本發(fā)明涉及智能電網(wǎng)管理和能源優(yōu)化，且更具體地涉及一種電表箱智能負(fù)載管理與調(diào)配方法。

背景技術(shù)：

1、隨著智能電網(wǎng)技術(shù)的發(fā)展和物聯(lián)網(wǎng)技術(shù)的普及，電表箱的智能化已成為電力系統(tǒng)現(xiàn)代化的重要組成部分。在當(dāng)前時(shí)代背景下，電表箱不僅要承擔(dān)傳統(tǒng)的電能計(jì)量功能，還需要集成更多的智能功能，如遠(yuǎn)程監(jiān)控、故障預(yù)警、數(shù)據(jù)采集與分析等，以適應(yīng)電力系統(tǒng)對(duì)高效率、高可靠性和高安全性的需求。

2、現(xiàn)有技術(shù)中，智能電表箱通過集成多種傳感器和通信技術(shù)，實(shí)現(xiàn)了對(duì)電力電表箱的工況、安全性和環(huán)境狀態(tài)的在線有源監(jiān)控。例如，王毅教授發(fā)表的《通過聯(lián)邦分割學(xué)習(xí)為智能電表引入邊緣智能》一文中，通過結(jié)合聯(lián)邦學(xué)習(xí)和分割學(xué)習(xí)，提出了一種創(chuàng)新的云-邊-端架構(gòu)，有效解決了智能電表在硬件資源和數(shù)據(jù)資源方面的雙重限制的問題。此外，專利cn118487385b中，通過當(dāng)接入端的電能異常時(shí)對(duì)輸出端電閘進(jìn)行開關(guān)控制，通過確認(rèn)各異常負(fù)載支路和斷開各異常負(fù)載支路，同時(shí)結(jié)合輸出端與各負(fù)載支路之間的消耗電能關(guān)系確認(rèn)輸出端的各電能損耗異常支路；然而，盡管現(xiàn)有技術(shù)在智能電表箱的負(fù)載管理與調(diào)配方面取得了一定的進(jìn)展，但仍存在以下缺點(diǎn)：

3、首先，電力系統(tǒng)處在一個(gè)高度動(dòng)態(tài)的環(huán)境，天氣、季節(jié)、節(jié)假日等因素都會(huì)顯著影響用電模式。傳統(tǒng)的預(yù)測模型往往假設(shè)環(huán)境相對(duì)穩(wěn)定，但實(shí)際中這些因素的變化非常頻繁且不可預(yù)測。例如，極端天氣事件(如熱浪或寒潮)可能導(dǎo)致用電量突然激增，而模型未能及時(shí)調(diào)整預(yù)測結(jié)果，導(dǎo)致負(fù)荷管理失靈。其次，預(yù)測模型通常依賴歷史數(shù)據(jù)進(jìn)行訓(xùn)練，但這些數(shù)據(jù)可能存在偏見。例如，如果訓(xùn)練數(shù)據(jù)主要來自某一特定地區(qū)或時(shí)間段，模型可能無法準(zhǔn)確預(yù)測其他地區(qū)或時(shí)間段的負(fù)載情況。這種偏見會(huì)導(dǎo)致模型在面對(duì)新情況時(shí)表現(xiàn)不佳；最后，預(yù)測模型通常基于固定的時(shí)間窗口(如每小時(shí)或每天)進(jìn)行更新，而在實(shí)際運(yùn)行中，負(fù)載變化可能非常迅速。如果反饋機(jī)制不及時(shí)，系統(tǒng)可能無法快速響應(yīng)這些變化，導(dǎo)致控制策略失效。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明公開一種電表箱智能負(fù)載管理與調(diào)配方法，以解決背景技術(shù)中提出的問題。

2、本發(fā)明采用以下技術(shù)方案：

3、一種電表箱智能負(fù)載管理與調(diào)配方法，包括以下步驟：

4、s1、通過實(shí)時(shí)數(shù)據(jù)接口和梯度提升樹收集并分析多元化數(shù)據(jù)，包括實(shí)時(shí)負(fù)載數(shù)據(jù)、歷史用電數(shù)據(jù)、天氣預(yù)報(bào)、季節(jié)信息、節(jié)假日安排，形成綜合數(shù)據(jù)集；所述歷史用電數(shù)據(jù)包括不同時(shí)間段、不同天氣條件下的用電量；

5、s2、基于綜合數(shù)據(jù)集，通過長短時(shí)記憶網(wǎng)絡(luò)lstm構(gòu)建用電量預(yù)測模型，實(shí)時(shí)預(yù)測用電量；

6、s3、基于s1中的歷史用電數(shù)據(jù)，通過合成少數(shù)類過采樣對(duì)歷史用電數(shù)據(jù)進(jìn)行增強(qiáng)處理，消除地域和時(shí)段偏見，并通過自適應(yīng)增強(qiáng)算法訓(xùn)練強(qiáng)預(yù)測模型；

7、s4、基于s3輸出的強(qiáng)預(yù)測模型和s1輸出的實(shí)時(shí)負(fù)載數(shù)據(jù)，通過基于卡爾曼濾波的滑動(dòng)窗口預(yù)測方法，設(shè)定初始時(shí)間窗口，根據(jù)負(fù)載變化的實(shí)時(shí)速率動(dòng)態(tài)調(diào)整窗口大小，連續(xù)預(yù)測用電需求，并根據(jù)新的觀測值實(shí)時(shí)更新預(yù)測結(jié)果；

8、s5、基于s4的預(yù)測結(jié)果和s1輸出的實(shí)時(shí)負(fù)載數(shù)據(jù)，通過自適應(yīng)深度確定性策略梯度算法動(dòng)態(tài)調(diào)整負(fù)載分配策略；

9、s6、實(shí)時(shí)監(jiān)測負(fù)載變化，若負(fù)載變化超出預(yù)設(shè)閾值，通過即時(shí)調(diào)配算法進(jìn)行負(fù)載調(diào)配；

10、s7、通過分布式協(xié)同調(diào)度系統(tǒng)對(duì)跨區(qū)域電表箱進(jìn)行協(xié)同分配調(diào)度與管理，所述分布式協(xié)同調(diào)度系統(tǒng)通過交替方向乘子法進(jìn)行跨區(qū)域電表箱的協(xié)同調(diào)度。

11、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述s1中通過梯度提升樹分析多元化數(shù)據(jù)的分析方法為：首先，通過實(shí)時(shí)數(shù)據(jù)接口集成電表箱的實(shí)時(shí)負(fù)載數(shù)據(jù)、歷史用電數(shù)據(jù)和外部數(shù)據(jù)源的多元化信息，并通過異常值檢測和歸一化處理對(duì)集成的數(shù)據(jù)進(jìn)行預(yù)處理；所述外部數(shù)據(jù)源包括天氣預(yù)報(bào)、季節(jié)信息、節(jié)假日安排；基于預(yù)處理后的數(shù)據(jù)集，生成一系列基礎(chǔ)決策樹作為弱學(xué)習(xí)器，每個(gè)弱學(xué)習(xí)器獨(dú)立對(duì)數(shù)據(jù)進(jìn)行初步擬合；在迭代過程中，通過梯度下降法計(jì)算前一輪預(yù)測結(jié)果的殘差，并根據(jù)殘差更新訓(xùn)練目標(biāo)；若殘差大于預(yù)設(shè)閾值，則重新生成弱學(xué)習(xí)器；在新一輪迭代中，通過特征加權(quán)與分裂策略根據(jù)特征的重要性對(duì)決策樹的節(jié)點(diǎn)進(jìn)行分裂，并調(diào)整節(jié)點(diǎn)的權(quán)重；迭代滿足預(yù)設(shè)閾值后，基于迭代生成的弱學(xué)習(xí)器，通過集成學(xué)習(xí)方法將每一輪迭代生成的弱學(xué)習(xí)器集成到強(qiáng)學(xué)習(xí)器中，形成梯度提升樹模型；接著通過均方誤差mse計(jì)算當(dāng)前梯度提升樹模型的損失值，并根據(jù)損失值調(diào)整梯度提升樹模型參數(shù)；最后通過l1正則化對(duì)梯度提升樹模型進(jìn)行正則化處理，并對(duì)決策樹進(jìn)行剪枝處理。

12、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述用電量預(yù)測模型包括輸入層、嵌入層、lstm層、注意力機(jī)制層、全連接層和輸出層；所述用電量預(yù)測模型的工作方法為：

13、f1、通過所述輸入層接收綜合數(shù)據(jù)集中的多源數(shù)據(jù)，所述輸入層通過歸一化和標(biāo)準(zhǔn)化方法確保數(shù)據(jù)的格式和質(zhì)量；

14、f2、通過所述嵌入層將離散的類別數(shù)據(jù)轉(zhuǎn)換為連續(xù)的向量表示；所述嵌入層通過查找表將每個(gè)類別映射到一個(gè)固定長度的向量，以捕捉類別數(shù)據(jù)的特征，所述類別數(shù)據(jù)包括節(jié)假日安排、季節(jié)信息；

15、f3、通過所述lstm層捕捉時(shí)間序列數(shù)據(jù)中的長期依賴關(guān)系，所述lstm層通過輸入門、遺忘門和輸出門控制信息的流入和流出，動(dòng)態(tài)調(diào)整對(duì)歷史信息的記憶程度，并通過細(xì)胞狀態(tài)捕捉時(shí)間序列數(shù)據(jù)的長期依賴關(guān)系；

16、f4、通過所述注意力機(jī)制層突出重要的時(shí)間步和特征；所述注意力機(jī)制層通過計(jì)算每個(gè)時(shí)間步和特征的權(quán)重，生成注意力圖；

17、f5、通過所述全連接層將所述lstm層和所述注意力機(jī)制層的輸出進(jìn)行綜合，生成高維特征向量；

18、f6、通過所述輸出層生成用電量預(yù)測結(jié)果；所述輸出層通過激活函數(shù)relu對(duì)高維特征向量進(jìn)行非線性變換，并通過歸一化操作將預(yù)測結(jié)果轉(zhuǎn)換為實(shí)際用電量值。

19、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述s3中通過合成少數(shù)類過采樣對(duì)歷史用電數(shù)據(jù)進(jìn)行增強(qiáng)處理的方法為：首先，通過基于密度的聚類算法對(duì)歷史用電數(shù)據(jù)進(jìn)行初步劃分，識(shí)別不同地域和時(shí)段下的用電模式，包括少數(shù)類樣本和所有樣本；所述少數(shù)類樣本表示用電量較低或較高的時(shí)段以及地區(qū)的數(shù)據(jù)點(diǎn)，基于識(shí)別出的少數(shù)類樣本，通過基于最近鄰的插值方法計(jì)算所述少數(shù)類樣本與所有其他樣本之間的歐氏距離，找到少數(shù)類樣本的k個(gè)最近鄰樣本；根據(jù)k個(gè)最近鄰樣本的分布情況，選擇其中一個(gè)進(jìn)行插值操作，生成新的少數(shù)類樣本。

20、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述自適應(yīng)增強(qiáng)算法的工作方法為：基于增強(qiáng)后的數(shù)據(jù)集，所述自適應(yīng)增強(qiáng)算法首先通過初始權(quán)重分配方法為數(shù)據(jù)集中的每個(gè)樣本分配權(quán)重，接著基于當(dāng)前權(quán)重分布訓(xùn)練第一個(gè)弱預(yù)測模型，并計(jì)算弱預(yù)測模型在訓(xùn)練集上的預(yù)測誤差；根據(jù)弱預(yù)測模型的預(yù)測誤差，計(jì)算每個(gè)樣本的誤差率；根據(jù)誤差率，通過權(quán)重調(diào)整策略動(dòng)態(tài)調(diào)整每個(gè)樣本的權(quán)重，聚焦模糊樣本，并進(jìn)行多次迭代訓(xùn)練；在迭代過程中，所述自適應(yīng)增強(qiáng)算法根據(jù)每個(gè)弱預(yù)測模型在訓(xùn)練集上的預(yù)測誤差，動(dòng)態(tài)調(diào)整下一輪弱預(yù)測模型權(quán)重，并將每一輪調(diào)整后的模型進(jìn)行加權(quán)組合，生成強(qiáng)預(yù)測模型；在每次迭代訓(xùn)練過程中，所述自適應(yīng)增強(qiáng)算法還通過特征重要性評(píng)估機(jī)制根據(jù)弱預(yù)測模型的特征重要性得分，動(dòng)態(tài)調(diào)整輸入特征的權(quán)重。

21、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述基于卡爾曼濾波的滑動(dòng)窗口預(yù)測方法的工作方法為：通過讀取歷史用電數(shù)據(jù)和實(shí)時(shí)負(fù)載數(shù)據(jù)的初始值，設(shè)定滑動(dòng)窗口的初始大小，初始化卡爾曼濾波的狀態(tài)向量x0和協(xié)方差矩陣p0，其中x0表示初始時(shí)刻的用電需求預(yù)測值，p0表示初始狀態(tài)的不確定性；若當(dāng)前時(shí)刻為t，則通過卡爾曼濾波的預(yù)測方程利用前一時(shí)刻的狀態(tài)向量xt-1和過程噪聲協(xié)方差矩陣q預(yù)測當(dāng)前時(shí)刻的狀態(tài)向量xt以及當(dāng)前時(shí)刻的協(xié)方差矩陣pt；在監(jiān)測負(fù)載變化的實(shí)時(shí)速率高于或等于預(yù)設(shè)閾值時(shí)，通過動(dòng)態(tài)窗口調(diào)整機(jī)制縮小滑動(dòng)窗口大??；在負(fù)載變化的實(shí)時(shí)速率低于預(yù)設(shè)閾值時(shí)，擴(kuò)大滑動(dòng)窗口大??；在每個(gè)時(shí)間步，所述基于卡爾曼濾波的滑動(dòng)窗口預(yù)測方法通過卡爾曼濾波算法根據(jù)當(dāng)前的觀測值和預(yù)測模型的狀態(tài)，更新預(yù)測結(jié)果；并在每一次觀測更新后，通過滑動(dòng)窗口內(nèi)的數(shù)據(jù)融合將新的數(shù)據(jù)融入滑動(dòng)窗口，移除窗口中的最舊數(shù)據(jù)；若當(dāng)前時(shí)刻未達(dá)到預(yù)測周期的結(jié)束時(shí)刻，則重復(fù)執(zhí)行以上方法，實(shí)現(xiàn)連續(xù)預(yù)測。

22、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述自適應(yīng)深度確定性策略梯度算法的工作方法為：

23、t1、構(gòu)建自適應(yīng)演員網(wǎng)絡(luò)和自適應(yīng)評(píng)論家網(wǎng)絡(luò)；所述自適應(yīng)演員網(wǎng)絡(luò)用于根據(jù)當(dāng)前電表箱的負(fù)載狀態(tài)生成負(fù)載分配策略，所述自適應(yīng)評(píng)論家網(wǎng)絡(luò)用于預(yù)測采取負(fù)載分配策略后獲得的獎(jiǎng)勵(lì)；

24、t2、初始化自適應(yīng)演員網(wǎng)絡(luò)和自適應(yīng)評(píng)論家網(wǎng)絡(luò)以及經(jīng)驗(yàn)池，所述經(jīng)驗(yàn)池用于存儲(chǔ)歷史經(jīng)驗(yàn)；

25、t3、對(duì)于每個(gè)時(shí)間步t，接收所述s1輸出的實(shí)時(shí)負(fù)載數(shù)據(jù)lt和所述s4輸出的預(yù)測結(jié)果pt，結(jié)合為當(dāng)前負(fù)載狀態(tài)st，通過深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)當(dāng)前負(fù)載狀態(tài)st進(jìn)行特征提取，得到高維狀態(tài)表征

26、t4、所述自適應(yīng)演員網(wǎng)絡(luò)根據(jù)當(dāng)前狀態(tài)表征和當(dāng)前策略參數(shù)θart，生成負(fù)載分配策略αt；在負(fù)載分配策略生成過程中，通過自適應(yīng)探索機(jī)制調(diào)整探索噪聲的大小，平衡探索和利用之間的關(guān)系；

27、t5、生成的負(fù)載分配策略αt通過無線通信協(xié)議執(zhí)行于電表箱，調(diào)整負(fù)載分配；

28、t6、執(zhí)行動(dòng)作后，所述自適應(yīng)深度確定性策略梯度算法接收獎(jiǎng)勵(lì)rt+1和下一狀態(tài)st+1，將元組(st,αt,rt+1,st+1)存儲(chǔ)于經(jīng)驗(yàn)池中；

29、t7、在訓(xùn)練過程中，通過自適應(yīng)采樣策略從經(jīng)驗(yàn)池中采樣經(jīng)驗(yàn)進(jìn)行訓(xùn)練，所述自適應(yīng)采樣策略根據(jù)時(shí)間戳和獎(jiǎng)勵(lì)值進(jìn)行加權(quán)，提高樣本利用效率；

30、t8、基于采樣到的經(jīng)驗(yàn)，所述自適應(yīng)評(píng)論家網(wǎng)絡(luò)根據(jù)當(dāng)前價(jià)值函數(shù)參數(shù)θcri計(jì)算目標(biāo)值，并基于梯度下降算法更新價(jià)值函數(shù)參數(shù)θcri，所述價(jià)值函數(shù)參數(shù)θcri更新過程中，所述自適應(yīng)評(píng)論家網(wǎng)絡(luò)通過策略梯度函數(shù)計(jì)算演員網(wǎng)絡(luò)的梯度，所述自適應(yīng)演員網(wǎng)絡(luò)根據(jù)所述自適應(yīng)評(píng)論家網(wǎng)絡(luò)提供的演員網(wǎng)絡(luò)梯度信息，通過自適應(yīng)學(xué)習(xí)率δart更新策略參數(shù)θart；所述自適應(yīng)學(xué)習(xí)率根據(jù)歷史學(xué)習(xí)效率和當(dāng)前策略穩(wěn)定性進(jìn)行動(dòng)態(tài)調(diào)整；其中，所述策略梯度函數(shù)的公式表達(dá)式為：

31、

32、在公式(1)中，表示演員網(wǎng)絡(luò)的目標(biāo)函數(shù)j對(duì)當(dāng)前策略參數(shù)θart的梯度；用于更新演員網(wǎng)絡(luò)的參數(shù)；edt表示對(duì)當(dāng)前負(fù)載狀態(tài)st在經(jīng)驗(yàn)池中的期望值，所述經(jīng)驗(yàn)池中存儲(chǔ)歷史交互數(shù)據(jù)，包括狀態(tài)、動(dòng)作、獎(jiǎng)勵(lì)和下一狀態(tài)的四元組(st,αt,rt+1,st+1)；表示自適應(yīng)評(píng)論家網(wǎng)絡(luò)對(duì)動(dòng)作a的梯度，用于反映當(dāng)前狀態(tài)st下，動(dòng)作a對(duì)q值的影響；表示在狀態(tài)st下，演員網(wǎng)絡(luò)u生成的動(dòng)作；σ表示演員網(wǎng)絡(luò)對(duì)策略參數(shù)θart的梯度，用于反映策略網(wǎng)絡(luò)的參數(shù)對(duì)生成的動(dòng)作的影響；

33、t9、在每個(gè)訓(xùn)練周期結(jié)束時(shí)，通過目標(biāo)網(wǎng)絡(luò)更新機(jī)制根據(jù)當(dāng)前網(wǎng)絡(luò)參數(shù)和軟更新系數(shù)τ更新目標(biāo)網(wǎng)絡(luò)的參數(shù)；所述軟更新系數(shù)τ根據(jù)訓(xùn)練過程中的波動(dòng)情況動(dòng)態(tài)調(diào)整，平衡當(dāng)前網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)之間的差異；

34、t10、迭代循環(huán)t3至t9，在達(dá)到預(yù)設(shè)訓(xùn)練終止條件時(shí)終止；訓(xùn)練終止條件包括訓(xùn)練輪數(shù)和策略收斂；在訓(xùn)練過程中，通過早停機(jī)制避免過擬合和訓(xùn)練不充分。

35、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述即時(shí)調(diào)配算法的工作方法為：通過閾值比較機(jī)制判斷負(fù)載變化是否超出預(yù)設(shè)閾值，若未超出，則跳過所述即時(shí)調(diào)配算法執(zhí)行步驟；若超出，則通過負(fù)載分配優(yōu)先級(jí)機(jī)制生成優(yōu)先級(jí)列表，并根據(jù)優(yōu)先級(jí)列表，通過負(fù)載均衡算法計(jì)算負(fù)載調(diào)整量，所述負(fù)載均衡算法通過線性規(guī)劃模型確定每個(gè)負(fù)載設(shè)備的最優(yōu)調(diào)整量，接著，通過控制協(xié)議modbus發(fā)送負(fù)載調(diào)整量至負(fù)載設(shè)備，調(diào)整負(fù)載設(shè)備的功率或開關(guān)狀態(tài)。

36、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述分布式協(xié)同調(diào)度系統(tǒng)包括數(shù)據(jù)接入模塊、優(yōu)化調(diào)度模塊和通信協(xié)調(diào)模塊；所述數(shù)據(jù)接入模塊通過數(shù)據(jù)接口獲取各區(qū)域電表箱的負(fù)載數(shù)據(jù)、環(huán)境數(shù)據(jù)和設(shè)備狀態(tài)數(shù)據(jù)，并通過數(shù)據(jù)預(yù)處理方法對(duì)數(shù)據(jù)進(jìn)行缺失值填充、異常值處理和歸一化處理；所述優(yōu)化與調(diào)度模塊通過交替方向乘子法對(duì)跨區(qū)域電表箱進(jìn)行協(xié)同調(diào)度，并輸出調(diào)度策略至所述通信協(xié)調(diào)模塊；所述通信協(xié)調(diào)模塊包括分布式通信單元和狀態(tài)同步單元；所述分布式通信單元通過消息隊(duì)列實(shí)現(xiàn)各區(qū)域電表箱之間的高效通信；所述狀態(tài)同步單元通過心跳檢測確保各區(qū)域電表箱的狀態(tài)信息同步，并通過容錯(cuò)機(jī)制進(jìn)行冗余備份和故障切換。

37、作為本發(fā)明進(jìn)一步的技術(shù)方案，所述交替方向乘子法的工作方法為：

38、r1、定義全局目標(biāo)函數(shù)其中，ri表示第i個(gè)區(qū)域的電表箱的負(fù)載分配，f(ri)表示第i個(gè)區(qū)域的能耗成本和負(fù)載平衡度；n表示區(qū)域上限；所述全局目標(biāo)函數(shù)包括多個(gè)子目標(biāo)函數(shù)，每個(gè)子目標(biāo)函數(shù)對(duì)應(yīng)一個(gè)區(qū)域的電表箱；

39、r2、通過輔助變量z和拉格朗日乘子γ將全局優(yōu)化問題分解為多個(gè)子問題，每個(gè)子問題對(duì)應(yīng)一個(gè)區(qū)域的電表箱，分解的公式表達(dá)式為：

40、

41、在公式(2)中，z表示輔助變量，用于確保所有區(qū)域的負(fù)載分配在全局層面達(dá)到一致；γ表示拉格朗日乘子，用于處理全局約束條件，β表示懲罰參數(shù)，用于平衡局部優(yōu)化和全局約束的權(quán)重；

42、r3、在每個(gè)迭代步驟中，首先通過局部更新函數(shù)更新每個(gè)區(qū)域的電表箱的負(fù)載分配ri，確保每個(gè)區(qū)域的電表箱的負(fù)載分配在當(dāng)前迭代中得到優(yōu)化，所述局部更新函數(shù)的公式表達(dá)式為：

43、

44、在公式(3)中，l表示迭代次數(shù)；表示對(duì)偶變量，用于在迭代過程中傳遞信息；

45、r4、通過全局更新函數(shù)更新輔助變量z，確保所有區(qū)域的電表箱的負(fù)載分配在全局層面達(dá)到一致；所述全局更新函數(shù)的公式表達(dá)式為：

46、

47、在公式(4)中，zk+1表示更新后的輔助變量；表示更新后的每個(gè)區(qū)域的電表箱的負(fù)載分配；

48、r5、通過對(duì)偶更新函數(shù)更新拉格朗日乘子γ，確保所有區(qū)域的電表箱的負(fù)載分配在全局層面達(dá)到一致，所述對(duì)偶更新函數(shù)的公式表達(dá)式為：

49、

50、在公式(5)中，γk+1表示更新后的拉格朗日乘子；

51、r6、在迭代更新過程中，若子問題的解變化大于預(yù)設(shè)閾值，則增大懲罰參數(shù)β；若在某次迭代中，若子問題的解變化小于預(yù)設(shè)閾值，則減小懲罰參數(shù)β。

52、基于以上技術(shù)方案，本發(fā)明的積極有益效果為：

53、1、本發(fā)明通過實(shí)時(shí)數(shù)據(jù)接口和梯度提升樹技術(shù)全面收集并分析了包括實(shí)時(shí)負(fù)載數(shù)據(jù)、歷史用電數(shù)據(jù)、天氣預(yù)報(bào)、季節(jié)信息和節(jié)假日安排等在內(nèi)的多元化數(shù)據(jù)。這種全面的數(shù)據(jù)輸入方式使得預(yù)測模型能夠更準(zhǔn)確地捕捉電力系統(tǒng)中的動(dòng)態(tài)變化，特別是極端天氣事件等不可預(yù)測因素對(duì)用電模式的影響，有效解決了預(yù)測模型對(duì)動(dòng)態(tài)環(huán)境適應(yīng)性不足的問題，提高了負(fù)荷管理的精準(zhǔn)性和有效性。

54、2、本發(fā)明采用了合成少數(shù)類過采樣技術(shù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，有效消除了數(shù)據(jù)偏見；同時(shí)，通過自適應(yīng)增強(qiáng)算法的應(yīng)用，進(jìn)一步提升了模型的泛化能力，使其在面對(duì)未知或復(fù)雜情況時(shí)仍能保持較高的預(yù)測準(zhǔn)確性。這一策略不僅提高了模型的預(yù)測性能，還增強(qiáng)了負(fù)荷管理的整體效能。

55、3、本發(fā)明采用基于卡爾曼濾波的滑動(dòng)窗口預(yù)測方法，能夠根據(jù)負(fù)載變化的實(shí)時(shí)速率動(dòng)態(tài)調(diào)整窗口大小，實(shí)現(xiàn)連續(xù)預(yù)測和實(shí)時(shí)更新；這種動(dòng)態(tài)調(diào)整機(jī)制使得系統(tǒng)能夠快速捕捉到負(fù)載變化的趨勢，并采取相應(yīng)的控制策略進(jìn)行調(diào)整。因此，本發(fā)明有效解決了傳統(tǒng)預(yù)測模型因基于固定時(shí)間窗口更新而無法及時(shí)響應(yīng)負(fù)載快速變化的問題，提高了系統(tǒng)的響應(yīng)速度和穩(wěn)定性。

56、4、本發(fā)明通過自適應(yīng)深度確定性策略梯度算法動(dòng)態(tài)調(diào)整負(fù)載分配策略，實(shí)現(xiàn)了對(duì)能源資源的合理分配和利用；這種優(yōu)化策略不僅減少了能源浪費(fèi)，提高了能效，還降低了電力系統(tǒng)的運(yùn)營成本。同時(shí)，通過實(shí)時(shí)監(jiān)測負(fù)載變化和即時(shí)調(diào)配算法的應(yīng)用，進(jìn)一步提高了系統(tǒng)的靈活性和可靠性，為電力行業(yè)的可持續(xù)發(fā)展提供了有力支持。