一种电力天然气系统的调度方法及系统

摘要

本发明公开一种电力天然气系统的调度方法及系统。该方法包括：获取调度日的预测负荷数据；对预测负荷数据进行信息粒化处理，得到粒化后的负荷数据；针对粒化后的负荷数据计算对应的最优输出功率；利用历史负荷数据对最优输出功率进行校正，得到校正后的输出功率；根据校正后的输出功率对各发电机和气井的出力进行调度。本发明的电力天然气系统的调度方法及系统，能够提高调度效率。

权利要求

1.一种电力天然气系统的调度方法，其特征在于，包括：获取调度日的预测负荷数据；

对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据，具体包括：根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据；

针对所述粒化后的负荷数据计算对应的最优输出功率；

利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率，具体包括：获取各时间段的前一时间段的负荷数据；

将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值；

将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率；

根据所述校正后的输出功率对各发电机和气井的出力进行调度。

2.根据权利要求1所述的一种电力天然气系统的调度方法，其特征在于，所述功率差值校正模型的训练过程为：获取历史调度日的历史负荷数据；

根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

3.一种电力天然气系统的调度系统，其特征在于，包括：调度日数据获取模块，用于获取调度日的预测负荷数据；

粒化处理模块，用于对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据，具体包括：第一粒化处理单元，用于根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据；

功率计算模块，用于针对所述粒化后的负荷数据计算对应的最优输出功率；

校正模块，用于利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率，具体包括：前一时间段数据获取单元，用于获取各时间段的前一时间段的负荷数据；

模型预测单元，用于将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值；

校正单元，用于将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率；

调度模块，用于根据所述校正后的输出功率对各发电机和气井的出力进行调度。

4.根据权利要求3所述的一种电力天然气系统的调度系统，其特征在于，还包括模型训练模块，所述模型训练模块用于训练所述功率差值校正模型；所述模型训练模块包括：历史数据获取单元，用于获取历史调度日的历史负荷数据；

粒化前功率计算单元，用于根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

第二粒化处理单元，用于根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

粒化后功率计算单元，用于根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

功率作差单元，用于将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

负荷作差单元，用于将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

训练单元，用于以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

说明书

一种电力天然气系统的调度方法及系统

技术领域

[0001] 本发明涉及综合能源系统的优化配置领域，特别是涉及一种电力天然气系统的调度方法及系统。

背景技术

[0002] 近年来，由于化石燃料的逐渐枯竭及其造成的环境污染问题，在第二次工业革命中奠定的基于化石燃料大规模利用的工业模式正在走向终结，而以新能源技术和互联网技术为代表的第三次工业革命正在兴起。能源互联网力图结合可再生能源技术与互联网技术，促进多种复杂网络系统的相互融合，实现改变能源利用模式，推动经济与社会可持续发展的目的。

[0003] 为缓解全球变暖威胁，减排是电力系统可持续发展的不可逆转的趋势。在各种低碳技术中，燃气轮机的使用和电力转天然气(Powerto gas，P2G)技术的利用在减少排放方面发挥着重要作用，它们正在增加电力和天然气系统之间的相互依赖性。

[0004] 首先，无论从规模上还是在结构上看，现代电力系统无疑是人类所加马力的最复杂的工业系统之一，随着电力系统规模的进一步扩大，对系统的速度和系统安全性提出了更高的要求。其次，随着燃气轮机的使用和P2G技术的成熟，电力和天燃气系统的耦合使得互联系统更加的复杂，对电力天然气耦合系统的调度效率的要求也更高。

发明内容

[0005] 本发明的目的是提供一种电力天然气系统的调度方法及系统，提高调度效率。

[0006] 为实现上述目的，本发明提供了如下方案：

[0007] 一种电力天然气系统的调度方法，包括：

[0008] 获取调度日的预测负荷数据；

[0009] 对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据；

[0010] 针对所述粒化后的负荷数据计算对应的最优输出功率；

[0011] 利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率；

[0012] 根据所述校正后的输出功率对各发电机和气井的出力进行调度。

[0013] 可选的，所述对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据，具体包括：

[0014] 根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据。

[0015] 可选的，所述利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率，具体包括：

[0016] 获取各时间段的前一时间段的负荷数据；

[0017] 将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值；

[0018] 将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率。

[0019] 可选的，所述功率差值校正模型的训练过程为：

[0020] 获取历史调度日的历史负荷数据；

[0021] 根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

[0022] 根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

[0023] 根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

[0024] 将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

[0025] 将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

[0026] 以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

[0027] 本发明还公开一种电力天然气系统的调度系统，包括：

[0028] 调度日数据获取模块，用于获取调度日的预测负荷数据；

[0029] 粒化处理模块，用于对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据；

[0030] 功率计算模块，用于针对所述粒化后的负荷数据计算对应的最优输出功率；

[0031] 校正模块，用于利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率；

[0032] 调度模块，用于根据所述校正后的输出功率对各发电机和气井的出力进行调度。

[0033] 可选的，所述粒化处理模块包括：

[0034] 第一粒化处理单元，用于根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据。

[0035] 可选的，所述校正模块包括：

[0036] 前一时间段数据获取单元，用于获取各时间段的前一时间段的负荷数据；

[0037] 模型预测单元，用于将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值；

[0038] 校正单元，用于将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率。

[0039] 可选的，该调度系统还包括模型训练模块，所述模型训练模块用于训练所述功率差值校正模型；所述模型训练模块包括：

[0040] 历史数据获取单元，用于获取历史调度日的历史负荷数据；

[0041] 粒化前功率计算单元，用于根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

[0042] 第二粒化处理单元，用于根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

[0043] 粒化后功率计算单元，用于根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

[0044] 功率作差单元，用于将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

[0045] 负荷作差单元，用于将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

[0046] 训练单元，用于以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

[0047] 根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的一种电力天然气系统的调度方法及系统，首先对负荷数据进行信息粒化处理，然后根据信息粒化处理后的负荷数据进行输出功率计算，最后利用历史数据对输出功率进行校正。通过信息粒化处理，大大降低了计算量，提高了调度的效率。同时在对粒化后的负荷进行输出功率计算后，为避免由于信息粒化处理所带来的准确度降低，利用历史数据对输出功率进行校正，保证了在提高调度效率的同时保证调度的准确度。

附图说明

[0048] 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性的前提下，还可以根据这些附图获得其他的附图。

[0049] 图1为本发明电力天然气系统的调度方法实施例的方法流程图；

[0050] 图2为本发明电力天然气系统的调度方法实施例中粒化步骤的流程图；

[0051] 图3为本发明电力天然气系统的调度系统实施例的系统结构图。

具体实施方式

[0052] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0053] 本发明的目的是提供一种电力天然气系统的调度方法及系统，提高调度效率。

[0054] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0055] 图1为本发明电力天然气系统的调度方法实施例的方法流程图。

[0056] 参见图1，该电力天然气系统的调度方法，包括：

[0057] 步骤1：获取调度日的预测负荷数据；利用现有的负荷预测方法即可实现负荷的准确预测。

[0058] 步骤2：对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据。

[0059] 具体包括：

[0060] 根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据。

[0061] 步骤3：针对所述粒化后的负荷数据计算对应的最优输出功率。

[0062] 步骤4：利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率。具体包括：

[0063] 获取各时间段的前一时间段的负荷数据。

[0064] 将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值。

[0065] 将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率。

[0066] 步骤5：根据所述校正后的输出功率对各发电机和气井的出力进行调度。

[0067] 步骤4中的功率差值校正模型的训练过程为：

[0068] 获取历史调度日的历史负荷数据；

[0069] 根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

[0070] 根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

[0071] 根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

[0072] 将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

[0073] 将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

[0074] 以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

[0075] 本发明的上述调度方法中，步骤2和4中所提及的计算输出功率的方法为首先建立电力天然气系统最优潮流模型，然后在MATLAB平台上利用Yalmip工具箱调用CPLEX商业求解器，求解出最优潮流下各发电机，气井等出力。

[0076] 电力天然气系统最优潮流模型为经济最优模型，即通过合理地分配各火力发电机、燃气轮机、气井的输出功率情况，使得整个系统的能源消耗的费用最小，同时为了增加新能源的利用，加入了弃风电量的惩罚项。其约束条件包括电力系统的约束条件和天然气网络的约束条件，以能源消耗的费用最小为目标函数。具体为：

[0077] 一、电力系统的约束条件

[0078] (1)供需平衡约束

[0079]

[0080] 式中，Ni，Nw，ND分别为发电机数量，风电场的数量，负荷数量；Pit，Pwt，Pdt分别为在t时段时发电机的输出功率，风电场的实际输出功率，负荷的功率。j、w、d分别为发电机序号、风电场序号、负荷序号。

[0081] (2)旋转备用约束

[0082]

[0083] 式中，Pimax为发电机的最大输出功率；SRt为在t时段时旋转备用容量。

[0084] (3)机组和风电场的功率输出约束

[0085]

[0086] 式中， 为在t时段时风电场的预测输出功率；Pimin为在t时段时发电机的最小输出功率。

[0087] (4)爬坡约束

[0088]

[0089] 式中，Pit，Pi,t-1分别为t时刻和t-1时刻发电机的输出功率；RUi，RDi分别为发电机组的上爬坡率，下爬坡率。

[0090] (5)线路传输功率约束

[0091] PLbmin≤PLbt≤PLbmax  (5)

[0092] 式中，PLbmin，PLbt，PLbmax分别为线路的最小传输功率，在t时段时线路的实际传输功率，线路的最大传输功率。

[0093] 二、天然气网络的约束条件

[0094] (1)供需约束平衡

[0095]

[0096] 式中，S(m)为连接到天然气节点m的组建集合；Qωt为t时刻天然气气井的产量；Qlt为t时刻该节点的天然气负荷量；Qit为t时刻燃气轮机的天然气消耗量；Qmn,t为t时刻节点m到节点n的天然气流量。

[0097] (2)传输管道的燃气流模型

[0098]

[0099] 式中，Cmn为天然气管道特征常数；pmt为t时刻节点m的气压；pnt为t时刻节点n的气压。

[0100] (3)气点压力限制的约束

[0101]

[0102] 式中，pm,min为节点m的气压的最小值，pm,max为节点m的气压的最大值，pn,min为节点n的气压的最小值，pn,max为节点n的气压的最大值。

[0103] 三、经济最优模型目标函数

[0104] 经济最优模型以整个系统的能源消耗的费用最小为目的的目标函数包括三个方面：

[0105] minF＝F1+F2+F3  (9)

[0106] 其中，F1为电力系统的目标函数：

[0107]

[0108] 式中，ai、bi、ci为发电机的燃料成本系数。

[0109] F2为天然气系统的目标函数：

[0110]

[0111] 式中，gg为第g个天然气源成本系数；Pgt表示在t时段的天然气出力，NG为天然气源的数量。

[0112] F3为弃风电量的惩罚函数项：

[0113]

[0114] 式中，ρw为惩罚惩罚因子。

[0115] 关于CPLEX求解器：

[0116] CPLEX是IBM公司一款高性能的数学规划问题求解器，可以快速、稳定地求解线性规划、混合整数规划、二次规划等一系列规划问题。同时在matlab平台下可以调用CPLEX高效地求解数学规划问题。但是由于在数学模型中成本函数和内部约束存在非线性分量，所以需要线性化以后才可以使用CPLEX求解器。

[0117] 非线性问题线性化过程：

[0118] (1)把成本函数法和内部约束进行分段处理，把自变量平均分成若干段(根据实际变量确定段数)；

[0119] (2)以目标函数为例，令f(x)＝ax2+bx+c在每一段中，在x0处对f(x)进行泰勒级数展开，得到：

[0120]

[0121] 其中，f(x)为上文中提到电力系统的目标函数的简化形式；a，b，c发电机的燃料成本系数；x为发电机的输出功率；x0为分段节点处的发电机输出功率(一个常量)。

[0122] (3)当增量(x-x0)很小时，略去其最高次幂，则

[0123]

[0124] 设比例系数为k，则：

[0125]

[0126] (4)最后可得到线性化的成本函数：

[0127] f(x)＝(ax0+b)x(16)

[0128] 步骤2和步骤4中所涉及的信息粒化处理是将研究对象划分为若干粒子集合的过程。粒子是指一些个体(元素、点等)通过不分明关系、相似关系、邻近关系或函数关系等所形成的块。

[0129] 图2为本发明电力天然气系统的调度方法实施例中粒化步骤的流程图。

[0130] 参见图2，粒化步骤包括：

[0131] A、通过小波分解把负荷数据分解成多尺度数据集X＝{x1,x2,…,xn}。

[0132] B、从数据集中随机选择一个样本作为初始聚类中心c1。

[0133] C、首先计算每个样本与当前已有聚类中心之间的最短距离，即与最近的一个聚类中心的距离，用D(x)表示：

[0134]

[0135] 其中，x1i,x2i分别为数据集中的样本数据，N为数据的维数。

[0136] D、计算每个样本被选为下一个聚类中心的概率：

[0137]

[0138] E、采用轮盘法选择出下一个聚类中心，直到选出所有的初始聚类中心C＝{c1,c2,c3,...,ck}。

[0139] F、针对每个数据集中每个样本，计算它到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中。

[0140] G、针对每个类别ci，重新计算它的聚类中心 (即属于该类的所有样本的质心)。

[0141] H、重复步骤F和步骤G直到聚类中心的位置不在变化。到此粒化结束。

[0142] I、粒化成后求出粒化后的负荷数据，求解粒化前后负荷数据差值的均方根误差，如果此误差符合提前设定的判定值，则最终粒化结束，若不符合提前设定的判定值，则返回步骤B。

[0143] 步骤4中的最小二乘支持向量机(Least Squares SupportVectorMachine，LSSVM)的原理为：

[0144] LSSVM引入最小二乘线性系统，对小样本、非线性的样本具有较小的泛化能力，能够更好地解决非线性问题，在解决实际问题时，不需要拥有大量的观测数据样本即可得到较好的学习结果。具体计算过程如下：

[0145] 对于训练样本数据 其中ei为第i个输入数据，pi为第i个输出数据，利用如下高维特征空间的线性函数来拟合样本集：

[0146]

[0147] 式中，ei为粒化前后的发电机出力误差；pi为粒化前后发电机的出力；w为特征空间权系数向量；c为偏置； 为从输入空间到高维特征空间的非线性映射。根据结构风险最小化原理，可以表示为如下约束优化问题：

[0148]

[0149] 式中，J(w,η)为风险最小化原理中的目标函数；χ为正则化参数；η为松弛因子。为了求最优问题，需要将约束优化问题变为无约束优化问题，需引入拉格朗日函数，将式(19)优化问题变换到对偶空间，则

[0150]

[0151] 式中，L为增广拉格朗日函数；ai为拉格朗日乘子。

[0152] 根据KKT(Karush-Kuhn-tucker)条件,则：

[0153]

[0154] 即；

[0155]

[0156] 利用最小二乘法最后将求解结果，得到LSSVM的回归为：

[0157]

[0158] 式中， 是pi是函数逼近；K(e,ei)为核函数。核函数是LSSVM中真正体现非线性变化思想的部分，本文选择高斯径向基核函数，它能够比较ei和ej的相似度，并映射到0至1，即能够把原始特征映射到高维。其表达式为：

[0159]

[0160] 式中，ξ为核参数。

[0161] 本发明的调度方法，在步骤4之后，还包括利用核密度估计的方法，求出各发电机和气井出力情况的置信区间，为调度留下一定的备用容量。核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。利用核密度估计的方法求出各发电机和气井出力情况的置信区间的步骤具体为：

[0162] 一、求取误差的概率密度函数

[0163] 对于一个粒化前后的发电机输出功率差值集合{e1,e2,…,en}来说，对于其中一个差值ed的概率密度函数为：

[0164]

[0165] 式中，Ni为差值集合的中数据的个数，k为邻域窗口宽度，K(x)为核函数，常用的为高斯核函数。

[0166]

[0167] 二、输出功率置信区间的求取

[0168] 计算出核密度函数后，还需求出其在误差区间[a′,b′]上相应的累积积分，即[0169]

[0170] 对于某个输出功率值pi，当给定置信度为α时，其预测误差的置信区间满足：

[0171] Fd(elower≤e≤eupper)＝1-α  (29)

[0172] 式中，elower，eupper分别是调度区间的下限和上限。由此即可得出某输出功率值粒化前后误差所对应的置信区间，将粒化后的输出功率加上误差的置信区间可以得到最后发电机输出功率的调度区间。

[0173] 图3为本发明电力天然气系统的调度系统实施例的系统结构图。

[0174] 参见图3，该电力天然气系统的调度系统，包括：

[0175] 调度日数据获取模块301，用于获取调度日的预测负荷数据；

[0176] 粒化处理模块302，用于对所述预测负荷数据进行信息粒化处理，得到粒化后的负荷数据；

[0177] 功率计算模块303，用于针对所述粒化后的负荷数据计算对应的最优输出功率；

[0178] 校正模块304，用于利用历史负荷数据对所述最优输出功率进行校正，得到校正后的输出功率；

[0179] 调度模块305，用于根据所述校正后的输出功率对各发电机和气井的出力进行调度。

[0180] 所述粒化处理模块302包括：

[0181] 第一粒化处理单元，用于根据相邻时刻所述预测负荷数据的相似度对所述预测负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的负荷数据。

[0182] 所述校正模块304包括：

[0183] 前一时间段数据获取单元，用于获取各时间段的前一时间段的负荷数据；

[0184] 模型预测单元，用于将粒化后的各时间段的负荷数据与各时间段的前一时间段的负荷数据输入训练好的功率差值校正模型，得到各时间段的输出功率校正值；

[0185] 校正单元，用于将粒化后最优潮流下的各时间段的输出功率加上各时间段的输出功率校正值得到各时间段的最优输出功率。

[0186] 该调度系统还包括模型训练模块306，所述模型训练模块306用于训练所述功率差值校正模型；所述模型训练模块包括：

[0187] 历史数据获取单元，用于获取历史调度日的历史负荷数据；

[0188] 粒化前功率计算单元，用于根据所述历史负荷数据利用最优潮流计算方法计算各时刻粒化前输出功率；

[0189] 第二粒化处理单元，用于根据相邻时刻所述历史负荷数据的相似度对所述历史负荷数据的时间进行信息粒化处理，得到粒化后的各时间段的历史负荷数据；

[0190] 粒化后功率计算单元，用于根据粒化后的各时间段的历史负荷数据利用最优潮流计算方法计算粒化后的各时间段的输出功率；

[0191] 功率作差单元，用于将所述粒化后的各时间段的输出功率与对应时间段的所述各时刻粒化前输出功率作差得到各时间段的输出功率差值；

[0192] 负荷作差单元，用于将所述粒化后的各时间段的历史负荷数据与对应时间段的历史负荷数据作差，得到各时间段的负荷差值；

[0193] 训练单元，用于以各时间段的负荷差值、各时间段的前一时间段负荷数据作为输入，以对应的各时间段的输出功率差值作为输出对最小二乘支持向量机进行训练，得到训练好的功率差值校正模型。

[0194] 根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所公开的一种电力天然气系统的调度方法及系统，首先对负荷数据进行信息粒化处理，然后根据信息粒化处理后的负荷数据进行输出功率计算，最后利用历史数据对输出功率进行校正。通过信息粒化处理，大大降低了计算量，提高了调度的效率。同时在对粒化后的负荷进行输出功率计算后，为避免由于信息粒化处理所带来的准确度降低，利用历史数据对输出功率进行校正，保证了在提高调度效率的同时保证调度的准确度。

[0195] 对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0196] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。