本发明涉及电力设计，尤其涉及一种台区供电电网的智能调度系统。
背景技术：
1、电力调度是为了保证电网安全稳定运行、对外可靠供电、各类电力生产工作有序进行而采用的一种有效的管理手段。
2、中国专利公开号：cn112713603a公开了一种电网台区低压侧的智能供电设备，包括发电系统、电力线路、变压器及多个分布式储能系统；通过设置多个分布式储能系统，对于负荷趋饱和地区在高峰期时供电压力较大时，能够分担电网设备的供电压力，从而避免电网设备长时期处于重载或过载的运行状态，延长其使用寿命；进一步地，能够提高负荷低谷期的电网设备的负载水平，从而达到削峰填谷，提高电网设备的利用率；再进一步地，通过在低压侧安装分布式储能系统，充分利用电网峰谷差进行充放电以及变流器的功率因数调节，能够有效地解决部分偏远山区配电网低电压的问题。
3、目前的台区供电调度系统包括上述方案，通常使用固定采样频率和预设监测点进行数据采集，但台区内的电力负荷和分布式能源的输出经常由于天气变化、居民用电行为，以及其他突发因素而发生快速变化；固定采样频率无法实时捕捉这些变化，导致调度系统滞后，无法及时调整供电策略；同时在负荷较为稳定的时段，固定频率的采样往往采集到大量冗余数据，会占用大量存储和传输资源，增加数据处理的负担，另一方面在负荷快速变化时，固定频率采样可能遗漏关键信息，导致数据分析不足，无法支持有效的调度决策；不能针对不同台区的实际特性进行调整，这种一刀切的方式难以满足不同台区的特定需求，导致调度决策的精准度和效率不足；因此亟需一种台区供电电网的智能调度系统来解决此类问题。
技术实现思路
1、为此，本发明提供一种台区供电电网的智能调度系统，用以克服现有技术中固定采样频率，无法实时捕捉动态变化，导致调度系统滞后，无法及时调整供电策略；负荷较为稳定时会占用大量存储和传输资源，增加数据处理的负担，在负荷快速变化时遗漏关键信息，导致数据分析不足，无法支持有效的调度决策；无法不能针对不同台区的实际特性进行调整的问题。
2、为实现上述目的，本发明提供一种台区供电电网的智能调度系统，包括：
3、数据采集模块，根据实时电力负荷的波动性和分布式能源的输出特性，动态调整数据采集频率；采用自适应采样策略采集数据，自适应采样策略所采集的数据直接传输至分层数据处理模块，进行初步处理和分析；从而能够及时捕捉在电力负荷变化或分布式能源输出波动时的关键数据；在负荷稳定时降低采样频率，从而减少冗余数据采集，降低系统的存储和处理负担；
4、分层数据处理模块，包括边缘和云端两层，边缘层负责对台区内采集的数据进行初步处理；仅将经过初步处理的数据上传至云端层进行分析和决策优化；处理后的数据将被上传至云端层即云端；边缘处理后的数据为基于台区特性的优化决策模块提供支持；
5、优化决策模块，利用来自边缘计算和云端分析的数据，对不同台区的特性进行深度挖掘和分析，生成个性化的调度策略；优化决策模块产生的调度策略将直接输入到动态调度响应模块中，实时执行调度调整；
6、动态调度响应模块，根据优化决策模块生成的调度策略，结合实时监测数据，进行动态调度调整；采用自适应动态规划adp算法，根据实时情况调整调度策略；快速响应分布式能源的波动和负荷变化，保障电网的稳定性，动态调度执行结果反馈至分布式协同调度模块，在全局层面进行协调和优化；
7、分布式协同调度模块，将台区电网划分为多个自治子区域，每个区域独立进行本地化调度决策，同时在全局层面进行协调；保证电网的整体稳定性和高效性，支持局部波动的快速响应。
8、进一步地，数据采集模块包括：
9、实时监测单元，监测电力负荷和分布式能源输出的实时数据，用于识别负荷快速变化和异常波动；
10、自适应调整单元，根据监测结果，动态调整采样频率，准确捕捉关键数据，减少冗余数据；
11、分层数据处理模块包括：
12、边缘层，用于对数据进行初步的数据处理；
13、云端层，经过初步处理的数据上传至该云端层，于云端层进行分析和全局决策优化；
14、优化决策模块基于台区特性进行优化，调度策略基于每个台区的负荷特性、分布式能源的接入情况，动态调整调度，以实现资源的最优分配和故障预防；
15、优化决策模块包括：
16、数据挖掘单元，通过机器学习算法分析各台区的历史数据和实时状态，识别模式和异常；
17、个性化调度单元，根据数据挖掘结果，为每个台区生成个性化的调度策略，动态调整资源分配；
18、动态调度响应模块包括：
19、实时调度单元，基于adp算法，动态调整调度策略；
20、快速响应单元，在检测到负荷变化或分布式能源输出波动时，快速调整调度，减少电压波动和电网风险；
21、分布式协同调度模块包括：
22、自治子区域调度单元，用于适应本地化需求，每个子区域独立进行调度决策；
23、全局协同优化单元，用于协调各子区域的调度策略，保证全局电网的协调与优化，特别在分布式能源广泛接入情况下；
24、在分布式协同调度模块中进行台区电网划分：
25、根据地理位置、负荷特性、分布式能源接入情况，将台区电网划分为多个自治子区域；
26、每个子区域具有独立的电力供需平衡，独立进行调度决策；
27、在每个自治子区域内配置本地化调度中心，负责实时监控子区域内的电力负荷、分布式能源输出、储能状态；
28、为每个子区域部署自主调度系统，根据区域内的实时数据独立做出调度决策，调度决策包括负荷管理、储能调度、分布式能源优化。
29、进一步地，数据采集模块中，定义多因素采样触发条件，在调整采集频率时，引入预测误差参数：
30、定义电力负荷变化为δl(t)，电力负荷的变化率通过二阶导数捕捉短期内的变化趋势：其中pl(t)表示时刻t的电力负荷，δt表示时间间隔，δl(t)表示电力负荷变化率，反映负荷的加速度，捕捉短期波动趋势，d2pl(t)表示函数pl(t)的二阶微分，即第二次变化率，dt2表示时间t的二次方，结合在一起表示电力负荷pl(t)随时间t变化的加速度；一阶导数代表电力负荷pl(t)的变化速度，即负荷的增长或减少速度；二阶导数代表变化速度的变化率；
31、多因素采样触发条件还包括分布式能源输出波动率re(t)分布式能源输出波动率考虑输出的相对变化和历史波动性：其中pe(t)表示时刻t的分布式能源输出功率，表示分布式能源输出的移动平均值，σε表示分布式能源输出的标准差，ε表示小常数，取10-6；
32、多因素采样触发条件还包括预测误差ep(t)，通过加权绝对进行误差衡量：其中pl,pred(t)表示时刻t的电力负荷预测值，pl,actual(t)表示时刻t的电力负荷实际值，wi为不同时间窗口的权重，n为时间窗口数量，i为具体时间窗口。
33、进一步地，数据采集模块中，动态调整采集频率的自适应采样策略：
34、设电力负荷变化率为δl(t)、分布式能源波动率为re(t)和预测误差为ep(t)；
35、定义综合波动指数i(t)，综合电力负荷变化、分布式能源波动和预测误差：其中α,β,γ为权重参数，分别反映对电力负荷变化、分布式能源波动和预测误差的敏感度，为历史最大值；
36、设动态采集频率为f(t)，数据采集频率f(t)根据综合波动指数i(t)动态调整：其中fmin表示最低采集频率，fmax表示最高采集频率，k表示调节参数控制响应的平滑度，δ表示非线性调节指数。
37、进一步地，数据采集模块中，自适应采样策略的执行步骤包括：
38、初始化与参数设定，设定初始采集频率f(t)＝fmin，设置权重参数α,β,γ以及δ和k的值；
39、初始化历史数据，计算
40、在每个采样时刻t，实时计算电力负荷变化率δl(t)、分布式能源波动率re(t)和预测误差ep(t)；
41、计算综合波动指数i(t)，根据综合波动指数i(t)，计算数据采集频率f(t)；
42、若f(t)高于当前采集频率，则增加采样频率；若低于当前频率，则减少采样频率；
43、电力负荷数据频繁波动(高峰期)：提高α和δ，增强对负荷变化的敏感度；
44、分布式能源输出不稳定(太阳能或风能高波动性时段)：增加β的权重，敏感地调整采样频率；
45、预测模型误差较大(天气突变导致预测不准)：增加γ的权重，动态响应以提升数据采集的准确性；
46、基于实时电力负荷变化率、分布式能源波动率和预测误差，动态调整数据采集频率；在波动剧烈的时段增加采样频率，在稳定时段降低频率，从而提高整体调度系统的响应速度和数据处理效率。
47、进一步地，优化决策模块中，通过提取台区的多维特征，对历史数据和实时数据进行特征聚合：
48、进行时间序列嵌入与滑动窗口特征提取，使用滑动窗口提取特征捕捉不同时间尺度下变化：其中x(t)表示时刻t的特征矩阵，xi(t)表示特征i在时刻t的值，i指代式中1,2,...,m，δt表示滑动窗口的步长，n表示滑动窗口的长度，m表示特征的维度数量；
49、对提取的多维特征进行非线性转换：z(t)＝φ(w·x(t)+b)，其中z(t)表示时刻t的非线性转换后特征，w表示转换矩阵，b表示偏置向量，φ(·)表示非线性激活函数，选用relu、sigmoid；
50、在获取到多维非线性特征后，通过模式识别和异常检测算法，捕捉历史数据中的模式并实时检测异常；
51、采用基于隐变量的模式识别variationalautoencoder，vae，使用变分自编码器vae进行模式识别，获取隐变量空间的表示，识别历史数据中的潜在模式：
52、z(t)＝μ(x(t))+σ(x(t))·ε，z(t)表示时刻t的隐变量表示，μ(x(t))和σ(x(t))表示从特征x(t)映射到隐变量空间的均值和标准差，ε表示从标准正态分布中采样的随机噪声；
53、通过计算隐变量空间中的马氏距离，检测异常数据点：
54、其中dm(z(t))表示时刻t的马氏距离，μz表示隐变量空间的均值，σz表示隐变量空间的协方差矩阵，(z(t)-μz)t表示z(t)-μz的转置；
55、当dm(z(t))超过预设阈值λ时，该数据点被视为异常。
56、进一步地，优化决策模块中引入自适应阈值调整机制，动态调整阈值λ：
57、基于历史数据的异常率，动态调整阈值λ：其中λ(t)表示时刻t的动态阈值，λ0表示初始阈值，anomalyi表示第i个时间点的异常检测结果；
58、引入在线学习算法(在线梯度下降或递归最小二乘法)，根据新数据动态更新模型参数θ：
59、其中θ(t)为时刻t的模型参数，η为学习率，l(x(t),θ(t))表示重构误差损失函数；
60、高度波动的台区，对于电力负荷和分布式能源输出波动剧烈的台区，增强特征转换的非线性程度，增加隐变量空间的维度；
61、在不同台区中有效识别出历史数据中的潜在模式并实时检测异常；适应复杂且动态的电力系统环境。
62、进一步地，在个性化调度单元中，根据数据挖掘结果为每个台区生成个性化的调度策略，并动态调整资源分配：
63、利用数据挖掘单元的结果，对每个台区的特征进行深入分析，深入分析包括：
64、负荷特性，台区内负荷的日常波动规律、峰谷特征，以及负荷增长趋势；
65、分布式能源特性，台区内分布式能源(太阳能、风能)的分布情况、输出特性，以及波动规律；
66、历史事件与异常模式，过去台区内发生的异常事件，频繁的电压波动、设备故障，以及事件的诱因和特征；
67、基于台区特征，确定调度目标和约束条件，调度目标和约束条件包括：
68、调度目标：最大化能源利用效率、最小化运行成本；
69、约束条件：设备容量限制、网络拓扑结构、电压和频率的稳定性要求；
70、根据台区的具体需求和数据挖掘得出的风险评估，设定不同的调度优先级：
71、关键负荷优先：包括医院、数据中心在内用户，保证其供电优先权；
72、分布式能源优先：在光伏出力高的时段优先调度分布式能源，减少对主电网的依赖；
73、故障修复优先：在特定区域出现异常波动或故障时，优先进行负荷转移和调度调整；
74、基于数据挖掘提供的模式识别结果，结合台区的个性化需求，生成调度方案；
75、在个性化调度单元中，实时调度调整时：
76、在执行调度策略时，实时监控台区内的运行状态，根据实际情况动态调整资源分配：
77、负荷波动响应：在负荷出现异常波动时，快速调整调度策略；
78、分布式能源波动应对：实时监测分布式能源的输出，根据其波动性动态调整其他电源或储能装置的调度；
79、故障响应与调度优化：当检测到故障或潜在的风险时，迅速调整负荷分配、启用备用资源，并根据新数据重新优化调度策略。
80、进一步地，在动态调度响应模块中，通过自适应动态规划adp算法，根据优化决策模块生成的调度策略和实时监测数据进行动态调度调整：
81、从优化决策模块获取生成的初步调度策略；
82、在调度开始前，初始化调度系统，包括电网负荷、分布式能源输出、储能装置状态；
83、实时监测电网的负荷、分布式能源的输出、储能状态、电压和频率参数；
84、基于实时监测数据，评估当前调度策略的适应性；如果监测到的电网状态与初步策略预测的情况相符，则按照原策略执行；如果出现显著偏差，则需要启动adp算法进行策略调整；
85、adp算法利用实时数据不断更新电网的状态估计，并根据最新状态调整调度策略，adp算法采用滚动时域的优化方式，即在每个时间步重新计算下一步的最优策略，保证系统能够灵活应对实时变化；
86、根据调整后的调度策略，系统下发控制指令，执行具体的调度操作，包括调整负荷分配、启动或停止储能设备、调节分布式能源输出；
87、动态调度响应模块利用实时数据和自适应动态规划adp算法，根据电网的实际运行情况动态调整调度策略，保证电力系统的稳定性和资源利用的最优化。
88、进一步地，分布式协同调度模块中，实时区域内本地化调度决策：
89、本地化调度中心持续监测子区域内的电网状态，收集实时数据，包括电力负荷、分布式能源输出、电压、电流；
90、每个子区域根据自身的实时数据和预测模型，独立制定调度策略；本地化调度系统在制定调度策略后，直接在子区域内执行；
91、在不同自治子区域之间通信网络，各区域的调度信息实时共享；
92、设立全局调度中心，负责协调各自治子区域的调度策略，全局调度中心获取各子区域的实时状态，并结合全局需求进行协调；
93、全局调度中心实时监控整个台区电网的状态，包括各自治子区域的供需平衡、跨区域电力流动、电网频率和电压；
94、当某个子区域出现供需失衡或异常时，全局调度中心协调其他子区域调度资源，以支援出现问题的区域；
95、例如，在某一区域出现负荷过载时，调度相邻区域的冗余电力资源进行补充；全局调度中心定期分析各子区域的运行数据，优化资源配置，调整全局调度策略以提高整体电网的效率和稳定性。
96、与现有技术相比，本发明具有以下有益效果：
97、本发明，采用实时负荷波动和分布式能源输出特性的自适应采样策略；当系统检测到负荷的快速变化或异常波动时，自动提高数据采集频率，从而保证捕捉关键信息；在负荷稳定时，则降低采样频率，减少冗余数据的采集；自适应采样能够动态调整采集频率，保证在关键时刻不丢失重要数据，同时减少系统负担。
98、本发明，采用分层数据处理架构，将数据处理分为边缘和云端两层，边缘层负责对台区内采集的数据进行初步处理，包括去噪、特征提取等，保证数据质量；仅将经过初步处理的关键数据上传至云端进行数据分析和决策优化；减少了数据传输和处理的负担，又提升了调度系统的实时响应能力。
99、本发明，结合各台区的实际运行特性，利用机器学习和大数据分析技术，对采集的数据进行深度挖掘和分析。
100、根据不同台区的特性动态调整调度策略，保证每个台区的供电系统都能实现最优的资源分配和故障预防，针对性的决策优化能够显著提高调度效率和供电稳定性。
101、本发明，引入基于机器学习的分布式能源发电预测模型，通过分析气象数据、历史发电数据和用电需求模式，提前预测分布式能源的输出变化，同时建立动态的负荷平衡模型，根据预测结果实时调整电力资源的分配。
102、本发明，在调度系统中集成实时的动态调度算法，能够根据台区内分布式能源的实时输出情况和负荷需求，动态调整调度策略。
103、本发明，通过将台区供电网划分为多个自治子区域，每个区域独立进行本地化的调度决策，并通过协同机制在全局层面进行协调；结合边缘计算技术，系统能够快速响应局部波动，减少延迟，提高调度的敏捷性，分布式架构有效提升了电网的韧性和稳定性，尤其是在面对分布式能源大量接入时，能够实现更加稳定和高效的电力供应。