一种能源调度方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及智能电网领域，尤其是涉及一种能源调度方法、装置、电子设备及存储介质。

背景技术

目前，包括光伏和风力在内的可再生能源，已被用于具有太阳能和/或风能的站点的综合发电系统和智能电网。但是，由于太阳能和风能具有间歇性特点，这使得上述发电系统无法提供恒定的发电功率。

除此之外，各种用电设备的用电功率，也可能随着时间推移而发生波动。

因此，在智能电网领域中，如何保证能源调度的合理性，至关重要。

发明内容

本发明实施例提供了一种能源调度方法、装置、电子设备及存储介质，以保证能源调度的合理性。

根据本发明的一方面，提供了一种能源调度方法，可以包括：

针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列；

获取已训练完成的小波递归神经网络模型，并基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征；

基于云分布式图形处理单元架构，可根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；

基于云分布式图形处理单元架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。

根据本发明的另一方面，提供了一种能源调度装置，可以包括：

历史用电时间序列获取模块，用于针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取到发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列；

用电特征得到模块，用于获取已训练完成的小波递归神经网络模型，基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征；

未来用电时间序列预测模块，用于基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；

能源调度模块，用于基于云分布式图形处理单元架构，根据未来发电时间序列以及至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。

根据本发明的另一方面，提供了一种电子设备，可以包括：

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计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行时实现本发明任意实施例所提供的能源调度方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令用于使处理器执行时实现本发明任意实施例所提供的能源调度方法。

本发明实施例的技术方案，针对待调度的发电设备以及发电设备负责供电的至少一个用电设备中的每个用电设备，通过分别获取发电设备的表征历史发电功率的历史发电时间序列，及用电设备的表征历史用电功率的历史用电时间序列；获取已训练完成的WRNN模型，并基于WRNN模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征；基于云分布式GPU架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；然后，基于云分布式GPU架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。上述技术方案，通过结合WRNN模型与云分布式GPU架构，可针对发电设备和各用电设备生成较佳的能源调度方案，并基于此有效保证了发电设备与各用电设备之间能源调度的合理性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或是重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例提供的一种能源调度方法的流程图；

图2是根据本发明实施例提供的另一种能源调度方法的流程图；

图3是根据本发明实施例提供的又一种能源调度方法的流程图；

图4是根据本发明实施例提供的又一种能源调度方法中可选示例的流程图；

图5是根据本发明实施例提供的一种能源调度装置的结构框图；

图6是实现本发明实施例的能源调度方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。“目标”、“原始”等的情况类似，在此不再赘述。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是本发明实施例中所提供的一种能源调度方法的流程图。本实施例可适用于能源调度的情况，尤其适用于发电设备与至少一个用电设备之间的电能调度的情况。该方法可以由本发明实施例提供的能源调度装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备上，该电子设备可以是各种用户终端或是服务器。

参见图1，本发明实施例的方法具体包括如下步骤：

S110、针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列。

其中，发电设备可理解为待将其发出的电能在至少一个用电设备之间进行调度的设备。用电设备可理解为通过利用发电设备提供的电能进行运转的设备，在实际应用中，可选的，该用电设备的数量可以是一个、两个或是多个，这与实际情况有关，在此未做具体限定。

获取发电设备于各历史发电时间点上的历史发电功率，并基于获取到的各历史发电功率生成历史发电时间序列，从而获取到历史发电时间序列。类似的，针对至少一个用电设备中的每个用电设备，获取用电设备于各历史用电时间点上的历史用电功率，并基于获取到的各历史用电功率生成历史用电时间序列，从而获取到历史用电时间序列。实际应用中，可选的，各历史发电时间点与各历史用电时间点可以一一对应，也可以存在差异，在此未做具体限定。

S120、获取已训练完成的小波递归神经网络模型，并基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征。

其中，小波递归神经网络(Wavelet Recurrent Neural Network,WRNN)模型可理解为预先训练完成的至少用于实现特征提取的模型。

获取WRNN模型，并可基于WRNN模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，从而减少了历史发电时间序列中的冗余数据。示例性的，在本发明实施例中，可利用WRNN模型，计算历史发电时间序列中的各历史发电功率的均值和/或方差等数据特征，然后根据这些数据特征，结合线性拟合或差值拟合等拟合方式，拟合出发电变化趋势，从而得到发电特征。

类似的，针对至少一个用电设备中的每个用电设备，基于WRNN模型，对该用电设备的历史用电时间序列进行特征提取，得到该用电设备的用电特征，从而减少了历史用电时间序列中的冗余数据。

在实际应用中，可选的，为了保证WRNN模型的特征提取效果，可对历史发电时间序列进行小波分解，然后将得到的小波分解结果，输入到WRNN模型中，从而可根据WRNN模型输出的输出结果，得到用电设备的用电特征。同理，可对历史用电时间序列进行小波分解，然后将得到的小波分解结果，输入到WRNN模型中，从而根据WRNN模型的输出结果，得到用电设备的用电特征。上述得到的小波分解结果，可理解为WRNN模型可直接处理的数据。

S130、基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列。

其中，云分布式图形处理单元(Graphics Processing Unit，GPU)架构，可理解为云分布式计算与GPU相结合的架构，其使得针对数据量较大的未来发电时间序列和未来用电时间序列的快速预测，成为可能。

基于云分布式GPU架构，根据发电特征，预测发电设备在各未来发电时间点上的未来发电功率，并基于这些未来发电功率生成未来发电时间序列。同理，针对至少一个用电设备中的每个用电设备，基于云分布式GPU架构，可根据该用电设备的用电特征，预测该用电设备在各未来用电时间点上的未来用电功率，并基于这些未来用电功率生成该用电设备的未来用电时间序列。在实际应用中，可以理解的是，各未来发电时间点与各未来用电时间点可以一一对应，也可以存在差异，在此未做具体限定。

S140、基于云分布式图形处理单元架构，根据未来发电时间序列以及至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。

其中，在得到未来发电时间序列以及各用电设备分别对应的未来用电时间序列之后，可基于云分布式GPU架构，根据这些时间序列，生成能源调度方案，该能源调度方案可最大限度地减少电力生产波动的影响，并且确保可靠地流向满足可变需求的用电设备，从而满足所有能源需求。

进一步，基于能源调度方案，实现发电设备与各用电设备之间的能源调度。

本发明实施例的技术方案，针对待调度的发电设备以及发电设备负责供电的至少一个用电设备中的每个用电设备，通过分别获取发电设备的表征历史发电功率的历史发电时间序列，及用电设备的表征历史用电功率的历史用电时间序列；获取已训练完成的WRNN模型，并基于WRNN模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征；基于云分布式GPU架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；然后，基于云分布式GPU架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。上述技术方案，通过结合WRNN模型与云分布式GPU架构，可针对发电设备和各用电设备生成较佳的能源调度方案，并基于此有效保证了发电设备与各用电设备之间能源调度的合理性。

一种可选的技术方案，上述能源调度方法，还包括：

基于小波递归神经网络模型，处理历史发电时间序列，得到发电设备的待预测未来发电功率的各未来发电时间点；

基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，包括：

基于云分布式图形处理单元架构，根据发电特征以及各未来发电时间点，预测未来发电时间序列，其中，未来发电时间序列表征发电设备在各未来发电时间点下的未来发电功率。

其中，未来发电时间点可理解为待预测发电设备的未来发电功率的时间点。基于WRNN模型，处理历史发电时间序列，得到各未来发电时间点。进一步，利用云分布式GPU架构，可根据发电特征和各未来发电时间点，预测发电设备在各未来发电时间点下的未来发电功率，从而生成未来发电时间序列。

上述技术方案，通过预测各未来发电时间点，然后将该各未来发电时间点输入到云分布式GPU架构，由此实现了未来发电时间序列的准确预测。

在实际应用中，可选的，各用电设备的未来用电时间序列，可同理预测，在此不再赘述。

图2是本发明实施例中提供的另一种能源调度方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，基于云分布式图形处理单元架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，可包括：基于云分布式图形处理单元架构，根据未来发电时间序列以及至少一个用电设备分别对应的未来用电时间序列，生成至少一个候选调度方案；获取预先设置的配电约束，并从至少一个候选调度方案中，确定满足配电约束的能源调度方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例的方法具体可以包括如下步骤：

S210、针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列。

S220、获取已训练完成的小波递归神经网络模型，并基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征。

S230、基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列。

S240、基于云分布式图形处理单元架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成至少一个候选调度方案。

S250、获取预先设置的配电约束，并从至少一个候选调度方案中，确定满足配电约束的能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。

其中，配电约束可理解为预先设置的用于表征发电设备给各用电设备分配电能时的相关约束。获取配电约束，然后从至少一个候选调度方案中，确定可满足配电约束的能源调度方案，由此保证了最终应用的能源调度方案的合理性。

本发明实施例的技术方案，通过应用配电约束，可以保证得到的能源调度方案满足实际的电能分配需求，从而进一步保证了电能调度的合理性。

一种可选的技术方案，云分布式图形处理单元架构包括至少一个图形处理单元线程，至少一个候选调度方案由至少一个图形处理单元线程中的不同的图形处理单元线程并行生成；

从至少一个候选调度方案中，确定满足配电约束的能源调度方案，包括：

针对至少一个候选调度方案中的每个候选调度方案，利用至少一个图形处理单元线程中生成候选调度方案的图形处理单元线程，判断候选调度方案是否满足配电约束；

根据至少一个候选调度方案分别对应的图形处理单元线程的判断结果，从至少一个候选调度方案中，确定满足配电约束的能源调度方案。

换言之，云分布式图形处理单元架构包括至少一个GPU线程，可基于各GPU线程并行生成不同的候选调度方案，然后利用各GPU线程并行判断各自生成的候选调度方案是否满足配电约束，保证了能源调度方案的确定效率。

图3是本发明实施例中提供的又一种能源调度方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，针对至少一个用电设备中的任一用电设备，在发电设备分配给用电设备的电量，未满足用电设备的用电需求的情况下，用电设备从能源供应商获取电量；能源供应商所拥有的电量，来源于发电设备；则从至少一个候选调度方案中，确定满足配电约束的能源调度方案，包括：从至少一个候选调度方案中，确定满足配电约束的至少一个中间调度方案；以最小化至少一个用电设备从能源供应商获取到的电量为依据，从至少一个中间调度方案中，确定能源调度方案；基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度，包括：基于能源调度方案，实现发电设备与能源供应商和至少一个用电设备之间的能源调度。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图3，本实施例的方法具体可以包括如下步骤：

S310、针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列。

S320、获取已训练完成的小波递归神经网络模型，并基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征。

S330、基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列。

S340、基于云分布式图形处理单元架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成至少一个候选调度方案。

S350、获取预先设置的配电约束，并从至少一个候选调度方案中，确定满足配电约束的至少一个中间调度方案；

其中，针对至少一个用电设备中的任一用电设备，在发电设备分配给用电设备的电量，未满足用电设备的用电需求的情况下，该用电设备从能源供应商获取电量，并且能源供应商所拥有的电量，来源于发电设备。

换言之，利用当地生产的剩余能源作为商业的能源供应商的进一步来源，从而该能源供应商可以为各用电设备提供电能。

在此基础上，可选的，配电约束可以包括下述中的至少一个：

针对每个用电设备和能源供应商的能源分配的公平性约束；以及，

针对至少一个用电设备中的任一用电设备，该用电设备的差值电量小于或等于该用电设备从发电设备获取到的电量，其中，差值电量等于该用电设备从发电设备获取到的电量+从能源供应商获取到的电量-针对至少一个用电设备中的各用电设备预设的电量公差。

S360、以最小化至少一个用电设备从能源供应商获取到的电量为依据，从至少一个中间调度方案中，确定能源调度方案，以基于能源调度方案，实现发电设备与能源供应商和至少一个用电设备之间的能源调度。

其中，中间调度方案可理解为各候选调度方案中满足配电约束的候选调度方案。中间调度方案的数量可以是一个、两个或是多个，这与实际情况有关，在此未做具体限定。

以最小化各用电设备从能源供应商获取到的电量为依据，从至少一个中间调度方案中，确定能源调度方案，这有助于减少各用电设备从能源供应商购买的电量，从而保证了能源调度的可靠性。

本发明实施例的技术方案，通过以最小化各用电设备从能源供应商获取到的电量为依据，确定能源调度方案，由此保证了能源调度的可靠性。

为了从整体上更好地理解上述的各个技术方案，下面结合具体示例，对其进行示例性说明。示例性的，参见图4，具体步骤如下所示：

步骤1：收集针对发电设备(例如发电厂等)测量到的历史发电时间序列及针对用电设备(例如用电建筑物等)测量到的历史用电时间序列。为了通用起见，可将上述时间序列称为u(τ

步骤2：计算u(τ

其中，M和

u(τ

其中，u(τ

其中，

步骤3：通过保持稳定的功率和随时间的平滑变化来最大限度地减少出售给能源供应商的能源峰值。具体的，这里以一个发电设备和一定数量用电设备为例。使用索引枚举用电设备k∈[1，Q]∩N，其中，Q是有理数集，然后添加一个特殊使用者(k＝0)，表示为

其中，

其中，

并假定：

其中，P

在真实场景中，通常需要考虑用电设备之间能源分配的公平性约束，因此在总能源分配份额比率达到通过合同授予的ρ

其中，t作为连续变量，Δt是合同规定并且考虑时间的时间量，以便为每个积分赋予数学意义k在

在给定的定义和分配约束中，可以想象大量不同的分布选项，并且对应于其中一个设置：

这决定了分配给不同用电设备的功率。本步骤中，可专注于授予出售给提供者的功率的平滑变化，该提供者在数学形式中表示为用电设备数字0。发电设备出售部分发电量P

其中，

步骤4：云分布式GPU架构的输入数据可以是由发电特征和未来发电时间序列组成的P

步骤5：将预测数据馈送到配备GPU的基于云的虚拟机中，以相应地构建模拟场景。每个GPU线程都被赋予生成器和负载节点组合的子集，以此计算此类子集的最佳分布。由于问题的性质，能够使用GPU线程进行详尽的模拟，即考虑所有可能的组合。当然，生成器和负载节点的数量越多，则可能的组合数量越多，从而揭示了云-GPU混合方案的有用性。当通过贪婪排除算法找到最优解时，给出最优解作为输出，用于能源调度的早期重新配置，以最大限度地减少浪费能源生产过剩和/或由于局部超过电力负荷而外部购买的总体成本。

步骤6：为了评估基于云的服务性能以及检查可扩展性，通过连接更多的发电设备和用电设备，大大增加了分析的数据量。测量了建议的分布式组件的处理时间。通过增加用电设备的数量，调度配置急剧增加。这里可将设置称为一台发电设备与不同用电设备及能源供应商的可能配置。考虑到多重性n用电设备，找到哪个k<在给定时间步长必须满足配电约束的用电设备可能需要检查大量可能的设置n可以给予能量。然后，组合k用电设备(满足)以上n可用的用电设备增长非常快。

上述示例提出了一种云分布式GPU架构，并结合软计算技术进行能源调度管理，旨在确保在使用以波动和可变能源需求为特征的能源时可靠的能量流。上述示例可以采用实时处理方式实现。上述示例实现了对未来发电功率和未来用电功率的早期预测，以及通过正确建模现象，预测未来发电时间序列和未来用电时间序列。此外，通过GPU和预测数据，可以模拟用电设备的所有可能的候选调度方案。然后，选择应用最小化未满足负载能量的最佳的能源调度方案，由此可通过减少从能源供应商购买的电量来提高发电设备的可靠性。

图5为本发明实施例所提供的能源调度装置的结构框图，该装置用于执行上述任意实施例所提供的能源调度方法。该装置与上述各实施例的能源调度方法属于同一个发明构思，在能源调度装置的实施例中未详尽描述的细节内容，可以参考上述能源调度方法的实施例。参见图5，该装置具体包括：历史用电时间序列获取模块410、用电特征得到模块420、未来用电时间序列预测模块430以及能源调度模块440。

其中，历史用电时间序列获取模块410，用于针对待调度的发电设备以及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列；

用电特征得到模块420，用于获取已训练完成的小波递归神经网络模型，并基于小波递归神经网络模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，及对历史用电时间序列进行特征提取，得到用电设备的用电特征；

未来用电时间序列预测模块430，用于基于云分布式图形处理单元架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；

能源调度模块440，用于基于云分布式图形处理单元架构，根据未来发电时间序列以及至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。

可选的，上述能源调度装置，还包括：

未来发电时间点预测模块，用于基于小波递归神经网络模型，处理历史发电时间序列，得到发电设备的待预测未来发电功率的各未来发电时间点；

未来用电时间序列预测模块430，包括：

未来发电时间序列预测单元，用于基于云分布式图形处理单元架构，根据发电特征以及各未来发电时间点，预测未来发电时间序列，其中，未来发电时间序列表征发电设备在各未来发电时间点下的未来发电功率。

可选的，能源调度模块440，包括：

候选调度方案生成子模块，用于基于云分布式图形处理单元架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成至少一个候选调度方案；

能源调度方案确定子模块，用于获取预先设置的配电约束，并从至少一个候选调度方案中，确定满足配电约束的能源调度方案。

在此基础上，一可选的，云分布式图形处理单元架构包括至少一个图形处理单元线程，至少一个候选调度方案由至少一个图形处理单元线程中的不同的图形处理单元线程并行生成；

能源调度方案确定子模块，包括：

配电约束判断单元，可用于针对至少一个候选调度方案中的每个候选调度方案，利用至少一个图形处理单元线程中的生成候选调度方案的图形处理单元线程，判断候选调度方案是否满足配电约束；

能源调度方案确定单元，用于根据至少一个候选调度方案分别对应的图形处理单元线程的判断结果，从至少一个候选调度方案中，确定满足配电约束的能源调度方案。

另一可选的，针对至少一个用电设备中的任一用电设备，在发电设备分配给用电设备的电量，未满足用电设备的用电需求的情况下，用电设备从能源供应商获取电量，并且能源供应商所拥有的电量，来源于发电设备；

能源调度方案确定子模块，包括：

中间调度方案确定单元，用于从至少一个候选调度方案中，确定满足配电约束的至少一个中间调度方案；

能源调度方案确定单元，用于以最小化至少一个用电设备从能源供应商获取到的电量为依据，从至少一个中间调度方案中，确定能源调度方案；

能源调度模块440，还包括：

能源调度子模块，用于基于能源调度方案，实现发电设备与能源供应商和至少一个用电设备之间的能源调度。

在此基础上，可选的，配电约束包括下述中的至少一个：

针对每个用电设备和能源供应商的能源分配的公平性约束；以及，

针对至少一个用电设备中的任一用电设备，用电设备的差值电量小于或是等于用电设备从发电设备获取到的电量，其中，差值电量等于用电设备从发电设备获取到的电量+从能源供应商获取到的电量-针对至少一个用电设备中的各用电设备预设的电量公差。

可选的，用电特征得到模块420，包括：

小波分解结果输入单元，用于对历史发电时间序列进行小波分解，并将得到的小波分解结果，输入到小波递归神经网络模型中；

用电特征得到单元，用于根据小波递归神经网络模型所输出的输出结果，得到用电设备的用电特征。

本发明实施例所提供的能源调度装置，通过历史用电时间序列获取模块，针对待调度的发电设备及发电设备负责供电的至少一个用电设备中的每个用电设备，分别获取发电设备的表征历史发电功率的历史发电时间序列，以及用电设备的表征历史用电功率的历史用电时间序列；通过用电特征得到模块，获取预先训练完成的WRNN模型，并基于WRNN模型，对历史发电时间序列进行特征提取，得到发电设备的发电特征，以及对历史用电时间序列进行特征提取，得到用电设备的用电特征；通过未来用电时间序列预测模块，基于云分布式GPU架构，根据发电特征，预测发电设备的表征未来发电功率的未来发电时间序列，以及根据用电特征，预测用电设备的表征未来用电功率的未来用电时间序列；然后，通过能源调度模块，基于云分布式GPU架构，根据未来发电时间序列和至少一个用电设备分别对应的未来用电时间序列，生成能源调度方案，以基于能源调度方案，实现发电设备与至少一个用电设备间的能源调度。上述装置，通过结合WRNN模型与云分布式GPU架构，可针对发电设备和各用电设备生成较佳的能源调度方案，并基于此有效保证了发电设备与各用电设备之间能源调度的合理性。

本发明实施例所提供的能源调度装置可执行本发明任意实施例所提供的能源调度方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述能源调度装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如能源调度方法。

在一些实施例中，能源调度方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的能源调度方法的一个或多个步骤。备选地，在其他实施例中，处理器11可通过其他任何适当的方式(例如，借助于固件)而被配置为执行能源调度方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、以及至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、以及该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或是其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行并且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。