一种基于深度学习的电力资源响应控制方法及系统与流程

本发明涉及电力数据控制，尤其涉及一种基于深度学习的电力资源响应控制方法及系统。

背景技术：

1、电力资源响应（demand response，dr）是一种基于用户需求变化调整电力消耗的技术，旨在提高电网效率、降低成本、增加可再生能源利用比例。基于深度学习的dr控制方法随着深度学习技术的发展而逐步成熟。传统的电力系统难以应对日益复杂的电力供需关系，电力资源响应成为调节电力系统的一种有效手段。然而，传统的dr方法往往基于规则和简单的模型，难以适应复杂多变的电力系统需求。因此，基于深度学习的dr控制方法应运而生。这种方法利用深度学习算法，如循环神经网络（rnn）、长短期记忆网络（lstm）、卷积神经网络（cnn）等，对大规模数据进行学习和建模，实现了对电力系统的智能化响应。通过深度学习的特征学习和模式识别能力，可以更准确地预测用户需求、识别电力系统状态，并作出相应调整。然而，目前的现有技术通常缺乏对响应策略的实际模拟和动态调节，同时往往局限于单一数据维度的分析，无法充分挖掘数据之间的关联，进而导致系统的安全性、可靠性和效率较低。

技术实现思路

1、基于此，有必要提供一种基于深度学习的电力资源响应控制方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于深度学习的电力资源响应控制方法，所述方法包括以下步骤：

3、步骤s1：获取电力系统资源数据；对电力系统资源数据进行数据预处理，生成标准电力系统资源数据；对标准电力系统资源数据进行数据湮没化，生成电力系统资源脱敏数据；

4、步骤s2：对电力系统资源脱敏数据进行多维度数据融合，生成多维度电力资源数据；对多维度电力资源数据进行时空关联，生成多维度电力资源时空关联分析数据；对多维度电力资源时空关联分析数据进行电力资源响应供应制定，从而生成电力资源响应策略；

5、步骤s3：根据电力资源响应策略进行电力资源模拟分配，从而获取电力资源控制模拟数据；对电力资源控制模拟数据进行控制指令生成，得到实时控制指令；根据实时控制指令进行电力动态调节，生成电力资源动态控制数据；

6、步骤s4：对电力资源动态控制数据进行性能指标评估，得到电力资源控制性能指标；将电力资源控制性能指标和预设的标准控制性能阈值进行对比，当电力资源控制性能指标小于预设的标准控制性能阈值时，则对电力资源控制性能指标进行控制性能优化，生成电力资源响应控制报告。

7、本发明通过从各个电力系统组件（例如发电厂、输电网、配电网等）收集原始数据，包括电力负荷、发电量、设备状态、运行参数等。提供了实时、历史和实验性数据，为系统分析和优化提供基础。帮助系统运营者更好地了解系统状况。对获取的原始数据进行清洗、去噪、缺失值处理等预处理步骤，以生成标准格式的电力系统资源数据，提高数据的质量和一致性，减少因为不规范或不准确的数据而引起的错误。标准数据有助于建立系统模型和进行分析。数据湮没化是一种隐私保护技术，通过对敏感数据进行转换或屏蔽，以保护个体的隐私信息。通过融合多个维度的数据，可以提高数据的综合性和完整性，为后续的分析提供更丰富的信息基础。时空关联分析可以帮助识别出资源之间的潜在联系和影响因素，有助于更好地理解资源的分布情况和变化趋势。通过制定合适的电力资源响应策略，可以提高电力系统的灵活性、鲁棒性和效率，使其能够更好地适应不同的需求和变化情况，从而提高系统的可靠性和稳定性。通过电力资源的模拟分配，可以预测和规划资源的使用情况，确保资源的合理利用，提高系统的效率和可靠性。通过生成实时的控制指令，可以及时调整系统运行状态，应对突发情况或优化系统性能，确保电力系统的安全稳定运行。通过电力系统的动态调节，可以实现对系统运行状态的灵活控制和调整，确保系统能够适应不同的负载变化和外部环境影响，提高系统的鲁棒性和稳定性。通过对性能指标的评估，可以全面了解电力系统的运行状况，发现潜在的问题和改进空间，为后续的优化提供基础。通过与标准控制性能阈值的对比，可以确定当前系统的运行状态是否达到预期的要求，是否需要进行进一步的优化和改进。通过控制性能的优化，可以提高系统的运行效率和性能，降低系统的故障率和维护成本，提升用户体验和服务质量。通过生成控制报告，可以清晰地记录系统的改进历程和优化效果，为未来的决策和规划提供参考依据，同时也可以向相关利益相关者沟通系统的运行状况和改进成果。因此，本发明通过数据预处理、多维度融合、模拟动态调节和性能优化，提高了电力资源响应和控制的安全性、可靠性和效率。

8、在本说明书中，提供了一种基于深度学习的电力资源响应控制系统，用于执行上述的基于深度学习的电力资源响应控制方法，该基于深度学习的电力资源响应控制系统包括：

9、数据预处理模块，用于获取电力系统资源数据；对电力系统资源数据进行数据预处理，生成标准电力系统资源数据；对标准电力系统资源数据进行数据湮没化，生成电力系统资源脱敏数据；

10、时空关联模块，用于对电力系统资源脱敏数据进行多维度数据融合，生成多维度电力资源数据；对多维度电力资源数据进行时空关联，生成多维度电力资源时空关联分析数据；对多维度电力资源时空关联分析数据进行电力资源响应供应制定，从而生成电力资源响应策略；

11、响应调整模块，用于根据电力资源响应策略进行电力资源模拟分配，从而获取电力资源控制模拟数据；对电力资源控制模拟数据进行控制指令生成，得到实时控制指令；根据实时控制指令进行电力动态调节，生成电力资源动态控制数据；

12、性能控制模块，用于对电力资源动态控制数据进行性能指标评估，得到电力资源控制性能指标；将电力资源控制性能指标和预设的标准控制性能阈值进行对比，当电力资源控制性能指标小于预设的标准控制性能阈值时，则对电力资源控制性能指标进行控制性能优化，生成电力资源响应控制报告。

13、本发明的有益效果在于通过对电力资源的精确模拟和响应控制，系统的整体性能可以得到优化，提高电力系统的效率和可靠性。采用脱敏技术可以确保在处理电力系统资源数据时保持数据的隐私和安全。通过实时控制指令和动态调节，系统能够更灵活地应对电力需求的变化，提高对突发事件的响应能力。生成的电力资源响应控制报告为决策制定提供了依据，使决策者能够基于实际数据做出明智的决策，进一步提高系统的稳定性和可管理性。因此，本发明通过数据预处理、多维度融合、模拟动态调节和性能优化，提高了电力资源响应和控制的安全性、可靠性和效率。

技术特征：

1.一种基于深度学习的电力资源响应控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s1包括以下步骤：

3.根据权利要求1所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s2包括以下步骤：

4.根据权利要求3所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s24中的外部电力传输损耗分析公式如下所示：

5.根据权利要求3所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s25包括以下步骤：

6.根据权利要求5所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s251包括以下步骤：

7.根据权利要求1所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s3包括以下步骤：

8.根据权利要求1所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s41包括以下步骤：

9.根据权利要求8所述的基于深度学习的电力资源响应控制方法，其特征在于，步骤s42中的电力资源控制性能评估公式如下所示：

10.一种基于深度学习的电力资源响应控制系统，其特征在于，用于执行如权利要求1所述的基于深度学习的电力资源响应控制方法，该基于深度学习的电力资源响应控制系统包括：

技术总结
本发明涉及一种基于深度学习的电力资源响应控制方法及系统。所述方法包括以下步骤：获取电力系统资源数据；对电力系统资源数据进行数据预处理，生成标准电力系统资源数据；对标准电力系统资源数据进行数据湮没化，生成电力系统资源脱敏数据；对电力系统资源脱敏数据进行多维度数据融合，生成多维度电力资源数据；对多维度电力资源数据进行时空关联，生成多维度电力资源时空关联分析数据；对多维度电力资源时空关联分析数据进行电力资源响应供应制定，从而生成电力资源响应策略。本发明通过数据预处理、多维度融合、模拟动态调节和性能优化，提高了电力资源响应和控制的安全性、可靠性和效率。

技术研发人员：柳明,饶庆,鲁非,肖思昌,王晓婷,丰金浩,石川,刘雯,潘柳兆,邓敏
受保护的技术使用者：国网湖北省电力有限公司武汉供电公司
技术研发日：
技术公布日：2024/5/16