CN113408837B - 用能控制策略生成方法、系统、装置、发配能系统及介质 - Google Patents
用能控制策略生成方法、系统、装置、发配能系统及介质 Download PDFInfo
- Publication number
- CN113408837B CN113408837B CN202010183751.7A CN202010183751A CN113408837B CN 113408837 B CN113408837 B CN 113408837B CN 202010183751 A CN202010183751 A CN 202010183751A CN 113408837 B CN113408837 B CN 113408837B
- Authority
- CN
- China
- Prior art keywords
- energy
- time slot
- unit
- predictor
- predicted
- 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
Links
- 238000011217 control strategy Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009826 distribution Methods 0.000 title claims abstract description 29
- 238000004146 energy storage Methods 0.000 claims description 79
- 238000000354 decomposition reaction Methods 0.000 claims description 44
- 238000005265 energy consumption Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的用能控制策略生成方法、系统、装置、发配能系统及介质，应用于发配能系统，通过第一预测器预测未来每个时隙的预测可再生供能量；根据预测可再生供能量、及实际需能量得到时间分解切片及相应的切片需能量；通过第二预测器预测单位供能参数，并确定该时间分解切片在当前时隙的策略阈值；各策略阈值构建的用能控制策略用于控制用能；本申请通过预测器准确地预测可再生供能量和预测代价参数以构建在线的获得供能的优化控制策略，能有效优化用能效率和成本，利于促进供能调配的合理化，利于节能减排，解决现有技术的问题。
Description
技术领域
本申请涉及能源管理技术领域，特别是涉及用能控制策略生成方法、系统、装置、发配能系统及介质。
背景技术
基于节能减排的能源发展大趋势，目前的电力系统中，可再生能源发电需要占有部分比例。
虽然在传统的电力系统中已有诸多优化用户侧用电效率、成本的研究成果，例如根据预测供能价格控制向电网获得电能的用电控制策略，或者采用储能设备按供能价格峰谷时段进行电能储/放，或者储能设备的充放电策略控制等，但是这些优化措施并不能直接适用在包含可再生能源供应的电力系统中，造成针对这样系统的优化策略的缺失，使得实际场景中，用电设备在使用电能时会更多地使用到电网电力，不利于节能减排，不利于用户成本的节省，会造成供电调配的不合理，造成电力的浪费。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供用能控制策略生成方法、系统、装置、发配能系统及介质，克服现有技术的各种缺失。
为实现上述目的及其他相关目的，本申请的第一方面提供一种用能控制策略生成方法，应用于发配能系统，所述发配能系统包括：用能系统、储能系统、及可再生能源系统，其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；所述方法包括：通过第一预测器根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量；根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量；通过第二预测器根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数，并根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；获取根据各所述策略阈值构建的用能控制策略；其中，所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。
在本申请第一方面的某些实施例中，根据所述比较结果以决定该当前时隙是否需要从主从能源产生系统获得供能，包括：获取每个时间分解切片在当前时隙的策略阈值分别同该当前时隙的实际单位供能参数的比较结果；在所述比较结果为所述策略阈值小于所述实际单位供能参数时，决定需要在当前时隙从主能源产生系统获得供能；或者，在所述比较结果为所述策略阈值大于所述实际单位供能参数时，则决定不需要在当前时隙从主能源产生系统获得供能。
在本申请第一方面的某些实施例中，所述供能量由对应的时间分解切片的切片需能量确定，包括：对决定需要在当前时隙从主能源产生系统获得供能的各个时间分解切片的切片需能量进行叠加，以得到所述供能量。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器包括：至少一个递归神经网络。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器包括：至少一个长短期记忆人工神经网络。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器，用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史可再生供能量/历史单位供能参数预测一未来时隙的预测可再生供能量/预测单位供能参数；其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量/历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量/预测单位供能参数。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器由一长短期记忆人工神经网络实现，该长短期记忆人工神经网络包括：一或多层单元；第一层中的各个单元分别获得对应时隙的历史数据输入并输出隐藏状态信息，每个单元的隐藏状态信息和单元状态信息还输出至同层中的下一单元；在多层的情形下每一层中的单元获得上一层中时隙对应的单元输出的隐藏状态信息的输入；最后一层中对应未来时隙的单元的输出作为预测结果。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器，用于根据多个历史可再生供能量/历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量/预测单位供能参数所构成的序列。
在本申请第一方面的某些实施例中，所述第一预测器和/或第二预测器包括：编码器及解码器，所述编码器用于编码得到所述上下文向量，所述解码器用于解码得到所述序列；其中，所述编码器及解码器分别由一或多层的递归神经网络或长短期记忆人工神经网络实现。
在本申请第一方面的某些实施例中，所述的用能控制策略生成方法包括：输出所述用能控制策略。
为实现上述目的及其他相关目的，本申请的第二方面提供一种用能控制策略生成系统，应用于发配能系统，所述发配能系统包括：用能系统、储能系统、及可再生能源系统，其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；所述用能控制策略生成系统包括：第一预测器，用于根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量；分解器，用于根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量；第二预测器，用于根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数；策略生成模块，用于根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；所述策略生成模块，还用于获取根据各所述策略阈值构建的用能控制策略；其中，所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。
在本申请第二方面的某些实施例中，根据所述比较结果以决定该当前时隙是否需要从主从能源产生系统获得供能，包括：获取每个时间分解切片在当前时隙的策略阈值分别同该当前时隙的实际单位供能参数的比较结果；在所述比较结果为所述策略阈值小于所述实际单位供能参数时，决定需要在当前时隙从主能源产生系统获得供能；或者，在所述比较结果为所述策略阈值大于所述实际单位供能参数时，则决定不需要在当前时隙从主能源产生系统获得供能。
在本申请第二方面的某些实施例中，所述供能量由对应的时间分解切片的切片需能量确定，包括：对决定需要在当前时隙从主能源产生系统获得供能的各个时间分解切片的切片需能量进行叠加，以得到所述供能量。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器包括：至少一个递归神经网络。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器包括：至少一个长短期记忆人工神经网络。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器，用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史可再生供能量/历史单位供能参数预测一未来时隙的预测可再生供能量/预测单位供能参数；其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量/历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量/预测单位供能参数。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器由一长短期记忆人工神经网络实现，该长短期记忆人工神经网络包括：一或多层单元；第一层中的各个单元分别获得对应时隙的历史数据输入并输出隐藏状态信息，每个单元的隐藏状态信息和单元状态信息还输出至同层中的下一单元；在多层的情形下每一层中的单元获得上一层中时隙对应的单元输出的隐藏状态信息的输入；最后一层中对应未来时隙的单元的输出作为预测结果。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器，用于根据多个历史可再生供能量/历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量/预测单位供能参数所构成的序列。
在本申请第二方面的某些实施例中，所述第一预测器和/或第二预测器包括：编码器及解码器，所述编码器用于编码得到所述上下文向量，所述解码器用于解码得到所述序列；其中，所述编码器及解码器分别由一或多层的递归神经网络或长短期记忆人工神经网络实现。
在本申请第二方面的某些实施例中，所述的用能控制策略生成系统包括：输出模块，用于输出所述用能控制策略。
为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机装置，包括：通信装置，用于与外部通信；存储装置，用于存储至少一程序；处理装置，用于运行所述至少一程序，以执行第一方面中任一项所述的用能控制策略生成方法。
为实现上述目的及其他相关目的，本申请的第四方面提供一种发配能系统，包括：用能系统、储能系统、及可再生能源系统；其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；如第三方面所述的计算机装置，与所述用能系统和/或储能系统通信。
为实现上述目的及其他相关目的，本申请的第五方面提供一种计算机可读存储介质，存储有至少一程序，所述至少一程序在被调用时执行并实现如第一方面所述的用能控制策略生成方法。
如上所述，本申请的用能控制策略生成方法、系统、装置、发配能系统及介质，应用于发配能系统，通过第一预测器根据可再生能源系统的历史数据预测未来时段中每个时隙的预测可再生供能量；根据预测可再生供能量、及所述用能系统的实际需能量得到该未来时段中每个时间分解切片及相应的切片需能量；通过第二预测器预测单位供能参数，并确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；各所述策略阈值构建的用能控制策略用于控制用能；本申请通过预测器预测可再生供能量和预测代价参数以构建在线的获得供能的控制策略，预测准确且能有效优化用能效率及用能成本，解决现有技术的问题。
附图说明
图1显示为本申请实施例中应用场景的示意图。
图2显示为本申请一具体实施例中执行时间分解切片的原理示意图。
图3A显示为本申请实施例中循环神经网络的单元的逻辑结构。
图3B显示为本申请实施例中LSTM的单元的逻辑结构。
图4显示为本申请实施例中点预测方式的流程示意图。
图5显示为本申请实施例中用于点预测方式的基于LSTM实现的预测器的逻辑结构。
图6显示为本申请实施例中序列到序列预测方式的流程示意图。
图7显示为本申请实施例中用于序列到序列预测方式的基于LSTM实现的预测器的逻辑结构。
图8显示为本申请实施例中的用能控制策略生成方法的流程示意图。
图9显示为本申请实施例中的计算机装置的结构示意图。
图10显示为本申请实施例中计算机装置所应用场景的示意图。
图11显示为本申请实施例中的用能控制策略生成系统的模块示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行模块或单元组成、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件、信息或参数，但是这些元件或参数不应当被这些术语限制。这些术语仅用来将一个元件或参数与另一个元件或参数进行区分。例如，第一元件可以被称作第二元件，并且类似地，第二元件可以被称作第一元件，而不脱离各种所描述的实施例的范围。第一元件和第二元件均是在描述一个元件，但是除非上下文以其他方式明确指出，否则它们不是同一个元件。取决于语境，比如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在包含可再生能源的供配能系统中，由于能量管理策略的缺失会导致能量调配的不合理，能量浪费，不利于节能减排，不利于用户成本的节省等问题，因此，本申请提供关于能量管理策略的技术方案，从而解决上述问题。
请参阅图1，显示为本申请实施例中应用场景的示意图。
如图所示，该应用场景中展示有主能源系统101、可再生能源系统102、储能系统103、及用能系统104。
所述用能系统104同储能系统103及可再生能源系统耦接以获得供能，所述储能系统103及用能系统104中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化。
在一些实施例中，主能源系统101、可再生能源系统102、储能系统103、及用能系统104之间流转的能量的类型包括但不限于电能或热能等；可选的，由于已存在成熟的电力市场，所述能量的类型可以为电能，而所述应用场景可以是电力系统的应用场景。
在一些实施例中，所述主能源系统101可以是电网，电网通过输电线路将电能供给所述用能系统104、储能系统103；所述单位供能参数可以包括例如供能价格等，即所述储能系统103、用能系统104可以依据供能价格来购入电能。
在一些实施例中，所述用能系统104可以包含一个或多个需要用能的设备，例如工业设备，例如制造/加工设备、流水线设备等；又例如家用电器设备，例如电视、冰箱、空调等，又例如照明系统等的灯具。在一些实施例中，所述用能系统104可以是接入同一计量装置的至少一个用能设备的总称，或所述用能系统104为由同一储能系统103进行用能补偿的至少一个用能设备的总称。
在一些实施例中，所述储能系统103包括但不限于为蓄电池、超级电容器等。其中，所述蓄电池可为铅酸电池、镍镉电池、镍氢电池、钠硫电池、锂电池或燃料电池等。
在一些实施例中，所述用能系统104、储能系统103、主能源系统101、和可再生能源系统102之间的耦合关系指的是通过直接或间接的能量传输介质的连接关系，只要能传输能量即可，而并不限制其具体实现形式。
所述用能系统104和储能系统103可以构成发配能系统。在一些实施例中，所述用能系统104可与所述储能系统103位于同一侧，例如所述用能系统104与储能系统103均位于用户侧。用户侧的储能系统103可向用户提供其存储自主能源系统101、可再生能源系统102的能量。在还有一些情况下，所述用能系统104与所述储能系统103位于不同侧。例如所述用能系统104位于用户侧，所述储能系统103位于能源系统侧，能源系统侧的储能系统103可向用户提供其存储自主能源系统101、可再生能源系统102的能量。
举例来说，假设用能系统104包括属于一个用户的一或多个用能设备，也可以包括分布在多个用户的多个用能设备。例如，仅在用户C处设有用能设备，则一个储能系统103仅耦合并向用户C提供用能补偿；又如，用户C、用户D、用户E处均设有用能设备，而一个储能系统103分别耦合于所述用户C、用户D、用户E侧的用能设备，从而向用户C、用户D、用户E提供用能补偿。
需说明的是，从上述举例可知，所述发配能系统只是对用能系统104和储能系统103的统称，并不决定它们的分布结构。
在一些实施例中，所述可再生能源包括风能、太阳能、水能、生物质能、地热能、海洋能等非化石能源。在可能的示例中，所述可再生能源系统102可以包含一或多个可再生能源发电设备，用于将可再生能源转换成电能，例如，水力发电、风力发电、生物质发电、太阳能发电、海洋能发电和地热能发电等，可以是商用或民用的，例如太阳能发电板等。在一些示例中，所述可再生能源系统102可以是分散式发电系统也可以是集中式发电系统。
所述可再生能源系统102、储能系统103、用能系统104可以构成发配能系统。在一些实际场景中，所述发配能系统可实现为例如微电网系统(Micro-Grid)。所述微电网系统与所述主能源系统101连接后可并网运行，并且能与主能源系统101发生能量交换，即从主能源系统101购入以供储能系统103存储的能量或者购入供用能系统104使用的能量。所述发配能系统的可再生能源系统102可提供能量以供储能系统103存储或者供用能系统104使用。
基于图1的应用场景，可以得到以下关系：
设在每个t时隙，主能源系统101向用能系统104提供的能量为g(t)，向储能系统103提供的能量为b(t)，而用能系统104的需能量为d(t)；储能系统103的储能量为s(t)，储能系统103的储能容量限制为B；储能系统103向用能系统104提供的能量为c(t)，可再生能源系统102向用能系统104提供的能量为r(t)，可再生能源系统102的供能限制为R(t)；主能源系统101的单位供能参数(即例如供能价格)为p(t)，则用能系统104向主能源系统101付出的成本为g(t)*p(t)，储能系统103向主能源系统101付出的成本为b(t)*p(t)。
需说明的是，从宏观来讲，所述时隙在时间轴上可以看作一个刻度，即时刻；从微观来讲，所述时隙也可具有一定的时间长度，该时间长度的单位可以是纳秒、毫秒、秒、分钟等
基于以上关系，考虑优化从主能源系统101获取能量的成本而采取优化的控制策略，以解下式(1)对应的问题：
在式(1)的问题中，对于工业系统来讲是基本遵循生产计划的，基本上预测与实际相符，即d(t)可以是来自于预测的与实际相符的实际用能量。而其中的r(t)，p(t)等，可以通过预测值来替代，分别表示为
进一步的，式(1)的问题可以转化为式(2)：
在本申请的思想中，会采用对未来一段时间上的需能量进行时间分解切片(one-shot)，以得到相应时刻的策略阈值以构建在线的用能控制策略。
如图2所示，展示本申请一具体实施例中执行时间分解切片的原理示意图。
该图中横轴为时间轴，设按时间轴列举了时隙t0、t1、t2，纵轴表示累积需能量；D(t)表示在每个时隙需要满足的累积需能量曲线(图中以加粗线表示)，在t1时隙要满足需能量D(t1)，在t2时隙要满足D(t2)，设储能系统的储能容量限制为B，在此示例中假设D(t1)<B，D(t1)+D(t2)>B，进行时间分解切片，可以得到在t0～t1的时间分解切片中任意时隙及对应的切片需能量d1(t0，t1)，且d1(t0，t1)可由计算得到，而D(t2)为在基础上叠加/>而因为有储能系统B的存在，存在曲线Dshift(图中以点虚线表示)，用户可以在t0、t1、或t2选择买入d2(t0，t2)，选择在t1～t2买入d3(t1，t2)而达到最大存储量；为在t2开始达到买入/>而满足D(t2)，则需要在t2买入d4(t2，t2)。
由此可见，上述过程中的时间分解切片有t0～t1、t0～t2、t1～t2、及t2，对应的切片需能量有d1(t0，t1)，d2(t0，t2)，d3(t1，t2)，d4(t2，t2)。
根据图3可知，式(2)的问题可以转化为在每个时隙进行选择是否购入对应的切片需能量的问题，例如式(3)所示：
其中，分别表示每个时间分解切片的起点和终点，/>而u(t)则表示在t时隙作出买入或不买入能量的决定，其中，“1”表示买入，“0”表示不买入。
为了能最小化用能成本，会希望在单位能量供应参数(例如供能价格)最低的时隙买入各个切片需能量，例如，在t0、t1、或t2中供能价格最低的时隙t1选择买入d2(t0，t2)等。
以此为例，如果t1、t2属于尚未发生的未来时隙，且要在假设t0时刻判断是否要买入能量，那么就要通过t0时隙的p(t0)同预测t1、t2时隙的p(t1)、p(t2)比较，判断p(t0)是否是三个单位能量供应参数中最小的，若是，就在t0时隙获得d2(t0，t2)；若否，就不在t0时隙获得d2(t0，t2)。
以此类推，在每个时隙进行判断是否要执行从主能源系统获得切片需能量的u(t)，可以归结成通过在每个时隙t的实际单位能量供应参数p(t)和包含该时隙的每个时间分解切片在时隙t的策略阈值θt的比较结果，而该θt可以由每个时间分解切片所跨越的各个时隙的预测单位能量供应参数中的最小值来确定，可以表示为式(4)：
其中，T为当前时隙t之后的未来某一时隙，t+1～T构成一未来时段。
可以理解的是，通过计算得到包含每个当前时隙t的各个时间分解切片在时隙t的各个策略阈值，据以构建用能控制策略，以用于实现在满足需能量的同时，还优化用能成本，从而避免用户随意使用能量引起能量调配不合理、浪费、效率低下的问题。
上述实施例中，切片分解需能量的计算取决于未来时隙的可再生供能量的预测，策略阈值的计算取决于未来时隙的单位能量供应参数的预测；在一些实施例中，为了能更准确地得到预测结果，可以使用由深度学习模型实现的预测器来完成上述预测。
所谓深度学习模型，可以是端到端的神经网络模型实现。所谓端到端，是相比于传统机器学习的流程来讲的。传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理(Natural Language Processing)问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的；而深度学习模型在训练过程中，从输入端(输入数据)到输出端会得到一个预测结果，与真实结果相比较会得到一个误差，这个误差会在模型中的每一层传递(反向传播)，每一层的表示都会根据这个误差来做调整，直到模型收敛或达到预期的效果才结束，中间所有的操作都包含在神经网络内部，不再分成多个模块处理。由原始数据输入到结果输出，从输入端到输出端中间的神经网络自成一体，故称为端到端。
可以发现，上述预测是基于时间顺序的迭代计算，而适合于该类预测的预测器可以例如为循环神经网络(RNN)模型；较优的，也可以是LSTM模型等。
如图3A所示，展示实施例中循环神经网络的单元(cell)的逻辑结构。
如图所示，每个圈表示一个cell，每个cell可以对应一个时隙，t表示第t个时隙，xt-1表示t-1时隙的输入，st-1表示t-1时隙的cell的单元状态信息，ot-1表示t-1时隙的输出，以此类推；W来自于前一cell的s，用于作为计算当前s的权重；U是从输入到单元状态信息计算的权重，V是从单元状态信息到计算输出的权重；输出层的计算方式表示为：ot＝g(Vst)；隐藏层的计算方式表示为st＝f(Uxt+Wst-1)，将st算式代入到ot算式中，就可以转化成ot和U、V、W、st之间的关系，f可以选取例如Tanh函数(双曲正切函数)或者ReLU函数(线性整流函数)，g可以采用例如Softmax函数，而整个模型采用BPTT(back-propagation throughtime)的训练算法，即先前向计算每个单元的输出值，然后反向计算每个单元的误差项值，它是误差函数对单元的加权输入的偏导数，再计算每个权重的梯度，最后再用随机梯度下降算法更新权重，此处不对BPTT的具体计算进行举例。
当应用到本申请的方案中，当需要预测未来时隙的预测单位供能参数时，xt可以选用历史单位供能参数数据中每个历史时隙的实际发生的历史单位供能参数(例如历史供能价格)，而输出的hT可以是未来第T时隙的预测单位供能参数。例如，根据xt-k到xt的历史供能价格，预测xt+1到T中每个时隙的预测供能价格；同理，若xt采用历史可再生能源供能数据中每个历史时隙的实际发生的历史可再生能源供应量，则输出的oT可以是未来第T时隙的预测可再生能源供应量。
如图3B所示，展示本申请实施例中LSTM的单元(cell)的逻辑结构。
相比于RNN cell，LSTM的cell内部逻辑结构不同，可以参考图3B。
具体来讲，以对应时隙t的cell为例，st-1为t-1时隙对应的cell的单元状态信息(s也表示长期记忆信息)，ft表示遗忘门，it表示输入门，ot表示输出门，⊙表示哈达玛积，⊕表示级联(即向量拼接)，st-1表示上一时隙的cell传输来的它的单元状态信息，σ表示sigmoid计算，Tanh表示Tanh计算，表示中间状态信息，ht-1和ht分别表示前一cell和当前cell输出的隐藏状态信息(h也表示短期记忆信息)，从图中可见，ht-1和xt经求和后，分别经σ或Tanh计算后，分别通过遗忘门，输入门，输出门运算后输出。
其中，ft＝σ(wf[ht-1,xt]+bf)，wf是遗忘门的权重参数，bf是遗忘门的偏置向量；
it＝σ(wi[ht-1,xt]+bi)，wi是输入门的权重参数，bi是输入门的偏置向量；
ws是/>计算所使用的权重参数，bi是/>计算所使用的偏置向量；
ht＝σ(wo[ht-1,xt]+bo)tanh(st)，wo是输出门的权重参数，bo是输出门的偏置向量。
同上RNN，LSTM可以通过输入历史可再生能源供能数据或历史单位供能参数数据，从而预测相应的预测结果。
可以理解的是，在用于实际应用之前的预测器可以是经过训练的，例如，将历史数据分成训练集和测试集，通过损失函数来计算训练集的预测结果和实际结果间的误差(例如计算时隙t+1的预测供能价格和实际供能价格间的误差)，并通过BPTT调整参数的过程，之后再通过测试集进行测试，直至模型训练完成后进行实际的预测应用。
在一些实施例中，通过预测器来依据历史数据进行未来数据的预测，也可以细分为多种方式。以下通过LSTM为例，列举不同的预测方式。
在一些实施例中，可以采用“点预测方式”来进行预测；如图4所示，展示实施例中点预测方式的流程示意图。
该流程包括：
步骤S401：根据前k个历史时隙的历史值(例如历史可再生供能量/历史单位供能参数)预测一未来时隙的预测值(例如预测可再生供能量/预测单位供能参数)。
可以理解的，k是任意的自然数。
步骤S402：将该预测值与其之前的k-1个历史值组合为新的k个值，返回步骤S401以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测值。
如果设定了未来时段的上限，例如t+1～T，则在S402返回S401之前还可包括步骤S403：判断是否已预测第T个时隙的预测值；若否，则返回S401继续执行；若是，则不再循环，输出预测结果。
举例来说，根据历史数据{xt-a，....，xt}预测得到再组合成再用于预测/>以此类推，直至得到/>
针对以上计算过程，可以采用例如图5的预测器，该预测器可以根据RNN或LSTM构建。
以LSTM为例，如图5所示，展示本申请实施例中的用于点预测的预测器的逻辑架构示意图。
在本实施例中，所述预测器可以为多层架构，每一层具有多个单元，即cell；在图5中通过上标表示对应的层，假设有N层，则上标为1～N；通过下标表示该层中第x个cell；第一层(即例如输入层)中的各个单元分别获得对应时隙的历史数据输入，例如第一层输入(x1，...xt)；每个单元输出隐藏状态信息h和单元状态信息s至同层中的下一单元，例如图第一层的第一个cell将和/>输出给第一层的第二个cell；在多层的情形下每一层(即例如输入层、隐藏层、输出层)中的单元获得上一层中时隙对应的单元输出的隐藏状态信息的输入，例如；最后一层(即例如输出层)中对应未来时隙的单元(例如t+1，...，T)的输出作为预测结果；可以理解的是，多层深度模型架构可以达到更优的学习、预测效果，但并不限制单层架构不能应用于本申请实施例。
在一些实施例中，可以采用“序列到序列(sequence to sequence)预测方式”来预测；如图6所示，展示实施例中序列到序列预测方式的流程示意图。
所述流程包括：
步骤S601：根据历史数据编码得到对应的上下文向量(context vector)。
步骤S602：根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测值所构成的序列。
举例来说，通过预测器实现的编码器将{xt-k，...，xt}映射为上下文向量V，再通过预测器实现的编码器将V解码得到作为预测结果输出；其中，所述预测器可以通过RNN或LSTM实现。
如图7所示，展示本申请实施例中的用于序列到序列预测的预测器的逻辑架构示意图。
在本实施例中，所述预测器包括：编码器(Encoder)及解码器(Decoder)，所述编码器用于编码得到所述上下文向量，所述解码器用于解码得到所述序列；其中，所述编码器及解码器可分别由深度学习模型实现，例如一或多层的递归神经网络或长短期记忆人工神经网络实现。
以LSTM为例，如图所示，在编码器的多层LSTM架构中，对输入层的cell输入{xt-k，...，xt}，而多层中cell间的信号传递方式与图5相似，此处不作重复赘述；编码器的输出层输出上下文向量V，V输入到解码器的多层LSTM架构中，经解码器的解码处理后在输出层得到输出其中，可以看到解码器中的结构，每个预测值/>是不同层中对应同一时隙而连接的一列cell的输出，该输出作为输入到下一列中位于首层的cell(如图中灰色线路所示)，以预测下一个时隙的预测值，由此从/>预测到/>
根据上述原理，本申请实施例中提供用能控制策略生成方法。如图8所示，展示本申请实施例中的用能控制策略生成方法的流程示意图。所述方法包括：
步骤S801：通过第一预测器根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量。
在一些实施例中，所述第一预测器所采用的预测方式可以例如为图4的点预测方式或图6的序列到序列预测方式，相应的，第一预测器可通过如图5或图7所示的深度学习模型实现。
在一些实施例中，所述历史可再生能源供能数据可以包括：各个历史时隙的可再生能源系统的历史可再生供能量；其中，所述历史可再生供能量可以通过对可再生能源系统的生产量、输出量进行统计得到，也可以通过对用能系统所接收的能量来进行统计得到。
在一些实施例中，如果第一预测器通过如图4实施例所展示的点预测方式进行预测，所述第一预测器迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史可再生供能量预测一未来时隙的预测可再生供能量；其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量，以此类推。
在一些实施例中，如果所述第一预测器通过如图6实施例所展示的序列到序列预测方式进行预测，则第一预测器可以根据多个历史可再生供能量编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量所构成的序列。
在实际实现中，假设当前时隙是t，未来时段是t+1～T，所述第一预测器可例如表示为函数φR，而φR(rt-k，....，rt)计算得到可选的，可以视第一预测器的输出宽度限制来对未来时段进行分段，例如设置一个时隙窗口W，根据φR(rt-k，....，rt)可以输出/> 等，以用于后续各时间分解切片在t+1到t+W时隙的的各策略阈值的计算；以此类推，之后可以将实际发生的t+1到t+W时隙的rt+1，...，rt+w作为历史数据，预测下一时间窗口/>的预测可再生供能量，以再计算下一时间窗口中各时间分解切片在每个未来时隙的策略阈值。
步骤S802：根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量。
在一些实施例中，假设当前时隙是t，未来时段是t+1～T，则未来时段每个时隙的可再生供能量表示为而根据预测的或者实际计划的d(t+1)～d(T)，结合已知的储能系统的储能限制量B，就能根据图2的原理进行需能量分解，以得到T或W内的时间分解切片，假设有L个，则相应的切片需能量表示为/>其中，的上标表示第L个时间分解切片，下标s表示该时间分解切片的起始时隙，下标e表示该时间分解切片的结束时隙。
如果分解步骤通过分解器ξ表示，则上述分解过程表示为： 其中，需说明的是，若T通过W来划分，则该式中的T可以替换成t+W。
步骤S803：通过第二预测器根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数，并根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值。
在一些实施例中，所述第二预测器所采用的预测方式可以例如为图4的点预测方式或图6的序列到序列预测方式，相应的，第二预测器可通过如图5或图7所示的深度学习模型实现。
在一些实施例中，所述历史单位供能参数数据可以包括：各个历史时隙的可历史单位供能参数(例如历史供能价格)；若当前时隙为t，则t-k～t的已经发生的历史供能价格可以表示为p(t-k)～p(t)。
在一些实施例中，如果第二预测器通过如图4实施例所展示的点预测方式进行预测，所述第二预测器用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史单位供能参数预测一未来时隙的预测单位供能参数；其中，该未来时隙的预测历史单位供能参数供与其之前的k-1个历史时隙的历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测单位供能参数，以此类推。
在一些实施例中，如果所述第二预测器通过如图6实施例所展示的序列到序列预测方式进行预测，则第二预测器可以根据多个历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测单位供能参数所构成的序列。
在实际实现中，假设当前时隙是t，未来时段是t+1～T，所述第二预测器可例如表示为函数φP，而φP(pt-k，....，pt)计算得到可选的，可以视第一预测器的输出宽度限制来对未来时段进行分段，例如设置一个时隙窗口W，根据φP(pt-k，....，pt)可以输出/> 等，以用于后续各时间分解切片在t+1到t+W时隙的的各策略阈值的计算；可选的，如果是按顺序逐一分析每个时间分解切片，也可以分别预测在每个时间分解切片中的每个未来时隙的预测值，例如时间分解切片l的切片需能量为/>则可以根据φP(pt-k，....，pt)得到其中每个未来时隙的预测结果/>以此类推，之后可以将实际发生的t+1到t+W时隙的pt+1，...，pt+w作为历史数据，预测下一时间窗口的预测可再生供能量，以再计算下一时间窗口中各时间分解切片在每个未来时隙的策略阈值。
在步骤S802确定了未来时段(T或每个W)的各个时间分解切片之后，就可以计算每个时间分解切片在当前时隙t的策略阈值θt，所述策略阈值θt可以根据该时间分解切片所包含未来的每个时隙的预测单位供能参数中的最小值来确定；并且，由于各个时间分解切片可能在同一个时隙存在重叠，那么可以分别计算这些时间分解切片(假设有m个，即时间分解切片1～m)在t的策略阈值/>
步骤S804：获取根据各所述策略阈值构建的用能控制策略。
每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定。
如之前图2实施例所展示的原理，来说明策略阈值的使用：可以将时隙t的实际单位供能参数p(t)(例如供能价格)和这些时间分解切片1～m在t的策略阈值/>进行分别比对，若有策略阈值小于所述实际单位供能参数，则决定在时隙t从主能源产生系统获得供能，所述供能量可以是该策略阈值对应的时间分解切片的切片需能量，例如则决定买入/>对应的时间分解切片1的切片需能量以此类推，在/>分别与p(t)进行比较后，根据各个比较结果将时间分解切片1～m中决定需要在t从主能源系统获得供能的各切片需能量叠加起来，以确定当前时隙t需要从主能源系统获得供能的总能量。举例来说，假设经过/>的比较后，决定需要在t获得供能的由时间分解切片1、3、5，则在t时隙需要从主能源系统获得供能的总能量为/>
所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。因此，在此举例中，在t时隙的用能控制策略所包含的供能获取动作(action)可以描述为“从主能源产生系统获得供能，供能量为买入也可以表达为成“...买入/>”、“买”和“买入/>”等几个供能获取动作。需说明的是，本举例中的“”表达的只是用能控制策略对应供能获取动作的含义描述，以利于读者理解，并非实际实现的呈现；在实际场景中，用能控制策略应当是机器可以识别的代码实现，而非以上述描述作为限制。
在实际实现中，该用能控制策略的生成器可以表示为η，生成的在t的对应每个时间分解切片的供能获取动作可以表示为l表示未来时段中的第l个时间分解切片，/>表示所述第l个时间分解切片在时隙t的策略阈值，a表示在时隙t对应第l个时间分解切片的供能获取动作。
可以理解的是，在例如图1所示的场景中，所述供能获取动作可以是储能系统来执行，也可以是用能系统来执行，也可以是储能系统和用能系统一同执行的。
在一些实施例中，所述的用能控制策略生成方法还可包括：输出所述用能控制策略。输出的用能控制策略可以用于控制图1中的储能系统和/或用能系统执行相应的供能获取动作。
如图9所示，展示本申请实施例中提供的计算机装置的结构示意图。
所述计算机装置900包括：
存储装置901，存储有至少一计算机程序。在一些实施例中，所述存储装置901包括至少一个存储器，所述至少一个存储器用于存储至少一个计算机程序；在实施例中，所述存储器可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储器还可以包括远离一个或多个处理器的存储器，例如经由RF电路或外部端口以及通信网络访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等，或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
处理装置902，用于运行所述计算机程序以执行并实现图8中的用能控制策略生成方法，以得到用能控制策略。在一些实施例中，所述处理装置902包括至少一个处理器，所述至少一个处理器与所述至少一个存储器连接，用于运行所述至少一个计算机程序时以执行并实现如上述可视化用户分类方法所描述的至少一种实施例，比如图1中所描述的实施例。在实施例中，所述处理器可操作地与存储器和/或非易失性存储设备耦接。更具体地，处理器可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，至少一个所述处理器可包括一个或多个通用微处理器、一个或多个专用处理器、一个或多个现场可编程逻辑阵列、或它们的任何组合。
通信装置903，用于与外部通信，以用于输出所述用能控制策略来控制储能系统和/或用能系统执行供能获取动作。所述通信装置903可以其包括一或多个有线或无线通信电路，所述有线通信电路包括例如IO接口、有线以太网卡、USB接口等，所述无线通信电路包括例如无线网卡(WiFi)、2G/3G/4G/5G移动通信模块、蓝牙、红外等。
在一些实施例中，所述计算机装置可以呈现为电子设备，所述电子设备例如为装载有APP应用计算机程序或具备通信网络访问性能的电子设备，所述电子设备包括存储器、存储器控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备，以及外部端口等组件，这些组件通过一条或多条通信总线或信号线进行通信。所述电子设备包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视等个人计算机。所述电子设备还可以是由带有多个虚拟机的主机和对应每个虚拟机的人机交互装置(如触控显示屏、键盘和鼠标)所构成的电子设备。
所述电子设备可以是上述举例的电子设备分类，也可以是服务终端，同本地的电子设备间通过网络通信；其中，所述网络可以是因特网、移动网络、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)、或者一个或多个内部网等，或其适当组合；所述服务终端，可以根据功能、负载等多种因素布置在一个或多个实体服务器上。其中，当分布在多个实体服务器时，所述服务终端可以由基于云架构的服务器组成。例如，基于云架构的服务器包括公共云(Public Cloud)服务器系统与私有云(Private Cloud)服务器系统，其中，所述公共或私有云服务器系统包括Software-as-a-Service(软件即服务，SaaS)、Platform-as-a-Service(平台即服务，PaaS)及Infrastructure-as-a-Service(基础设施即服务，IaaS)等。所述私有云服务器系统例如美团云计算服务平台、阿里云计算服务平台、亚马逊(Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等。所述服务器系统还可以由分布的或集中的服务器集群构成。例如，所述服务器集群由至少一台实体服务器构成。每个实体服务器中配置多个虚拟服务器，每个虚拟服务器运行所述餐饮商户信息管理服务器系统中的至少一功能模块，各虚拟服务器之间通过网络通信。
如图10所示，展示本申请实施例中计算机装置应用的应用场景示意图。
图10的应用场景是以图1实施例为基础的。在图10中，除了主能源系统1001、可再生能源系统1002、储能系统1003、及用能系统1004外，还展示有计算机装置1005。所述计算机装置可以例如为图9中的计算机装置。
其中，所述计算机装置1005可以与所述储能系统1003(例如它的控制器、或管理终端)及用能系统1004(例如它的控制器、或管理终端)中的至少一个通信连接，以向它们输出所得到的用能控制策略，以控制所述储能系统1003和/或用能系统1004执行对应的供能获取动作。
在一些实施例中，所述计算机装置1005还可以与用能系统1004、可再生能源系统1002(例如它的控制器、或管理终端)通信连接，以得到前述实施例中的历史可再生能源供能数据；在一些实施例中，所述计算机装置1005还可以与用能系统1004、主能源系统1001(例如它们的控制器、或管理终端)或其它设备(例如网站服务器、可读存储介质等)通信连接，以获得所述历史单位供能参数数据。
如图11所示，展示本申请实施例中用能控制策略生成系统的模块示意图。
其中，所述用能控制策略生成系统1100所包含的各个模块(如1101～1104)可以用硬件、软件、固件或其任意组合的方式来实现。当用软件实现时，可以将这些模块对应的一个或多个指令或代码存储或传送到计算机可读存储介质上，例如图9中计算机装置的存储装置中，以被处理装置运行时实现模块对应的功能。
可以参考图1，所述用能控制策略生成系统1100可应用于发配能系统，所述发配能系统包括：用能系统、储能系统、及可再生能源系统，其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化。
所述用能控制策略生成系统1100包括：
第一预测器1101，用于根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量。
在一些实施例中，所述第一预测器1101所采用的预测方式可以例如为图4的点预测方式或图6的序列到序列预测方式，相应的，第一预测器可通过如图5或图7所示的深度学习模型实现。
在一些实施例中，所述历史可再生能源供能数据可以包括：各个历史时隙的可再生能源系统的历史可再生供能量；其中，所述历史可再生供能量可以通过对可再生能源系统的生产量、输出量进行统计得到，也可以通过对用能系统所接收的能量来进行统计得到。
在一些实施例中，如果第一预测器1101通过如图4实施例所展示的点预测方式进行预测，所述第一预测器迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史可再生供能量预测一未来时隙的预测可再生供能量；其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量，以此类推。
在一些实施例中，如果所述第一预测器1101通过如图6实施例所展示的序列到序列预测方式进行预测，则第一预测器可以根据多个历史可再生供能量编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量所构成的序列。
在实际实现中，假设当前时隙是t，未来时段是t+1～T，所述第一预测器可例如表示为函数φR，而φR(rt-k，....，rt)计算得到可选的，可以视第一预测器的输出宽度限制来对未来时段进行分段，例如设置一个时隙窗口W，根据φR(rt-k，....，rt)可以输出/> 等，以用于后续各时间分解切片在t+1到t+W时隙的的各策略阈值的计算；以此类推，之后可以将实际发生的t+1到t+W时隙的rt+1，...，rt+w作为历史数据，预测下一时间窗口/>的预测可再生供能量，以再计算下一时间窗口中各时间分解切片在每个未来时隙的策略阈值。
分解器1102，用于根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量。在一些实施例中，假设当前时隙是t，未来时段是t+1～T，则未来时段每个时隙的可再生供能量表示为 而根据预测的或者实际计划的d(t+1)～d(T)，结合已知的储能系统的储能限制量B，就能根据图2的原理进行需能量分解，以得到T或W内的时间分解切片，假设有L个，则相应的切片需能量表示为/>其中，/>的上标表示第L个时间分解切片，下标s表示该时间分解切片的起始时隙，下标e表示该时间分解切片的结束时隙。
如果分解器通过ξ表示，则上述分解过程表示为： 其中，需说明的是，若T通过W来划分，则该式中的T可以替换成t+W。
第二预测器1103，用于根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数。
在一些实施例中，所述第二预测器1103所采用的预测方式可以例如为图4的点预测方式或图6的序列到序列预测方式，相应的，第二预测器可通过如图5或图7所示的深度学习模型实现。
在一些实施例中，所述历史单位供能参数数据可以包括：各个历史时隙的可历史单位供能参数(例如历史供能价格)；若当前时隙为t，则t-k～t的已经发生的历史供能价格可以表示为p(t-k)～p(t)。
在一些实施例中，如果第二预测器1103通过如图4实施例所展示的点预测方式进行预测，所述第二预测器用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：根据前k个历史时隙的历史单位供能参数预测一未来时隙的预测单位供能参数；其中，该未来时隙的预测历史单位供能参数供与其之前的k-1个历史时隙的历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测单位供能参数，以此类推。
在一些实施例中，如果所述第二预测器1103通过如图6实施例所展示的序列到序列预测方式进行预测，则第二预测器可以根据多个历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测单位供能参数所构成的序列。
在实际实现中，假设当前时隙是t，未来时段是t+1～T，所述第二预测器可例如表示为函数φP，而φP(pt-k，....，pt)计算得到可选的，可以视第一预测器的输出宽度限制来对未来时段进行分段，例如设置一个时隙窗口W，根据φP(pt-k，....，pt)可以输出/> 等，以用于后续各时间分解切片在t+1到t+W时隙的的各策略阈值的计算；可选的，如果是按顺序逐一分析每个时间分解切片，也可以分别预测在每个时间分解切片中的每个未来时隙的预测值，例如时间分解切片l的切片需能量为/>则可以根据φP(pt-k，....，pt)得到其中每个未来时隙的预测结果/>以此类推，之后可以将实际发生的t+1到t+W时隙的pt+1，...，pt+w作为历史数据，预测下一时间窗口的预测可再生供能量，以再计算下一时间窗口中各时间分解切片在每个未来时隙的策略阈值。
策略生成模块1104，用于根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定。
在确定了未来时段(例如T或每个W)的各个时间分解切片之后，就可以计算每个时间分解切片在当前时隙t的策略阈值θt，所述策略阈值θt可以根据该时间分解切片所包含未来的每个时隙的预测单位供能参数中的最小值来确定；并且，由于各个时间分解切片可能在同一个时隙存在重叠，那么可以分别计算这些时间分解切片(假设有m个，即时间分解切片1～m)在t的策略阈值/>
所述策略生成模块1104，还用于获取根据各所述策略阈值构建的用能控制策略；其中，所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。
每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定。
如之前图2实施例所展示的原理，来说明策略阈值的使用：可以将时隙t的实际单位供能参数p(t)(例如供能价格)和这些时间分解切片1～m在t的策略阈值/>进行分别比对，若有策略阈值小于所述实际单位供能参数，则决定在时隙t从主能源产生系统获得供能，所述供能量可以是该策略阈值对应的时间分解切片的切片需能量，例如则决定买入/>对应的时间分解切片1的切片需能量以此类推，在/>分别与p(t)进行比较后，根据各个比较结果将时间分解切片1～m中决定需要在t从主能源系统获得供能的各切片需能量叠加起来，以确定当前时隙t需要从主能源系统获得供能的总能量。举例来说，假设经过/>的比较后，决定需要在t获得供能的由时间分解切片1、3、5，则在t时隙需要从主能源系统获得供能的总能量为/>
所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。因此，在此举例中，在t时隙的用能控制策略所包含的供能获取动作(action)可以描述为“从主能源产生系统获得供能，供能量为买入也可以表达为成“...买入/>”、“买”和“买入/>”等几个供能获取动作。需说明的是，本举例中的“”表达的只是用能控制策略对应供能获取动作的含义描述，以利于读者理解，并非实际实现的呈现；在实际场景中，用能控制策略应当是机器可以识别的代码实现，而非以上述描述作为限制。
在实际实现中，该用能控制策略的生成器可以表示为η，生成的在t的对应每个时间分解切片的供能获取动作可以表示为l表示未来时段中的第l个时间分解切片，/>表示所述第l个时间分解切片在时隙t的策略阈值，a表示在时隙t对应第l个时间分解切片的供能获取动作。
可以理解的是，在例如图1所示的场景中，所述供能获取动作可以是储能系统来执行，也可以是用能系统来执行，也可以是储能系统和用能系统一同执行的。
在一些实施例中，所述的用能控制策略生成系统还可包括：输出模块1105(虚框表示可选)，用于输出所述用能控制策略。输出的用能控制策略可以用于控制图1、图10中的储能系统和/或用能系统执行相应的供能获取动作。
本申请实施例中还可以提供一种计算机可读存储介质，存储有至少一计算机程序，所述至少一计算机程序在被调用时执行并实现例如图8所示的用能控制策略生成方法，或者实现图10中的用能控制策略生成系统的各个模块。
这些计算机程序如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请所述方法的全部或部分步骤。
于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的计算机程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
本申请上述的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于此，流程图或框图中的每个方框可以代表一个模块、计算机程序段、或代码的一部分，该模块、计算机程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以通过执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以通过专用硬件与计算机指令的组合来实现。
综上所述，本申请的用能控制策略生成方法、系统、装置、发配能系统及介质，应用于发配能系统，通过第一预测器根据可再生能源系统的历史数据预测未来时段中每个时隙的预测可再生供能量；根据预测可再生供能量、及所述用能系统的实际需能量得到该未来时段中每个时间分解切片及相应的切片需能量；通过第二预测器预测单位供能参数，并确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；各所述策略阈值构建的用能控制策略用于控制用能；本申请通过预测器预测可再生供能量和预测代价参数以构建在线的获得供能的控制策略，预测准确且能有效优化用能效率及用能成本，解决现有技术的问题。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (23)
1.一种用能控制策略生成方法，其特征在于，应用于发配能系统，所述发配能系统包括：用能系统、储能系统、及可再生能源系统，其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；所述方法包括：
通过第一预测器根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量；
根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量；
通过第二预测器根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数，并根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；
获取根据各所述策略阈值构建的用能控制策略；其中，所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。
2.根据权利要求1所述的用能控制策略生成方法，其特征在于，根据所述比较结果以决定该当前时隙是否需要从主从能源产生系统获得供能，包括：
获取每个时间分解切片在当前时隙的策略阈值分别同该当前时隙的实际单位供能参数的比较结果；
在所述比较结果为所述策略阈值小于所述实际单位供能参数时，决定需要在当前时隙从主能源产生系统获得供能；或者，在所述比较结果为所述策略阈值大于所述实际单位供能参数时，则决定不需要在当前时隙从主能源产生系统获得供能。
3.根据权利要求1所述的用能控制策略生成方法，其特征在于，所述供能量由对应的时间分解切片的切片需能量确定，包括：
对决定需要在当前时隙从主能源产生系统获得供能的各个时间分解切片的切片需能量进行叠加，以得到所述供能量。
4.根据权利要求1所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器包括：至少一个递归神经网络。
5.根据权利要求1所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器包括：至少一个长短期记忆人工神经网络。
6.根据权利要求4或5所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器，用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：
根据前k个历史时隙的历史可再生供能量/历史单位供能参数预测一未来时隙的预测可再生供能量/预测单位供能参数；
其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量/历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量/预测单位供能参数。
7.根据权利要求6所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器由一长短期记忆人工神经网络实现，该长短期记忆人工神经网络包括：一或多层单元；第一层中的各个单元分别获得对应时隙的历史数据输入并输出隐藏状态信息，每个单元的隐藏状态信息和单元状态信息还输出至同层中的下一单元；在多层的情形下每一层中的单元获得上一层中时隙对应的单元输出的隐藏状态信息的输入；最后一层中对应未来时隙的单元的输出作为预测结果。
8.根据权利要求4或5所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器，用于根据多个历史可再生供能量/历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量/预测单位供能参数所构成的序列。
9.根据权利要求8所述的用能控制策略生成方法，其特征在于，所述第一预测器和/或第二预测器包括：编码器及解码器，所述编码器用于编码得到所述上下文向量，所述解码器用于解码得到所述序列；其中，所述编码器及解码器分别由一或多层的递归神经网络或长短期记忆人工神经网络实现。
10.根据权利要求1所述的用能控制策略生成方法，其特征在于，包括：输出所述用能控制策略。
11.一种用能控制策略生成系统，其特征在于，应用于发配能系统，所述发配能系统包括：用能系统、储能系统、及可再生能源系统，其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；所述用能控制策略生成系统包括：
第一预测器，用于根据输入的可再生能源系统的历史可再生能源供能数据，预测未来时段中每个时隙的预测可再生供能量；
分解器，用于根据所述未来时段中每个时隙的预测可再生供能量、及所述用能系统的实际需能量，以得到该未来时段中每个时间分解切片及相应的切片需能量；
第二预测器，用于根据输入的历史单位供能参数数据预测该未来时段中每个时隙的预测单位供能参数；
策略生成模块，用于根据每个时间分解切片中各时隙的预测单位供能参数的最小值确定该时间分解切片在当前时隙的策略阈值；其中，每个当前时隙的实际单位供能参数与其所属的至少一时间分解切片在该当前时隙的策略阈值的比较结果用于决定该当前时隙是否需要从主能源产生系统获得供能，且所决定获得供能的供能量由对应的时间分解切片的切片需能量确定；
所述策略生成模块，还用于获取根据各所述策略阈值构建的用能控制策略；其中，所述用能控制策略用于控制储能系统及用能系统中的至少一个执行从主能源产生系统获得供能。
12.根据权利要求11所述的用能控制策略生成系统，其特征在于，根据所述比较结果以决定该当前时隙是否需要从主从能源产生系统获得供能，包括：
获取每个时间分解切片在当前时隙的策略阈值分别同该当前时隙的实际单位供能参数的比较结果；
在所述比较结果为所述策略阈值小于所述实际单位供能参数时，决定需要在当前时隙从主能源产生系统获得供能；或者，在所述比较结果为所述策略阈值大于所述实际单位供能参数时，则决定不需要在当前时隙从主能源产生系统获得供能。
13.根据权利要求11所述的用能控制策略生成系统，其特征在于，所述供能量由对应的时间分解切片的切片需能量确定，包括：
对决定需要在当前时隙从主能源产生系统获得供能的各个时间分解切片的切片需能量进行叠加，以得到所述供能量。
14.根据权利要求11所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器包括：至少一个递归神经网络。
15.根据权利要求11所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器包括：至少一个长短期记忆人工神经网络。
16.根据权利要求14或15所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器，用于迭代执行以下运算，直至得到未来时段中每个时隙的预测单位供能参数：
根据前k个历史时隙的历史可再生供能量/历史单位供能参数预测一未来时隙的预测可再生供能量/预测单位供能参数；
其中，该未来时隙的预测可再生供能量/预测历史单位供能参数供与其之前的k-1个历史时隙的历史可再生供能量/历史单位供能参数组合，以用于执行下一次运算以预测该未来时隙的下一未来时隙的预测可再生供能量/预测单位供能参数。
17.根据权利要求16所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器由一长短期记忆人工神经网络实现，该长短期记忆人工神经网络包括：一或多层单元；第一层中的各个单元分别获得对应时隙的历史数据输入并输出隐藏状态信息，每个单元的隐藏状态信息和单元状态信息还输出至同层中的下一单元；在多层的情形下每一层中的单元获得上一层中时隙对应的单元输出的隐藏状态信息的输入；最后一层中对应未来时隙的单元的输出作为预测结果。
18.根据权利要求14或15所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器，用于根据多个历史可再生供能量/历史单位供能参数编码得到对应的上下文向量，根据所述上下文向量解码得到由该未来时段中每个未来时隙的预测可再生供能量/预测单位供能参数所构成的序列。
19.根据权利要求18所述的用能控制策略生成系统，其特征在于，所述第一预测器和/或第二预测器包括：编码器及解码器，所述编码器用于编码得到所述上下文向量，所述解码器用于解码得到所述序列；其中，所述编码器及解码器分别由一或多层的递归神经网络或长短期记忆人工神经网络实现。
20.根据权利要求11所述的用能控制策略生成系统，其特征在于，包括：输出模块，用于输出所述用能控制策略。
21.一种计算机装置，其特征在于，包括：
通信装置，用于与外部通信；
存储装置，用于存储至少一程序；
处理装置，用于运行所述至少一程序，以执行如权利要求1至10中任一项所述的用能控制策略生成方法。
22.一种发配能系统，其特征在于，包括：
用能系统、储能系统、及可再生能源系统；其中，所述用能系统同储能系统及可再生能源系统耦接以获得供能，所述储能系统及用能系统中的至少一个与主能源产生系统耦接以按单位供能参数获得供能，所述单位供能参数随时间变化；
如权利要求21所述的计算机装置，与所述用能系统和/或储能系统通信。
23.一种计算机可读存储介质，其特征在于，存储有至少一程序，所述至少一程序在被调用时执行并实现如权利要求1至10中任一所述的用能控制策略生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010183751.7A CN113408837B (zh) | 2020-03-16 | 2020-03-16 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010183751.7A CN113408837B (zh) | 2020-03-16 | 2020-03-16 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408837A CN113408837A (zh) | 2021-09-17 |
| CN113408837B true CN113408837B (zh) | 2023-09-26 |
Family
ID=77676860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010183751.7A Active CN113408837B (zh) | 2020-03-16 | 2020-03-16 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408837B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101603045B1 (ko) * | 2014-11-28 | 2016-03-14 | 중앙대학교 산학협력단 | 에너지 스케줄링 장치 및 그를 이용한 사용자 불편도 추정 방법 |
| CN106961716A (zh) * | 2017-03-16 | 2017-07-18 | 华北电力大学（保定） | 一种能耗优先的能源代价最小化基站休眠方法 |
| CN110084407A (zh) * | 2019-04-03 | 2019-08-02 | 新奥数能科技有限公司 | 基于循环神经网络和元学习策略的负荷预测方法及装置 |
| CN110120667A (zh) * | 2019-05-07 | 2019-08-13 | 华北电力大学（保定） | 用于降低能源代价的可再生能源与传统能源的分配方法 |
| CN110768241A (zh) * | 2019-10-29 | 2020-02-07 | 图灵人工智能研究院（南京）有限公司 | 储能装置的控制数据处理及控制系统和方法、设备及介质 |
| CN110956370A (zh) * | 2019-11-15 | 2020-04-03 | 图灵人工智能研究院（南京）有限公司 | 储能策略数据处理系统、方法、装置及介质 |
| CN111047163A (zh) * | 2019-11-27 | 2020-04-21 | 图灵人工智能研究院（南京）有限公司 | 储能策略数据处理系统、方法、装置及介质 |
| CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10622940B2 (en) * | 2015-12-18 | 2020-04-14 | Locus Energy, Inc. | Time interval production measurement and energy storage performance analytics in renewable DC energy systems |
| US10860959B2 (en) * | 2016-05-10 | 2020-12-08 | Conectric, Llc | Method and system for ranking control schemes optimizing peak loading conditions of built environment |
| EP3807969A4 (en) * | 2018-06-15 | 2021-08-04 | Opus One Solutions Energy Corp. | SYSTEMS AND PROCESSES INTENDED FOR ELECTRICITY DISTRIBUTION NETWORK MARKETS IN ELECTRICAL NETWORKS |
-
2020
- 2020-03-16 CN CN202010183751.7A patent/CN113408837B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101603045B1 (ko) * | 2014-11-28 | 2016-03-14 | 중앙대학교 산학협력단 | 에너지 스케줄링 장치 및 그를 이용한 사용자 불편도 추정 방법 |
| CN106961716A (zh) * | 2017-03-16 | 2017-07-18 | 华北电力大学（保定） | 一种能耗优先的能源代价最小化基站休眠方法 |
| CN110084407A (zh) * | 2019-04-03 | 2019-08-02 | 新奥数能科技有限公司 | 基于循环神经网络和元学习策略的负荷预测方法及装置 |
| CN110120667A (zh) * | 2019-05-07 | 2019-08-13 | 华北电力大学（保定） | 用于降低能源代价的可再生能源与传统能源的分配方法 |
| CN110768241A (zh) * | 2019-10-29 | 2020-02-07 | 图灵人工智能研究院（南京）有限公司 | 储能装置的控制数据处理及控制系统和方法、设备及介质 |
| CN110956370A (zh) * | 2019-11-15 | 2020-04-03 | 图灵人工智能研究院（南京）有限公司 | 储能策略数据处理系统、方法、装置及介质 |
| CN111047163A (zh) * | 2019-11-27 | 2020-04-21 | 图灵人工智能研究院（南京）有限公司 | 储能策略数据处理系统、方法、装置及介质 |
| CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408837A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A novel hybrid deep neural network model for short‐term electricity price forecasting | |
| CN109478045B (zh) | 使用预测来控制目标系统 | |
| JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
| Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
| US11204591B2 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
| CN110619420B (zh) | 一种基于Attention-GRU的短期住宅负荷预测方法 | |
| Liang et al. | Towards online deep learning-based energy forecasting | |
| Morteza et al. | Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings | |
| Kaur et al. | Smart grid energy management using rnn-lstm: A deep learning-based approach | |
| Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
| Liu et al. | Time series forecasting method of building energy consumption using support vector regression | |
| Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
| Shen et al. | Host load prediction with bi-directional long short-term memory in cloud computing | |
| CN111047163B (zh) | 储能策略数据处理系统、方法、装置及介质 | |
| CN110837934A (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
| Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
| Nakkach et al. | Long-Term Energy Forecasting System Based on LSTM and Deep Extreme Machine Learning. | |
| Almalaq et al. | Comparison of recursive and non-recursive ANNs in energy consumption forecasting in buildings | |
| CN112270454A (zh) | 极端因素影响下的电力系统短期负荷预测方法与预测装置 | |
| CN113408837B (zh) | 用能控制策略生成方法、系统、装置、发配能系统及介质 | |
| CN111127082B (zh) | 用于供能系统的数据处理系统、方法及装置 | |
| Rayan et al. | Resource Prediction for Big Data Processing in a Cloud Data Center: A Machine Learning Approach: A Machine Learning Approach | |
| Ming et al. | Electrical load prediction in energy internet via linear correlation coefficient approach | |
| Bousnina et al. | Deep Reinforcement Learning for optimal energy management of multi-energy Smart Grids | |
| Park et al. | Residential load forecasting using modified federated learning algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231116 Address after: 210046 6th floor, building C21, Zidong International Creative Park, 2 Zidong Road, Maqun street, Qixia District, Nanjing City, Jiangsu Province Patentee after: TULING ARTIFICIAL INTELLIGENCE INSTITUTE (NANJING) Co.,Ltd. Patentee after: TSINGHUA University Address before: 210046 floor 8, building 5, No. 6, Qimin Road, Xianlin street, Qixia District, Nanjing, Jiangsu Province Patentee before: TULING ARTIFICIAL INTELLIGENCE INSTITUTE (NANJING) Co.,Ltd. |
|
| TR01 | Transfer of patent right |