一种基于数字孪生的微网负荷动态平衡方法、系统及介质与流程

阅读：评论：0

1.本发明涉及电网控制领域，尤其涉及一种基于数字孪生的微网负荷动态平衡方法、系统及介质。

背景技术：

2.数字孪生作为一项新兴并发展迅速的数字信息化技术，为推进电网建设全方位感知、网络化连接和稳定化运行提供了新的思路。该技术以数字化为载体，通过建立现实空间到虚拟空间的映射，实现对现实空间中设备或系统状态的实时感知，并通过将承载指令的数据回馈到设备或系统指导其决策。通过数字孪生电网体系的构建，使电网运行、管理和服务由实入虚，并通过在虚拟空间的建模、仿真、演绎和操控，以虚控实，加强了电网自我感知、自我决策和自我进化能力，支撑电网各项业务数字化运营，对传统作业模式和运营模式产生了革命性变化，开辟了新型数字化智能电网的建设和管理模式，推动了电网数字化和智能化转型，是建设能源互联网企业的必然阶段和必要途径。现如今，电网的预测精度还不够高，特别是由于天气的状况之下导致各用电设备的用电量以及损耗量均不一致，当电力损耗数据很庞大时，容易导致电网的相关平衡设备平衡电能时仍存在很大的数据偏差。

技术实现要素：

3.本发明克服了现有技术的不足，提供了一种基于数字孪生的微网负荷动态平衡方法、系统及介质。
4.为达上述目的，本发明采用的技术方案为：本发明第一方面提供了一种基于数字孪生的微网负荷动态平衡方法，包括以下步骤：获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。
5.进一步地，本发明的一个较佳实施例中，获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型，具体包括以下步骤：获取目标区域中分布式电网设备所在的地理位置信息，并根据所述目标区域中分布式电网设备所在的地理位置信息通过地图软件获取当前地理位置的ar场景信息；
构建数字孪生初始虚拟场景模型，并获取目标区域中分布式电网设备的外形尺寸图，根据所述目标区域中分布式电网设备的各零件外形尺寸图构建分布式电网设备三维模型；将所述ar场景信息以及分布式电网设备三维模型输入到所述数字孪生初始虚拟场景模型中，根据位置关系对所述ar场景信息以及分布式电网设备三维模型进行调整，以获取构建完成后的数字孪生初始虚拟场景模型；获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述目标区域在当前天气状况之下的分布式电网设备历史运行数据信息对所述构建完成后的数字孪生初始虚拟场景模型进行动态调整，以生成目标区域的电网数字孪生模型。
6.进一步地，本发明的一个较佳实施例中，获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型，具体包括以下步骤：获取目标区域中的相关配电设备信息，根据所述目标区域中的相关配电设备信息构建相关配电设备的三维模型图，并获取所述相关配电设备的三维模型在目标区域中的映射关系信息；根据所述映射关系将所述相关配电设备的三维模型图输入到所述目标区域的电网数字孪生模型的模型中进行模型拟合，以获取拟合完成的目标区域的电网数字孪生模型的模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息获取每一个时刻的目标区域的电网数字孪生模型的模型；通过对所述每一个时刻的目标区域的电网数字孪生模型的模型进行动态组合，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型。
7.进一步地，本发明的一个较佳实施例中，获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将所述目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；将所述训练集输入到所述能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述能量消耗模型；根据所述目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；将所述目标区域中预设时间内的天气状况信息输入到所述能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据所述当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需
求信息。
8.进一步地，本发明的一个较佳实施例中，获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据所述平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；根据所述目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；根据所述目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。
9.进一步地，本发明的一个较佳实施例中，获取当前时刻的预估负荷需求信息，具体包括以下步骤：获取目标区域中相关负荷设备的设备型号信息，并通过对所述设备型号信息进行聚类，以获取每个目标区域中相关负荷设备聚类结果，并通过大数据网络获取目标区域中的负荷设备的电能请求信息；获取目标区域中每一负荷设备的初始电能信息，并根据所述目标区域中的负荷设备的电能请求信息以及目标区域中每一负荷设备的初始电能信息计算出目标区域在预设时间段内负荷设备消耗的电能信息；获取当前的时刻信息，通过对所述目标区域在预设时间段内消耗的电能信息进行特征提取，以获取当前时刻的预估负荷需求信息。
10.本发明第二方面提供了一种基于数字孪生的微网负荷动态平衡系统，所述系统包括存储器以及处理器，所述存储器中包含基于数字孪生的微网负荷动态平衡方法程序，所述基于数字孪生的微网负荷动态平衡方法程序被处理器执行时，实现如下步骤：获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。
11.在本实施例中，获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状
况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将所述目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；将所述训练集输入到所述能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述能量消耗模型；根据所述目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；将所述目标区域中预设时间内的天气状况信息输入到所述能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据所述当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需求信息。
12.在本实施例中，获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据所述平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；根据所述目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；根据所述目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。
13.本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于数字孪生的微网负荷动态平衡方法程序，所述基于数字孪生的微网负荷动态平衡方法程序被处理器执行时，实现任一项所述的基于数字孪生的微网负荷动态平衡方法的步骤。
14.本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：本发明通过获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型，进一步通过获取目标区域在预设时间之内的天气状况变化数据信息，并根据目标区域在预设时间之内的天气状况变化数据信息对目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型，进一步通过获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，最终通过获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。通过本方法能够根据不同天气状况之下的电能消耗数据进行修正，使得在该天气状况之下预估出负荷设备以及配电设备的电能消耗数据更加准确，提高了微网负
荷动态平衡的准确性。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
16.图1示出了一种基于数字孪生的微网负荷动态平衡方法的整体方法流程图；图2示出了一种基于数字孪生的微网负荷动态平衡方法的第一方法流程图；图3示出了一种基于数字孪生的微网负荷动态平衡方法的第二方法流程图；图4示出了一种基于数字孪生的微网负荷动态平衡系统的系统框图。
具体实施方式
17.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
18.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
19.如图1所示，本发明第一方面提供了一种基于数字孪生的微网负荷动态平衡方法，包括以下步骤：s102:获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；s104:获取目标区域在预设时间之内的天气状况变化数据信息，并根据目标区域在预设时间之内的天气状况变化数据信息对目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；s106:获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；s108:获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。
20.需要说明的是，通过本方法能够根据不同天气状况之下的电能消耗数据进行修正，使得在该天气状况之下预估出负荷设备以及配电设备的电能消耗数据更加准确，提高了微网负荷动态平衡的准确性。
21.进一步地，本发明的一个较佳实施例中，获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型，具体包括以下步骤：获取目标区域中分布式电网设备所在的地理位置信息，并根据目标区域中分布式电网设备所在的地理位置信息通过地图软件获取当前地理位置的ar场景信息；构建数字孪生初始虚拟场景模型，并获取目标区域中分布式电网设备的外形尺寸
图，根据目标区域中分布式电网设备的各零件外形尺寸图构建分布式电网设备三维模型；将ar场景信息以及分布式电网设备三维模型输入到数字孪生初始虚拟场景模型中，根据位置关系对ar场景信息以及分布式电网设备三维模型进行调整，以获取构建完成后的数字孪生初始虚拟场景模型；获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据目标区域在当前天气状况之下的分布式电网设备历史运行数据信息对构建完成后的数字孪生初始虚拟场景模型进行动态调整，以生成目标区域的电网数字孪生模型。
22.需要说明的是，地图软件中均还有关于分布式电网设备所在地理位置的ar场景信息，通过本方法能够根据当前地理位置的ar场景信息以及分布式电网设备三维模型快速地建立每个分布式电网设备的数字孪生模型。
23.进一步地，本发明的一个较佳实施例中，获取目标区域在预设时间之内的天气状况变化数据信息，并根据目标区域在预设时间之内的天气状况变化数据信息对目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型，具体包括以下步骤：获取目标区域中的相关配电设备信息，根据目标区域中的相关配电设备信息构建相关配电设备的三维模型图，并获取相关配电设备的三维模型在目标区域中的映射关系信息；根据映射关系将相关配电设备的三维模型图输入到目标区域的电网数字孪生模型的模型中进行模型拟合，以获取拟合完成的目标区域的电网数字孪生模型的模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据目标区域在预设时间之内的天气状况变化数据信息获取每一个时刻的目标区域的电网数字孪生模型的模型；通过对每一个时刻的目标区域的电网数字孪生模型的模型进行动态组合，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型。
24.如图2所示，进一步地，本发明的一个较佳实施例中，获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：s202:基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；s204:将训练集输入到能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对能量消耗模型进行测试，直至符合预设要求，输出能量消耗模型；s206:根据目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；s208:将目标区域中预设时间内的天气状况信息输入到能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需求信息。
25.需要说明的是，神经网络由输入层、输出层和隐藏层组成，隐藏层通过设置一层或多层神经元进行数据的计算，每一层神经元可以有若干个节点，通过神经网络能够目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息进行训练，从而预测出在预设天气状况之下的相关负荷设备的损耗信息以及相关配电设备的损耗信息，所述相关配电设备可以是电线、电能稳定控制器、配电开关等。如相关负荷设备可以是与电池相关的充电设备、机械设备、电气设备等其他消耗电能的设备，如由于电动汽车在各种天气之下充电时，受到天气的影响，如高温天气、低温天气、雷雨天气等天气的影响，实际消耗的充电电能是更高的；又如相关配电设备（如电线）在各种天气的之下传输电能之时的损耗亦是不一致的，当数据量很庞大之时，该类损耗的统计亦会影响电网的平衡。通过本方法能够有效地对平衡电力数据时的准确度。
26.如图3所示，进一步地，本发明的一个较佳实施例中，获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：s302:获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；s304:根据目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对目标函数进行求取值；s306:当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；s308:根据目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。
27.需要说明的是，为了使得分布式电网设备达到性能最佳以及保持供电过程中的持续稳定性，当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，分布式电网设备在运行过程中保持稳定性，其中目标函数组的关系式如下：其中目标函数组的关系式如下：，其中，为目标函数的调整数据，为当前线路中第n个电能稳态控制器的能够控制的最大电能，为第m个电能消耗设备的预测电能消耗信息，为目标函数求解后，在目标区域中每个分布式电源的调整数据。
28.需要说明的是，通过遗传算法对上述的目标函数组进行求解，从而得到目标区域中每个分布式电源的调整数据，从而通过目标区域中的电能调整设备对分布式电网设备的运行参数进行调整，电能调整设备可以是统一潮流控制器、综合动态电压恢复器以及多能互动电源等相关设备。
29.进一步地，本发明的一个较佳实施例中，获取当前时刻的预估负荷需求信息，具体
包括以下步骤：获取目标区域中相关负荷设备的设备型号信息，并通过对设备型号信息进行聚类，以获取每个目标区域中相关负荷设备聚类结果，并通过大数据网络获取目标区域中的负荷设备的电能请求信息；获取目标区域中每一负荷设备的初始电能信息，并根据目标区域中的负荷设备的电能请求信息以及目标区域中每一负荷设备的初始电能信息计算出目标区域在预设时间段内负荷设备消耗的电能信息；获取当前的时刻信息，通过对目标区域在预设时间段内消耗的电能信息进行特征提取，以获取当前时刻的预估负荷需求信息。
30.其中，初始电能信息可以为0，以或者是其他参数，如智能家居设备中根据环境因素进行调整的空调设备。
31.此外，本方法还可以包括以下步骤：通过大数据网络获取目标区域中预设时段在各种天气状况之下各种负荷设备的使用情况数据信息，并根据所述各种负荷设备的使用情况数据信息构建用户偏好数据模型；根据目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域在预设时间之内的天气状况变化信息，根据所述目标区域在预设时间之内的天气状况变化信息以及用户偏好数据模型获取预设时段目标区域的各种负荷设备的使用情况数据信息；根据所述预设时段目标区域的各种负荷设备的使用情况数据信息获取每个负荷设备的预测能耗信息，判断所述负荷设备的预测能耗信息是否大于预设能耗信息；当所述负荷设备的预测能耗信息大于预设能耗信息时，根据所述负荷设备的预测能耗信息对当前分布式电网设备进行动态储能。
32.需要说明的是，不同天气状况之下，用户的行为是不一样的，如在电动汽车负荷设备充电过程中，通过记录下不同天气状况之下的负荷设备的使用行为来构建用户偏好数据模型，从而通过本方法能够及时预测出相应的负荷设备的预测能耗信息，以根据所述负荷设备的预测能耗信息对当前分布式电网设备进行动态储能，使得当地地区的分布式电能设备能够持续地供应电能。
33.此外，本方法还可以包括以下步骤：通过大数据网络获取与当前天气状况之下的各个分布式电网设备相似的历史运行数据，并获取预设时间之内各个分布式电网设备的运行数据；通过将与当前天气状况之下的各个分布式电网设备相似的历史运行数据与预设时间之内各个分布式电网设备的运行数据进行相互比较，以获取相似率；获取所述相似率大于预设相似率的历史运行数据作为当前分布式电网设备的参考数据，并将所述当前分布式电网设备的参考数据输入到贝叶斯网络中进行故障研判，以获取故障概率值；当所述故障概率值大于预设故障概率值时，获取所述故障概率值大于预设故障概率值对应分布式电网设备的电量储能值，根据所述故障概率值大于预设故障概率值对应的电量储能值生成相应的调整数据，当调整数据大于目前区域的最大电能调整数据之时，根据相应的调整数据生成相应的平衡措施。
34.需要说明的是，不同的天气状况对于不同运行参数的故障演变是不一致的，如相同的运行数据之下恶劣天气更容易使得机器故障，通过本方法能够有效地根据所述故障概率值大于预设故障概率值对应的电量储能值生成相应的调整数据，使得当故障的分布式电网设备故障时，能够及时地提前发出其故障，从而当调整数据大于目前区域的最大电能调整数据之时，根据相应的调整数据生成预警信息，从而提前预警并生成相应的平衡措施。
35.其中，在本实施例中，根据所述负荷设备的预测能耗信息对当前分布式电网设备进行动态储能，具体为：获取当前分布式电网设备的预估故障时间段，并获取所述负荷设备的预测能耗信息大于预设能耗信息所在的时段；判断所述当前分布式电网设备的预估故障时间段是否在所述负荷设备的预测能耗信息大于预设能耗信息所在的时段之内；当所述当前分布式电网设备的预估故障时间段在所述负荷设备的预测能耗信息大于预设能耗信息所在的时段之内时，将当前分布式电网设备进行剔除；当所述当前分布式电网设备的预估故障时间段不在所述负荷设备的预测能耗信息大于预设能耗信息所在的时段之内时，根据所述负荷设备的预测能耗信息对当前分布式电网设备进行动态储能。
36.需要说明的是，在动态调整的过程中，需要考虑分布式电网设备故障情况，当所述当前分布式电网设备的预估故障时间段在所述负荷设备的预测能耗信息大于预设能耗信息所在的时段之内时，将当前分布式电网设备进行剔除，而当所述当前分布式电网设备的预估故障时间段不在所述负荷设备的预测能耗信息大于预设能耗信息所在的时段之内时，根据所述负荷设备的预测能耗信息对当前分布式电网设备进行动态储能，通过本方法能够进一步地优化目标区域的电力数据平衡。
37.如图4所示，本发明第二方面提供了一种基于数字孪生的微网负荷动态平衡系统，系统包括存储器41以及处理器62，存储器41中包含基于数字孪生的微网负荷动态平衡方法程序，基于数字孪生的微网负荷动态平衡方法程序被处理器62执行时，实现如下步骤：获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据目标区域在预设时间之内的天气状况变化数据信息对目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。
38.在本实施例中，获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将目标区域在各天气状
况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；将训练集输入到能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对能量消耗模型进行测试，直至符合预设要求，输出能量消耗模型；根据目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；将目标区域中预设时间内的天气状况信息输入到能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需求信息。
39.在本实施例中，获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；根据目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对目标函数进行求取值；当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；根据目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。
40.本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于数字孪生的微网负荷动态平衡方法程序，基于数字孪生的微网负荷动态平衡方法程序被处理器执行时，实现任一项的基于数字孪生的微网负荷动态平衡方法的步骤。
41.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
42.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
43.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
44.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
45.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
46.以上，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权利要求的保护范围为准。

技术特征：

1.一种基于数字孪生的微网负荷动态平衡方法，其特征在于，包括以下步骤：获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。2.根据权利要求1所述的一种基于数字孪生的微网负荷动态平衡方法，其特征在于，获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型，具体包括以下步骤：获取目标区域中分布式电网设备所在的地理位置信息，并根据所述目标区域中分布式电网设备所在的地理位置信息通过地图软件获取当前地理位置的ar场景信息；构建数字孪生初始虚拟场景模型，并获取目标区域中分布式电网设备的外形尺寸图，根据所述目标区域中分布式电网设备的各零件外形尺寸图构建分布式电网设备三维模型；将所述ar场景信息以及分布式电网设备三维模型输入到所述数字孪生初始虚拟场景模型中，根据位置关系对所述ar场景信息以及分布式电网设备三维模型进行调整，以获取构建完成后的数字孪生初始虚拟场景模型；获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述目标区域在当前天气状况之下的分布式电网设备历史运行数据信息对所述构建完成后的数字孪生初始虚拟场景模型进行动态调整，以生成目标区域的电网数字孪生模型。3.根据权利要求1所述的一种基于数字孪生的微网负荷动态平衡方法，其特征在于，获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型，具体包括以下步骤：获取目标区域中的相关配电设备信息，根据所述目标区域中的相关配电设备信息构建相关配电设备的三维模型图，并获取所述相关配电设备的三维模型在目标区域中的映射关系信息；根据所述映射关系将所述相关配电设备的三维模型图输入到所述目标区域的电网数字孪生模型的模型中进行模型拟合，以获取拟合完成的目标区域的电网数字孪生模型的模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息获取每一个时刻的目标区域的电网数字孪生模型的模型；通过对所述每一个时刻的目标区域的电网数字孪生模型的模型进行动态组合，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型。
4.根据权利要求1所述的一种基于数字孪生的微网负荷动态平衡方法，其特征在于，获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将所述目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；将所述训练集输入到所述能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述能量消耗模型；根据所述目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；将所述目标区域中预设时间内的天气状况信息输入到所述能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据所述当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需求信息。5.根据权利要求1所述的一种基于数字孪生的微网负荷动态平衡方法，其特征在于，获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据所述平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；根据所述目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；根据所述目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。6.根据权利要求1所述的一种基于数字孪生的微网负荷动态平衡方法，其特征在于，获取当前时刻的预估负荷需求信息，具体包括以下步骤：获取目标区域中相关负荷设备的设备型号信息，并通过对所述设备型号信息进行聚类，以获取每个目标区域中相关负荷设备聚类结果，并通过大数据网络获取目标区域中的负荷设备的电能请求信息；获取目标区域中每一负荷设备的初始电能信息，并根据所述目标区域中的负荷设备的电能请求信息以及目标区域中每一负荷设备的初始电能信息计算出目标区域在预设时间段内负荷设备消耗的电能信息；获取当前的时刻信息，通过对所述目标区域在预设时间段内消耗的电能信息进行特征提取，以获取当前时刻的预估负荷需求信息。7.一种基于数字孪生的微网负荷动态平衡系统，其特征在于，所述系统包括存储器以
及处理器，所述存储器中包含基于数字孪生的微网负荷动态平衡方法程序，所述基于数字孪生的微网负荷动态平衡方法程序被处理器执行时，实现如下步骤：获取目标区域在当前天气状况之下的分布式电网设备历史运行数据信息，根据所述电网设备历史运行数据信息进行虚拟构建，以获取目标区域的电网数字孪生模型；获取目标区域在预设时间之内的天气状况变化数据信息，并根据所述目标区域在预设时间之内的天气状况变化数据信息对所述目标区域的电网数字孪生模型进行预演，以获取目标区域的电网数字孪生模型在预设时间之内的动态模型；获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息；获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。8.根据权利要求7所述的一种基于数字孪生的微网负荷动态平衡系统，其特征在于，获取当前时刻的预估负荷需求信息，并根据所述当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，具体包括以下步骤：基于卷积神经网络构建能量消耗模型，通过大数据网络获取目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息，并将所述目标区域在各天气状况之下相关负荷设备的损耗信息以及相关配电设备的损耗信息作为测试集以及训练集；将所述训练集输入到所述能量消耗模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述能量消耗模型；根据所述目标区域的电网数字孪生模型在预设时间之内的动态模型获取目标区域中相关配电设备的损耗信息，并获取目标区域中预设时间内的天气状况信息；将所述目标区域中预设时间内的天气状况信息输入到所述能量消耗模型中，以获取相关负荷设备的损耗信息以及相关配电设备的损耗信息，并根据所述当前时刻的预估负荷需求信息、相关负荷设备的损耗信息以及相关配电设备的损耗信息计算出实时的电能需求信息。9.根据权利要求7所述的一种基于数字孪生的微网负荷动态平衡系统，其特征在于，获取目标区域中分布式电网设备的储能信息，并根据所述储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据，具体包括以下步骤：获取目标区域中分布式电网设备的储能信息，并通过大数据网络获取目标区域中在当前天气状况之下的平均电能消耗信息，根据所述平均电能消耗信以及实时的电能需求信息构建预测电能消耗信息；根据所述目标区域中分布式电网设备的储能信息以及预测电能消耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；当目标区域中分布式电网设备的储能信息以及预测电能消耗信息达到动态平衡时，以获取目标区域中每个分布式电源的调整数据；根据所述目标区域中每个分布式电源的调整数据对目标区域中每个分布式电源的储能信息进行动态调整。
10.一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中包括基于数字孪生的微网负荷动态平衡方法程序，所述基于数字孪生的微网负荷动态平衡方法程序被处理器执行时，实现如权利要求1-6任一项所述的基于数字孪生的微网负荷动态平衡方法的步骤。

技术总结

本发明涉及一种基于数字孪生的微网负荷动态平衡方法、系统及介质，属于电网控制技术领域，本发明包括：通过获取当前时刻的预估负荷需求信息，并根据当前时刻的充电需求信息以及目标区域的电网数字孪生模型在预设时间之内的动态模型获取实时的电能需求信息，最终通过获取目标区域中分布式电网设备的储能信息，并根据储能信息以及实时的电能需求信息进行动态平衡，以获取动态平衡后的分配数据。通过本发明能够根据不同天气状况之下的电能消耗数据进行修正，使得在该天气状况之下预估出负荷设备以及配电设备的电能消耗数据更加准确，提高了微网负荷动态平衡的准确性。提高了微网负荷动态平衡的准确性。提高了微网负荷动态平衡的准确性。