基于人工智能的虚拟电厂运行风险检测方法

摘要

本申请公开了一种基于人工智能的虚拟电厂运行风险检测方法，所述基于人工智能的虚拟电厂运行风险检测方法包括：获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各发电厂和各耗电区域部署于同一虚拟电厂；依据预设电厂风险检测模型和电厂运行特征数据，预测虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，电厂运行特征数据基于各发电量数据和各耗电量数据进行构建得到；对运行风险预测结果进行模型解释，确定运行风险预测结果对应的电厂运行风险特征；依据电厂运行风险特征，在各发电厂和各耗电区域中确定潜在风险因素。本申请解决了现有技术中虚拟电厂运行风险检测准确度低的技术问题。

权利要求

1.一种基于人工智能的虚拟电厂运行风险检测方法，其特征在于，所述基于人工智能的虚拟电厂运行风险检测方法包括：获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素；

其中，所述通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征的步骤包括：若所述运行风险预测结果为存在运行风险，则确定所述电厂运行特征数据对应的各电厂运行特征，其中，所述电厂运行特征与所述发电厂相对应，或者与所述耗电区域相对应；

分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度；

基于各所述特征贡献度，在各所述电厂运行特征中选取所述电厂运行风险特征。

2.如权利要求1所述基于人工智能的虚拟电厂运行风险检测方法，其特征在于，所述电厂运行特征数据包括电厂运行特征矩阵，所述依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到的步骤包括：基于各所述发电量数据和各所述耗电量数据，构建所述电厂运行特征矩阵；

通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

3.如权利要求2所述基于人工智能的虚拟电厂运行风险检测方法，其特征在于，所述发电量数据包括发电量表示矩阵，所述耗电量数据包括耗电量表示矩阵，所述基于各所述发电量数据和各所述耗电量数据，构建所述电厂运行特征矩阵的步骤包括：生成各所述发电厂对应的发电厂标签以及各所述耗电区域对应的耗电区域标签；

将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵。

4.如权利要求3所述基于人工智能的虚拟电厂运行风险检测方法，其特征在于，生成各所述发电厂对应的发电厂标签的步骤包括：获取各发电厂对应的发电厂类型、对应的当地气象信息以及对应的最大发电功率；

依据各所述发电厂类型、各所述当地气象信息与各所述最大发电功率，为各所述发电厂动态匹配对应的发电厂标签。

5.如权利要求3所述基于人工智能的虚拟电厂运行风险检测方法，其特征在于，生成各所述耗电区域对应的耗电区域标签的步骤包括：获取各所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；

依据各所述经纬度信息、各所述季节信息以及各所述用电类型信息，为各所述耗电区域动态匹配对应的耗电区域标签。

6.如权利要求1所述基于人工智能的虚拟电厂运行风险检测方法，其特征在于，所述电厂运行特征数据包括电厂运行特征矩阵，所述依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据包括各发电量数据和各所述耗电量数据的步骤包括：依据预设电量预测模型、各所述发电量数据和各所述耗电量数据，预测各所述发电厂在下一时间步的发电量以及各所述耗电区域在下一时间步的耗电量，得到各预测发电量数据以及各预测耗电量数据；

依据各所述预测发电量数据和各所述预测耗电量数据，构建所述电厂运行特征矩阵；

通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

7.一种基于人工智能的虚拟电厂运行风险检测装置，其特征在于，所述基于人工智能的虚拟电厂运行风险检测装置包括：获取模块，用于获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

预测模块，用于依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

模型解释模块，用于通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

风险确定模块，用于依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素；

其中，所述模型解释模块还用于：

若所述运行风险预测结果为存在运行风险，则确定所述电厂运行特征数据对应的各电厂运行特征，其中，所述电厂运行特征与所述发电厂相对应，或者与所述耗电区域相对应；

分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度；

基于各所述特征贡献度，在各所述电厂运行特征中选取所述电厂运行风险特征。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的基于人工智能的虚拟电厂运行风险检测方法的步骤。

9.一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上存储有实现基于人工智能的虚拟电厂运行风险检测方法的程序，所述实现基于人工智能的虚拟电厂运行风险检测方法的程序被处理器执行以实现如权利要求1至6中任一项所述基于人工智能的虚拟电厂运行风险检测方法的步骤。

说明书

基于人工智能的虚拟电厂运行风险检测方法

技术领域

[0001] 本申请涉及大数据技术领域，尤其涉及一种基于人工智能的虚拟电厂运行风险检测方法。

背景技术

[0002] 虚拟电厂是作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂概念的核心可以总结为“通信”和“聚合”。但是对于虚拟电厂来说，电能的来源存在多种，例如，风能发电厂、太阳能发电厂以及火力发电厂等，而不同的耗电区域的耗电特性通常也不同，所以即使知道虚拟电厂存在运行风险，也无法检测到是什么原因导致虚拟电厂的运行风险，虚拟电厂运行风险检测的准确度较低。

发明内容

[0003] 本申请的主要目的在于提供一种基于人工智能的虚拟电厂运行风险检测方法，旨在解决现有技术中虚拟电厂运行风险检测准确度低的技术问题。

[0004] 为实现上述目的，本申请提供一种基于人工智能的虚拟电厂运行风险检测方法，所述基于人工智能的虚拟电厂运行风险检测方法包括：

[0005] 获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

[0006] 依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

[0007] 通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

[0008] 依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素。

[0009] 本申请还提供一种基于人工智能的虚拟电厂运行风险检测装置，所述基于人工智能的虚拟电厂运行风险检测装置包括：

[0010] 获取模块，用于获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

[0011] 预测模块，用于依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

[0012] 模型解释模块，用于通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

[0013] 风险确定模块，用于依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素。

[0014] 本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于人工智能的虚拟电厂运行风险检测方法的程序，所述基于人工智能的虚拟电厂运行风险检测方法的程序被处理器执行时可实现如上述的基于人工智能的虚拟电厂运行风险检测方法的步骤。

[0015] 本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于人工智能的虚拟电厂运行风险检测方法的程序，所述基于人工智能的虚拟电厂运行风险检测方法的程序被处理器执行时实现如上述的基于人工智能的虚拟电厂运行风险检测方法的步骤。

[0016] 本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于人工智能的虚拟电厂运行风险检测方法的步骤。

[0017] 本申请提供了一种基于人工智能的虚拟电厂运行风险检测方法，本申请首先获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂，进而基于各所述发电量数据和各所述耗电量数据进行构建电厂运行特征数据；依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果；通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征，实现了以模型解释的方式，确定虚拟电厂存在运行风险的原因，进而依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定是哪个发电厂或者哪个耗电区域使得虚拟电厂存在运行风险，也即找到虚拟电厂存在运行风险的潜在风险因素，实现了在知道虚拟电厂存在运行风险时，检测导致虚拟电厂存在运行风险的原因的目的，克服了现有技术中由于电能的来源存在多种，且不同的耗电区域的耗电特性通常也不同，所以即使知道虚拟电厂存在运行风险，也无法检测到是什么原因导致虚拟电厂的运行风险的技术缺陷，提升了虚拟电厂运行风险检测的准确度。

附图说明

[0018] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

[0019] 为了更清楚地说明本申请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，对于本领域普通技术人员而言，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。

[0020] 图1为本申请基于人工智能的虚拟电厂运行风险检测方法第一实施例的流程示意图；

[0021] 图2为本申请基于人工智能的虚拟电厂运行风险检测方法第二实施例的流程示意图；

[0022] 图3为本申请实施例中基于人工智能的虚拟电厂运行风险检测方法涉及的硬件运行环境的设备结构示意图。

[0023] 本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

[0024] 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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。

[0025] 实施例一

[0026] 本申请实施例提供一种基于人工智能的虚拟电厂运行风险检测方法，在本申请基于人工智能的虚拟电厂运行风险检测方法的第一实施例中，参照图1，所述基于人工智能的虚拟电厂运行风险检测方法包括：

[0027] 步骤S10，获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

[0028] 步骤S20，依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

[0029] 步骤S30，通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

[0030] 步骤S40，依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素。

[0031] 在本实施例中，需要说明的是，所述发电厂为虚拟电厂的电能来源，可以为火力发电厂、风力发电厂、太阳能发电厂、核能发电厂以及地热能发电厂等。所述耗电区域为虚拟电厂中消耗电能的地理区域，其中，所述耗电区域可以根据耗电区域在城市中的位置进行划分，例如郊区耗电区域、近郊耗电区域、市区耗电区域以及市中心耗电区域等，也可以根据耗电的类型进行划分，例如工业用电区域、商业用电区域以及民用电区域等。所述发电量数据为发电厂在预设时间段内随时间变化的发电量分布数据，例如发电厂在一天内随时间变化的发电量分布数据，所述耗电量数据为耗电区域在预设时间段内随时间变化的耗电量分布数据，例如耗电区域在一天内随时间变化的耗电量分布数据。所述电厂运行特征数据为各电厂运行特征向量构成的电厂运行特征矩阵，其中，所述电厂运行特征向量为电厂运行特征的向量表现形式，一所述电厂运行特征向量对应一发电量数据或者一耗电量数据，例如，假设预设时间段为4小时，每隔一小时采集一次发电厂A的在预设时间段内的累计发电量分别为100、200、500以及2000，则发电厂A对应的电厂运行特征向量a为（100，200，500，2000），每隔一小时采集一次耗电区域B的在预设时间段内的累计耗电量分别为100、500、
100以及1500，则耗电区域B对应的电厂运行特征向量b为（100，500，1000，1500），进而电厂运行特征矩阵为由电厂运行特征向量a以及电厂运行特征向量b组成的矩阵。

[0032] 作为一种示例，步骤S10至步骤S40包括：

[0033] 采集各发电厂在预设时间段内随时间变化的累计发电量，得到各所述发电厂对应的发电量数据；采集各耗电区域在预设时间段内随时间变化的累计耗电量，得到各所述耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；根据各所述发电量数据和各所述耗电量数据，构建电厂运行特征矩阵，通过预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行风险概率为所述虚拟电厂在下一时间步运行时具备风险的概率，当电厂运行风险概率大于预设风险概率阈值，则判定所述虚拟电厂在下一时间步运行时具备风险，所述运行风险预测结果为存在运行风险，当电厂运行风险概率不大于预设风险概率阈值，则判定所述虚拟电厂在下一时间步运行时不具备风险，所述运行风险预测结果为不存在运行风险；确定所述电厂运行特征数据对应的各电厂运行特征，通过对所述运行风险预测结果进行模型解释，分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度，依据各所述特征贡献度的取值大小，在各所述电厂运行特征中确定电厂运行风险特征；根据电厂运行特征与发电厂之间的一一对应关系以及电厂运行特征与耗电区域之间的一一对应关系，在各所述发电厂与各所述耗电区域确定潜在风险因素，例如，假设电厂运行风险特征对应风力发电厂，则风力发电厂为潜在风险因素，进而可对所述风力发电厂进行更加具体的风险排查，得到更加具体的运行风险原因，例如可以为由于当地忽高忽低，导致风力发电厂的输出电量不稳定而导致虚拟电厂存在运行风险等。其中，所述根据各所述发电量数据和各所述耗电量数据，构建电厂运行特征矩阵的步骤的具体实现过程可参照下述步骤A10的具体实现过程，在此不再赘述。

[0034] 其中，在步骤S20中，所述电厂运行特征数据包括电厂运行特征矩阵，

[0035] 所述依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据包括各发电量数据和各所述耗电量数据的步骤包括：

[0036] 步骤S21，依据预设电量预测模型、各所述发电量数据和各所述耗电量数据，预测各所述发电厂在下一时间步的发电量以及各所述耗电区域在下一时间步的耗电量，得到各预测发电量数据以及各预测耗电量数据；

[0037] 步骤S22，依据各所述预测发电量数据和各所述预测耗电量数据，构建所述电厂运行特征矩阵；

[0038] 步骤S23，通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

[0039] 在本实施例中，需要说明的是，各发电厂与各耗电区域之间为供需关系，且在时间线上通常存在用电高峰区，所述时间步可以为所述预设时间段，也可以为所述预设时间段的二分之一等，在此不做限定。所述发电量数据为发电厂在预设时间段内随时间变化的发电量分布数据，所述耗电量数据为耗电区域在预设时间段内随时间变化的耗电量分布数据。所述预设电量预测模型为循环神经网络模型，所述预设电量预测模型包括发电量预测模型和耗电量预测模型，所述发电量预测模型用于预测下一时间步的发电量分布数据，所述耗电量预测模型用于预测下一时间步的耗电量分布数据。

[0040] 作为一种示例，所述步骤S21至步骤S23包括：

[0041] 将所述发电量分布数据、所述发电量分布数据对应的时间信息、所述耗电量分布数据以及所述耗电量分布数据对应的时间信息共同输入发电量预测模型，预测各所述发电厂在下一时间步的发电量分布，得到各所述发电厂对应的预测发电量数据；将所述发电量分布数据、所述发电量分布数据对应的时间信息、所述耗电量分布数据以及所述耗电量分布数据对应的时间信息共同输入耗电量预测模型，预测各所述发电厂在下一时间步的耗电量分布，得到各所述耗电区域对应的预测耗电量数据；依据各所述预测发电量数据和各所述预测耗电量数据，构建所述电厂运行特征矩阵；通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。其中，步骤S22的具体实现过程可参照下述步骤A10中的具体实现方式，在此不再赘述。本申请实施例首先利用作为循环神经网络模型的发电量预测模型和耗电量预测模型，以及作为时间序列数据的发电量数据和耗电量数据，分别预测下一时间步的发电量分布和耗电量分布，进而依据下一时间步的发电量分布和耗电量分布，预测虚拟电厂是否存在运行风险，实现了预测虚拟电厂是否存在运行风险的目的。

[0042] 其中，在步骤S30中，所述通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征的步骤包括：

[0043] 步骤S31，若所述运行风险预测结果为存在运行风险，则确定所述电厂运行特征数据对应的各电厂运行特征，其中，所述电厂运行特征与所述发电厂相对应，或者与所述耗电区域相对应；

[0044] 在本实施例中，需要说明的是，所述电厂运行特征与所述发电厂一一对应，或者与所述耗电区域一一对应。

[0045] 步骤S32，分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度；

[0046] 步骤S33，基于各所述特征贡献度，在各所述电厂运行特征中选取所述电厂运行风险特征。

[0047] 在本实施例中，需要说明的是，所述特征贡献度为所述电厂运行特征对所述运行风险预测结果的影响程度，其中，所述特征贡献度包括正特征贡献度和负特征贡献度，其中，正特征贡献度表示对所述运行风险预测结果具有正向的影响，负特征贡献度表示对所述运行风险预测结果具有负向的影响，例如，假设电厂运行特征A对应火力发电厂，且火力发电厂的发电量分布稳定，也即火力发电厂输出稳定，电厂运行特征B对应风力发电厂，且风力发电厂的发电量分布不稳定，也即风力发电厂输出忽高忽低，若运行风险预测结果为存在运行风险，则电厂运行特征B明显会提高虚拟电厂存在运行风险的概率，也即电池运行特征B对虚拟电厂存在运行风险存在正向的影响，对应的特征贡献度为正特征贡献度，电厂运行特征A明显会降低虚拟电厂存在运行风险的概率，也即电池运行特征A对虚拟电厂存在运行风险存在负向的影响，对应的特征贡献度为负特征贡献度。

[0048] 作为一种示例，步骤S32至步骤S33包括：

[0049] 基于所述预设电厂风险检测模型，通过预设特征贡献度计算方式，分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP（SHapley Additive exPlanations，沙普利可加性模型解释）和LIME（Local Interpretable Model‑Agnostic Explanations，模型无关局部解释）等；在各所述特征贡献度选取取值为负值且最小的特征贡献度为目标特征贡献度，将所述目标特征贡献度对应的电厂运行特征作为电厂运行风险特征。其中，利用SHAP或者LIME计算特征贡献度的具体计算过程为现有技术，在此不再赘述。

[0050] 本申请实施例提供了一种基于人工智能的虚拟电厂运行风险检测方法，本申请实施例首先获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂，进而基于各所述发电量数据和各所述耗电量数据进行构建电厂运行特征数据；依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果；通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征，实现了以模型解释的方式，确定虚拟电厂存在运行风险的原因，进而依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定是哪个发电厂或者哪个耗电区域使得虚拟电厂存在运行风险，也即找到虚拟电厂存在运行风险的潜在风险因素，实现了在知道虚拟电厂存在运行风险时，检测导致虚拟电厂存在运行风险的原因的目的，克服了现有技术中由于电能的来源存在多种，且不同的耗电区域的耗电特性通常也不同，所以即使知道虚拟电厂存在运行风险，也无法检测到是什么原因导致虚拟电厂的运行风险的技术缺陷，提升了虚拟电厂运行风险检测的准确度。

[0051] 实施例二

[0052] 进一步地，参照图2，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在步骤S20中，所述电厂运行特征数据包括电厂运行特征矩阵，

[0053] 所述依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到的步骤包括：

[0054] 步骤A10，基于各所述发电量数据和各所述耗电量数据，构建所述电厂运行特征矩阵；

[0055] 步骤A20，通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

[0056] 在本实施例中，需要说明的是，所述发电量数据包括发电量表示矩阵，所述耗电量数据包括耗电量表示矩阵。其中，所述发电量表示矩阵为由各发电厂对应的电厂运行特征向量组成，所述耗电量表示矩阵为由各耗电区域对应的电厂运行特征向量组成。

[0057] 作为一种示例，所述步骤A10至步骤A20包括：

[0058] 将所述发电量表示矩阵和所述耗电量表示矩阵进行拼接，得到电厂运行特征矩阵；将所述电厂运行特征矩阵输入预设电厂风险检测模型，将所述电厂运行特征矩阵映射为电厂运行风险概率；若所述电厂运行风险概率大于预设风险概率阈值，则运行风险预测结果为存在运行风险，若所述电厂运行风险概率不大于预设风险概率阈值，则运行风险预测结果为不存在运行风险。

[0059] 其中，所述发电量数据包括发电量表示矩阵，所述耗电量数据包括耗电量表示矩阵，

[0060] 所述基于各所述发电量数据和各所述耗电量数据，构建所述电厂运行特征矩阵的步骤包括：

[0061] 步骤A11，生成各所述发电厂对应的发电厂标签以及各所述耗电区域对应的耗电区域标签；

[0062] 步骤A12，将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵。

[0063] 在本实施例中，需要说明的是，所述发电厂标签为发电厂的标识，用于标识发电厂对应的各发电厂特征，其中，所述发电厂特征可以为发电功率、发电厂类型以及发电厂所处区域的气象类型等。所述耗电区域为耗电区域的标识，用于标识耗电区域对应的各耗电区域特征，其中，所述耗电区域特征可以为耗电区域的地理位置、耗电区域的季节以及耗电区域的耗电类型等。

[0064] 作为一种示例，步骤A11至步骤A12包括：

[0065] 获取各发电厂对应的发电厂特征以及各耗电区域对应的耗电区域特征，依据各发电厂特征，分别为各发电厂动态匹配对应的发电厂标签，并依据各耗电区域特征，分别为各耗电区域动态匹配对应的耗电区域标签；将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵。

[0066] 其中，所述将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵的步骤包括：

[0067] 将各发电厂标签分别拼接至在所述发电量表示矩阵中对应的电厂运行特征向量中，得到发电量标签矩阵；将各耗电区域标签分别拼接至在所述耗电量表示矩阵中对应的电厂运行特征向量中，得到耗电量标签矩阵；将所述发电量标签矩阵和所述耗电量标签矩阵拼接，得到电厂运行特征矩阵。

[0068] 其中，在步骤A11中，生成各所述发电厂对应的发电厂标签的步骤包括：

[0069] 步骤B10，获取各发电厂对应的发电厂类型、对应的当地气象信息以及对应的最大发电功率；

[0070] 步骤B20，依据各所述发电厂类型、各所述当地气象信息与各所述最大发电功率，为各所述发电厂动态匹配对应的发电厂标签。

[0071] 在本实施例中，需要说明的是，所述发电厂类型可以为火力发电厂、风力发电厂、核能发电厂以及太阳能发电厂等类型。所述当地气象信息为所述发电厂所处区域的气象信息，可以为风力等级、太阳光照强度以及室外温度等信息，所述最大发电功率为发电厂所能达到的最大输出功率。

[0072] 作为一种示例，步骤B10至步骤B20包括：

[0073] 获取各发电厂对应的发电厂类型、对应的当地气象信息以及对应的最大发电功率；依据各所述发电厂类型、各所述当地气象信息与各所述最大发电功率，分别构建各所述发电厂对应的第一标签索引，依据各所述第一标签索引，查询各所述发电厂对应的发电厂标签。例如，假设所述发电厂类型为风力发电厂，对应的类型标签为a，当地气象信息为大风，风力等级为10级，最大发电功率为1000个电量单位，其中，电量单位的具体大小可自行设置，则第一标签索引为向量N（a，10,1000），进而依据向量N即可查找对应的发电厂标签，该发电厂标签可以为向量。

[0074] 另外，需要说明的是，由于发电厂的发电量受到许多因素影响，例如火力发电厂受到最大发电功率限制，风力发电厂受到风力等级的影响，而太阳能发电厂受到太阳光照强度的影响。本申请实施例依据各所述发电厂类型、各所述当地气象信息与各所述最大发电功率，为各所述发电厂动态匹配对应的发电厂标签，充分考虑了各种因素对发电厂的发电量的影响，进而为发电厂动态匹配发电厂标签，而发电标签为用于与发电量数据一起参与决策虚拟电厂是否存在运行风险的依据，所以为虚拟电厂运行风险检测提供了更多的决策依据，提升了虚拟电厂运行风险检测的准确度。

[0075] 其中，在步骤A11中，生成各所述耗电区域对应的耗电区域标签的步骤包括：

[0076] 步骤C10，获取各所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；

[0077] 步骤C20，依据各所述经纬度信息、各所述季节信息以及各所述用电类型信息，为各所述耗电区域动态匹配对应的耗电区域标签。

[0078] 在本实施例中，需要说明的是，所述经纬度信息为所述耗电区域的经度和纬度，所述季节信息为所述耗电区域所处的季节类型，例如可以为春季、夏季、秋季或者冬季等，所述用电类型信息为标识用电类型的标签，用电类型可以为商业用电、民用电或者工业用电等。

[0079] 作为一种示例，步骤C10至步骤C20包括：

[0080] 获取各所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息，依据各所述经纬度信息、各所述季节信息以及各用电类型信息，分别为各耗电区域构建第二标签索引；依据各所述第二标签索引，分别查询各耗电区域对应的耗电区域标签，例如，假设所述经纬度信息为（a，b），表示耗电区域的经度为a，纬度为b，所述季节信息为季节标签c，标识当前季节为春季，用电类型信息为标签d，标识用电类型为工业用电，则第二标签索引为向量M（a，b，c，d），进而以向量M为索引，查询对应的耗电区域标签。

[0081] 另外，需要说明的是，由于耗电区域的耗电量受到许多因素的影响，例如在远离赤道的地区需要长期耗电取暖，耗电量明显更高；工业耗电的耗电量明显会大于民用电的耗电量；在靠近赤道的地区，夏季由于需要开启空调，夏季和秋季的耗电量明显会大于春冬季的耗电量。本申请实施例依据各所述经纬度信息、各所述季节信息以及各所述用电类型信息，为各所述耗电区域动态匹配对应的耗电区域标签，充分考虑了各种因素对耗电区域的耗电量的影响，进而为耗电区域动态匹配耗电区域标签，而耗电区域标签为用于与耗电量数据一起参与决策虚拟电厂是否存在运行风险的依据，所以为虚拟电厂运行风险检测提供了更多的决策依据，提升了虚拟电厂运行风险检测的准确度。

[0082] 另外，需要说明的是，在虚拟电厂中，由于各发电厂的实时状态与各耗电区域的实时状态均随着外界环境改变而改变，进而导致直接进行虚拟电厂运行风险检测的准确度有待商榷。但是本申请实施例中通过为发电厂动态匹配发电厂标签以及为耗电区域动态匹配耗电区域标签，可准确捕捉发电厂实时状态与耗电区域的实时状态，进而结合发电厂标签、发电量数据、耗电区域标签以及耗电量数据进行虚拟电厂运行风险检测，即使各发电厂的实时状态与各耗电区域的实时状态均随着外界环境改变而改变，也可对虚拟电厂运行是否存在风险进行准确预测，提升了虚拟电厂运行风险检测的准确度。

[0083] 本申请实施例提供了一种电厂运行特征矩阵的构建方法，也即生成各所述发电厂对应的发电厂标签以及各所述耗电区域对应的耗电区域标签；将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵。其中，发电厂标签与发电厂对应的发电厂类型、对应的当地气象信息以及对应的最大发电功率等各发电厂特征相关联，耗电区域标签与耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息等耗电区域特征相关联，充分考虑了各种影响发电厂的发电量的因素以及各种影响耗电区域的耗电量的因素对虚拟电厂运行的影响，为虚拟电厂运行风险检测提供了更多的决策依据，提升了虚拟电厂运行风险检测的准确度。

[0084] 实施例三

[0085] 本申请实施例还提供一种基于人工智能的虚拟电厂运行风险检测装置，所述基于人工智能的虚拟电厂运行风险检测装置包括：

[0086] 获取模块，用于获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；

[0087] 预测模块，用于依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；

[0088] 模型解释模块，用于通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；

[0089] 风险确定模块，用于依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素。

[0090] 可选地，所述电厂运行特征数据包括电厂运行特征矩阵，所述预测模块还用于：

[0091] 基于各所述发电量数据和各所述耗电量数据，构建所述电厂运行特征矩阵；

[0092] 通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

[0093] 可选地，所述发电量数据包括发电量表示矩阵，所述耗电量数据包括耗电量表示矩阵，所述预测模块还用于：

[0094] 生成各所述发电厂对应的发电厂标签以及各所述耗电区域对应的耗电区域标签；

[0095] 将所述发电量表示矩阵、所述耗电量表示矩阵、各所述发电厂标签和各所述耗电区域标签拼接为所述电厂运行特征矩阵。

[0096] 可选地，所述预测模块还用于：

[0097] 获取各发电厂对应的发电厂类型、对应的当地气象信息以及对应的最大发电功率；

[0098] 依据各所述发电厂类型、各所述当地气象信息与各所述最大发电功率，为各所述发电厂动态匹配对应的发电厂标签。

[0099] 可选地，所述预测模块还用于：

[0100] 获取各所述耗电区域对应的经纬度信息、对应的季节信息以及对应的用电类型信息；

[0101] 依据各所述经纬度信息、各所述季节信息以及各所述用电类型信息，为各所述耗电区域动态匹配对应的耗电区域标签。

[0102] 可选地，所述模型解释模块还用于：

[0103] 若所述运行风险预测结果为存在运行风险，则确定所述电厂运行特征数据对应的各电厂运行特征，其中，所述电厂运行特征与所述发电厂相对应，或者与所述耗电区域相对应；

[0104] 分别计算各所述电厂运行特征对所述运行风险预测结果的特征贡献度；

[0105] 基于各所述特征贡献度，在各所述电厂运行特征中选取所述电厂运行风险特征。

[0106] 可选地，所述电厂运行特征数据包括电厂运行特征矩阵，所述预测模块还用于：

[0107] 依据预设电量预测模型、各所述发电量数据和各所述耗电量数据，预测各所述发电厂在下一时间步的发电量以及各所述耗电区域在下一时间步的耗电量，得到各预测发电量数据以及各预测耗电量数据；

[0108] 依据各所述预测发电量数据和各所述预测耗电量数据，构建所述电厂运行特征矩阵；

[0109] 通过所述预设电厂风险检测模型将所述电厂运行特征矩阵映射为电厂运行风险概率，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果。

[0110] 本发明提供的基于人工智能的虚拟电厂运行风险检测装置，采用上述实施例中的基于人工智能的虚拟电厂运行风险检测方法，解决了虚拟电厂运行风险检测准确度低的技术问题。与现有技术相比，本发明实施例提供的基于人工智能的虚拟电厂运行风险检测装置的有益效果与上述实施例提供的基于人工智能的虚拟电厂运行风险检测方法的有益效果相同，且该基于人工智能的虚拟电厂运行风险检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

[0111] 实施例四

[0112] 本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于人工智能的虚拟电厂运行风险检测方法。

[0113] 下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

[0114] 如图3所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出（I/O）接口也连接至总线。

[0115] 通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

[0116] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。

[0117] 本发明提供的电子设备，采用上述实施例中的基于人工智能的虚拟电厂运行风险检测方法，解决了虚拟电厂运行风险检测准确度低的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的基于人工智能的虚拟电厂运行风险检测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

[0118] 应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0119] 以上所述，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所述权利要求的保护范围为准。

[0120] 实施例五

[0121] 本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的虚拟电厂运行风险检测的方法。

[0122] 本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD‑ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

[0123] 上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。

[0124] 上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各所述发电厂和各所述耗电区域部署于同一虚拟电厂；依据预设电厂风险检测模型和电厂运行特征数据，预测所述虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，所述电厂运行特征数据基于各所述发电量数据和各所述耗电量数据进行构建得到；通过对所述运行风险预测结果进行模型解释，确定所述运行风险预测结果对应的电厂运行风险特征；依据所述电厂运行风险特征，在各所述发电厂和各所述耗电区域中确定潜在风险因素。

[0125] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

[0126] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0127] 描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

[0128] 本发明提供的计算机可读存储介质，存储有用于执行上述基于人工智能的虚拟电厂运行风险检测方法的计算机可读程序指令，解决了虚拟电厂运行风险检测准确度低的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的基于人工智能的虚拟电厂运行风险检测方法的有益效果相同，在此不做赘述。

[0129] 实施例六

[0130] 本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于人工智能的虚拟电厂运行风险检测方法的步骤。

[0131] 本申请提供的计算机程序产品解决了虚拟电厂运行风险检测准确度低的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的基于人工智能的虚拟电厂运行风险检测方法的有益效果相同，在此不做赘述。

[0132] 以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。