[发明专利]电力台区重过载治理方法与装置

权利要求书

1.一种电力台区重过载治理方法，其特征在于，包括：

获取目标台区内电力负荷的历史数据；

根据所述历史数据，预测所述目标台区的第一目标时段的负荷数据；

根据所述负荷数据，确定所述第一目标时段内的多种负荷时段；

获取所述目标台区的第二目标时段内的各个电动汽车的充电数据，所述第二目标时段的时长小于或等于所述第一目标时段的时长；

根据所述充电数据和充电时间对应的负荷时段，确定各个电动汽车的充电方式；

根据所述充电方式对各个电动汽车进行充电，实现所述目标台区的重过载治理。

2.根据权利要求1所述的电力台区重过载治理方法，其特征在于，所述根据所述历史数据，预测所述目标台区的第一目标时段的负荷数据，包括：

基于变分模态分解算法，分解所述历史数据，得到多个分量序列；

基于灰色关联度分析法，对所述分量序列进行关联度分析，并将关联度相近的分量序列合并，得到多个关联序列；

将所述多个关联序列输入到预设的负荷预测模型，得到各个关联序列对应的预测序列；

根据各个所述预测序列，得到所述目标台区的第一目标时段的负荷数据。

3.根据权利要求2所述的电力台区重过载治理方法，其特征在于，所述负荷预测模型的确定过程为：

将GRU神经网络模型的初始权值矩阵和偏置向量作为二次变异差分进化算法的种群个体，通过二次变异差分进化算法初始化所述GRU神经网络模型，得到初始预测模型；

获取所述目标台区的历史运行数据；

根据所述历史运行数据训练所述初始预测模型，得到负荷预测模型；

所述通过二次变异差分进化算法初始化所述GRU神经网络模型的过程为：

设置二次变异差分进化算法的相关参数，包括种群大小、迭代次数、最大迭代次数、停滞迭代次数和最大停滞迭代次数；

随机生成初始种群个体，计算各个所述种群个体的适应度值，并确定最小的适应度值为当前最优适应度值；

对当前种群个体进行融合变异和交叉操作，得到当前实验个体；

计算每个所述当前实验个体的反向个体；

计算每个当前实验个体和反向个体的新的适应度值；

保留所述当前实验个体和每个当前实验个体对应的反向个体中适应度值最小的种群个体，得到新的种群，并将新的种群作为当前种群，计算当前种群中各个种群个体的适应度值，根据所述当前种群中最小的适应度值更新当前最优适应度值；

检测当前迭代次数是否达到最大迭代次数；

若当前迭代次数达到最大迭代次数，则将当前最优适应度值对应的种群个体作为所述GRU神经网络模型的初始权值矩阵和偏置向量；

若当前迭代次数未达到最大迭代次数，则将当前迭代次数加1，并检测当前最优适应度值与上一次的最优适应度值是否相同；

若当前最优适应度值与上一次最优适应度值不同，则令当前停滞迭代次数为0，并跳转至“对当前种群个体进行融合变异和交叉操作，得到当前实验个体”步骤以及后续步骤继续执行；

若当前最优适应度值与上一次最优适应度值相同，则检测当前停滞迭代次数是否达到最大停滞迭代次数；

若当前停滞迭代次数达到最大停滞迭代次数，则对当前种群个体进行二次变异和交叉操作，得到新的实验个体，并将新的实验个体作为当前实验个体，跳转至“计算每个当前实验个体的反向个体”步骤以及后续步骤继续执行；

若当前停滞迭代次数未达到最大停滞迭代次数，则将当前停滞迭代次数加1，并跳转至“对当前种群个体进行融合变异和交叉操作，得到当前实验个体”步骤以及后续步骤继续执行。