CN112821456B - 基于迁移学习的分布式源-储-荷匹配方法及装置 - Google Patents

基于迁移学习的分布式源-储-荷匹配方法及装置 Download PDF

Info

Publication number
CN112821456B
CN112821456B CN202110184771.0A CN202110184771A CN112821456B CN 112821456 B CN112821456 B CN 112821456B CN 202110184771 A CN202110184771 A CN 202110184771A CN 112821456 B CN112821456 B CN 112821456B
Authority
CN
China
Prior art keywords
building
neural network
network model
training sample
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110184771.0A
Other languages
English (en)
Other versions
CN112821456A (zh
Inventor
田海亭
仲福森
田立国
蒲一帆
朱磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongqing Yunzhi Technology Zhejiang Co ltd
Original Assignee
Zhongqing Yunzhi Technology Zhejiang Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongqing Yunzhi Technology Zhejiang Co ltd filed Critical Zhongqing Yunzhi Technology Zhejiang Co ltd
Priority to CN202110184771.0A priority Critical patent/CN112821456B/zh
Publication of CN112821456A publication Critical patent/CN112821456A/zh
Application granted granted Critical
Publication of CN112821456B publication Critical patent/CN112821456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开的实施例提供了基于迁移学习的分布式源‑储‑荷匹配方法、装置、设备和计算机可读存储介质。所述方法包括获取待部署神经网络模型的第二楼宇的输入参数；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。以此方式，可以在更少的训练样本需求，更短的训练收敛时间、更低的算力需求下，实现对楼宇内分布式源‑储‑荷的匹配调度。

Description

基于迁移学习的分布式源-储-荷匹配方法及装置
技术领域
本公开的实施例一般涉及电网供电技术领域，并且更具体地，涉及基于迁移学习的分布式源-储-荷匹配方法、装置、设备和计算机可读存储介质。
背景技术
用户侧分布式能源系统在不同地理分布位置接入城市配电网，可协同调度各类分布式能源，实现能源的互补利用，对提高可再生能源的就地消纳能力，提升能源综合利用效率具有重要意义，相关研究受到了广泛关注。然而，可再生能源出力具有极强的随机特性，加之与负荷的不匹配性加重了系统运行的复杂程度，对系统运行的稳定性、安全性、可靠性提出了挑战。储能系统可打破能量的时间和空间限制，有效平抑可再生能源出力的随机性和波动性,是解决上述问题的有效手段。
但是，现有分布式能源管理系统多基于远程系统或云平台技术，边缘侧能力不足，由于建筑能源场景的复杂性，如果仅采用基于远程系统或云平台的架构，造成本地数据采集和控制能力不足，无法对紧急情况及时处置。
发明内容
根据本公开的实施例，提供了一种基于迁移学习的分布式源-储-荷匹配方案。
在本公开的第一方面，提供了一种基于迁移学习的源-储-荷匹配神经网络模型训练方法。该方法包括：根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述输入参数包括：楼宇通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值、人员相关情况；所述输出参数包括：楼宇内分布式电源的出力功率、储能的充放电功率，以及外购电功率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：根据第二楼宇的输入参数与实际输出参数更新第一训练样本，利用所述更新后的第一训练样本更新所述第一深度神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述第二训练样本对所述第一神经网络模型进行迁移学习包括：根据新部署的楼宇的输入参数，将其区分为不同的楼宇类型，根据不同的楼宇类型，对部署在其上的第一神经网络模型分别进行迁移学习。
在本公开的第二方面，提供了一种基于迁移学习的分布式源-储-荷匹配方法。该方法包括：获取待部署神经网络模型的第二楼宇的输入参数；根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述第二训练样本对第一神经网络模型进行迁移学习包括：若待部署神经网络模型的第二楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；若待部署神经网络模型的第二楼宇的类型不存在于第一楼宇区分的类型中，则对部署在其上的第一神经网络模型进行迁移学习。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述输出参数对所述第二楼宇进行控制包括：根据所述输出参数生成针对所述第二楼宇的输出指令集，对所述第二楼宇中的能源设备进行控制，调度现场能源系统实现源-储-荷的匹配运行。
在本公开的第三方面，提供了一种基于迁移学习的分布式源-储-荷匹配装置。该装置包括：输入参数获取模块，用于获取待部署神经网络模型的第二楼宇的输入参数；迁移学习模块，用于根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；输出模块，用于将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。
在本公开的第四方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开实施例的训练源-储-荷匹配神经网络模型的训练方法的流程图；
图2示出了根据本公开实施例的基于迁移学习的分布式源-储-荷匹配方法的流程图；
图3示出了根据本公开实施例的训练源-储-荷匹配神经网络模型的训练装置的方框图；
图4示出了根据本公开的实施例的基于迁移学习的分布式源-储-荷匹配装置的方框图；
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开中，充分考虑楼宇配电系统内发电、储能、用电等多个决策主体的需求和关联关系，通过神经网络模型预测多主体短期负荷，以用电成本最低为目标，构建基于迁移学习的分布式源-储-荷匹配策略进行主从博弈。
图1示出了根据本公开实施例的源-储-荷匹配神经网络模型的训练方法的流程图，如图1所示，包括以下步骤：
在框102，根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；
在一些实施例中，根据获得的第一楼宇的历史输入参数及输出参数，将输出参数作为输入参数的标注，生成第一训练样本；其中，
所述第一楼宇为典型试点楼宇；
所述输入参数包括：楼宇通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值、人员相关情况。
在一些实施例中，输入参数包括楼宇通用参数(日期、时间、区域、楼宇类型、楼宇面积、建成时间)、楼宇内能源设备特征(设备类型、关键指标、标定参数、工作模式等)、楼宇内主要负荷的电气测量值(如空调、排风、新风、照明、水泵、电梯、充电桩等)、环境参数测量值(如室内多测点温湿度、室内气压、室外温度、亮度)、人员相关情况(如用户具体指令)。
所述输出参数为操作人员根据最优分布式源-储-荷匹配策略，包括楼宇内分布式电源的运行策略、储能的充放能策略，以及外购能策略，对楼宇的分布式电源、储能及外购能进行控制，所实现的楼宇内分布式电源(光伏、CCHP)的出力功率、储能的充放电功率，以及外购电功率。
在一些实施例中，根据优质试点楼宇获得的预设时间周期内的历史输入参数及输出参数，将输出参数作为输入参数的标注，生成第一训练样本；例如，以小时为单位，获取每小时内的历史输入参数及输出参数，生成第一训练样本。
在一些实施例中，所述神经网络模型为BP深度神经网络模型。BP网络(Back-Propagation Network)又称反向传播神经网络，通过所述第一训练样本的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
在一些实施例中，通过物联网将所述优质试点楼宇的历史输入参数及输出参数从边缘计算网关上传到云端服务器；所述第一神经网络模型的训练是在云端服务器进行的。
在框104，根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型；
在一些实施例中，将所述第一神经网络模型部署到第二楼宇(NB1)，例如第二楼宇的边缘计算网关中，将所述第二楼宇的输入参数输入所述第一神经网络模型中，得到所述第一神经网络模型输出的输出参数。
在一些实施例中，对于第二楼宇(NB1)，其输入参数与所述第一训练样本中的输入参数存在较大差异，因此，需要对所述第一神经网络模型进行迁移学习，以生成适应第二楼宇(NB1)的输入参数的第二神经网络模型。
根据第二楼宇(NB1)的输入参数与实际输出参数，生成第二训练样本。利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型。
在一些实施例中，通过物联网将所述第二训练样本从边缘计算网关同步到云端服务器，所述第二神经网络模型的训练是在云端服务器进行的。
在一些实施例中，根据定期获取的第二训练样本，对所述第二神经网络模型进行更新迭代。这样得到的第二神经网络模型会更加适应第二楼宇(NB1)的输入参数，输出最佳的输出参数。
在一些实施例中，除利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型外，还包括：利用根据第二楼宇运行过程中新产生的输入参数及输出参数更新第一训练样本，利用所述更新后的第一训练样本更新所述第一深度神经网络模型。
在一些实施例中，根据新部署的楼宇的输入参数，将其区分为不同的楼宇类型，包括对部署的楼宇的输入参数进行聚类，得到不同的楼宇类型；例如，通过基于划分聚类算法、基于层次聚类算法、基于密度聚类算法、基于网格的聚类算法、基于神经网络的聚类算法、基于统计学的聚类算法，对楼宇进行聚类；例如，分为第二楼宇类型、第三楼宇类型。根据不同的楼宇类型，对部署在其上的第一神经网络模型分别进行迁移学习。利用第二楼宇类型的楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，更新所述第一神经网络模型，生成第二神经网络模型；利用第三楼宇类型的楼宇的输入参数与实际输出参数生成第三训练样本，利用所述第三训练样本对所述第一神经网络模型进行迁移学习，更新所述第一神经网络模型，生成第三神经网络模型。
通过对根据新部署的楼宇的输入参数，将其区分为不同的楼宇类型，只需要针对楼宇类型进行迁移学习即可，增加了样本量，减少了需要进行迁移学习的神经网络模型的数量，提高了效率。
在一些实施例中，根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型还包括：
根据第一楼宇的历史输入参数将其区分为不同的楼宇类型，分别生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成针对不同楼宇类型的第一神经网络模型。根据新部署的楼宇的输入参数，将其区分为不同的楼宇类型，包括对部署的楼宇的输入参数进行聚类，得到不同的楼宇类型；若新部署的楼宇类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；若新部署的楼宇类型不存在于第一楼宇区分的类型中，则对部署在其上的第一神经网络模型进行迁移学习。
通过上述操作，可以针对不同类型的楼宇进行神经网络模型的部署或迁移学习，在更少的训练样本需求，更短的训练收敛时间、更低的算力需求下，实现对楼宇内分布式源-储-荷的匹配调度；提高了效率。
图2示出了根据本公开实施例的基于迁移学习的分布式源-储-荷匹配方法200的流程图，如图2所示，包括以下步骤：。
在框202，获取待部署神经网络模型的第二楼宇的输入参数；
所述输入参数包括：楼宇通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值、人员相关情况。
在一些实施例中，输入参数包括楼宇通用参数(日期、时间、区域、楼宇类型、楼宇面积、建成时间)、楼宇内能源设备特征(设备类型、关键指标、标定参数、工作模式等)、楼宇内主要负荷的电气测量值(如空调、排风、新风、照明、水泵、电梯、充电桩等)、环境参数测量值(如室内多测点温湿度、室内气压、室外温度、亮度)、人员相关情况。
在一些实施例中，获取楼宇的输入参数之后，还包括：根据楼宇的输入参数，确定其楼宇类型。例如，对所述楼宇的输入参数进行聚类，确定其楼宇类型；例如，通过基于划分聚类算法、基于层次聚类算法、基于密度聚类算法、基于网格的聚类算法、基于神经网络的聚类算法、基于统计学的聚类算法，对楼宇进行聚类。
在框204，根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；
在一些实施例中，所述第一神经网络模型是通过以下方法训练得到的：根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；
在一些实施例中，根据获得的第一楼宇的历史输入参数及输出参数，将输出参数作为输入参数的标注，生成第一训练样本；其中，所述第一楼宇为典型试点楼宇。
在一些实施例中，根据优质试点楼宇获得的预设时间周期内的历史输入参数及输出参数，将输出参数作为输入参数的标注，生成第一训练样本；例如，以小时为单位，获取每小时内的历史输入参数及输出参数，生成第一训练样本。
在一些实施例中，所述神经网络模型为BP深度神经网络模型。BP网络(Back-Propagation Network)又称反向传播神经网络，通过所述第一训练样本的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
在一些实施例中，通过物联网将所述优质试点楼宇的历史输入参数及输出参数从边缘计算网关上传到云端服务器；所述第一神经网络模型的训练是在云端服务器进行的。
在一些实施例中，将所述输入参数输入预先训练的神经网络模型包括：
根据第一楼宇的历史输入参数将其区分为不同的楼宇类型，分别生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成针对不同楼宇类型的第一神经网络模型。
在一些实施例中，若待部署神经网络模型的第二楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；若待部署神经网络模型的第二楼宇的类型不存在于第一楼宇区分的类型中，则对部署在其上的第一神经网络模型进行迁移学习。
在一些实施例中，将所述第一神经网络模型部署到第二楼宇(NB1)，例如第二楼宇的边缘计算网关中，将所述第二楼宇的输入参数输入所述第一神经网络模型中，得到所述第一神经网络模型输出的输出参数。
在一些实施例中，若待部署神经网络模型的楼宇的类型不存在于第一楼宇区分的类型中，即对于第二楼宇(NB1)，其输入参数与所述第一训练样本中的输入参数存在较大差异，因此，需要对所述第一神经网络模型进行迁移学习，以生成适应第二楼宇(NB1)的输入参数的第二神经网络模型。
根据第二楼宇(NB1)的输入参数与实际输出参数，生成第二训练样本。利用所述第二训练样本对所述第一神经网络模型进行迁移学习，更新所述第一神经网络模型，例如将更新后的第一神经网络模型作为第二神经网络模型。
在一些实施例中，通过物联网将所述第二训练样本从边缘计算网关同步到云端服务器，所述第二神经网络模型的训练是在云端服务器进行的。
在一些实施例中，根据定期获取的第二训练样本，对所述第二神经网络模型进行更新迭代。这样得到的第二神经网络模型会更加适应第二楼宇(NB1)的输入参数，输出最佳的输出参数。
在一些实施例中，将所述第二训练样本加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新。
在一些实施例中，若待部署神经网络模型的楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新。
在框206，将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。
在一些实施例中，根据所述输出参数生成针对所述第二楼宇的输出指令集，对所述第二楼宇中的能源设备进行控制，调度现场能源系统实现源-储-荷的匹配运行。
在一些实施例中，根据所述输出参数生成针对所述第二楼宇的输出指令集包括：形成分布式光伏、储能电池、冰蓄冷机组、空调、照明、充电桩、新风系统、锅炉等能源设备控制输出的具体指令，如继电器投切指令、阀门位移量、变频率设定、风机转速等，完成一系列实时控制，调度现场能源系统实现源-储-荷的匹配运行。
根据本公开的实施例，实现了以下技术效果：
利用迁移学习方法，在更少的训练样本需求，更短的训练收敛时间、更低的算力需求下，实现对楼宇内分布式源-储-荷的匹配调度；
调节各台能源原动机、转换设备、储能设备和主要用能负荷的运行策略，实现最优化运行，提高能源利用效率，降低系统内部损耗，减少多负荷无序接入造成的功率浪费。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图3示出了根据本公开的实施例的基于迁移学习的源-储-荷匹配神经网络模型训练装置300的方框图。如图3所示，装置300包括：
第一神经网络模型训练模块302，用于根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；
第二神经网络模型训练模块304，用于根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型。
图4示出了根据本公开的实施例的基于迁移学习的分布式源-储-荷匹配装置400的方框图。如图4所示，装置400包括：
输入参数获取模块402，用于获取待部署神经网络模型的第二楼宇的输入参数；
迁移学习模块404，用于根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；
输出模块406，用于将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。如图所示，设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可以存储设备500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
处理单元501执行上文所描述的各个方法和处理，例如方法100、200。例如，在一些实施例中，方法100、200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由CPU 501执行时，可以执行上文描述的方法100、200的一个或多个步骤。备选地，在其他实施例中，CPU501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100、200。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：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)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (8)

1.一种基于迁移学习的源-储-荷匹配神经网络模型训练方法，其特征在于，包括：
根据第一楼宇的历史输入参数及输出参数生成第一训练样本，利用所述第一训练样本训练深度神经网络，生成第一神经网络模型；
根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对所述第一神经网络模型进行迁移学习，生成第二神经网络模型；
所述利用所述第二训练样本对所述第一神经网络模型进行迁移学习，包括：
根据新部署的楼宇的输入参数，对所述楼宇的输入参数进行聚类，将其区分为不同的楼宇类型，根据不同的楼宇类型，对部署在其上的第一神经网络模型分别进行迁移学习。
2.根据权利要求1所述的方法，其特征在于，
所述输入参数包括：楼宇通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值、人员相关情况；
所述输出参数包括：楼宇内分布式电源的出力功率、储能的充放电功率，以及外购电功率。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据第二楼宇的输入参数与实际输出参数更新第一训练样本，利用所述更新后的第一训练样本更新所述第一神经网络模型。
4.一种基于迁移学习的分布式源-储-荷匹配方法，其特征在于，
获取待部署神经网络模型的第二楼宇的输入参数；
根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；
将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制；
所述利用所述第二训练样本对第一神经网络模型进行迁移学习，包括：
若待部署神经网络模型的第二楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；
若待部署神经网络模型的第二楼宇的类型不存在于第一楼宇区分的类型中，则对部署在其上的第一神经网络模型进行迁移学习。
5.根据权利要求4所述的方法，其特征在于，根据所述输出参数对所述第二楼宇进行控制包括：
根据所述输出参数生成针对所述第二楼宇的输出指令集，对所述第二楼宇中的能源设备进行控制，调度现场能源系统实现源-储-荷的匹配运行。
6.一种基于迁移学习的分布式源-储-荷匹配装置，其特征在于，包括：
输入参数获取模块，用于获取待部署神经网络模型的第二楼宇的输入参数；
迁移学习模块，用于根据第二楼宇的输入参数与实际输出参数生成第二训练样本，利用所述第二训练样本对第一神经网络模型进行迁移学习，生成第二神经网络模型；所述利用所述第二训练样本对第一神经网络模型进行迁移学习，包括：
若待部署神经网络模型的第二楼宇的类型已存在于第一楼宇区分的类型中，则直接进行部署，将新产生的数据加入第一训练样本中对对应楼宇类型的第一神经网络模型进行更新；输出模块，用于将第二楼宇的输入参数输入所述第二神经网络模型，得到输出的输出参数；根据所述输出参数对所述第二楼宇进行控制。
7.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
CN202110184771.0A 2021-02-10 2021-02-10 基于迁移学习的分布式源-储-荷匹配方法及装置 Active CN112821456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110184771.0A CN112821456B (zh) 2021-02-10 2021-02-10 基于迁移学习的分布式源-储-荷匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110184771.0A CN112821456B (zh) 2021-02-10 2021-02-10 基于迁移学习的分布式源-储-荷匹配方法及装置

Publications (2)

Publication Number Publication Date
CN112821456A CN112821456A (zh) 2021-05-18
CN112821456B true CN112821456B (zh) 2022-12-27

Family

ID=75865288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110184771.0A Active CN112821456B (zh) 2021-02-10 2021-02-10 基于迁移学习的分布式源-储-荷匹配方法及装置

Country Status (1)

Country Link
CN (1) CN112821456B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504987B (zh) * 2021-06-30 2023-08-18 广州大学 基于迁移学习的移动边缘计算任务卸载方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423839A (zh) * 2017-04-17 2017-12-01 湘潭大学 一种基于深度学习的智能楼宇微网负荷预测的方法
US20200104710A1 (en) * 2018-09-27 2020-04-02 Google Llc Training machine learning models using adaptive transfer learning
CN109726849A (zh) * 2018-11-26 2019-05-07 湘潭大学 一种花授粉算法优化神经网络的楼宇微网负荷预测方法
CN109946968B (zh) * 2019-03-27 2022-03-25 北京快电科技有限公司 一种楼宇内分布式能源匹配系统和方法
CN110322369B (zh) * 2019-07-03 2021-10-15 厦门理工学院 一种楼宇负荷最优组合确定方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN112821456A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
CN104268638A (zh) 一种基于elman神经网络的光伏发电系统功率预测方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
CN104376389A (zh) 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN103699944A (zh) 一种多预测模式的风电光伏发电功率预测系统
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN115425680B (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
CN109946968B (zh) 一种楼宇内分布式能源匹配系统和方法
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN114662751A (zh) 基于lstm的园区多能短期负荷预测及优化方法
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
Wang et al. Short-term wind power prediction based on DBSCAN clustering and support vector machine regression
CN112884358A (zh) 一种电采暖设备有序用电优化调度方法及终端
CN111027760B (zh) 一种基于最小二乘向量机的电力负荷预测方法
CN117595488A (zh) 一种基于负荷动态匹配的电力调度监控方法及系统
Zhai et al. Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting.
CN105652658B (zh) 基于光伏电场数据分析及实时环境监测的有功控制系统
KR102566824B1 (ko) 장단기 메모리 네트워크 모델을 학습시키는 방법 및 학습된 장단기 메모리 네트워크 모델을 이용하여 에너지 비용을 최소화하는 방법
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
CN111626485A (zh) 一种区域建筑能源系统的负荷预测系统及方法
Lu-ping et al. Particle swarm optimization model of distributed network planning
Yan et al. Matching Theory Aided Federated Learning Method for Load Forecasting of Virtual Power Plant

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210709

Address after: 100086 no.1602-15, 16th floor, No.1 Zhongguancun Street, Mentougou District, Beijing

Applicant after: Tian Haiting

Address before: 100086 no.1602-15, 16th floor, No.1 Zhongguancun Street, Haidian District, Beijing

Applicant before: Beijing guoaoyun Hi Tech Co.,Ltd.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100086 no.1602-15, 16th floor, No.1 Zhongguancun Street, Haidian District, Beijing

Applicant after: Tian Haiting

Address before: 100086 no.1602-15, 16th floor, No.1 Zhongguancun Street, Mentougou District, Beijing

Applicant before: Tian Haiting

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221118

Address after: 323903 Room 102, Floor 6, No. 389, Jiangbin Road, Youzhu Street, Qingtian County, Lishui City, Zhejiang Province

Applicant after: Zhongqing Yunzhi Technology (Zhejiang) Co.,Ltd.

Address before: 100086 no.1602-15, 16th floor, No.1 Zhongguancun Street, Haidian District, Beijing

Applicant before: Tian Haiting

GR01 Patent grant
GR01 Patent grant