开云优惠体育网页版入口

专利名称：一种基于气象数据的电网优化方法及系统

专利类型：发明专利

专利申请号：CN202410973277.6

专利申请（专利权）人：国网甘肃省电力公司白银供电公司,国网甘肃省电力公司,白银银珠电力(集团)有限责任公司
权利人地址：甘肃省白银市白银区人民路6号

专利发明（设计）人：刘锋,张振,冀东红,王德文,宋强,王程,王安民,付智鑫,吕桓,裴倩雯,张乐桢,张乾晓

专利摘要：本发明属于智能电网技术领域，公开了一种基于气象数据的电网优化方法及系统；方法包括：实时采集气象数据；实时采集电网的运行状态数据；将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；根据数据变化曲线，判断是否生成预警指令；根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略；本发明充分考虑气象数据对电网的影响，实现了电网的智能化优化运行，大幅提高了电网运行的可靠性和效率，以确保电网系统处于最佳运行状态。

主权利要求：
1.一种基于气象数据的电网优化方法，其特征在于，包括：
实时采集气象数据；
实时采集电网的运行状态数据；所述运行状态数据包括电流值、电压值、线路负载、电网负荷、功率因数和设备温度；
将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；
对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；
根据数据变化曲线，判断是否生成预警指令；预警指令包括电流预警指令、电压预警指令、负载预警指令、负荷预警指令、功率预警指令和温度预警指令；电流预警指令包括电流波动指令和电流峰值指令；电压预警指令包括电压波动指令和电压范围指令；负荷预警指令包括负荷波动指令和负荷峰值指令；
根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略；制定电网优化调度策略的步骤包括：步骤1：预设种群规模Z和次数阈值G；预设优化调度策略集合；所述步骤1中，优化调度策略集合包括九个策略集合，策略集合与预警指令的指令一一对应，每个策略集合中包括C个策略方案编号，C为大于1的整数，策略方案编号与策略方案一一对应；
步骤2：随机从预警指令中选择出一个未被标记为已选指令的指令，并标记为当前指令，从优化调度策略集合中获取当前指令对应的策略集合，并标记为当前集合；生成初始化种群，初始化种群中个体的位置被定义在一维搜索空间中，个体的位置与当前集合中的策略方案编号一一对应；
步骤3：确定适应度函数；
步骤4：计算初始化种群中每只个体对应的适应度，将适应度最大对应个体的位置作为食物源位置；
步骤5：更新领导者位置和追随者位置；
步骤6：计算动态边界，生成每只个体对应的反向解并添加至种群中；
步骤7：将个体的反向解也作为个体，计算种群中所有个体的适应度，将种群中所有个体的适应度从大到小进行排序，保留排在前Z只的个体，并作为新的种群，将新的种群中适应度最大对应个体的位置作为新的食物源位置；
步骤8：循环步骤5～步骤7，直至新的种群对应的迭代次数达到次数阈值G时，循环结束，获取新种群中食物源位置对应的策略方案编号，并进入步骤9；
步骤9：将当前指令标记为已选指令，循环步骤2～步骤9，直至所有预警指令中的指令均被标记为已选指令，循环结束，根据预警指令中的每个指令对应的策略方案编号，获取对应的策略方案；
对每个策略方案进行分析，判断是否进行删除；
采用正则表达式从每个策略方案中提取相应的文本内容，并标记为策略文本；对每个策略文本采用哈：晃杂Φ墓希值，并标记为策略哈希值；
将每个策略哈希值分别与其余策略哈希值进行对比；若所有策略哈希值均不相同，则不对策略方案进行删除；若存在相同的策略哈希值，则将对应的策略方案标记为相似方案，采用正则表达式判断相似方案中是否存在数字；若相似方案中不存在数字，则仅保留一个相似方案，其余相似方案均删除；若相似方案中存在数字，则再次采用正则表达式从每个相似方案中提取相应的数字内容，并标记为策略数字；将每个策略数字进行对比，保留策略数字最大的相似方案，其余相似方案均删除。
2.根据权利要求1所述的一种基于气象数据的电网优化方法，其特征在于，所述气象数据包括温度、降雨量、风速、雷击强度和沙尘浓度；所述判断影响运行状态数据的气象数据的方法包括：将气象数据和运行状态数据作为分析数据，将分析数据输入训练好的影响分析模型中，获取对应的判断结果，根据判断结果判断出影响运行状态数据的气象数据；
所述判断结果为五个数字组成的字符串，字符串中的数字与气象数据中的数据一一对应；其中每个数字的取值均为b或c，b和c为不同的整数；若气象数据中的数据对运行状态数据有影响，则对应数字的取值为b，若气象数据中的数据对运行状态数据没有影响，则对应数字的取值为c；
影响分析模型的训练过程包括：
预先对a组分析数据设置对应的判断结果，a为大于1的整数；
将分析数据与对应的判断结果转换为对应的一组特征向量；将每组特征向量作为影响分析模型的输入，所述影响分析模型以每组分析数据对应的一组预测判断结果作为输出，以每组分析数据对应的实际判断结果作为预测目标，实际判断结果即为预先收集的与分析数据对应的判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；
对影响分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述影响分析模型为深度神经网络模型。
3.根据权利要求2所述的一种基于气象数据的电网优化方法，其特征在于，所述预测运行状态数据的变化趋势的方法包括：预设时间间隔，将影响数据、时间间隔以及运行状态数据中的一种数据作为一组评估数据，即评估数据与运行状态数据中的数据一一对应，共有六组评估数据；
将每组评估数据分别输入对应的变化预测模型中，预测出经过时间间隔后的运行状态数据，并标记为第一预测数据，再将每组评估数据中的运行状态数据替换为第一预测数据中对应的数据，将替换完成后的每组评估数据再次输入对应的变化预测模型中，再次预测出经过时间间隔后的运行状态数据，并标记为第二预测数据；以此类推，直至获取到经过T个时间间隔后的运行状态数据，并标记为第T预测数据，T为大于2的整数；
其中，变化预测模型包括电流预测模型、电压预测模型、负载预测模型、负荷预测模型、功率预测模型和温度预测模型；变化预测模型中每个模型的训练过程均与影响分析模型的训练过程一致，并且均为深度神经网络模型；根据实时采集的运行状态数据和每个变化预测模型输出的第一预测数据至第T预测数据，获取运行状态数据中每种数据的变化趋势；
绘制对应的数据变化曲线的方法包括：
根据运行状态数据中每种数据的变化趋势，将实时采集的运行状态数据以及运行状态数据中每种数据对应的第一预测数据至第T预测数据，采用多项式拟合或样条插值进行平滑连接，绘制对应的数据变化曲线。
4.根据权利要求3所述的一种基于气象数据的电网优化方法，其特征在于，预设判断阈值，判断阈值包括峰值阈值、谷值阈值、范围阈值和波动阈值；其中，峰值阈值包括电流峰值阈值、负载峰值阈值、负荷峰值阈值，范围阈值包括电压范围阈值和温度范围阈值，波动阈值包括电流波动阈值、电压波动阈值、负荷波动阈值；
将判断阈值中的峰值阈值、谷值阈值和范围阈值，分别加入对应的数据变化曲线；
在电流值对应的数据变化曲线中，若所有电流值均位于电流峰值阈值下方，则不生成电流峰值指令，若存在电流值位于电流峰值阈值上方或重合，则生成电流峰值指令；判断是否生成负载预警指令和负荷峰值指令的方法与判断是否生成电流峰值指令的方法一致；
在电压值对应数据变化曲线中，若所有电压值均位于电压范围阈值内，则不生成电压范围指令，若存在电压值位于电压范围阈值外或重合，则生成电压范围指令；判断是否生成温度预警指令的方法与判断是否生成电压范围指令的方法一致；
在功率因数对应的数据变化曲线中，若所有功率因数均位于谷值阈值上方，则不生成功率预警指令，若存在功率因数位于谷值阈值下方或重合，则生成功率预警指令。
5.根据权利要求4所述的一种基于气象数据的电网优化方法，其特征在于，将电流值、电压值和电网负荷对应数据变化曲线标记为波动分析曲线，将每条波动分析曲线均根据预设波动时间离散化为A个小段，A为大于1的整数；再将每个小段根据预设差分时间划分为B个差分时间点，B为大于1的整数，波动时间小于时间间隔但大于差分时间；根据每条波动分析曲线，获取每个差分时间点对应运行状态数据的数值，并标记为运行数值；将每条波动分析曲线中每个小段内的两个相邻差分时间点作为一个波动集合；将每个波动集合中其中一个差分时间点对应的运行数值减去另一个差分时间点对应的运行数值并取绝对值，获取数值波动量；
将每条波动分析曲线的数值波动量分别与对应的波动阈值进行对比；
若电流值对应的数值波动量均小于电流波动阈值，则不生成电流波动指令，若电流值对应的数值波动量大于或等于电流波动阈值，则生成电流波动指令；判断是否生成电压波动指令和负荷波动指令的方法与判断是否生成电流波动指令的方法一致。
6.根据权利要求5所述的一种基于气象数据的电网优化方法，其特征在于，所述步骤2中，初始化种群 ，包括Z只个体，其中第一只个体为领导者，其余只个体为追随者；获取策略方案编号范围 ，一维搜索空间的范围也为 ；
所述步骤3中，适应度函数的表达式为： ；式中， 为适应度， 为优化效果；
优化效果的获取方法包括：
将当前指令对应的变化预测模型输出的数据标记为当前数据；将个体位置对应的策略方案编号和当前数据作为测试数据，将测试数据输入训练好的优化分析模型中，预测出采用策略方案优化后的当前数据，并标记为优化数据；
根据优化数据，再次判断是否生成当前指令；若仍生成当前指令，则对应的优化效果为D，优化效果的范围为 ， ；若不生成当前指令，则将当前数据、优化数据以及同时预测数据作为研究数据，将研究数据输入训练好的效果分析模型，预测出对应的优化效果；效果分析模型和优化分析模型的训练过程与影响分析模型的训练过程一致，并且也均为深度神经网络模型；同时预测数据为变化预测模型输出的与当前数据所经历的时间间隔相同的其余数据。
7.根据权利要求6所述的一种基于气象数据的电网优化方法，其特征在于，所述步骤5中，更新领导者位置的方法包括：将种群中所有个体的适应度由大到小进行排序，将排在食物源位置对应的适应度后一个适应度对应的个体位置，作为第二位置，将排在最后的适应度对应的个体位置作为最后位置；
；
式中， 为领导者位置， 为食物源位置， 为 分布，d为迭代次数，迭代次数d为分布的自由度参数， 为具有迭代次数d的 分布中的一个随机数值， 为第二位置，为最后位置， 为 中的随机数， 为 中的随机数；
更新追随者位置的方法包括：
；
式中， 为第 只个体的位置， 为第 只个体的位置， ；即将第
只个体当前的位置与第 只个体当前的位置相加，再乘以二分之一的值赋予第 只个体更新后的位置。
8.根据权利要求7所述的一种基于气象数据的电网优化方法，其特征在于，所述步骤6中，动态边界为 ， 为最后位置对应的策略方案编号， 为食物源位置对应的策略方案编号， ；
反向解的生成方法包括：
；
式中， 为第y只个体的反向解， 为 中的随机数， ， 为第y只个
体的位置；
若生成的反向解大于或小于动态边界，则标记为超越解，采用随机数函数随机生成一个动态边界内的数值，并将随机生成的数值赋予超越解。
9.一种基于气象数据的电网优化系统，实施权利要求1?8任一项所述的一种基于气象数据的电网优化方法，其特征在于，包括：气象数据采集模块，用于实时采集气象数据；
运行数据采集模块，用于实时采集电网的运行状态数据；
融合分析模块，用于将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；
趋势预测模块，用于对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；
预警模块，用于根据数据变化曲线，判断是否生成预警指令；
智能优化模块，用于根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1?8任一项所述的一种基于气象数据的电网优化方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1?8任一项所述的一种基于气象数据的电网优化方法。 说明书 : 一种基于气象数据的电网优化方法及系统技术领域[0001] 本发明涉及智能电网技术领域，更具体地说，本发明涉及一种基于气象数据的电网优化方法及系统。背景技术[0002] 电网系统是现代社会中至关重要的基础设施之一；在智能电网中，气象数据对电力系统的稳定运行具有重要影响；例如：风速和温度变化会影响输电线路和设备的热稳定性，雷暴天气亦可能导致设备故障和停电事件；然而，传统的电网优化调度方法往往忽略了气象数据的实时性和精细化应用，导致调度决策的滞后性和不精确性；并且无法有效集成气象数据和电网运行数据，导致对电网状态的整体感知力不足，优化效果有限；因此，缺乏一种能够有效利用实时气象数据，提高电网运行可靠性的方法；[0003] 授权公告号为CN117526432B的中国专利公开了一种面向源荷互动的配网调控系统及方法；包括：采集配电网的运行数据和气象数据，并建立配电网模型；基于建立的配电网模型，进行配电网资源优化计算，生成资源调度方案；利用配电网模型，计算配电网的接入的分布式电源容量；根据资源调度方案和分布式电源容量，建立多目标决策模型，求解获得满足容量约束的Pareto最优解集；从Pareto最优解集中选择满足优化目标的调控方案；通过建立配电网模型、优化资源调度、增强稳定性和灵活性，有效提高电网对新能源的消纳能力；[0004] 虽然上述技术考虑到气象数据对电网系统的影响，并且实现资源的优化调度，生成最佳调控方案；但上述技术的核心目标在于合理安排新能源接入电网系统，从而提高电网系统对大规模新能源的消纳能力，即生成的最佳调控方案为在气象数据的影响下，如何最大程度对新能源进行消纳；然而新能源消纳能力最大化并不等同于电网最佳运行状态，因此上述技术无法对电网系统自身可能出现的异常运行状态进行优化调度，以实现电网系统处于最佳运行状态，从而降低电网运行效率和稳定性；[0005] 鉴于此，本发明提出一种基于气象数据的电网优化方法及系统以解决上述问题。发明内容[0006] 为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种基于气象数据的电网优化方法，包括：[0007] 实时采集气象数据；[0008] 实时采集电网的运行状态数据；所述运行状态数据包括电流值、电压值、线路负载、电网负荷、功率因数和设备温度；[0009] 将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；[0010] 对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；[0011] 根据数据变化曲线，判断是否生成预警指令；[0012] 根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略。[0013] 进一步地，所述气象数据包括温度、降雨量、风速、雷击强度和沙尘浓度；[0014] 所述判断影响运行状态数据的气象数据的方法包括：[0015] 将气象数据和运行状态数据作为分析数据，将分析数据输入训练好的影响分析模型中，获取对应的判断结果，根据判断结果判断出影响运行状态数据的气象数据；[0016] 所述判断结果为五个数字组成的字符串，字符串中的数字与气象数据中的数据一一对应；其中每个数字的取值均为b或c，b和c为不同的整数；若气象数据中的数据对运行状态数据有影响，则对应数字的取值为b，若气象数据中的数据对运行状态数据没有影响，则对应数字的取值为c；[0017] 影响分析模型的训练过程包括：[0018] 预先对a组分析数据设置对应的判断结果，a为大于1的整数；[0019] 将分析数据与对应的判断结果转换为对应的一组特征向量；将每组特征向量作为影响分析模型的输入，所述影响分析模型以每组分析数据对应的一组预测判断结果作为输出，以每组分析数据对应的实际判断结果作为预测目标，实际判断结果即为预先收集的与分析数据对应的判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；对影响分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述影响分析模型为深度神经网络模型。[0020] 进一步地，所述预测运行状态数据的变化趋势的方法包括：[0021] 预设时间间隔，将影响数据、时间间隔以及运行状态数据中的一种数据作为一组评估数据，即评估数据与运行状态数据中的数据一一对应，共有六组评估数据；[0022] 将每组评估数据分别输入对应的变化预测模型中，预测出经过时间间隔后的运行状态数据，并标记为第一预测数据，再将每组评估数据中的运行状态数据替换为第一预测数据中对应的数据，将替换完成后的每组评估数据再次输入对应的变化预测模型中，再次预测出经过时间间隔后的运行状态数据，并标记为第二预测数据；以此类推，直至获取到经过T个时间间隔后的运行状态数据，并标记为第T预测数据，T为大于2的整数；[0023] 其中，变化预测模型包括电流预测模型、电压预测模型、负载预测模型、负荷预测模型、功率预测模型和温度预测模型；变化预测模型中每个模型的训练过程均与影响分析模型的训练过程一致，并且均为深度神经网络模型；根据实时采集的运行状态数据和每个变化预测模型输出的第一预测数据至第T预测数据，获取运行状态数据中每种数据的变化趋势；[0024] 绘制对应的数据变化曲线的方法包括：[0025] 根据运行状态数据中每种数据的变化趋势，将实时采集的运行状态数据以及运行状态数据中每种数据对应的第一预测数据至第T预测数据，采用多项式拟合或样条插值进行平滑连接，绘制对应的数据变化曲线。[0026] 进一步地，预警指令包括电流预警指令、电压预警指令、负载预警指令、负荷预警指令、功率预警指令和温度预警指令；电流预警指令包括电流波动指令和电流峰值指令；电压预警指令包括电压波动指令和电压范围指令；负荷预警指令包括负荷波动指令和负荷峰值指令；[0027] 预设判断阈值，判断阈值包括峰值阈值、谷值阈值、范围阈值和波动阈值；其中，峰值阈值包括电流峰值阈值、负载峰值阈值、负荷峰值阈值，范围阈值包括电压范围阈值和温度范围阈值，波动阈值包括电流波动阈值、电压波动阈值、负荷波动阈值；[0028] 将判断阈值中的峰值阈值、谷值阈值和范围阈值，分别加入对应的数据变化曲线；[0029] 在电流值对应的数据变化曲线中，若所有电流值均位于电流峰值阈值下方，则不生成电流峰值指令，若存在电流值位于电流峰值阈值上方或重合，则生成电流峰值指令；判断是否生成负载预警指令和负荷峰值指令的方法与判断是否生成电流峰值指令的方法一致；[0030] 在电压值对应数据变化曲线中，若所有电压值均位于电压范围阈值内，则不生成电压范围指令，若存在电压值位于电压范围阈值外或重合，则生成电压范围指令；判断是否生成温度预警指令的方法与判断是否生成电压范围指令的方法一致；[0031] 在功率因数对应的数据变化曲线中，若所有功率因数均位于谷值阈值上方，则不生成功率预警指令，若存在功率因数位于谷值阈值下方或重合，则生成功率预警指令。[0032] 进一步地，将电流值、电压值和电网负荷对应数据变化曲线标记为波动分析曲线，将每条波动分析曲线均根据预设波动时间离散化为A个小段，A为大于1的整数；再将每个小段根据预设差分时间划分为B个差分时间点，B为大于1的整数，波动时间小于时间间隔但大于差分时间；根据每条波动分析曲线，获取每个差分时间点对应运行状态数据的数值，并标记为运行数值；将每条波动分析曲线中每个小段内的两个相邻差分时间点作为一个波动集合；将每个波动集合中其中一个差分时间点对应的运行数值减去另一个差分时间点对应的运行数值并取绝对值，获取数值波动量；[0033] 将每条波动分析曲线的数值波动量分别与对应的波动阈值进行对比；[0034] 若电流值对应的数值波动量均小于电流波动阈值，则不生成电流波动指令，若电流值对应的数值波动量大于或等于电流波动阈值，则生成电流波动指令；判断是否生成电压波动指令和负荷波动指令的方法与判断是否生成电流波动指令的方法一致。[0035] 进一步地，制定电网优化调度策略的步骤包括：[0036] 步骤1：预设种群规模Z和次数阈值G；预设优化调度策略集合；[0037] 步骤2：随机从预警指令中选择出一个未被标记为已选指令的指令，并标记为当前指令，从优化调度策略集合中获取当前指令对应的策略集合，并标记为当前集合；生成初始化种群，初始化种群中个体的位置被定义在一维搜索空间中，个体的位置与当前集合中的策略方案编号一一对应；[0038] 步骤3：确定适应度函数；[0039] 步骤4：计算初始化种群中每只个体对应的适应度，将适应度最大对应个体的位置作为食物源位置；[0040] 步骤5：更新领导者位置和追随者位置；[0041] 步骤6：计算动态边界，生成每只个体对应的反向解并添加至种群中；[0042] 步骤7：将个体的反向解也作为个体，计算种群中所有个体的适应度，将种群中所有个体的适应度从大到小进行排序，保留排在前Z只的个体，并作为新的种群，将新的种群中适应度最大对应个体的位置作为新的食物源位置；[0043] 步骤8：循环步骤5～步骤7，直至新的种群对应的迭代次数达到次数阈值G时，循环结束，获取新种群中食物源位置对应的策略方案编号，并进入步骤9；[0044] 步骤9：将当前指令标记为已选指令，循环步骤2～步骤9，直至所有预警指令中的指令均被标记为已选指令，循环结束，根据预警指令中的每个指令对应的策略方案编号，获取对应的策略方案。[0045] 进一步地，所述步骤1中，优化调度策略集合包括九个策略集合，策略集合与预警指令的指令一一对应，每个策略集合中包括C个策略方案编号，C为大于1的整数，策略方案编号与策略方案一一对应；[0046] 所述步骤2中，初始化种群 ，包括Z只个体，其中第一只个体为领导者，其余 只个体为追随者；获取策略方案编号范围 ，一维搜索空间的范围也为 ；[0047] 所述步骤3中，适应度函数的表达式为： ；式中， 为适应度， 为优化效果；[0048] 优化效果的获取方法包括：[0049] 将当前指令对应的变化预测模型输出的数据标记为当前数据；将个体位置对应的策略方案编号和当前数据作为测试数据，将测试数据输入训练好的优化分析模型中，预测出采用策略方案优化后的当前数据，并标记为优化数据；[0050] 根据优化数据，再次判断是否生成当前指令；若仍生成当前指令，则对应的优化效果为D，优化效果的范围为 ， ；若不生成当前指令，则将当前数据、优化数据以及同时预测数据作为研究数据，将研究数据输入训练好的效果分析模型，预测出对应的优化效果；效果分析模型和优化分析模型的训练过程与影响分析模型的训练过程一致，并且也均为深度神经网络模型；同时预测数据为变化预测模型输出的与当前数据所经历的时间间隔相同的其余数据。[0051] 进一步地，所述步骤5中，更新领导者位置的方法包括：[0052] 将种群中所有个体的适应度由大到小进行排序，将排在食物源位置对应的适应度后一个适应度对应的个体位置，作为第二位置，将排在最后的适应度对应的个体位置作为最后位置；[0053] ；[0054] 式中， 为领导者位置， 为食物源位置，为 分布，d为迭代次数，迭代次数d为 分布的自由度参数， 为具有迭代次数d的 分布中的一个随机数值， 为第二位置， 为最后位置， 为 中的随机数， 为 中的随机数；[0055] 更新追随者位置的方法包括：[0056] ；[0057] 式中， 为第 只个体的位置， 为第 只个体的位置， ；即将第 只个体当前的位置与第 只个体当前的位置相加，再乘以二分之一的值赋予第只个体更新后的位置。[0058] 进一步地，所述步骤6中，动态边界为 ， 为最后位置对应的策略方案编号， 为食物源位置对应的策略方案编号， ；[0059] 反向解的生成方法包括：[0060] ；[0061] 式中， 为第y只个体的反向解， 为 中的随机数， ， 为第y只个体的位置；[0062] 若生成的反向解大于或小于动态边界，则标记为超越解，采用随机数函数随机生成一个动态边界内的数值，并将随机生成的数值赋予超越解。[0063] 进一步地，对每个策略方案进行分析，判断是否进行删除；[0064] 采用正则表达式从每个策略方案中提取相应的文本内容，并标记为策略文本；对每个策略文本采用哈：晃杂Φ墓希值，并标记为策略哈希值；[0065] 将每个策略哈希值分别与其余策略哈希值进行对比；若所有策略哈希值均不相同，则不对策略方案进行删除；若存在相同的策略哈希值，则将对应的策略方案标记为相似方案，采用正则表达式判断相似方案中是否存在数字；若相似方案中不存在数字，则仅保留一个相似方案，其余相似方案均删除；若相似方案中存在数字，则再次采用正则表达式从每个相似方案中提取相应的数字内容，并标记为策略数字；将每个策略数字进行对比，保留策略数字最大的相似方案，其余相似方案均删除。[0066] 一种基于气象数据的电网优化系统，实施所述的一种基于气象数据的电网优化方法，包括：[0067] 气象数据采集模块，用于实时采集气象数据；[0068] 运行数据采集模块，用于实时采集电网的运行状态数据；[0069] 融合分析模块，用于将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；[0070] 趋势预测模块，用于对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；[0071] 预警模块，用于根据数据变化曲线，判断是否生成预警指令；[0072] 智能优化模块，用于根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略。[0073] 一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于气象数据的电网优化方法。[0074] 一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现所述的一种基于气象数据的电网优化方法。[0075] 本发明一种基于气象数据的电网优化方法及系统的技术效果和优点：[0076] 1.通过实时采集电网运行状态数据和气象数据，并利用多种深度学习模型对数据进行融合分析和趋势预测，能够全面和精细地识别电网可能出现的各类异常情况，从而智能生成针对性强的预警指令；同时，采用改进后的樽海鞘群算法制定并执行电网优化调度策略；充分考虑气象数据对电网的影响，提高了电网运行状态的预测和预警能力，能够更加实时和精准地制定电网优化调度策略，实现了电网的智能化优化运行，大幅提高了电网运行的可靠性和效率，以确保电网系统处于最佳运行状态。[0077] 2.通过正则表达式提取策略方案中的文本内容，并使用哈希算法将文本内容转换为哈希值进行比较，可以高效识别生成的不同优化策略方案中实质相同或相似的情况，并删除冗余方案，保留数值最大的方案，既可以减少重复执行相同或相似的策略方案带来的风险，也可以在保证优化效果的基础上提高运行效率，有效确保最终优化结果；进一步提升电网运行的可靠性和稳定性，确保电网系统处于最佳运行状态。附图说明[0078] 图1为本发明实施例1的一种基于气象数据的电网优化系统示意图；[0079] 图2为本发明实施例2的一种基于气象数据的电网优化系统示意图；[0080] 图3为本发明实施例3的一种基于气象数据的电网优化方法流程图；[0081] 图4为本发明实施例4的电子设备示意图；[0082] 图5为本发明实施例5的存储介质示意图。具体实施方式[0083] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0084] 实施例1[0085] 请参阅图1所示，本实施例所述一种基于气象数据的电网优化系统，包括气象数据采集模块、运行数据采集模块、融合分析模块、趋势预测模块、预警模块以及智能优化模块；各个模块通过有线和/或无线的方式进行连接，实现模块间的数据传输；[0086] 气象数据采集模块，用于实时采集气象数据。[0087] 气象数据包括温度、降雨量、风速、雷击强度和沙尘浓度；气象数据由自动气象站获。远笳局邪ㄎ露却衅、漏斗式雨量计、热电式风速计、雷电观测雷达以及沙尘传感器，实现对气象数据的实时采集；自动气象站设立于电网重要节点附近，例如变电站附近、高压网格开关站点附近等。[0088] 需要说明的是，高温天气会增加电网负荷，而低温天气可能导致输电线路故障；降雨量较大可能导致短路，暴雨还可能引发洪水，扰乱电网运行负荷、导致绝缘故障；强风会吹垮输电电缆或支架，造成线路中断，或者损坏变电站等设备；雷击强度较大则会直接损坏输电线路或触发火灾，引起电网中断；沙尘浓度较大会导致设备表面积聚沙尘，加重负荷，也可能影响开关工作。[0089] 运行数据采集模块，用于实时采集电网的运行状态数据。[0090] 运行状态数据包括电流值、电压值、线路负载、电网负荷、功率因数和设备温度；运行状态数据从电网系统中自动获。黄渲，线路负载为线路所需输送功率；电网负荷为所有负载设备所需的总功率；功率因数为负载设备在电网中的功率质量，为实际有功功率与指示功率的比值，指示功率为有功功率和无功功率总和；设备温度为电网设备的温度。[0091] 应当了解的是，电流值越大，会导致线路容量超出限制，发生过载故障；电压值越低，会影响负载设备正常运行，而电压值越大，有绝缘损坏风险；线路负载越重，则会导致线路升温或线路超载；电网负荷越大，越引起供电不平衡；功率因数越。β手柿吭蛟讲，电网损耗越高；设备温度越高，会缩短电网设备的绝缘寿命，影响运行效率和可靠性。[0092] 融合分析模块，用于将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；以减少计算资源，提高分析效率。[0093] 判断影响运行状态数据的气象数据的方法包括：[0094] 将气象数据和运行状态数据作为分析数据，将分析数据输入训练好的影响分析模型中，获取对应的判断结果，根据判断结果判断出影响运行状态数据的气象数据；[0095] 判断结果为五个数字组成的字符串，字符串中的数字与气象数据中的数据一一对应；其中每个数字的取值均为b或c，b和c为不同的整数，本实施例优选b为0，c为1；若气象数据中的数据对运行状态数据有影响，则对应数字的取值为b，若气象数据中的数据对运行状态数据没有影响，则对应数字的取值为c；示例性的，假设字符串中，第一个数字对应温度，第二个数字对应降雨量，第三个数字对应风速，第四个数字对应雷击强度，第五个数字对应沙尘浓度；并且气象数据中的温度、风速和沙尘浓度对运行状态数据有影响，而降雨量和雷击强度对运行状态数据没有影响，则对应的判断结果应为bcbcb。[0096] 影响分析模型的具体训练过程包括：[0097] 预先对a组分析数据设置对应的判断结果，a为大于1的整数；分析数据对应的判断结果由本领域技术人员在历史数据融合分析过程中，收集a组不同的分析数据，本领域技术人员根据实际经验依次判断在每组气象数据的条件下，气象数据中的每个数据是否会影响运行状态数据，对a组不同的分析数据依次设置对应的判断结果；[0098] 将分析数据与对应的判断结果转换为对应的一组特征向量；将每组特征向量作为影响分析模型的输入，所述影响分析模型以每组分析数据对应的一组预测判断结果作为输出，以每组分析数据对应的实际判断结果作为预测目标，实际判断结果即为预先收集的与分析数据对应的判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；其中，预测误差的计算公式为 ，其中 为预测误差， 为分析数据对应特征向量的组号， 为第 组分析数据对应的预测判断结果， 为第 组分析数据对应的实际判断结果；对影响分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述影响分析模型具体为深度神经网络模型。[0099] 趋势预测模块，用于对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线。[0100] 预测运行状态数据的变化趋势的方法包括：[0101] 预设时间间隔，将影响数据、时间间隔以及运行状态数据中的一种数据作为一组评估数据，即评估数据与运行状态数据中的数据一一对应，共有六组评估数据；时间间隔由本领域技术人员根据实际电网优化所需的精度进行预先设置；[0102] 将每组评估数据分别输入对应的变化预测模型中，预测出经过时间间隔后的运行状态数据，并标记为第一预测数据，再将每组评估数据中的运行状态数据替换为第一预测数据中对应的数据，将替换完成后的每组评估数据再次输入对应的变化预测模型中，再次预测出经过时间间隔后的运行状态数据，并标记为第二预测数据；以此类推，直至获取到经过T个时间间隔后的运行状态数据，并标记为第T预测数据，T为大于2的整数。[0103] 需要说明的是，在相同时间间隔内，运行状态数据的变化幅度不同，因此需要将预测出的下一时间间隔的运行状态数据再次输入变化预测模型中，以准确预测出下两个时间间隔的运行状态数据，从而提高预测的精度和鲁棒性。[0104] 其中，变化预测模型包括电流预测模型、电压预测模型、负载预测模型、负荷预测模型、功率预测模型和温度预测模型；变化预测模型中每个模型的具体训练过程均与影响分析模型的训练过程一致，并且均为深度神经网络模型；电流预测模型对应的输入即为包括电流值的评估数据，输出即为经过时间间隔后的电流值；电压预测模型的输入即为包括电压值的评估数据，输出即为经过时间间隔后的电压值；负载预测模型的输入即为包括线路负载的评估数据，输出即为经过时间间隔后的线路负载；负荷预测模型的输入即为包括电网负荷的评估数据，输出即为经过时间间隔后的电网负荷；功率预测模型的输入即为包括功率因数的评估数据，输出即为经过时间间隔后的功率因数；温度预测模型的输入即为包括设备温度的评估数据，输出即为经过时间间隔后的设备温度。[0105] 根据实时采集的运行状态数据和每个变化预测模型输出的第一预测数据至第T预测数据，获取运行状态数据中每种数据的变化趋势。[0106] 绘制对应的数据变化曲线的方法包括：[0107] 根据运行状态数据中每种数据的变化趋势，将实时采集的运行状态数据以及运行状态数据中每种数据对应的第一预测数据至第T预测数据，采用多项式拟合或样条插值进行平滑连接，绘制对应的数据变化曲线；多项式拟合和样条插值均为现有技术，在此不做过多赘述；每条数据变化曲线反映了对应数据在每个时间间隔点上的数值，其中实时采集的运行状态数据即对应第零个时间间隔点，第一预测数据即对应第一个时间间隔点，第二预测数据即对应第二个时间间隔点，……，第T预测数据即对应第T个时间间隔点。[0108] 预警模块，用于根据数据变化曲线，判断是否生成预警指令。[0109] 预警指令包括电流预警指令、电压预警指令、负载预警指令、负荷预警指令、功率预警指令和温度预警指令；电流预警指令包括电流波动指令和电流峰值指令；电压预警指令包括电压波动指令和电压范围指令；负荷预警指令包括负荷波动指令和负荷峰值指令。[0110] 预设判断阈值，判断阈值包括峰值阈值、谷值阈值、范围阈值和波动阈值；其中，峰值阈值包括电流峰值阈值、负载峰值阈值、负荷峰值阈值，范围阈值包括电压范围阈值和温度范围阈值，波动阈值包括电流波动阈值、电压波动阈值、负荷波动阈值。[0111] 应当了解的是，判断阈值均由本领域技术人员在历史电网优化过程中，多次对电网的运行状态数据进行采集和测试获。皇紫戎鸩皆龃笤诵凶刺，多次记录每种运行状态数据首次异常时对应的数值，并标记为极大值；将多个电流值的极大值的均值作为电流峰值阈值，将多个线路负载的极大值的均值作为负载峰值阈值，将多个电网负荷的极大值的均值作为电荷峰值阈值；然后逐步减小运行状态数据，多次记录每种运行状态数据首次异常时对应的数值，并标记为极小值；将多个功率因数的极小值的均值作为谷值阈值；将多个电压值的极大值的均值和极小值的均值作为电压范围阈值，将多个设备温度的极大值的均值和极小值的均值作为温度范围阈值；最后对每种运行状态数据在预设差分时间内进行不同程度的数值波动，多次记录每种运行状态数据首次异常时对应数值波动的具体数值的绝对值，并标记为波动值，差分时间小于时间间隔；将多个电流值的波动值的均值作为电流波动阈值，将多个电压值的波动值的均值作为电压波动阈值，将多个电网负荷的波动值的均值作为负荷波动阈值。[0112] 将判断阈值中的峰值阈值、谷值阈值和范围阈值，分别加入对应的数据变化曲线；[0113] 在电流值对应的数据变化曲线中，若所有电流值均位于电流峰值阈值下方，则不生成电流峰值指令，若存在电流值位于电流峰值阈值上方或重合，则生成电流峰值指令，说明电流过大，存在异常情况；判断是否生成负载预警指令和负荷峰值指令的方法与判断是否生成电流峰值指令的方法一致；[0114] 在电压值对应数据变化曲线中，若所有电压值均位于电压范围阈值内，则不生成电压范围指令，若存在电压值位于电压范围阈值外或重合，则生成电压范围指令，说明电压过大或过。嬖谝斐Ｇ榭觯慌卸鲜欠裆晌露仍ぞ噶畹姆椒ㄓ肱卸鲜欠裆傻缪狗段е噶畹姆椒ㄒ恢拢籟0115] 在功率因数对应的数据变化曲线中，若所有功率因数均位于谷值阈值上方，则不生成功率预警指令，若存在功率因数位于谷值阈值下方或重合，则生成功率预警指令，说明功率因数过。嬖谝斐Ｇ榭。[0116] 将电流值、电压值和电网负荷对应数据变化曲线标记为波动分析曲线，将每条波动分析曲线均根据预设波动时间离散化为A个小段，A为大于1的整数；再将每个小段根据预设差分时间划分为B个差分时间点，B为大于1的整数，波动时间小于时间间隔但大于差分时间，差分时间和波动时间由本领域技术人员根据波动分析所需精度进行预先设置；根据每条波动分析曲线，获取每个差分时间点对应运行状态数据的数值，并标记为运行数值；将每条波动分析曲线中每个小段内的两个相邻差分时间点作为一个波动集合；将每个波动集合中其中一个差分时间点对应的运行数值减去另一个差分时间点对应的运行数值并取绝对值，获取数值波动量；[0117] 将每条波动分析曲线的数值波动量分别与对应的波动阈值进行对比；[0118] 若电流值对应的数值波动量均小于电流波动阈值，则不生成电流波动指令，若电流值对应的数值波动率量大于或等于电流波动阈值，则生成电流波动指令，说明电流值的波动过大，存在异常情况；判断是否生成电压波动指令和负荷波动指令的方法与判断是否生成电流波动指令的方法一致。[0119] 智能优化模块，用于根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略；以减少因天气变化引起的电网电力波动和故障。[0120] 制定电网优化调度策略的步骤包括：[0121] 步骤1：预设种群规模Z和次数阈值G；预设优化调度策略集合。[0122] 步骤2：随机从预警指令中选择出一个未被标记为已选指令的指令，并标记为当前指令，从优化调度策略集合中获取当前指令对应的策略集合，并标记为当前集合；生成初始化种群，初始化种群中个体的位置被定义在一维搜索空间中，个体的位置与当前集合中的策略方案编号一一对应。[0123] 步骤3：确定适应度函数。[0124] 步骤4：计算初始化种群中每只个体对应的适应度，将适应度最大对应个体的位置作为食物源位置。[0125] 步骤5：更新领导者位置和追随者位置。[0126] 步骤6：计算动态边界，生成每只个体对应的反向解并添加至种群中。[0127] 步骤7：将个体的反向解也作为个体，计算种群中所有个体的适应度，将种群中所有个体的适应度从大到小进行排序，保留排在前Z只的个体，并作为新的种群，将新的种群中适应度最大对应个体的位置作为新的食物源位置。[0128] 步骤8：循环步骤5～步骤7，直至新的种群对应的迭代次数达到次数阈值G时，循环结束，获取新种群中食物源位置对应的策略方案编号，并进入步骤9。[0129] 步骤9：将当前指令标记为已选指令，循环步骤2～步骤9，直至所有预警指令中的指令均被标记为已选指令，循环结束，根据预警指令中的每个指令对应的策略方案编号，获取对应的策略方案。[0130] 需要说明的是，种群规模Z由本领域技术人员，在历史策略方案编号获取过程中，在多个不同预警指令的条件下，对相同的预警指令设置多个不同的种群规模，并进行多次樽海鞘群算法，在进行相同的迭代次数后获取对应的策略方案编号，将策略方案编号与实际策略方案编号最接近对应的种群规模，作为该预警指令对应的策略方案编号，实际策略方案编号为该预警指令进行优化时的最佳策略方案编号，实际策略方案编号由本领域技术人员根据实际经验获。灰源死嗤苹袢∶扛鲈ぞ噶疃杂Φ闹秩汗婺，将多个种群规模的均值作为预设的种群规模Z。[0131] 次数阈值G由本领域技术人员，在历史策略方案编号获取过程中，在多个不同预警指令的条件下，对相同的预警指令进行多次樽海鞘群算法，获取多个策略方案编号，其中每次樽海鞘群算法的迭代次数不同，种群规模相同且均为Z；将策略方案编号与实际策略方案编号最接近对应的迭代次数作为该预警指令对应的迭代次数；以此类推获取每个预警指令对应的迭代次数，将多个迭代次数的均值作为次数阈值G。[0132] 上述步骤1中，优化调度策略集合包括九个策略集合，策略集合与预警指令的指令一一对应，每个策略集合中包括C个策略方案编号，C为大于1的整数，策略方案编号与策略方案一一对应；每个策略集合中的策略方案均由本领域技术人员在历史电网成功优化过程中收集所使用的策略方案获。返缤晒τ呕次鄙稍ぞ噶钍，成功消除预警指令并使电网处于最佳运行状态；示例性的，若生成电流波动指令，并且电流值的数值波动量与电流波动阈值相比超出5%，则对应策略方案为增加无功补偿装置10?20Mvar的投运容量，以降低电流值的波动幅度；若生成温度预警指令，并且输电线路金属导线温度超过80℃，则对应策略方案为降低输电线路5%—10%的输送功率，同时提高输电线路10%—20%的散热效率，以降低线路负荷。[0133] 上述步骤2中，初始化种群 ，包括Z只个体，其中第一只个体为领导者，其余 只个体为追随者；获取策略方案编号范围 ，一维搜索空间的范围也为 。[0134] 上述步骤3中，适应度函数的表达式为： ；式中， 为适应度， 为优化效果。[0135] 优化效果的获取方法包括：[0136] 将当前指令对应的变化预测模型输出的数据标记为当前数据，例如当前指令为电流峰值指令，生成电流峰值指令的原因为电流预测模型输出的第二预测数据大于电流峰值阈值，因此当前数据即为电流预测模型输出的第二预测数据；将个体位置对应的策略方案编号和当前数据作为测试数据，将测试数据输入训练好的优化分析模型中，预测出采用策略方案优化后的当前数据，并标记为优化数据；测试数据对应的优化数据由本领域技术人员在历史电网优化过程中，收集多组不同的测试数据，在每组当前数据的条件下，采用策略方案进行优化，优化完成后获取优化数据，对每组不同的测试数据依次设置对应的优化数据；[0137] 根据优化数据，再次判断是否生成当前指令；若仍生成当前指令，则对应的优化效果为D，优化效果的范围为 ， ；若不生成当前指令，则将当前数据、优化数据以及同时预测数据作为研究数据，将研究数据输入训练好的效果分析模型，预测出对应的优化效果；研究数据对应的优化效果由本领域技术人员在历史电网优化过程中，收集多组不同的研究数据，在每组研究数据的条件下，结合实际经验分析对应的优化效果，对每组不同的研究数据依次设置对应的优化效果；效果分析模型和优化分析模型的具体训练过程与影响分析模型的训练过程一致，并且也均为深度神经网络模型；同时预测数据为变化预测模型输出的与当前数据所经历的时间间隔相同的其余数据，例如当前数据为电流预测模型输出的第二预测数据，则同时预测数据为电压预测模型、负载预测模型、负荷预测模型、功率预测模型和温度预测模型所输出的第二预测数据。[0138] 上述步骤5中，更新领导者位置的方法包括：[0139] 将种群中所有个体的适应度由大到小进行排序，将排在食物源位置对应的适应度后一个适应度对应的个体位置，作为第二位置，将排在最后的适应度对应的个体位置作为最后位置；[0140] ；[0141] 式中， 为领导者位置， 为食物源位置，为 分布，d为迭代次数，迭代次数d为 分布的自由度参数， 为具有迭代次数d的 分布中的一个随机数值， 为第二位置， 为最后位置， 为 中的随机数， 为 中的随机数。[0142] 需要说明的是，分布为连续概率分布，分布的形状与自由度参数有关，自由度参数不同，分布的形状也不同，其中 的值是根据 分布的概率进行随机获取的；在更新领导者位置中引入 分布，利用 分布的扰动能力提高全局优化的能力。[0143] 更新追随者位置的方法包括：[0144] ；[0145] 式中， 为第 只个体的位置， 为第 只个体的位置， ；即将第 只个体当前的位置与第 只个体当前的位置相加，再乘以二分之一的值赋予第只个体更新后的位置。[0146] 上述步骤6中，动态边界为 ， 为最后位置对应的策略方案编号， 为食物源位置对应的策略方案编号， ；动态边界可以弥补固定边界无法保存搜索经验的缺陷，有利于缩短搜索时间。[0147] 反向解的生成方法包括：[0148] ；[0149] 式中， 为第y只个体的反向解， 为 中的随机数， ， 为第y只个体的位置。[0150] 若生成的反向解大于或小于动态边界，则标记为超越解，采用随机数函数随机生成一个动态边界内的数值，并将随机生成的数值赋予超越解。[0151] 需要说明的是，电网优化调度策略的执行时间，应为在预测对应当前数据时所经过的时间间隔。[0152] 本实施例通过实时采集电网运行状态数据和气象数据，并利用多种深度学习模型对数据进行融合分析和趋势预测，能够全面和精细地识别电网可能出现的各类异常情况，从而智能生成针对性强的预警指令；同时，采用改进后的樽海鞘群算法制定并执行电网优化调度策略；充分考虑气象数据对电网的影响，提高了电网运行状态的预测和预警能力，能够更加实时和精准地制定电网优化调度策略，实现了电网的智能化优化运行，大幅提高了电网运行的可靠性和效率，以确保电网系统处于最佳运行状态。[0153] 实施例2[0154] 请参阅图2所示，本实施例在实施例1的基础上进一步改进设计，实施例1中对所生成预警指令中的所有指令均制定了对应的策略方案，然而在实际情况中，会出现生成的预警指令中不同指令所对应的策略方案相同或类似，例如电流峰值指令和电流波动指令对应的策略方案都涉及调整无功补偿装置投运容量，目的都是维持电流的稳定性；若将相同或类似的策略方案都执行，则会导致过度优化，降低电网系统稳定性；因此本实施例提供了一种基于气象数据的电网优化系统，还包括方案分析模块；[0155] 方案分析模块，对每个策略方案进行分析，判断是否进行删除。[0156] 采用正则表达式从每个策略方案中提取相应的文本内容，并标记为策略文本，正则表达式为现有技术，在此不做过多赘述；对每个策略文本采用哈：晃杂Φ墓希值，并标记为策略哈希值，哈：鏐lake2、SHA?512；[0157] 将每个策略哈希值分别与其余策略哈希值进行对比；若所有策略哈希值均不相同，则不对策略方案进行删除；若存在相同的策略哈希值，则将对应的策略方案标记为相似方案，采用正则表达式判断相似方案中是否存在数字；若相似方案中不存在数字，则仅保留一个相似方案，其余相似方案均删除；若相似方案中存在数字，则再次采用正则表达式从每个相似方案中提取相应的数字内容，并标记为策略数字；将每个策略数字进行对比，保留策略数字最大的相似方案，其余相似方案均删除。[0158] 本实施例通过正则表达式提取策略方案中的文本内容，并使用哈希算法将文本内容转换为哈希值进行比较，可以高效识别生成的不同优化策略方案中实质相同或相似的情况，并删除冗余方案，保留数值最大的方案，既可以减少重复执行相同或相似的策略方案带来的风险，也可以在保证优化效果的基础上提高运行效率，有效确保最终优化结果；进一步提升电网运行的可靠性和稳定性，确保电网系统处于最佳运行状态。[0159] 实施例3[0160] 请参阅图3所示，本实施例未详细叙述部分见实施例1和实施例2描述内容，提供一种基于气象数据的电网优化方法，方法包括：[0161] 实时采集气象数据；[0162] 实时采集电网的运行状态数据；[0163] 将气象数据和运行状态数据进行融合分析，判断影响运行状态数据的气象数据，并标记为影响数据；[0164] 对影响数据进行分析，预测运行状态数据的变化趋势，并绘制对应的数据变化曲线；[0165] 根据数据变化曲线，判断是否生成预警指令；[0166] 根据预警指令对应的数据变化曲线，制定并执行电网优化调度策略。[0167] 进一步地，所述气象数据包括温度、降雨量、风速、雷击强度和沙尘浓度；所述运行状态数据包括电流值、电压值、线路负载、电网负荷、功率因数和设备温度；[0168] 所述判断影响运行状态数据的气象数据的方法包括：[0169] 将气象数据和运行状态数据作为分析数据，将分析数据输入训练好的影响分析模型中，获取对应的判断结果，根据判断结果判断出影响运行状态数据的气象数据；[0170] 所述判断结果为五个数字组成的字符串，字符串中的数字与气象数据中的数据一一对应；其中每个数字的取值均为b或c，b和c为不同的整数；若气象数据中的数据对运行状态数据有影响，则对应数字的取值为b，若气象数据中的数据对运行状态数据没有影响，则对应数字的取值为c；[0171] 影响分析模型的训练过程包括：[0172] 预先对a组分析数据设置对应的判断结果，a为大于1的整数；[0173] 将分析数据与对应的判断结果转换为对应的一组特征向量；将每组特征向量作为影响分析模型的输入，所述影响分析模型以每组分析数据对应的一组预测判断结果作为输出，以每组分析数据对应的实际判断结果作为预测目标，实际判断结果即为预先收集的与分析数据对应的判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；对影响分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述影响分析模型为深度神经网络模型。[0174] 进一步地，所述预测运行状态数据的变化趋势的方法包括：[0175] 预设时间间隔，将影响数据、时间间隔以及运行状态数据中的一种数据作为一组评估数据，即评估数据与运行状态数据中的数据一一对应，共有六组评估数据；[0176] 将每组评估数据分别输入对应的变化预测模型中，预测出经过时间间隔后的运行状态数据，并标记为第一预测数据，再将每组评估数据中的运行状态数据替换为第一预测数据中对应的数据，将替换完成后的每组评估数据再次输入对应的变化预测模型中，再次预测出经过时间间隔后的运行状态数据，并标记为第二预测数据；以此类推，直至获取到经过T个时间间隔后的运行状态数据，并标记为第T预测数据，T为大于2的整数；[0177] 其中，变化预测模型包括电流预测模型、电压预测模型、负载预测模型、负荷预测模型、功率预测模型和温度预测模型；变化预测模型中每个模型的训练过程均与影响分析模型的训练过程一致，并且均为深度神经网络模型；根据实时采集的运行状态数据和每个变化预测模型输出的第一预测数据至第T预测数据，获取运行状态数据中每种数据的变化趋势；[0178] 绘制对应的数据变化曲线的方法包括：[0179] 根据运行状态数据中每种数据的变化趋势，将实时采集的运行状态数据以及运行状态数据中每种数据对应的第一预测数据至第T预测数据，采用多项式拟合或样条插值进行平滑连接，绘制对应的数据变化曲线。[0180] 进一步地，预警指令包括电流预警指令、电压预警指令、负载预警指令、负荷预警指令、功率预警指令和温度预警指令；电流预警指令包括电流波动指令和电流峰值指令；电压预警指令包括电压波动指令和电压范围指令；负荷预警指令包括负荷波动指令和负荷峰值指令；[0181] 预设判断阈值，判断阈值包括峰值阈值、谷值阈值、范围阈值和波动阈值；其中，峰值阈值包括电流峰值阈值、负载峰值阈值、负荷峰值阈值，范围阈值包括电压范围阈值和温度范围阈值，波动阈值包括电流波动阈值、电压波动阈值、负荷波动阈值；[0182] 将判断阈值中的峰值阈值、谷值阈值和范围阈值，分别加入对应的数据变化曲线；[0183] 在电流值对应的数据变化曲线中，若所有电流值均位于电流峰值阈值下方，则不生成电流峰值指令，若存在电流值位于电流峰值阈值上方或重合，则生成电流峰值指令；判断是否生成负载预警指令和负荷峰值指令的方法与判断是否生成电流峰值指令的方法一致；[0184] 在电压值对应数据变化曲线中，若所有电压值均位于电压范围阈值内，则不生成电压范围指令，若存在电压值位于电压范围阈值外或重合，则生成电压范围指令；判断是否生成温度预警指令的方法与判断是否生成电压范围指令的方法一致；[0185] 在功率因数对应的数据变化曲线中，若所有功率因数均位于谷值阈值上方，则不生成功率预警指令，若存在功率因数位于谷值阈值下方或重合，则生成功率预警指令。[0186] 进一步地，将电流值、电压值和电网负荷对应数据变化曲线标记为波动分析曲线，将每条波动分析曲线均根据预设波动时间离散化为A个小段，A为大于1的整数；再将每个小段根据预设差分时间划分为B个差分时间点，B为大于1的整数，波动时间小于时间间隔但大于差分时间；根据每条波动分析曲线，获取每个差分时间点对应运行状态数据的数值，并标记为运行数值；将每条波动分析曲线中每个小段内的两个相邻差分时间点作为一个波动集合；将每个波动集合中其中一个差分时间点对应的运行数值减去另一个差分时间点对应的运行数值并取绝对值，获取数值波动量；[0187] 将每条波动分析曲线的数值波动量分别与对应的波动阈值进行对比；[0188] 若电流值对应的数值波动量均小于电流波动阈值，则不生成电流波动指令，若电流值对应的数值波动量大于或等于电流波动阈值，则生成电流波动指令；判断是否生成电压波动指令和负荷波动指令的方法与判断是否生成电流波动指令的方法一致。[0189] 进一步地，制定电网优化调度策略的步骤包括：[0190] 步骤1：预设种群规模Z和次数阈值G；预设优化调度策略集合；[0191] 步骤2：随机从预警指令中选择出一个未被标记为已选指令的指令，并标记为当前指令，从优化调度策略集合中获取当前指令对应的策略集合，并标记为当前集合；生成初始化种群，初始化种群中个体的位置被定义在一维搜索空间中，个体的位置与当前集合中的策略方案编号一一对应；[0192] 步骤3：确定适应度函数；[0193] 步骤4：计算初始化种群中每只个体对应的适应度，将适应度最大对应个体的位置作为食物源位置；[0194] 步骤5：更新领导者位置和追随者位置；[0195] 步骤6：计算动态边界，生成每只个体对应的反向解并添加至种群中；[0196] 步骤7：将个体的反向解也作为个体，计算种群中所有个体的适应度，将种群中所有个体的适应度从大到小进行排序，保留排在前Z只的个体，并作为新的种群，将新的种群中适应度最大对应个体的位置作为新的食物源位置；[0197] 步骤8：循环步骤5～步骤7，直至新的种群对应的迭代次数达到次数阈值G时，循环结束，获取新种群中食物源位置对应的策略方案编号，并进入步骤9；[0198] 步骤9：将当前指令标记为已选指令，循环步骤2～步骤9，直至所有预警指令中的指令均被标记为已选指令，循环结束，根据预警指令中的每个指令对应的策略方案编号，获取对应的策略方案。[0199] 进一步地，所述步骤1中，优化调度策略集合包括九个策略集合，策略集合与预警指令的指令一一对应，每个策略集合中包括C个策略方案编号，C为大于1的整数，策略方案编号与策略方案一一对应；[0200] 所述步骤2中，初始化种群 ，包括Z只个体，其中第一只个体为领导者，其余 只个体为追随者；获取策略方案编号范围 ，一维搜索空间的范围也为 ；[0201] 所述步骤3中，适应度函数的表达式为： ；式中， 为适应度， 为优化效果；[0202] 优化效果的获取方法包括：[0203] 将当前指令对应的变化预测模型输出的数据标记为当前数据；将个体位置对应的策略方案编号和当前数据作为测试数据，将测试数据输入训练好的优化分析模型中，预测出采用策略方案优化后的当前数据，并标记为优化数据；[0204] 根据优化数据，再次判断是否生成当前指令；若仍生成当前指令，则对应的优化效果为D，优化效果的范围为 ， ；若不生成当前指令，则将当前数据、优化数据以及同时预测数据作为研究数据，将研究数据输入训练好的效果分析模型，预测出对应的优化效果；效果分析模型和优化分析模型的训练过程与影响分析模型的训练过程一致，并且也均为深度神经网络模型；同时预测数据为变化预测模型输出的与当前数据所经历的时间间隔相同的其余数据。[0205] 进一步地，所述步骤5中，更新领导者位置的方法包括：[0206] 将种群中所有个体的适应度由大到小进行排序，将排在食物源位置对应的适应度后一个适应度对应的个体位置，作为第二位置，将排在最后的适应度对应的个体位置作为最后位置；[0207] ；[0208] 式中， 为领导者位置， 为食物源位置，为 分布，d为迭代次数，迭代次数d为 分布的自由度参数， 为具有迭代次数d的 分布中的一个随机数值， 为第二位置， 为最后位置， 为 中的随机数， 为 中的随机数；[0209] 更新追随者位置的方法包括：[0210] ；[0211] 式中， 为第 只个体的位置， 为第 只个体的位置， ；即将第 只个体当前的位置与第 只个体当前的位置相加，再乘以二分之一的值赋予第只个体更新后的位置。[0212] 进一步地，所述步骤6中，动态边界为 ， 为最后位置对应的策略方案编号， 为食物源位置对应的策略方案编号， ；[0213] 反向解的生成方法包括：[0214] ；[0215] 式中， 为第y只个体的反向解， 为 中的随机数， ， 为第y只个体的位置；[0216] 若生成的反向解大于或小于动态边界，则标记为超越解，采用随机数函数随机生成一个动态边界内的数值，并将随机生成的数值赋予超越解。[0217] 进一步地，对每个策略方案进行分析，判断是否进行删除；[0218] 采用正则表达式从每个策略方案中提取相应的文本内容，并标记为策略文本；对每个策略文本采用哈：晃杂Φ墓希值，并标记为策略哈希值；[0219] 将每个策略哈希值分别与其余策略哈希值进行对比；若所有策略哈希值均不相同，则不对策略方案进行删除；若存在相同的策略哈希值，则将对应的策略方案标记为相似方案，采用正则表达式判断相似方案中是否存在数字；若相似方案中不存在数字，则仅保留一个相似方案，其余相似方案均删除；若相似方案中存在数字，则再次采用正则表达式从每个相似方案中提取相应的数字内容，并标记为策略数字；将每个策略数字进行对比，保留策略数字最大的相似方案，其余相似方案均删除。[0220] 实施例4[0221] 请参阅图4所示，根据本申请的又一方面还提供了电子设备。该电子设备可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的一种基于气象数据的电网优化方法。[0222] 根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示，电子设备可包括总线、一个或多个CPU、ROM、RAM、连接到网络的通信端口、输入/输出、硬盘等。电子设备中的存储设备，例如ROM或硬盘可存储本申请提供的一种基于气象数据的电网优化方法。进一步地，电子设备还可包括用户界面。当然，图4所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图4示出的电子设备中的一个或多个组件。[0223] 实施例5[0224] 请参阅图5所示，是根据本申请一个实施方式的计算机可读存储介质。计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种基于气象数据的电网优化方法。存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。[0225] 另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：一种基于气象数据的电网优化方法。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。[0226] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求书的保护范围为准。[0227] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：甘肃

专利申请日期：2024-07-19

专利公开日期：2024-10-01

专利公告号：2024-10-01