优结果，计算非支配解；其中，遍历种群中的
所有个体时，执行单维度保留策略操作更新蚂蚁种群；根据初始化值，对非支配解进行排序。
[0039]
进一步的，所述执行单维度保留策略操作更新蚂蚁种群的具体步骤包括：
[0040]
根据优化目标的适应度值，将蚂蚁种群分为四部分；
[0041]
找到种群中优化目标的最小适应度值，对于四部分蚂蚁种群分别执行位置移动操作，获取中间位置变量；
[0042]
根据中间位置变量，获取新的种群位置；
[0043]
执行单维度最优保留策略，针对每一个粒子的每一个维度，判断是否更新该离子的维度。
[0044]
进一步的，所述根据求解的结果，获取全局最优解的具体步骤包括：
[0045]
针对污染气体排放和化石燃料成本的优化目标函数，通过隶属度函数，计算其非支配解对应的隶属度函数值；
[0046]
对隶属度函数值进行正则化处理并求解，获取全局最优解。
[0047]
第二方面，本技术提供了基于数据驱动的多区域电力系统经济环境调度系统；
[0048]
基于数据驱动的多区域电力系统经济环境调度系统，包括：
[0049]
模型构建模块，被配置为：以最小化污染气体排放和化石燃料成本为目标，构建考虑多重约束条件的多区域电力系统经济环境调度多目标优化模型；
[0050]
求解模块，被配置为：根据目标和约束条件，构建数据驱动代理模型对多区域电力系统经济环境调度多目标优化模型进行转化，通过多目标蚁狮算法对转化后的多区域电力系统经济环境调度多目标优化模型进行求解；
[0051]
决策模块，被配置为：根据求解的结果，获取全局最优解作为当前时段电力系统每个区域优化调度的决策依据。
[0052]
第三方面，本技术提供了一种电子设备；
[0053]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述基于数据驱动的多区域电力系统经济环境调度方法的步骤。
[0054]
第四方面，本技术提供了一种计算机可读存储介质；
[0055]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于数据驱动的多区域电力系统经济环境调度方法的步骤。
[0056]
与现有技术相比，本技术的有益效果是：
[0057]
1、本技术提供了一种基于数据驱动、迁移学习和蚁狮算法的基于数据驱动的多区域电力系统经济环境调度方法，实现在满足用电负荷的前提下，最小化发电机组的发电成本，同时最小化化污染气体的排放，最大限度减少化石燃料的使用，并且大幅度减少运算时间，能够为电力企业及时提供决策依据；
[0058]
2、本技术在约束条件中引入了线路潮流约束和最大传输线约束，结合了实际电网的运行情况，使得优化调度策略更具现实指导意义；
[0059]
3、本技术以深度信念网络模型为基础，应用数据驱动代理辅助的方法重新构建目标函数，将原来的计算昂贵的目标函数替换为计算快速的基于数据驱动的深度信念网络代理回归模型；以预训练-微调的迁移学习方法为基础，通过对深度信念网络的网络部分进行
预训练和微调，利用一个区域的代理模型的网络信息快速建立其他区域的代理模型；以多目标蚁狮算法为基础，克服了传统权重和方法带来的弊端，同时为适应多目标优化方法，引入单维度最优保留策略，对迭代期间的帕累托前沿的解的收敛性、均匀性和延展性进行了提升，并且求取所有非支配解的隶属度值，拥有最大隶属度值的非支配解即为本时段最优化调度的决策依据。
附图说明
[0060]
构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
[0061]
图1为本技术实施例提供的基于数据驱动的多区域电力系统经济环境调度系统的流程示意图；
[0062]
图2为本技术实施例提供的多目标蚁狮算法的流程示意图；
[0063]
图3为本技术实施例提供的仿真对象四区域四十台发电机测试系统结构示意图；
[0064]
图4为本技术实施例提供的针对四区域四十台发电机测试系统(负荷为10500mw)考虑所有约束条件下所生成的帕累托最优前沿示意图。
具体实施方式
[0065]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本技术使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0066]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0067]
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0068]
术语解释：
[0069]
适应度值：计算出来的优化目标函数的值；
[0070]
非支配解：机组出力决策，即每个区域每台发电机输出的有功功率。
[0071]
实施例一
[0072]
现有技术中，由于电网规模的扩张和负荷中心的分散化，必定导致多区域电力系统经济排放调度问题的维度升高，占据大量计算资源和耗费大量计算时间；因此，本技术提供了基于数据驱动的多区域电力系统经济环境调度方法。
[0073]
本技术提供的基于数据驱动的多区域电力系统经济环境调度方法的思想是：针对任意多区域电网拓扑，在确定结构参数之后，以同时最小化发电成本和最小化环境污染为目标，考虑实际电网运行潮流，首先利用数据驱动深度信念网络回归模型替换原有的多区域发电成本模型和多区域环境污染模型，其次使用基于预训练-微调的迁移学习方法，从而实现不同区域之间的代理模型快速建立，最后，应用改进的多目标蚁狮算法进行迭代计算，
得到每个区域一组非支配解，形成不同区域的“发电成本—-环境污染”两个优化目标的帕累托最优前沿，然后使用隶属度函数法得到一组单个区域上本时段的最优化调度决策依据。
[0074]
接下来，结合图1-4对本实施例公开的基于数据驱动的多区域电力系统经济环境调度方法进行详细说明。该基于数据驱动的多区域电力系统经济环境调度方法，包括如下步骤：
[0075]
s1、确定优化目标和约束条件，构建多区域电力系统经济环境调度多目标优化模型；具体的，以同时最小化污染气体排放和化石燃料成本为目标，选择发电机有功上下限约束、功率平衡约束、节点电压幅值约束、线路潮流约束、传输线安全约束、区域热备用转移约束和线路损耗约束作为约束条件，构建多区域电力系统经济环境调度多目标优化模型。
[0076]
示例性的，优化目标1为化石燃料成本最小，化石燃料成本的优化目标函数为：
[0077][0078]
其中，a
ij
、b
ij
、c
ij
、d
ij
、e
ij
为在第i个区域第j台发电机燃料成本系数，n和ng表示参与调度的区域数量和发电机台数，p
ij
为第i个区域第j台发电机输出的有功功率。
[0079]
优化目标2为污染气体排放量最少，污染气体排放的优化目标函数为：
[0080][0081]
其中，α
ij
、β
ij
、γ
ij
、ε
ij
、λ
ij
为在第i个区域第j台发电机污染气体排放系数，p
ij
为第i个区域第j台发电机输出的有功功率，n和ng表示参与调度的区域数量和发电机台数。
[0082]
发电机有功上下线约束表示为：
[0083][0084]
其中，s
ti
代表第i条线路上的功率，代表第i条线路上允许的最大传输功率，n
line
代表线路数量。
[0085]
功率平衡约束表示为：
[0086][0087]
其中，p
di
表示第i个区域负荷，p
lossi
表示第i个地区线路网损，t
ip
代表第i个地区和第p个地区之间联络线的转移功率。
[0088]
节点电压幅值约束表示为：
[0089][0090]
其中，和分别表示最小允许节点电压和最大允许节点电压，vi是节点i的电压幅值。
[0091]
线路潮流约束表示为：
[0092][0093]
其中，s
ti
代表第i条线路上的功率，代表第i条线路上允许的最大传输功率，nline代表线路数量。传输线安全约束表示为：
[0094][0095]
其中，代表第i个区域和第p个区域之间可以安全传输的最大功率。
[0096]
区域热备用转移约束表示为：
[0097][0098]
其中，s
pj
是第p个区域第j台发电机保留的热备用功率；s
p,req
是第p个区域所要求的热备用功率，rc
ip
是第i个区域和第q个区域的转移热备用功率。
[0099]
上述约束条件均为不等式约束，在本实施例中，还考虑了等式约束，等式约束为功率平衡约束：
[0100]
线路损耗通过求解以下潮流方程得到：
[0101][0102][0103]
进而，线路损耗
[0104][0105]
其中，g
ij
是连接节点i和j的支路的电导，θ
ij
是节点i和j的电压相位差，vj是节点j的电压幅值，p
loss
为线路损耗，pi为第i台发电机输出的有功功率，qi为第i台发电机输出的无功功率。
[0106]
综上所述，本实施例中的多区域电力系统经济环境调度多目标优化模型可以表述如下：
[0107]
minimize
ꢀꢀꢀꢀꢀꢀ
[f(p),e(p)],
[0108]
subject to:gi(p)＝0,i＝1,
…
,m1，
[0109]hj
(p)≤0,j＝1,
…
,m2,
[0110]
其中，f(p)和e(p)分别表示优化目标1和优化目标2，g(p)和h(p)分别为涉及到的等式和不等式约束，m1、m2分别是等式和不等式约束条件的个数。
[0111]
s2、根据目标和多重约束条件，构建数据驱动代理模型代替多区域电力系统经济环境调度多目标优化模型；具体的，利用数据驱动代理辅助技术和已知优化函数的可行解，构造基于深度信念网络的数据驱动代理模型来替代原有的两个目标函数。具体步骤包括：
[0112]
s201、根据约束条件，求解出若干个满足约束条件的可能解。
[0113]
s202、利用求出的可能解和计算出的优化目标值，构建基于深度信念网络的数据
驱动代理模型来代替优化目标模型，模型分为深度信念网络部分、逻辑回归部分和神经网络部分。
[0114]
s203、计算用来训练多区域电力系统经济环境调度多目标优化模型的数据的适应度值和利用数据驱动代理模型计算出的适应度值。
[0115]
s204、计算两组适应度值的余弦相似度，如果余弦相似度大于0.9，则第一个区域的数据驱动代理模型建立完毕，反之则返回步骤s202重新建立数据驱动代理模型；具体的，数据驱动代理模型为混合深度信念网络和反向传播神经网络的回归代理模型。
[0116]
s205、在构建完第一个区域的数据驱动代理模型之后，应用预训练-微调的迁移学习技术来快速建立其他区域的代理模型。
[0117]
进一步的，在一些实施例中，利用预训练-微调的迁移学习技术，快速构造每个子区域的数据驱动代理模型，具体步骤包括：
[0118]
s2051、将多区域电力系统分解为若干个调度子区域，将已经构造好的调度子区域的数据驱动代理模型分为三部分，即深度信念网络部分,逻辑回归层部分和误差逆向传播神经网络；
[0119]
s2052、复制步骤s204中获得的第一个调度子区域的数据驱动代理模型的深度信念网络部分，根据对应调度子区域的实际数据微调深度信念网络部分并重构逻辑回归部分和神经网络部分；
[0120]
s2053、对每个调度子区域执行步骤s2052中的操作直至获得所有区域的数据驱动代理模型。
[0121]
s3、通过改进的多目标蚁狮算法求解上述数据驱动代理模型；其中，多目标蚁狮算法的改进点在于利用单维度保留优化策略来更新蚂蚁种群。该步骤具体包括：
[0122]
s301、初始化多目标蚁狮算法的相关参数，其中，多目标蚁狮算法的相关参数包括种群样本和算法参数，初始化种群样本时，应同时满足发电机有功上下限约束和功率平衡约束；同时随机初始化每个区域每台发电机的发电量，代表优化目标的可能解。
[0123]
s302、根据初始值，计算所有个体的适应度值，即针对不同的初始值，根据多区域电力系统经济环境调度多目标优化模型中的优化目标函数，求取每个区域每台发电机的化石燃料成本和污染气体排放量；
[0124]
s303、将蚂蚁种群和蚁狮种群赋值为对应的随机初始化的每个区域每台发电机的发电量，根据适应度值求取非支配解，将获得的非支配解存储到外部档案中；如果非支配解的个数超过了外部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；
[0125]
s304、应用构建的的数据驱动代理模型，重新计算初始化值所对应的虚拟适应度值，根据虚拟适应度值求取非支配解，将获得的非支配解存储到内部档案中；如果非支配解的个数超过了内部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；
[0126]
s305、迭代开始：
[0127]
s3051、遍历种群中的所有个体，具体的，执行单维度保留策略操作后获得下一代蚂蚁位置，更新当前蚁狮位置，处理发电机和区域转移约束条件，更新下一代蚂蚁位置，求取所有个体所对应的虚拟适应度值，利用内部档案和下一代蚂蚁虚拟适应度值，更新内部档案，遍历结束。
[0128]
进一步的，在一些实施例中，单维度保留策略具体包括：
[0129]
(1)将种群分为四部分，分别为：目标一和目标二的适应度值均小于当前种群的对应的目标一和目标二的适应度值的平均值的种群被命名为“双赢种群”；仅有目标一的适应度值小于当前种群的对应的目标一的适应度值的平均值的种群被命名为“一号胜利种群”；仅有目标二的适应度值小于当前种群的对应的目标二的适应度值的平均值的种群被命名为“二号胜利种群”；目标一和目标二的适应度值均大于当前种群的对应的目标一和目标二的适应度值的平均值的种群被命名为“失败种群”；
[0130]
(2)找到种群中目标一和目标二的最小适应度值，命名为“一号最小”和“二号最小”，其对应的个体命名为“一号最小决策”和“二号最小决策”；
[0131]
(3)对于四部分种群执行不同的操作，分别为：“双赢种群”移动向“一号最小决策”和“二号最小决策”的向量和的方向；“一号胜利种群”移动向“一号最小决策”；“二号胜利种群”移动向“二号最小决策”；“失败种群”移动向“一号最小决策”和“二号最小决策”的向量和的方向，整体种群位置命名为p1；
[0132]
(4)找到种群中目标一和目标二的最小适应度值，命名为“一号最大”和“二号最大”，其对应的个体命名为“一号最大决策”和“二号最大决策”；
[0133]
(5)对于四部分种群执行“趋利避害”的操作，分别为：“双赢种群”移动向“一号最小决策”和“二号最小决策”的向量和的方向并且远离“一号最大决策”和“二号最大决策”的向量和的方向；“一号胜利种群”移动向“一号最小决策”并且远离“一号最大决策”的方向；“二号胜利种群”移动向“二号最小决策”并且远离“二号最大决策”；“失败种群”移动向“一号最小决策”和“二号最小决策”的向量和的方向并且远离“一号最大决策”和“二号最大决策”的向量和的方向，整体种群位置命名为p2；
[0134]
(6)找到种群中小生境半径最小的粒子，所有粒子向小生境半径最小的粒子移动，整体种群位置命名为p3；
[0135]
(7)新的种群位置为p1，p2和p3的向量和，其中p1，p2和p3对应的系数和为1；
[0136]
(8)执行单维度最优保留策略，针对一个粒子，对其每一个维度进行判断，首先产生一个满足0和1之间的均匀分布的随机数，如果该随机数大于0.2，则该粒子的本维度不改变，如果该随机数小于等于0.2，则该粒子的该维度改变为新的种群位置的对应维度。
[0137]
s3052、根据个体寻优结果计算非支配解，将获得的非支配解存储到内部档案中，如果非支配解的个数超过了内部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；
[0138]
s3053、根据内部存档更新的个体值，计算对应的适应度值；找到两个目标各自对应的最小值的个体，将获得的对应的最小值的个体的适应度值存储到外部档案中；如果非支配解的个数超过了外部档案的预设值，则执行拥挤排序规则，删除多余的非支配解；
[0139]
s3054、迭代结束，生成每个区域的帕累托最优前沿。
[0140]
在算例的实施过程中，关于改进多目标蚁狮算法所使用的初始化参数，最开始只能依据经验赋值，但是这些初始值显然并不是最优参数。在算法的运行过程中，可以适当调整某个参数而保留其他参数不变，然后观察仿真结果的优劣，通过这种方法来不断调整每个参数，从而达到最佳仿真效果。
[0141]
s4、根据求解的结果，获取全局最优解作为当前时段电力系统每个区域优化调度的决策依据；本实施例给出一种基于隶属度函数的判别方法，拥有最大隶属度值的非支配
解被选中为本时段的调度决策依据。具体步骤包括：
[0142]
s401、对每一个优化目标函数，计算其非支配解对应的隶属度函数值：
[0143][0144]
其中，f
i,k
为第i个优化目标的第k个解，和分别为第i个优化目标的最小值和最大值。
[0145]
s402、对每一个单独的非支配解，将μ
i,k
正则化得到μj：
[0146][0147]
其中，n1＝2即优化目标的个数，m是非支配解的个数。
[0148]
s403、求解μj取得最大值对应的非支配解，作为当前时段的调度决策依据。
[0149]
本实施例中，获取的电网运行参数，包括：
①
节点参数，主要包括pq、pv和参考节点的分布
②
调度时段内有功负荷
③
节点电压幅值、相角，以及该节点所能承受的最大、最小电压
④
发电机节点输出的有功以及该节点所能承受输出的最大、最小有功功率
⑤
每台发电机允许输出的最大有功功率
⑥
支路参数：支路电阻、电抗、电纳标幺值，长(短)距离输电支路所允许的容量，以及该支路所允许的最大、最小相位角度
⑦
传输线最大允许输送容量
⑧
区域热备用需求。
[0150]
本调度方法所采用的计算数据使用的电网参数可以为获取的实际电网运行参数，也可以是任意的仿真对象，如四区域四十台发电机测试系统。本仿真实例选用四区域四十台发电机测试系统，该系统结构图如图3所示。在使用图3作为算例的情况下，当前调度时段的负荷为10500mw，其涉及的两个优化目标的极端值解如表1所示(燃料成本单位为￥/h，污染气体排放单位为ton/h)。
[0151]
表1燃料成本极端值解
[0152]
[0153][0154]
在图4中，针对图3的仿真实例，本发明所得到的每个区域帕累托最优前沿共由10个非支配解组成，这是一组针对环境和经济两个优化目标所形成的折衷解，所有的非支配解都是本调度时段的最优解。图4中的极端值解为(827228.68,177386.3)，极端值解的大小及广度直接决定了优化方法的先进性。
[0155]
在表1中，使用本发明方法得到的最小燃料成本为827228.68￥/h,比其他三种方法分别降低6411.46￥/h、6977.18￥/h、435.31￥/h。另一个极端值解即污染气体排放为177386.3ton/h也是所有方法中最小的，所以比起其他已有方法，本发明更具先进性。
[0156]
通过以上实验数据可以看到，相比以往经济环境调度方法，本发明在满足基本供电要求的前提下，获得了比其他调度方法更优越的性能，在降低发电成本的同时，也有效降低污染气体的排放。以表1的极值点为例，如果以该解作为调度依据，假定负荷一直稳定在10500mw，以改进多目标蚁狮算法和nsos算法为对比，基于本发明方法，每天可节约化石燃料成本约167452元，每年可节省约61120097元。
[0157]
实施例二
[0158]
本实施例公开了一种多区域电力系统经济环境调度系统，包括：
[0159]
模型构建模块，被配置为：以最小化污染气体排放和化石燃料成本为目标，构建考虑多重约束条件的多区域电力系统经济环境调度多目标优化模型；
[0160]
求解模块，被配置为：根据目标和约束条件，构建数据驱动代理模型对多区域电力系统经济环境调度多目标优化模型进行转化，通过多目标蚁狮算法对转化后的多区域电力系统经济环境调度多目标优化模型进行求解；
[0161]
决策模块，被配置为：根据求解的结果，获取全局最优解作为当前时段电力系统每个区域优化调度的决策依据。
[0162]
此处需要说明的是，上述模型构建模块、求解模块和决策模块对应于实施例一中的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0163]
实施例三
[0164]
本发明实施例三提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述基于数据驱动的多区域电力系统经济环境调度方法的步骤。
[0165]
实施例四
[0166]
本发明实施例四提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于数据驱动的多区域电力系统经济环境调度方法的步骤。
[0167]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0168]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0169]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0170]
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
[0171]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。