[发明专利]能源调度处理方法、装置、计算机设备和存储介质

权利要求书

1.一种能源调度处理方法，其特征在于，所述方法包括：

对工业园区单位时间内的绿色能源的消纳量进行预测，得到预测消纳量；

基于所述预测消纳量确定预测能源消纳曲线；

通过负荷转移模型，基于所述预测能源消纳曲线、第一约束条件和第二约束条件，预测确定目标调控方案；其中，所述目标调控方案被执行时，使得所述工业园区内产生的负荷转移量形成的曲线与所述预测能源消纳曲线拟合、用能变化表征参数满足所述第一约束条件且用能代价表征参数满足所述第二约束条件；所述用能变化表征参数用于量化所述工业园区内的用能变化量；所述用能代价表征参数用于量化所述工业园区内的用能代价；

在所述工业园区单位时间内执行所述目标调控方案。

2.根据权利要求1所述的方法，其特征在于，所述通过负荷转移模型，基于所述预测能源消纳曲线、第一约束条件和第二约束条件，预测确定目标调控方案包括：

确定待优化的目标函数；所述目标函数包括用能变化量化函数和用能代价量化函数；所述用能变化量化函数用于量化计算所述用能变化表征参数；所述用能代价量化函数用于量化计算所述用能代价表征参数；

通过所述负荷转移模型，朝着拟合所述负荷转移量曲线与所述预测能源消纳曲线的方向、以及优化所述目标函数的方向，迭代地搜索调控方案，针对每个搜索到的调控方案，预测所述调控方案被执行的情况下，所述目标函数中用能变化表征参数和所述用能代价表征参数各自的参数值，以确定在所述调控方案下所述目标函数的值；

在使负荷转移量曲线与所述预测能源消纳曲线拟合的情况下，将使所述目标函数得到最优值的调控方案作为目标调控方案。

3.根据权利要求2所述的方法，其特征在于，所述针对每个搜索到的调控方案，预测所述调控方案被执行的情况下，所述目标函数中用能变化表征参数和所述用能代价表征参数各自的参数值包括：

针对每个搜索到的调控方案，预测执行所述调控方案后的用能变化总量和原始用能总量的比值，得到执行所述调控方案后所述用能变化表征参数的参数值；所述用能变化总量是预测的在执行所述调控方案后的各时段用能变化量之和；所述原始用能总量是未执行所述调控方案时的原始各时段用能量之和；

针对每个搜索到的调控方案，预测执行所述调控方案后的单位时间用能代价与原始单位时间用能代价之间的比值，得到执行所述调控方案后所述用能代价表征参数的参数值；所述原始单位时间用能代价是未执行所述调控方案时的单位时间用能代价。

4.根据权利要求2所述的方法，其特征在于，所述预测能源消纳曲线包括高峰时段消纳量、平时段消纳量和低谷时段消纳量；拟合所述负荷转移量曲线与所述预测能源消纳曲线的步骤包括：

针对每个搜索到的调控方案，预测所述调控方案被执行的情况下，所述工业园区内产生的负荷转移量，并根据所述负荷转移量生成所述负荷转移量曲线；

将所述负荷转移量曲线中的高峰时段、平时段以及低谷时段，分别与所述预测能源消纳曲线的高峰时段、平时段以及低谷时段进行拟合逼近，以使得同一时段的负荷转移量和预测消纳量相匹配。

5.根据权利要求1所述的方法，其特征在于，所述对工业园区单位时间内的绿色能源的消纳量进行预测，得到预测消纳量包括：

确定所述工业园区单位时间对应的气象数据、时间类型和历史能源消纳量；

通过能源预测模型对所述气象数据、时间类型和所述历史能源消纳量进行非线性映射处理，得到所述能源预测模型输出的预测消纳量；

其中，所述能源预测模型的训练步骤包括：

对所述工业园区的能源相关数据进行平滑处理，得到样本能源相关数据；所述能源相关数据是指与绿色能源的消纳相关的数据；

基于所述样本能源数据对径向基函数神经网络进行训练优化，得到能源预测模型。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述工业园区单位时间内实际能源消纳量上传至第一区块链；

在接收到能源输送请求、且所述工业园区当前时段的能源消纳量饱和的情况下，对所述能源输送请求的发起对象进行能源输送；所述发起对象是所述区块链中被授权的节点对象。