1.本技术涉及数据处理领域，尤其涉及一种光储充电站电力数据匹 配度的确定方法及装置。
背景技术：2.分布式光伏发电特指在用户场地附近建设，运行方式以用户侧自 发自用、多余电量上网，且在配电系统平衡调节为特征的光伏发电设 施。分布式光伏发电遵循因地制宜、清洁高效、分散布局、就近利用 的原则，充分利用当地太阳能资源，替代和减少化石能源消费。我国 分布式光伏发电持续迅猛发展，装机容量快速增长，已经成为系统中 的重要电源之一。中东部地区分布式光伏发展继续提速，成为分布式 光伏装机的主要地区。
3.太阳能发电具有绿色环保、永不枯竭等特点，是近年来发展较快 的可再生能源。然而光伏发电本身的间歇性和随机性都将产生出力波 动现象，影响电力系统稳定运行，光伏的接入对于配电网运行的影响 和区域负荷特性密切相关，当光伏出力和负荷特性匹配程度较高时， 可以实现良好的就地消纳效果，不易产生电压越限，反之则会危及配 电网运行，因此，不能很好的控制光伏出力和负荷特性的匹配，会对 配电网运行带来扰动影响。
技术实现要素：4.为了解决上述技术问题或者至少部分地解决上述技术问题，本申 请提供了电力数据匹配度的确定方法、装置、电子设备及存储介质。
5.根据本技术实施例的一个方面，提供了一种电力数据匹配度的确 定方法，包括：
6.获取光储充电站对应的不同采样时刻的有效历史电力数据，并确 定所述有效历史电力数据对应的至少一个匹配条件；
7.从所述有效历史电力数据中获取与所述匹配条件对应的匹配电力 数据，其中，所述匹配电力数据包括历史出力数据以及历史负荷数据；
8.通过所述匹配条件对应的目标参数以及所述匹配电力数据计算所 述有效历史电力数据对应的匹配度，并基于所述匹配度构建目标数学 模型；
9.利用粒子群算法对所述目标数学模型进行求解，得到目标匹配度， 并基于所述目标匹配度控制配电网运行，所述目标匹配度用于表示出 力数据与负荷数据之间的最优匹配度。
10.进一步的，所述获取光储充电站对应的不同采样时刻的有效历史 电力数据，包括：
11.获取光储充电站对应的历史电力数据集合，其中，所述历史电力 数据集合包括各个采样时刻对应的历史出力数据以及历史负荷数据；
12.检测各个采样时刻对应的所述历史出力数据以及历史负荷数据中 的异常数据；
13.将不存在异常数据的采样时刻确定为目标采样时刻，并基于目标 采样时刻对应的历史出力数据以及历史负荷数据生成所述有效历史电 力数据。
14.进一步的，所述通过所述匹配条件对应的目标参数以及所述匹配 电力数据计算所述有效历史电力数据对应的匹配度，包括：
15.获取所述匹配条件对应的权重系数；
16.通过所述权重系数以及所述匹配电力数据计算所述有效历史电力 数据对应的匹配度。
17.进一步的，所述获取所述匹配条件对应的权重系数，包括：
18.获取所述匹配条件对应的预设权重值，以及所述有效历史电力数 据对应的第一数据量；
19.基于所述预设权重值、所述匹配电力数据以及所述第一数据量计 算所述匹配条件对应的权重系数。
20.进一步的，所述通过所述权重系数以及所述匹配电力数据计算所 述有效历史电力数据对应的匹配度，包括：
21.获取所述有效历史电力数据所对应匹配条件的第二数据量；
22.基于所述第二数据量、所述预设权重值、所述权重系数以及所述 匹配电力数据计算所述匹配度。
23.进一步的，所述利用粒子群算法对所述目标数学模型进行求解， 得到目标匹配度，包括：
24.按照所述目标数学模型度粒子群进行初始化处理，得到所述粒子 群中每个粒子的初始位置以及初始速度；
25.调用适应度环数确定所述粒子群中每个粒子对应的适应度值；
26.对比所述粒子群中各个粒子的适应度值，确定各个粒子对应的局 部最优值，并利用局部最优值确定全局最优值，及全局最优值对应的 目标粒子；
27.更新所述目标粒子对应的初始位置以及初始位置，直至更新次数 满足预设更新次数，得到所述目标匹配度。
28.进一步的，所述对比所述粒子群中各个粒子的适应度值，确定各 个粒子对应的局部最优值，并利用局部最优值确定全局最优值，及全 局最优值对应的目标粒子，包括：
29.在所述粒子群中每个所述粒子的迭代次数满足预设迭代次数的情 况下，确定每个所述粒子在各个迭代次数的适应度值；
30.获取所述粒子在各个迭代次数对应的适应度值中的最大适应度， 并将所述最大适应度确定所述粒子对应的局部最优值；
31.对比各个粒子对应的局部最优值，将最大的局部最优值确定为所 述全局最优值，并将所述全局最优值对应的例子确定为目标粒子。
32.根据本技术实施例的另一个方面，还提供了一种电力数据匹配度 的确定装置，包括：
33.第一获取模块，用于获取光储充电站对应的不同采样时刻的有效 历史电力数据，并确定所述有效历史电力数据对应的至少一个匹配条 件；
34.第二获取模块，用于从所述有效历史电力数据中获取与所述匹配 条件对应的匹配电力数据，其中，所述匹配电力数据包括历史出力数 据以及历史负荷数据；
35.计算模块，用于通过所述匹配条件对应的目标参数以及所述匹配 电力数据计算
所述有效历史电力数据对应的匹配度，并基于所述匹配 度构建目标数学模型；
36.处理模块，用于利用粒子群算法对所述目标数学模型进行求解， 得到目标匹配度，并基于所述目标匹配度控制配电网运行，所述目标 匹配度用于表示出力数据与负荷数据之间的最优匹配度。
37.根据本技术实施例的另一方面，还提供了一种存储介质，该存储 介质包括存储的程序，程序运行时执行上述的步骤。
38.根据本技术实施例的另一方面，还提供了一种电子装置，包括处 理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存 储器通过通信总线完成相互间的通信；其中：存储器，用于存放计算 机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方 法中的步骤。
39.本技术实施例还提供了一种包含指令的计算机程序产品，当其在 计算机上运行时，使得计算机执行上述方法中的步骤。
40.本技术实施例提供的上述技术方案与现有技术相比具有如下优 点：本技术实施例提供的方法通过对光储充电站的历史参数数据进行 匹配分析，从而能够提高光储充电站和负荷的匹配度，能够避免因光 伏发电本身的间歇性和随机性而对配电网产生波动和扰动的影响，进 而能够增强配电网的可控性。
附图说明
41.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 合本技术的实施例，并与说明书一起用于解释本技术的原理。
42.为了更清楚地说明本技术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。
43.图1为本技术实施例提供的一种光储充电站电力数据匹配度的确 定方法的流程图；
44.图2为本技术实施例提供的一种光储充电站电力数据匹配度的确 定装置的框图；
45.图3为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
46.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结 合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不 是全部的实施例，本技术的示意性实施例及其说明用于解释本技术， 并不构成对本技术的不当限定。基于本技术中的实施例，本领域普通 技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例， 都属于本技术保护的范围。
47.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语 仅仅用来将一个实体或者操作与另一个类似的实体或操作区分开来， 而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系 或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设 备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是 还包括为这种过程、方
法、物品或者设备所固有的要素。在没有更多 限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括 所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
48.本技术实施例提供了一种电力数据匹配度的确定方法、装置、电 子设备及存储介质。本发明实施例所提供的方法可以应用于任意需要 的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体 限定，为描述方便，后续简称为电子设备。
49.根据本技术实施例的一方面，提供了一种光储充电站电力数据匹 配度的确定方法的方法实施例。图1为本技术实施例提供的一种光储 充电站电力数据匹配度的确定方法的流程图，如图1所示，该方法包 括：
50.步骤s11，获取光储充电站对应的不同采样时刻的有效历史电力数 据，并确定有效历史电力数据对应的至少一个匹配条件。
51.本技术实施例提供的方法应用于智能设备，智能设备与光储充电 站连接，用于获取光储充电站的数据以及向光储充电站发送控制指令 等等。智能设备可以是平板电脑、笔记本电脑等等、
52.在本技术实施例中，步骤s11，获取光储充电站对应的不同采样时 刻的有效历史电力数据，包括以下步骤a1-a3：
53.步骤a1，获取光储充电站对应的历史电力数据集合，其中，历史 电力数据集合包括各个采样时刻对应的历史出力数据以及历史负荷数 据。
54.在本技术实施例中，智能设备获取光储充电站在某一历史时间段 的历史电力数据集合，历史电力数据集合包括历史时间段中各个采样 时刻对应的历史出力数据自己历史负荷数据。采样时刻可以是按照预 设时间间隔设置，例如：某一历史时间段为过去24小时，采样时刻可 以是每间隔1小时设置，此时采样时刻为24个，同理历史电力数据集 合包括24组数据，每组数据包括同一采样时刻刻对应的历史出力数据 以及历史负荷数据。
55.步骤a2，检测各个采样时刻对应的历史出力数据以及历史负荷数 据中的异常数据。
56.在本技术实施例中，获取检测模型，利用检测模型提取历史出力 数据以及历史负荷数据的数据特征，并对数据特征进行分类，从而确 定历史出力数据的数据类型以及历史负荷数据的数据类型。数据类型 包括：正常数据以及异常数据。
57.在本技术实施例中，检测模型的训练过程如下：获取出力数据样 本，并从出力数据样本中分解出负荷数据样本。获取出力数据样本的 第一标签，以及负荷数据样本的第二标签，第一标签用于标注出力数 据样本的正常数据特征或异常数据特征，以及正常数据特征或异常数 据特征对应的数据类型，第二标签用于标注负荷数据样本的正常数据 特征或异常数据特征，以及正常数据特征或异常数据特征对应的数据 类型。
58.将出力数据样本以及负荷数据样本输入深度学习网络模型，以使 深度学习网络模型学习出力数据样本的正常数据特征或异常数据特征 与数据类型之间的对应关系，以及学习负荷数据样本的正常数据特征 或异常数据特征与数据类型之间的对应关系，得到最终的检测模型。
59.步骤a3，将不存在异常数据的采样时刻确定为目标采样时刻，并 基于目标采样时刻对应的历史出力数据以及历史负荷数据生成有效历 史电力数据。
60.在本技术实施例中，在检测出历史出力数据以及历史负荷数据中 的异常数据后，将不存在异常数据的采样时刻确定为目标采样时刻， 同时从历史电力数据集合中获取目标采样时刻对应的历史出力数据以 及历史负荷数据，将同一采样时刻的历史出力数据以及历史负荷数据 生成有效历史电力数据。
61.步骤s12，从有效历史电力数据中获取与匹配条件对应的匹配电力 数据，其中，匹配电力数据包括历史出力数据以及历史负荷数据。
62.在本技术实施例中，匹配条件是用于评价电力数据与期望是否匹 配的指标。在确定了匹配条件之后，需要会确定匹配条件对应的预设 权重值，预设权重值用于表示匹配条件的重要程度。具体的，可以通 过开发人员依据经验自行设置匹配条件，以及每个匹配条件对应的预 设权重值。
63.在本技术实施例中，在确定匹配条件后，从有效历史电力数据中 获取与匹配条件对应的匹配电力数据，匹配电力数据可以包括历史处 理数据的数值和/或，历史负荷数据的数值。
64.步骤s13，通过匹配条件对应的目标参数以及匹配电力数据计算有 效历史电力数据对应的匹配度，并基于匹配度构建目标数学模型。
65.在本技术实施例中，步骤s13，通过匹配条件对应的目标参数以及 匹配电力数据计算有效历史电力数据对应的匹配度，包括以下步骤 b1-b2：
66.步骤b1，获取匹配条件对应的权重系数。
67.在本技术实施例中，获取匹配条件对应的权重系数，包括：获取 匹配条件对应的预设权重值，以及有效历史电力数据对应的第一数据 量；基于预设权重值、匹配电力数据以及第一数据量计算匹配条件对 应的权重系数。
68.在本技术实施例中，匹配条件对应权重系数的计算公式如下：
[0069][0070]
其中，di表示第i个匹配条件的权重系数，m表示历史参数数据 的数量，wi表示第i个匹配条件的预设权重值，x
ij
表示第j个采样时刻 第i个匹配条件的匹配电力数据，i和j均表示为非零自然数。
[0071]
步骤b2，通过权重系数以及匹配电力数据计算有效历史电力数据 对应的匹配度。
[0072]
在本技术实施例中，通过权重系数以及匹配电力数据计算有效历 史电力数据对应的匹配度，包括：获取有效历史电力数据所对应匹配 条件的第二数据量，基于第二数据量、预设权重值、权重系数以及匹 配电力数据计算匹配度。
[0073]
在本技术实施例中，计算匹配度的计算公式如下：
[0074][0075]
其中，sj表示第j个时刻历史参数数据的匹配度，n表示匹配规则 的数量，di表示第i个匹配规则的权重系数，wi表示第i个匹配规则的 权重，x
ij
表示第j个时刻第i个匹配规则的匹配值，i和j均表示为非 零自然数。
[0076]
步骤s14，利用粒子群算法对目标数学模型进行求解，得到目标匹 配度，并基于目
标匹配度控制配电网运行，目标匹配度用于表示出力 数据与负荷数据之间的最优匹配度。
[0077]
在本技术实施例中，步骤s14，利用粒子群算法对目标数学模型进 行求解，得到目标匹配度，包括以下步骤c1-c4：
[0078]
步骤c1，按照目标数学模型度粒子群进行初始化处理，得到粒子 群中每个粒子的初始位置以及初始速度。
[0079]
步骤c2，调用适应度环数确定粒子群中每个粒子对应的适应度值；
[0080]
步骤c3，对比粒子群中各个粒子的适应度值，确定各个粒子对应 的局部最优值，并利用局部最优值确定全局最优值，及全局最优值对 应的目标粒子。
[0081]
在本技术实施例中，对比粒子群中各个粒子的适应度值，确定各 个粒子对应的局部最优值，并利用局部最优值确定全局最优值，及全 局最优值对应的目标粒子，包括：
[0082]
在粒子群中每个粒子的迭代次数满足预设迭代次数的情况下，确 定每个粒子在各个迭代次数的适应度值，获取粒子在各个迭代次数对 应的适应度值中的最大适应度，并将最大适应度确定粒子对应的局部 最优值，对比各个粒子对应的局部最优值，将最大的局部最优值确定 为全局最优值，并将全局最优值对应的例子确定为目标粒子。
[0083]
本技术实施例通过粒子群算法对最优匹配度进行求解，从而能够 使得在求解的过程中具有搜索过程稳定、快速获取结果、容易理解实 现、全局搜索能力强、求解过程简单等特点，从而能够计算出光储充 电站和负荷的匹配度的最优解，进而能够提高现有光储充电站和电网 的使用率，提高光储充电站的利用率。
[0084]
步骤c4，更新目标粒子对应的初始位置以及初始位置，直至更新 次数满足预设更新次数，得到目标匹配度。
[0085]
在本技术实施例中，具体的，所述更新各粒子速度的计算公式如 下：
[0086]va
(t+1)＝va(t)+c1
×
rand()
×
(pbest-xa(t))+c2
×
rand()
×
(gbest-xa(t))
[0087]
其中，va(t+1)表示第a个粒子在t+1时刻的速度，va(t)表示第a个粒 子在t时刻的速度，rand()表示随机数，取值为0-1，pbest表示第a个 粒子局部最优值，gbest表示第a个粒子全局最优值，xa(t)表示第a个 粒子在t时刻的位置，c1和c2均表示学习因子，其值为正常数。
[0088]
具体的，更新各粒子位置的计算公式如下：
[0089]
xa(t+1)＝xa(t)+va(t+1)其中，xa(t+1)表示第a个粒子在t+1时 刻的位置；xa(t)表示第a个粒子在t时刻的位置；va(t+1)表示第a个粒 子在t+1时刻的速度。
[0090]
本技术实施例提供的方法通过对光储充电站的历史参数数据进行 匹配分析，从而能够提高光储充电站和负荷的匹配度，能够避免因光 伏发电本身的间歇性和随机性而对配电网产生波动和扰动的影响，进 而能够增强配电网的可控性，增强上级电网对新能源发电的消纳，促 进新能源的发展，减少碳排放，响应国家双碳目标。
[0091]
图2为本技术实施例提供的一种光储充电站电力数据匹配度的确 定装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为 电子设备的部分或者全部。如图2所示，该装置包括：
[0092]
第一获取模块21，用于获取光储充电站对应的不同采样时刻的有 效历史电力数据，并确定有效历史电力数据对应的至少一个匹配条件；
[0093]
第二获取模块22，用于从有效历史电力数据中获取与匹配条件对 应的匹配电力
数据，其中，匹配电力数据包括历史出力数据以及历史 负荷数据；
[0094]
计算模块23，用于通过匹配条件对应的目标参数以及匹配电力数 据计算有效历史电力数据对应的匹配度，并基于匹配度构建目标数学 模型；
[0095]
处理模块24，用于利用粒子群算法对目标数学模型进行求解，得 到目标匹配度，并基于目标匹配度控制配电网运行，目标匹配度用于 表示出力数据与负荷数据之间的最优匹配度。
[0096]
在本技术实施例中，第一获取模块21，用于获取光储充电站对应 的历史电力数据集合，其中，历史电力数据集合包括各个采样时刻对 应的历史出力数据以及历史负荷数据；检测各个采样时刻对应的历史 出力数据以及历史负荷数据中的异常数据；将不存在异常数据的采样 时刻确定为目标采样时刻，并基于目标采样时刻对应的历史出力数据 以及历史负荷数据生成有效历史电力数据。
[0097]
在本技术实施例中，计算模块23，用于获取匹配条件对应的权重 系数；通过权重系数以及匹配电力数据计算有效历史电力数据对应的 匹配度。
[0098]
在本技术实施例中，计算模块23，用于获取匹配条件对应的预设 权重值，以及有效历史电力数据对应的第一数据量；基于预设权重值、 匹配电力数据以及第一数据量计算匹配条件对应的权重系数。
[0099]
在本技术实施例中，计算模块23，用于获取有效历史电力数据所 对应匹配条件的第二数据量；基于第二数据量、预设权重值、权重系 数以及匹配电力数据计算匹配度。
[0100]
在本技术实施例中，处理模块24，用于按照目标数学模型度粒子 群进行初始化处理，得到粒子群中每个粒子的初始位置以及初始速度； 调用适应度环数确定粒子群中每个粒子对应的适应度值；对比粒子群 中各个粒子的适应度值，确定各个粒子对应的局部最优值，并利用局 部最优值确定全局最优值，及全局最优值对应的目标粒子；更新目标 粒子对应的初始位置以及初始位置，直至更新次数满足预设更新次数， 得到目标匹配度。
[0101]
在本技术实施例中，处理模块24，用于在粒子群中每个粒子的迭 代次数满足预设迭代次数的情况下，确定每个粒子在各个迭代次数的 适应度值；获取粒子在各个迭代次数对应的适应度值中的最大适应度， 并将最大适应度确定粒子对应的局部最优值；对比各个粒子对应的局 部最优值，将最大的局部最优值确定为全局最优值，并将全局最优值 对应的例子确定为目标粒子。
[0102]
本技术实施例还提供一种电子设备，如图3所示，电子设备可以 包括：处理器1501、通信接口1502、存储器1503和通信总线1504， 其中，处理器1501，通信接口1502，存储器1503通过通信总线1504 完成相互间的通信。
[0103]
存储器1503，用于存放计算机程序；
[0104]
处理器1501，用于执行存储器1503上所存放的计算机程序时，实 现上述实施例的步骤。
[0105]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分 为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗 线表示，但并不表示仅有一根总线或一种类型的总线。
[0106]
通信接口用于上述终端与其他设备之间的通信。
[0107]
存储器可以包括随机存取存储器(random access memory，简称 ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一 个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理 器的存储装置。
[0108]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np) 等；还可以是数字信号处理器(digital signal processing，简称dsp)、 专用集成电路(application specific integrated circuit，简称asic)、现场 可编程门阵列(field-programmable gate array，简称fpga)或者其他 可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0109]
在本技术提供的又一实施例中，还提供了一种计算机可读存储介 质，该计算机可读存储介质中存储有指令，当其在计算机上运行时， 使得计算机执行上述实施例中任一所述的光储充电站电力数据匹配度 的确定方法。
[0110]
在本技术提供的又一实施例中，还提供了一种包含指令的计算机 程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任 一所述的光储充电站电力数据匹配度的确定方法。
[0111]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者 其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机 程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指 令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产 生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算 机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指 令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介 质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从 一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、 光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一 个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读 存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多 个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质 可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、 或者半导体介质(例如固态硬盘solid state disk)等。
[0112]
以上所述仅为本技术的较佳实施例而已，并非用于限定本技术的 保护范围。凡在本技术的精神和原则之内所作的任何修改、等同替换、 改进等，均包含在本技术的保护范围内。
[0113]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理 解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说 将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精 神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限 制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖 特点相一致的最宽的范围。
技术特征：1.一种光储充电站电力数据匹配度的确定方法，其特征在于，包括：获取光储充电站对应的不同采样时刻的有效历史电力数据，并确定所述有效历史电力数据对应的至少一个匹配条件；从所述有效历史电力数据中获取与所述匹配条件对应的匹配电力数据，其中，所述匹配电力数据包括历史出力数据以及历史负荷数据；通过所述匹配条件对应的目标参数以及所述匹配电力数据计算所述有效历史电力数据对应的匹配度，并基于所述匹配度构建目标数学模型；利用粒子群算法对所述目标数学模型进行求解，得到目标匹配度，并基于所述目标匹配度控制配电网运行，所述目标匹配度用于表示出力数据与负荷数据之间的最优匹配度。2.根据权利要求1所述的方法，其特征在于，所述获取光储充电站对应的不同采样时刻的有效历史电力数据，包括：获取光储充电站对应的历史电力数据集合，其中，所述历史电力数据集合包括各个采样时刻对应的历史出力数据以及历史负荷数据；检测各个采样时刻对应的所述历史出力数据以及历史负荷数据中的异常数据；将不存在异常数据的采样时刻确定为目标采样时刻，并基于目标采样时刻对应的历史出力数据以及历史负荷数据生成所述有效历史电力数据。3.根据权利要求1所述的方法，其特征在于，所述通过所述匹配条件对应的目标参数以及所述匹配电力数据计算所述有效历史电力数据对应的匹配度，包括：获取所述匹配条件对应的权重系数；通过所述权重系数以及所述匹配电力数据计算所述有效历史电力数据对应的匹配度。4.根据权利要求3所述的方法，其特征在于，所述获取所述匹配条件对应的权重系数，包括：获取所述匹配条件对应的预设权重值，以及所述有效历史电力数据对应的第一数据量；基于所述预设权重值、所述匹配电力数据以及所述第一数据量计算所述匹配条件对应的权重系数。5.根据权利要求4所述的方法，其特征在于，所述通过所述权重系数以及所述匹配电力数据计算所述有效历史电力数据对应的匹配度，包括：获取所述有效历史电力数据所对应匹配条件的第二数据量；基于所述第二数据量、所述预设权重值、所述权重系数以及所述匹配电力数据计算所述匹配度。6.根据权利要求1所述的方法，其特征在于，所述利用粒子群算法对所述目标数学模型进行求解，得到目标匹配度，包括：按照所述目标数学模型度粒子群进行初始化处理，得到所述粒子群中每个粒子的初始位置以及初始速度；调用适应度环数确定所述粒子群中每个粒子对应的适应度值；对比所述粒子群中各个粒子的适应度值，确定各个粒子对应的局部最优值，并利用局部最优值确定全局最优值，及全局最优值对应的目标粒子；更新所述目标粒子对应的初始位置以及初始位置，直至更新次数满足预设更新次数，
得到所述目标匹配度。7.根据权利要求6所述的方法，其特征在于，所述对比所述粒子群中各个粒子的适应度值，确定各个粒子对应的局部最优值，并利用局部最优值确定全局最优值，及全局最优值对应的目标粒子，包括：在所述粒子群中每个所述粒子的迭代次数满足预设迭代次数的情况下，确定每个所述粒子在各个迭代次数的适应度值；获取所述粒子在各个迭代次数对应的适应度值中的最大适应度，并将所述最大适应度确定所述粒子对应的局部最优值；对比各个粒子对应的局部最优值，将最大的局部最优值确定为所述全局最优值，并将所述全局最优值对应的例子确定为目标粒子。8.一种光储充电站电力数据匹配度的确定装置，其特征在于，包括：第一获取模块，用于获取光储充电站对应的不同采样时刻的有效历史电力数据，并确定所述有效历史电力数据对应的至少一个匹配条件；第二获取模块，用于从所述有效历史电力数据中获取与所述匹配条件对应的匹配电力数据，其中，所述匹配电力数据包括历史出力数据以及历史负荷数据；计算模块，用于通过所述匹配条件对应的目标参数以及所述匹配电力数据计算所述有效历史电力数据对应的匹配度，并基于所述匹配度构建目标数学模型；处理模块，用于利用粒子群算法对所述目标数学模型进行求解，得到目标匹配度，并基于所述目标匹配度控制配电网运行，所述目标匹配度用于表示出力数据与负荷数据之间的最优匹配度。9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7中任一项所述的方法步骤。10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行权利要求1至7中任一项所述的方法步骤。
技术总结本申请公开了一种光储充电站电力数据匹配度的确定方法及装置。方法包括：获取光储充电站对应的不同采样时刻的有效历史电力数据，并确定有效历史电力数据对应的至少一个匹配条件；从有效历史电力数据中获取与匹配条件对应的匹配电力数据；通过匹配条件对应的目标参数以及匹配电力数据计算有效历史电力数据对应的匹配度，并基于匹配度构建目标数学模型；利用粒子群算法对目标数学模型进行求解，得到目标匹配度。本申请通过对光储充电站的历史参数数据进行匹配分析，从而能够提高光储充电站和负荷的匹配度，能够避免因光伏发电本身的间歇性和随机性而对配电网产生波动和扰动的影响，进而能够增强配电网的可控性。进而能够增强配电网的可控性。进而能够增强配电网的可控性。
技术研发人员：杨兵建 刘华锋 张翀 马凌峰 许寅皓 金太 张喆 刘凯
受保护的技术使用者：国网智能电网研究院有限公司
技术研发日：2022.06.24
技术公布日：2022/11/1
