(19)國家知識產(chǎn)權(quán)局(10)申請公布號CN120200249A(21)申請?zhí)?02510686676.9(22)申請日2025.05.27(71)申請人浙江浙能能源服務(wù)有限公司地址310000浙江省杭州市西湖區(qū)天目山路152號7樓王智強周麗娟王浩凱(74)專利代理機構(gòu)杭州興知捷專利代理事務(wù)所(普通合伙)33338專利代理師董建軍GO6N3/006(2023.01)(54)發(fā)明名稱基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法及系統(tǒng)(57)摘要本發(fā)明公開了基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法及系統(tǒng)，涉及電力調(diào)度技術(shù)領(lǐng)域，包括如下步驟：獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)；基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)；獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量；基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)度；本發(fā)明用于解決現(xiàn)有電力調(diào)度技術(shù)中利用歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出的預(yù)測模型，若短時間內(nèi)2獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)獲取目標用電區(qū)域的實時溫度與實時負荷量，基于獲取第一數(shù)量的歷史負荷量以及歷史溫度；其中歷史負荷量為目標用電區(qū)域一周內(nèi)的以歷史溫度為X軸，歷史負荷量均值為Y軸建立平面直角坐標系，標記為歷史負荷均值計算出所有橫坐標最近的兩個歷史負荷均值坐標點的斜率，其中Kx;為第i與i-1個歷史負荷均值坐標點斜率，Y為第i個歷史負荷均值坐標的縱坐判斷所有的斜率差值是否超過差值范圍閾值，若超過，計算出第i+2與i個負荷斜率的3n-2的整數(shù)；判斷檢測誤差是否超過差值范圍閾值，若超過，獲取第i個負荷斜率對應(yīng)的第i個歷史負荷均值坐標的橫坐標，標記為橫坐標閾值。5.根據(jù)權(quán)利要求4所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)還包括如下子步驟：統(tǒng)計橫坐標閾值數(shù)量標記為m;將橫坐標閾值按照從小到大依次標記為T,其中j為1到m的整數(shù)；獲取歷史負荷均值坐標點的橫坐標最小值，標記為T?,獲取歷史負荷均值坐標點的橫坐獲取分段范圍分別為：[Tq,T1],[T1,T2],6.根據(jù)權(quán)利要求5所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)還包括如下子步驟：以歷史溫度為X軸，歷史負荷量為Y軸建立平面直角坐標系，標記為歷史負荷量坐標系，將歷史溫度與對應(yīng)的歷史負荷量繪入歷史負荷量坐標系中獲得散點圖，標記為歷史負荷量散點圖；設(shè)定預(yù)設(shè)初始預(yù)測負荷量函數(shù)為：Y=a*X+bg,其中a與b為預(yù)設(shè)初始預(yù)測負荷量函數(shù)的基于歷史負荷量散點圖與分段范圍進行多段線性擬合，獲得每個分段范圍內(nèi)預(yù)設(shè)初始預(yù)測負荷量函數(shù)的a與b的具體數(shù)值，將ag與b的具體數(shù)值代入預(yù)設(shè)初始預(yù)測負荷量函數(shù)中獲得m+1個初始預(yù)測負荷量函數(shù)。7.根據(jù)權(quán)利要求6所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)包括如下子步驟：獲取任意一個初始預(yù)測負荷量函數(shù)的as與b具體數(shù)值，分別標記為as與bs;獲取第二數(shù)量的粒子，其中粒子表示為(w,e),設(shè)定w取值范圍為[as-p1,as+p1],e取值范圍為[bs-p2,bs+p2];p1為w范圍常計算每個粒子適應(yīng)度為：將適應(yīng)度最小值的粒子記作最優(yōu)解；對粒子速度和位置進行更新，其中粒子速度更新公式為：粒子位置；粒子位置更新公式為：pn。=pa+Vn;其中pn為粒子4重復(fù)進行粒子速度和位置的更新，直至粒子的最優(yōu)解不再變化；獲取全局的粒子的最優(yōu)解，標記為(wy,ey);將wy替代as與ey替代bs后代入初始預(yù)測負荷量函數(shù)獲得最終預(yù)測負荷量函數(shù)。8.根據(jù)權(quán)利要求7所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量如下子步驟：獲取目標用電區(qū)域未來一周的平均溫度，標記為未來溫度；將未來溫度代入對應(yīng)分段范圍的最終預(yù)測負荷量函數(shù)中得到預(yù)測未來負荷量；以預(yù)測未來負荷量對目標用電區(qū)域未來一周的負荷量進行調(diào)度。9.根據(jù)權(quán)利要求8所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，基于實時溫度、實時負荷量與最終預(yù)測負荷量函數(shù)判斷是否更新最終預(yù)測負荷量函數(shù)包括如下步驟：獲取目標用電區(qū)域最近一周的平均溫度與負荷量，分別標記為實時溫度與實時負荷將實時溫度代入對應(yīng)分段范圍的最終預(yù)測負荷量函數(shù)中獲得預(yù)測實時負荷量；計算出實時負荷量與預(yù)測實時負荷量的差值的絕對值，標記為檢測差值；判斷檢測差值是否超過檢測閾值，若超過，新增第三數(shù)量的歷史負荷量以及歷史溫度，更新最終預(yù)測負荷量函數(shù)并利用粒子群優(yōu)化算法優(yōu)化。10.基于智能優(yōu)化算法的虛擬電廠電力調(diào)度系統(tǒng)，用于實現(xiàn)權(quán)利要求1-9任意一項所述的基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法，其特征在于，包括函數(shù)獲取模塊、函數(shù)優(yōu)化模塊、電力調(diào)度模塊以及函數(shù)更新模塊；所述函數(shù)獲取模塊用于獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)；所述函數(shù)優(yōu)化模塊用于基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)；所述電力調(diào)度模塊用于獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量；基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)所述函數(shù)更新模塊用于獲取目標用電區(qū)域的實時溫度與實時負荷量，基于實時溫度、實時負荷量與最終預(yù)測負荷量函數(shù)判斷是否更新最終預(yù)測負荷量函數(shù)。5技術(shù)領(lǐng)域[0001]本發(fā)明涉及電力調(diào)度技術(shù)領(lǐng)域，具體為基于智能優(yōu)化算法的虛擬電廠電力調(diào)度方法及系統(tǒng)。背景技術(shù)[0002]虛擬電廠技術(shù)通過整合和優(yōu)化分布式能源資源，如太陽能、風(fēng)能、儲能系統(tǒng)和可控負載，為電力調(diào)度提供了一種靈活、高效的解決方案，它利用智能電網(wǎng)技術(shù)和需求響應(yīng)程現(xiàn)有的虛擬電廠電力調(diào)度方法為基于歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出預(yù)測模型，然后基于預(yù)測模型對電力進行調(diào)度，然而負荷量實際與溫度有關(guān)，當(dāng)溫度不同時使用的電器與電器的負荷量都有所不同，例如過冷或過熱需要開空調(diào)，若短時間內(nèi)溫度變換較大，導(dǎo)致使用的電器數(shù)量與電器的負荷量都有所變化，則基于歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出預(yù)測模型會出現(xiàn)預(yù)測不準確情況，比如申請公開號為CN117691583A的專利申請中，公開了一種用于虛擬電廠的電力調(diào)度系統(tǒng)及方法，再比如申請公開號為CN118469257A的專利申請中，公開了用于基于機器學(xué)習(xí)模型的電廠優(yōu)化調(diào)度方法及虛擬控制系統(tǒng)，這兩個方案都是使用歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出預(yù)測模型，若短時間內(nèi)溫度變換較大會出現(xiàn)預(yù)測電負荷不準確情況，現(xiàn)有電力調(diào)度技術(shù)中利用歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出的預(yù)測模型，若短時間內(nèi)溫度變化較大，會導(dǎo)致預(yù)測模型預(yù)測的負荷需求并不準確。發(fā)明內(nèi)容[0003]本發(fā)明旨在至少在一定程度上解決現(xiàn)有技術(shù)中的技術(shù)問題之一，通過基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)，然后利用粒子群優(yōu)化算法得到最終預(yù)測負荷量函數(shù)，未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量，基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)度，以解決現(xiàn)有電力調(diào)度技術(shù)中利用歷史電力數(shù)據(jù)與歷史電力數(shù)據(jù)的時間戳訓(xùn)練出的預(yù)測模型，若短時間內(nèi)溫度變換較大，會導(dǎo)致預(yù)測模型預(yù)測的負荷需求并不準確的問題。[0004]為實現(xiàn)上述目的，第一方面，本申請?zhí)峁┗谥悄軆?yōu)化算法的虛擬電廠電力調(diào)度獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)；基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)；獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量；基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)度；獲取目標用電區(qū)域的實時溫度與實時負荷量，基于實時溫度、實時負荷量與最終6獲取第一數(shù)量的歷史負荷量以及歷史溫度；其[0006]進一步地，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)包括如下子步縱坐標，X為第i個歷史負荷均值坐標的橫坐標，Yi-[0007]進一步地，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)還包括如下子步斜率，此時的i的范圍為1到n-1的整數(shù)，i的大小對應(yīng)生成負荷斜率的歷史負荷均值坐標橫為1到n-2的整數(shù)；[0008]進一步地，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)還包括如下子步獲取歷史負荷均值坐標點的橫坐標最小值，標記為T,獲取歷史負荷均值坐標點7[0009]進一步地，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)還包括如下子步基于歷史負荷量散點圖與分段范圍進行多段線性擬合，初始預(yù)測負荷量函數(shù)的ap與b的具體數(shù)值，將as與b?的具體數(shù)值代入8預(yù)測負荷量函數(shù)包括如下步驟：獲取目標用電區(qū)域最近一周的平均溫度與負荷量，分別標記為實時溫度與實時負將實時溫度代入對應(yīng)分段范圍的最終預(yù)測負荷量函數(shù)中獲得預(yù)測實時負荷量；計算出實時負荷量與預(yù)測實時負荷量的差值的絕對值，標記為檢測差值；判斷檢測差值是否超過檢測閾值，若超過，新增第三數(shù)量的歷史負荷量以及歷史溫度，更新最終預(yù)測負荷量函數(shù)并利用粒子群優(yōu)化算法優(yōu)化。[0013]第二方面，本申請還提供一種基于智能優(yōu)化算法的虛擬電廠電力調(diào)度系統(tǒng)，包括：函數(shù)獲取模塊、函數(shù)優(yōu)化模塊、電力調(diào)度模塊以及函數(shù)更新模塊；所述函數(shù)獲取模塊用于獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)；所述函數(shù)優(yōu)化模塊用于基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)；所述電力調(diào)度模塊用于獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量；基于預(yù)測未來負荷量對目標用電區(qū)域進行電力所述函數(shù)更新模塊用于獲取目標用電區(qū)域的實時溫度與實時負荷量，基于實時溫度、實時負荷量與最終預(yù)測負荷量函數(shù)判斷是否更新最終預(yù)測負荷量函數(shù)。[0014]本發(fā)明的有益效果：本發(fā)明通過基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)，然后利用粒子群優(yōu)化算法得到最終預(yù)測負荷量函數(shù)，未來溫度與最終預(yù)測負荷量函數(shù)進行計算得到預(yù)測未來負荷量，基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)度，優(yōu)勢在于，可根據(jù)預(yù)測的未來溫度獲取目標區(qū)域未來負荷量，基于未來負荷量對目標區(qū)域提供相應(yīng)負荷量，該方法在短期溫度變化較大時，能夠準確預(yù)測目標用電區(qū)域負荷量，提升未來預(yù)測負荷量的準確性；本發(fā)明通過基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)測負荷量函數(shù)，優(yōu)勢在于，基于初始預(yù)測負荷量函數(shù)的參數(shù)通過粒子群優(yōu)化算法找出更優(yōu)的參數(shù)，提升了預(yù)測目標用電區(qū)域未來負荷量的準確性。附圖說明[0015]圖1為本發(fā)明的系統(tǒng)的原理框圖；圖2為本發(fā)明的歷史負荷均值散點圖的示意圖；圖3為本發(fā)明的歷史負荷量散點圖的示意圖；圖4為本發(fā)明的方法的步驟流程圖。具體實施方式[0016]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他9[0017]實施例1,請參閱圖1所示，本申請?zhí)峁┗谥悄軆?yōu)化算法的虛擬電廠電力調(diào)度系獲取第一數(shù)量的歷史負荷量以及歷史溫度；其以歷史溫度為X軸，歷史負荷量均值為Y軸建立平面直角將歷史負荷均值散點圖中每個坐標點標記為歷史負荷均值坐標點；整數(shù)；實際應(yīng)用中，如第i與i-1個歷史負荷均值坐標點為(24,10)與(22.5,10.18),即Kx;為(10-10.18)/(24-22.5)=-0.12;為1到n-2的整數(shù)；增加檢測差值因線性關(guān)系中可能會存在一個突變值，為了排除突變值找定為[-0.2,0.2];=0.787,檢測差值也超過差值閾值范圍設(shè)定，獲取第i個負荷斜率對應(yīng)的第i個歷史負荷均統(tǒng)計橫坐標閾值數(shù)量標記為m;獲取歷史負荷均值坐標點的橫坐標最小值，標記為T,獲取歷史負荷均值坐標點荷均值坐標點的橫坐標最小值T?=-20℃,獲取歷史負荷均值坐標點的橫坐標最大值T?=36℃;因此分段范圍分別為[-20,0],[0,24]基于歷史負荷量散點圖與分段范圍進行多段線性擬合，初始預(yù)測負荷量函數(shù)的a與b的具體數(shù)值，將a與b的具體數(shù)值代入預(yù)設(shè)初始預(yù)測負荷量[0019]函數(shù)優(yōu)化模塊用于基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化實際應(yīng)用中，請參閱圖3所示，多段線性擬合獲得初始預(yù)測負荷量函數(shù)為標準函溫度范圍內(nèi)的初始預(yù)測負荷量函數(shù)為Y=-0.125*X+13;[24,36]溫度范圍內(nèi)的初始預(yù)測負荷量函數(shù)為Y=0.667*X-6;能優(yōu)化算法一種，粒子群優(yōu)化算法受到鳥群為0.2,若as+pl>1時可將as+p1設(shè)定為1,若as-p1<-1時可將as-p1設(shè)定為-1,p2設(shè)定為5;粒應(yīng)用到本發(fā)明原理為把粒子群優(yōu)化算法的中的粒子看作初始預(yù)測負荷量函數(shù)中將wy替代as與ey替代bs后代入初始預(yù)測負荷量函數(shù)獲[0,24]溫度范圍內(nèi)的最終預(yù)測負荷量函數(shù)為Y=-0.126*X+13.1;[24,36]溫度范圍內(nèi)的最終預(yù)測負荷量函數(shù)為Y=0.668*X-6.2;量函數(shù)進行計算得到預(yù)測未來負荷量；基于預(yù)測未來負荷量對目標用電區(qū)域進行電力調(diào)實際應(yīng)用中，獲取未來溫度為5℃,代入[0,24為Y=-0.126*X+13.1;負荷量為12.47萬千瓦；以負荷量為12.47萬千瓦對目標用電區(qū)域預(yù)設(shè)未來一周負荷量電力調(diào)度；函數(shù)更新模塊用于獲取目標用電區(qū)域的實時溫度與實時負荷量，基于實時溫度、實時負荷量與最終預(yù)測負荷量函數(shù)判斷是否更新最終預(yù)測負荷量函數(shù)；函數(shù)更新模塊配置有函數(shù)更新策略，函數(shù)更新策略包括：獲取目標用電區(qū)域最近一周的平均溫度與負荷量，分別標記為實時溫度與實時負將實時溫度代入對應(yīng)分段范圍的最終預(yù)測負荷量函數(shù)中獲得預(yù)測實時負荷量；計算出實時負荷量與預(yù)測實時負荷量的差值的絕對值，標記為檢測差值；判斷檢測差值是否超過檢測閾值，若超過，新增第三數(shù)量的歷史負荷量以及歷史溫度，更新最終預(yù)測負荷量函數(shù)并利用粒子群優(yōu)化算法優(yōu)化；因隨著時代發(fā)展用電設(shè)備會檢測閾值設(shè)定可根據(jù)歷史負荷量與通過歷史溫度與最終預(yù)測負荷量函數(shù)預(yù)測的負荷量最大差值設(shè)定；實際應(yīng)用中，獲取目標用電區(qū)域最近一周的平均溫度=2℃與負荷量=12.858萬千瓦，將2℃帶入[0,24]溫度范圍內(nèi)的最終預(yù)測負荷量函數(shù)為Y=-0.126*X+13.1;獲得預(yù)測實時負荷量=12.848萬千瓦，計算出檢測差值為0.010萬千瓦，獲取檢測閾值為0.023萬千瓦，0.010萬千瓦小于0.023萬千瓦即不用更新最終預(yù)測負荷量函數(shù)。[0021]實施例2,請參閱圖4所示，本申請?zhí)峁┗谥悄軆?yōu)化算法的虛擬電廠電力調(diào)度方法，包括如下步驟：步驟S1,獲取目標用電區(qū)域的歷史負荷量與歷史溫度，基于歷史負荷量與歷史溫度得到初始預(yù)測負荷量函數(shù)；步驟S1包括如下子步驟：步驟S101,獲取第一數(shù)量的歷史負荷量以及歷史溫度；其中歷史負荷量為目標用電區(qū)域一周內(nèi)的負荷量，歷史溫度為目標用電區(qū)域?qū)?yīng)歷史負荷量一周內(nèi)的平均溫度；步驟S102,求取每個歷史溫度對應(yīng)的所有歷史負荷量的均值，標記為歷史負荷量步驟S103,以歷史溫度為X軸，歷史負荷量均值為Y軸建立平面直角坐標系，標記為歷史負荷均值坐標系，將歷史溫度與歷史負荷量均值繪入歷史負荷均值坐標系中獲得散點[0022]步驟S104,獲取第一數(shù)量的歷史負荷量以及歷史溫度；其中歷史負荷量為目標用電區(qū)域一周內(nèi)的負荷量，歷史溫度為目標用電區(qū)域?qū)?yīng)歷史負荷量一周內(nèi)的平均溫度；步驟S105,求取每個歷史溫度對應(yīng)的所有歷史負荷量的均值，標記為歷史負荷量步驟S106,以歷史溫度為X軸，歷史負荷量均值為Y軸建立平面直角坐標系，標記為歷史負荷均值坐標系，將歷史溫度與歷史負荷量均值繪入歷史負荷均值坐標系中獲得散點步驟S107,將歷史負荷均值散點圖中每個坐標點標記為歷史負荷均值坐標點；步驟S108,獲取歷史負荷均值坐標點數(shù)量，標記為n;步驟S109,計算出所有橫坐標最近的兩個歷史負荷均值坐標點的斜率，標記為負步驟S115,獲取歷史負荷均值坐標點的橫坐標最小步驟S119,基于歷史負荷量散點圖與分段范圍進行多段線性擬合，獲得每個分段范圍內(nèi)預(yù)設(shè)初始預(yù)測負荷量函數(shù)的aB與b的具體數(shù)值，將as與b的具體數(shù)值代入預(yù)設(shè)初始[0024]步驟S2,基于粒子群優(yōu)化算法對初始預(yù)測負荷量函數(shù)的參數(shù)進行優(yōu)化得到最終預(yù)步驟S202,獲取第二數(shù)量的粒子，其中粒子表示為(w,e),設(shè)定w取值范圍為[as-步驟S203,計算每個粒子適應(yīng)度為：步驟S209,將wy替代as與ey替代bs后代入初始預(yù)測負荷量函數(shù)獲得最終預(yù)測負荷[0025]步驟S3,獲取目標用電區(qū)域的未來溫度，基于未來溫度與最終預(yù)測負荷量函數(shù)進步驟S302,將未來溫度代入對應(yīng)分段范圍的最終預(yù)測負荷量函數(shù)中得到預(yù)測未來步驟S401,獲取目標用電區(qū)域最近一周的平均溫度與負荷量，分別標記為實時溫步驟