电碳耦合调度模型的训练方法、基于电碳耦合优化的用能调度方法、存储介质及电子设备与流程

本技术涉及电力系统，尤其涉及一种电碳耦合调度模型的训练方法、基于电碳耦合优化的用能调度方法、存储介质及电子设备。

背景技术：

1、相关技术的电力调度方案中，为了实现碳减排，通常侧重于考虑发电侧的出力情况，从发电的角度制定电力调度方案，实现发电侧电碳成本降低。然而，单纯考虑发电侧而得到的电力调度方案，并未充分考虑用电侧的用能行为，无法调动用电用户主观能动性，难以引导用电侧用户主动削减电碳成本，用电侧的降碳降本潜力得不到有效发挥。

技术实现思路

1、为了解决上述技术问题，本技术实施例提出了一种电碳耦合调度模型的训练方法、基于电碳耦合优化的用能调度方法、存储介质及电子设备，能够减少发电浪费。

2、第一方面，本技术实施例提供了一种电碳耦合调度模型的训练方法，包括：

3、获取训练样本，其包括电力系统的系统电碳样本及电力系统所对接的目标用电用户的用户电碳样本；

4、对训练样本按用电量划分得到包含目标组分类样本的多组分类样本；用电量≥基准电量预设值且≤高负荷电量预设值的训练样本均划分到所述目标组分类样本中；基准电量预设值为维持目标用电用户基础生产用电需求的最低值；

5、从每组分类样本中提取目标类型样本及非目标类型样本；在目标类型样本中，用户电碳样本的碳排放量≤低碳阈值，且用户电碳样本的用电信息满足低用电条件；所有目标类型样本组成目标类型样本集，所有非目标类型样本组成非目标类型样本集；

6、基于目标类型样本集，确定预构建的深度学习模型的第一损失信息；

7、基于目标类型样本集及非目标类型样本集，确定深度学习模型的第二损失信息；

8、基于由目标组分类样本确定的参考样本，及目标组分类样本中的目标类型样本，确定深度学习模型的第三损失信息；

9、将所获取的训练样本绑定相应标签输入深度学习模型中，利用基于第一损失信息、第二损失信息及第三损失信息确定的训练损失对深度学习模型进行训练，使深度学习模型学习所述系统电碳样本与所述用户电碳样本间的电碳耦合关联规律，在训练过程中利用加权计算函数缩小第一损失信息及第三损失信息，且增大第二损失信息，直至所述训练损失收敛至低于预设损失值时完成训练，得到用于为目标用电用户生成低碳低用电调度运行方案的电碳耦合调度模型。

10、可选地，所述基于目标类型样本集，确定预构建的深度学习模型的第一损失信息，包括：将所述目标类型样本集中任意两个目标类型样本进行配对，得到第一样本对，并基于每一所述第一样本对的特征距离得到第一损失项，从而确定所述第一损失信息；

11、所述基于目标类型样本集及非目标类型样本集，确定深度学习模型的第二损失信息，包括：将所述目标类型样本集中每个目标类型样本与所述非目标类型样本集中每个非目标类型样本进行配对，得到第二样本对，并基于每一所述第二样本对的特征距离得到第二损失项，从而确定所述第二损失信息；

12、所述基于由目标组分类样本确定的参考样本，及目标组分类样本中的目标类型样本，确定深度学习模型的第三损失信息，包括：将所述目标组分类样本中每个目标类型样本与所述参考样本进行配对，得到第三样本对，并基于每一所述第三样本对的特征距离得到第三损失项，从而确定所述第三损失信息；

13、所述在训练过程中利用加权计算函数缩小第一损失信息及第三损失信息，且增大第二损失信息，包括：利用加权计算函数分别缩小所述第一样本对的特征距离以及所述第三样本对的特征距离，从而缩小第一损失项以及第三损失项的损失值，并利用所述加权计算函数增大所述第二样本对的特征距离从而增大第二损失项的损失值。

14、可选地，所述加权计算函数用于为所述第一损失信息、第二损失信息及第三损失信息分别设置平衡系数，在训练迭代过程中，约束所述第三损失信息的平衡系数大于所述第一损失信息的平衡系数、所述第一损失信息的平衡系数大于所述第二损失信息的平衡系数，各个平衡系数总和等于1。

15、可选地，将所获取的训练样本绑定相应标签，包括：

16、对用电量≥基准电量预设值且≤高负荷电量预设值的训练样本绑定正常负荷标签，对用电量＜基准电量预设值的训练样本绑定低负荷标签，对用电量＞高负荷电量预设值的训练样本绑定高负荷标签；以及

17、针对碳排放量小于或等于低碳阈值且用电成本小于或等于低用电成本阈值的训练样本，补充绑定低碳低用电成本标签。

18、可选地，所述目标组分类样本中每一样本所对应的用电量均大于或等于基准电量预设值；

19、所述参考样本通过以下步骤得到：

20、在所述目标组分类样本所包含的各所述目标类型样本中，确定出目标类型样本；所述目标类型样本对应的用电量等于所述基准电量预设值，对应的碳排放量等于低碳阈值，且对应的用电成本等于低用电成本阈值；

21、基于所确定出的目标类型样本，确定参考样本。

22、可选地，所述系统电碳样本包括电力系统的历史电价数据、历史碳排放强度数据以及历史新能源出力数据，所述用户电碳样本包括所述目标用电用户的历史用电量数据、历史碳排放量数据以及历史用电设备调度运行明细数据；

23、所述获取训练样本，包括：

24、获取历史实测样本；所述历史实测样本包括电力系统的历史实测电价数据、历史实测碳排放强度数据以及历史实测新能源出力数据，还包括所述目标用电用户的历史实测用电量数据、历史实测碳排放量数据以及历史实测用电设备调度运行明细数据；

25、基于所述历史实测样本，通过随机扰动来进行不同工况下的仿真，以得到仿真样本；

26、基于所述仿真样本及所述历史实测样本，生成所述训练样本。

27、可选地，所述方法还包括：

28、从所述历史实测样本中提取预设比例的未包含于所述训练样本中的样本，作为测试样本，将所述测试样本输入训练完成的所述电碳耦合调度模型，得到模型输出方案，对比所述模型输出方案与所述测试样本所预先绑定的标签之间的匹配一致性程度，如果所述模型输出方案与所述测试样本所预先绑定的标签之间的匹配一致性程度大于偏差阈值，则将所获取的训练样本绑定相应标签输入深度学习模型中以启动模型补充训练流程；

29、其中，所述模型补充训练流程包括：

30、定义第一损失项的平衡系数为第一平衡系数，设置第一损失项包括第一正常负荷子损失项和第一低负荷子损失项，所述第一正常负荷子损失项为绑定正常负荷标签及低碳低用电成本标签的训练样本之间的特征距离，所述第一低负荷子损失项为绑定低负荷标签及低碳低用电成本标签的训练样本之间的特征距离，其中，所述第一正常负荷子损失项的平衡系数与所述第一低负荷子损失项的平衡系数相互独立，在补充训练迭代过程中，约束第一正常负荷子损失项的平衡系数大于第一低负荷子损失项的平衡系数，且所述第一正常负荷子损失项的平衡系数与所述第一低负荷子损失项的平衡系数之和等于第一平衡系数；

31、定义第二损失项的平衡系数为第二平衡系数，设置第二损失项包括第二正常负荷子损失项和第二低负荷子损失项，所述第二正常负荷子损失项为绑定正常负荷标签及低碳低用电成本标签的训练样本与非目标类型样本集中的非目标类型样本之间的特征距离，所述第二低负荷子损失项为绑定低负荷标签及低碳低用电成本标签的训练样本与非目标类型样本集中的非目标类型样本之间的特征距离，其中，所述第二正常负荷子损失项的平衡系数与所述第二低负荷子损失项的平衡系数相互独立，在补充训练迭代过程中，约束第二正常负荷子损失项的平衡系数大于第二低负荷子损失项的平衡系数，且所述第二正常负荷子损失项的平衡系数与所述第二低负荷子损失项的平衡系数之和等于第二平衡系数；

32、将所述非目标类型样本集划分为低碳高用电成本电碳类型样本、高碳高用电成本电碳类型样本、高碳低用电成本电碳类型样本，在对第二损失项的补充训练迭代过程中，约束所述第二损失项中的绑定正常负荷标签及低碳低用电成本标签的训练样本与所述高碳高用电成本电碳类型样本之间的特征距离所对应的平衡系数在第二正常负荷子损失项的平衡系数中最大。

33、第二方面，本技术实施例提供了一种基于电碳耦合优化的用能调度方法，包括：

34、获取目标调度时段内电力系统的分时电价数据及碳排放强度数据以及所述电力系统所对接的目标用电用户在所述目标调度时段所需的用电量数据，作为目标调度时段数据；

35、将所述目标调度时段数据输入到电碳耦合调度模型中，得到所述电碳耦合调度模型为所述目标用电用户输出的适配目标调度时段的低碳低用电调度方案，其中，所述电碳耦合调度模型根据第一方面中任一项所述的训练方法训练得到；

36、基于所述低碳低用电调度方案，对所述目标用电用户的用电设备进行调度控制。

37、第三方面，本技术实施例提供了一种非瞬时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

38、第四方面，本技术实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法的步骤。

39、综上，本技术实施例至少具有以下有益效果：

40、采用本技术实施例，获取训练样本，其包括电力系统的系统电碳样本及电力系统所对接的目标用电用户的用户电碳样本；对训练样本按用电量划分得到包含目标组分类样本的多组分类样本；用电量≥基准电量预设值且≤高负荷电量预设值的训练样本均划分到所述目标组分类样本中；基准电量预设值为维持目标用电用户基础生产用电需求的最低值；从每组分类样本中提取目标类型样本及非目标类型样本；在目标类型样本中，用户电碳样本的碳排放量≤低碳阈值，且用户电碳样本的用电信息满足低用电条件；所有目标类型样本组成目标类型样本集，所有非目标类型样本组成非目标类型样本集；基于目标类型样本集，确定预构建的深度学习模型的第一损失信息；基于目标类型样本集及非目标类型样本集，确定深度学习模型的第二损失信息；基于由目标组分类样本确定的参考样本，及目标组分类样本中的目标类型样本，确定深度学习模型的第三损失信息；将所获取的训练样本绑定相应标签输入深度学习模型中，利用基于第一损失信息、第二损失信息及第三损失信息确定的训练损失对深度学习模型进行训练，使深度学习模型学习所述系统电碳样本与所述用户电碳样本间的电碳耦合关联规律，在训练过程中利用加权计算函数缩小第一损失信息及第三损失信息，且增大第二损失信息，直至所述训练损失收敛至低于预设损失值时完成训练，得到用于为目标用电用户生成低碳低用电调度运行方案的电碳耦合调度模型，如此，通过引入基于用电量的样本划分，可以使得样本组带有负荷侧/需求侧特性，减少因单一发电侧而带来的发电浪费，此外，通过满足排放要求的目标类型样本，可以引导模型学习到清洁、高效的发电特性，并且，通过第一损失信息可以提高模型在满足排放前提下的基础特征识别准确性，通过第二损失信息可以增强模型泛化能力使其提高对于目标与非目标用电情况的区分能力，通过第三损失信息，可以引入参考样本以进一步校准模型在关键的目标组分类样本下的决策边界，进而可以通过多层次的损失约束，使得调度模型能够实现在满足排放和用电需求前提下的最优匹配，抑制过度发电。