CN119093502B 微网系统的电力控制方法、设备、系统及存储介质 （广州市哲明惠科技有限责任公司）

A,2018.01.16A,2024.01.19A,2024.03.29A,2024.07.09和历史发电时段的气象数据生成电力负荷描述据目标电力负荷预测结果和目标气象数据确定2获取所述微网系统在历史发电时段内的电力负荷数据，根据所在所述电力状态为电力盈余状态时，将所述负荷值和历史发根据所述负荷值特征、所述气象数据特征和各个预设提示模板的相似度，将所述负荷值特征、所述气象数据特征嵌入所述目标提示模板，得对所述电力负荷描述文本进行特征提取，得到所述微网系统的电确定时间序列模型基于所述电力负荷影响特征的第一预根据所述第一预测结果和所述第二预测结果，确定所述微网系统的根据所述目标电力负荷预测结果和目标气象数据确定电力调度方案根据所述第一预测结果和所述时间序列模型的权重的乘积，以及，结果和所述神经网络模型的权重的乘积之和，确定所述微网系统的目标电力负荷预测结基于所述时间序列模型对应的训练数据长度将所述历史电力负荷数据样本划分为第基于所述神经网络模型对应的训练数据长度将所述历史电力负荷数据样本划分为第根据所述电力调度方案，确定各个发电节点的发电量，并根据3根据历史发电时段内所述微网系统的各个发电节点的据历史发电时段内所述微网系统的各个用电节点的根据所述总用电量和所述总发电量，确定所述微网系统在所述历史发电时利要求1至5中任一项所述的微网系统的电力权利要求6所述的微网系统的电力控制设备，各个所述发电节点和各个所述用电节点均与4荷数据和所述历史发电时段的气象数据生成电力负[0014]对所述电力负荷描述文本进行特征提取，得到所述微网系统的电力负荷影响特5所述神经网络模型基于所述电力负荷影响特征的第二预[0022]基于所述时间序列模型对应的训练数据长度将所述历史电力负荷数据样本划分为第一训练数据集和第一测试数据集，基于所述第一训练数据集训练初始时间序列模型，并基于所述第一测试数据集测试所述初始时间序列模型，得到所述时间序列模型的权重；[0023]基于所述神经网络模型对应的训练数据长度将所述历史电力负荷数据样本划分为第二训练数据集和第二测试数据集，基于所述第二训练数据集训练初始神经网络模型，[0029]根据历史发电时段内所述微网系统的各个发电节点的发电量确定总发电量，以算机程序配置为实现如上文所述的微网系统的电力控制方6[0035]相比于相关技术，本申请获取所述微网系统在历史发电根据所述电力负荷数据确定所述微网系统的电力状态；在所述电力状态为电力盈余状态7[0049]由于能够在检测到电力盈余时，对未来电力负荷进行预[0054]上述的有功功率表示实际做功的电力需求，是电力负荷8[0065]在得到电力负荷描述文本之后，可将电力负荷描述文本输入到电力负荷预测模9述历史发电时段的气象数据生成电力负荷描述文本包括步骤S21[0075]在一可行的实施方式中，在将预处理后的负荷值和气象数据输入大语言模型之[0076]步骤S22，根据所述负荷值特征、所述气象数据特征和各个预设提示模板的相似Winters模型中的一个，这里的神经网络模型可以是前馈神经网络模型、卷积神经网络模[0089]通过以上步骤，可以确定基于电力负荷影响特征的时间序列模型的第一预测结电力负荷预测结果相同时，将任意一个电力负荷预测结果确定为目标电力负荷预测结果。[0102]在另一可行的实施方式中，还可以对时间序列模型和神经网络模型进行联合训[0103]在本实施例中，通过对不同的预测模型采用不同的训练数据和测试数据进行训[0114]步骤S11，根据历史发电时段内所述微网系统的各个发电节点的发电量确定总发使至少一个处理器1001能够执行以下实施例中的微网系存储器1002中的程序而执行各种适当的动作和处理，这里存储器1002中的程序可为只读系统的电力控制设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘[0133]本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令（即计算机程序计算机可读程序指令用于执行上述实施例中的微网系统的电力控制方法。上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序段的气象数据生成电力负荷描述文本；基于电力负荷预测模型和所述电力负荷描述文本，[0137]可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。