CN115965119A - 一种分布式储能系统功率预测优化的方法 - Google Patents

Abstract

本发明公开了一种分布式储能系统功率预测优化的方法，首先收集影响分布式储能系统使用强度的因素特征，构建分布式储能系统强度预测样本数据集；对所构建的样本数据集进行预处理，包括注意力增强和降维处理；建立基于改进随机森林的机器学习预测模型，利用处理后的样本数据集对预测模型进行训练；利用训练完成后的预测模型对未标记样本进行分类识别，根据预测模型输出的结果对分布式储能系统的使用强度进行预测；再根据预测的使用强度对分布式储能系统进行维护和优化。上述方法准确率高、鲁棒性强、泛化能力强，能够较好的对储能系统的使用强度进行预测，从而提前规划电力优化策略，实现对储能系统的前置优化。

Description

一种分布式储能系统功率预测优化的方法

技术领域

本发明涉及电动汽车储能系统技术领域，尤其涉及一种分布式储能系统功率预测优化的方法。

背景技术

目前，电动汽车规模化入网是对电网规划运行的巨大挑战，也是突破电动汽车发展限制的机遇，在电动汽车的储能系统中，对充电功率预测可进一步研究电动汽车协调充电，通过需求侧响应宏观调度电动汽车充电的随机特性，在满足电动汽车功率需求的基础上开展对有序充电策略的研究。电动汽车作为分散式储能设备，在智能电网高效、可靠、安全运行中发挥着重要作用，是实现低碳环境目标、管理智能电网需求方面的有效途径，因此利用大规模电动汽车储能特性参与配电网调控，实现电网稳定运行和提高整体经济性，对储能系统的优化具有重要指导意义。

影响电动汽车储能系统的因素非常复杂，且储能系统的使用行为在时间和空间上都有很大的随机性，现有技术中虽然存在多种方式对储能系统实现调度优化，但并没有对储能系统的使用强度进行预测的解决方案。

发明内容

本发明的目的是提供一种分布式储能系统功率预测优化的方法，该方法准确率高、鲁棒性强、泛化能力强，能够较好的对储能系统的使用强度进行预测，从而提前规划电力优化策略，实现对储能系统的前置优化。

本发明的目的是通过以下技术方案实现的：

一种分布式储能系统功率预测优化的方法，所述方法包括：

步骤1、收集影响分布式储能系统使用强度的因素特征，构建分布式储能系统强度预测样本数据集；其中，所述影响分布式储能系统使用强度的因素特征包括：电动车辆规模、充电设施、出行日期类型、充电电价、交通路况、车辆性能、车主个人主观出行习惯特征；

步骤2、对所构建的样本数据集进行预处理，包括注意力增强和降维处理；

步骤3、建立基于改进随机森林的机器学习预测模型，利用步骤2处理后的样本数据集对预测模型进行训练；

步骤4、利用步骤3训练完成后的预测模型对未标记的样本数据进行分类识别，根据预测模型输出的结果对分布式储能系统的使用强度进行预测；

步骤5、再根据预测的使用强度对分布式储能系统进行维护和优化。

由上述本发明提供的技术方案可以看出，上述方法准确率高、鲁棒性强、泛化能力强，能够较好的对储能系统的使用强度进行预测，从而提前规划电力优化策略，实现对储能系统的前置优化。

附图说明

为了更清楚地说明本发明实施例的技术方案，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，对于本领域的普通技术人员来讲，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附图。

图1为本发明实施例提供的分布式储能系统功率预测优化的方法流程示意图。

具体实施方式

下面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实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，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，都属于本发明的保护范围。

如图1所示为本发明实施例提供的分布式储能系统功率预测优化的方法流程示意图，所述方法包括：

步骤1、收集影响分布式储能系统使用强度的因素特征，构建分布式储能系统强度预测样本数据集；

其中，所述影响分布式储能系统使用强度的因素特征包括：电动车辆规模、充电设施、出行日期类型、充电电价、交通路况、车辆性能、车主个人主观出行习惯特征；

在该步骤中，对所述样本数据集进行预处理，具体过程为：

针对所述样本数据集的字符型特征，采用one-hot编码进行数值化操作，将影响分布式储能系统使用强度的因素特征编码成为样本数据集的特征向量；其中，one-hot编码是一种特征提取的通用词袋模型，能够将文本、字符型数据编码成为特征向量；

为避免特征向量之间的量纲影响，采用MinMaxScaler()函数对数据进行归化处理，使得预处理的数据限定在[0,1]内；

然后将处理后的数据划分为训练集与测试集，并对训练集进行标注；其中，所述训练集用于后续模型的训练，所述测试集用于验证模型的精确度。

步骤2、对所构建的样本数据集进行预处理，包括注意力增强和降维处理；

在该步骤中，对所构建的样本数据集进行注意力增强处理的过程具体为：

假设构建的样本数据集为X＝[X₁，X₂，X₃，...X_n]，将注意力机制应用到其中进行计算，引用一个查询向量q，然后经过打分函数S(x，q)计算模型输入X和查询向量q之间的关联，并输出一个分数结果；

然后将输出的分数结果输入到softmax函数进行归一化映射处理，处理后便得到了查询向量q在模型输入X上相对应的注意力分布a＝[a₁，a₂，a₃，...a_n]，注意力分布的计算公式如下：

其中，t∈[1，2，3，...，n]；打分函数S(x，q)通过下面方法计算：

s(x，q)＝v^Ttanh(Wx+Uq)

其中，W，U为能在训练过程中学习调整的参数，由人为设置，取值为[0，1]区间内的数值；

最终通过注意力分布a＝[a₁，a₂，a₃，...a_n]对模型的输入进行注意力选择，为重要的信息分配较高的权重，给不重要的信息分配较低的权重，并在这个过程中不断地进行迭代，得到基于注意力增强的样本数据D，D＝{D₁，D₂，...，D_n}，样本数据D中D_i的获取公式如下：

D_i＝a_t·x_i

其中，a_t为注意力分布；x_i为第i个输入的样本，i∈[1，2，3，...，n]。

进一步的，对注意力增强处理后的样本数据集进行降维处理的过程具体为：

注意力增强处理后的样本数据D的样本数量为n，假设样本空间为p维，则此时的数据矩阵为：

对数据进行标准化处理，标准化计算公式如下：

式中：x_ij为第j维变量的数据；

为第j维数据的算术平方根；s_j为第j维数据的标准差；

然后，计算样本的相关系数矩阵R：

R＝(r_ij)_n×p

r_ij为第i维和第j维变量的相关系数，计算公式如下：

该公式中右上角星号代表一个集合，左上角星号代表当前点与基于样本重构点的距离；

计算求解相关系数矩阵R的特征值：

λ₁，λ₂，…λ_p(λ₁＞λ₂＞λ_p)；

以及相对应的特征向量a₁，a₂，…a_p；

然后计算各特征值的贡献率，将累计贡献率大于0.85的前m个特征值作为选取重要特征的依据，m的取值是根据实际情况进行自主设定的，贡献率的计算公式为：

其中，λ代表相关系数矩阵R的特征值；p是特征序号；

累计贡献率的计算公式为：

利用选取出的前m个特征值构建映射矩阵W，通过映射空间将p维样本数据降维转换到m维矩阵Y中，Y＝{y₁，y₂，...，y_m}，其中：

式中：a_mp是相关系数矩阵R中第m个特征值对应的p维特征向量；y_m为筛选后特征的第m个向量。

步骤3、建立基于改进随机森林的机器学习预测模型，利用步骤2处理后的样本数据集对预测模型进行训练；

在该步骤中，传统的随机森林不加以区分的对待所有的决策树，导致分类性能不同的决策树具有相同的投票权重，为了提高随机森林对少数类样本的识别能力，本发明实施例提出了一种改进随机森林算法，具体来说：

基于传统的随机森林决策树，在决策树训练阶段，通过评估每棵决策树的分类性能，为能够准确分类少数类样本的决策树赋予一个更高的权重，并通过加权投票的方式获得最终的预测结果，将改进随机森林的预测结果H(T)定义为：

其中：T为决策树的数量；I(·)为指示函数；f_t(N)为第t棵决策树的预测结果；y表示类别；ω_t为第t棵决策树的投票权重；

当决策树的预测结果为真时，指示函数I(·)的值为1，反之为0；

将每棵决策树对失稳样本分类的精确率P_re(precision)和召回率R_ec(recall)的调和平均值F₁作为该决策树的权重，将每棵决策树的投票权值ω_t定义为：

其中，定义TP表示将稳定样本判别为稳定样本，FN表示将稳定样本判别为失稳样本，FP表示将失稳样本判别为稳定样本，TN表示将失稳样本判别为失稳样本；

则调和平均值F₁越大，表明该决策树对少数类样本的分类性能越好，再将降维处理后的样本数据输入到基于改进随机森林的预测模型中，求得的H(T)即为预测模型的预测结果。

步骤4、利用步骤3训练完成后的预测模型对未标记的样本数据进行分类识别，根据预测模型输出的结果对分布式储能系统的使用强度进行预测；

在该步骤中，所述根据预测模型输出的结果对分布式储能系统的使用强度进行预测的过程具体为：

通过划分数据区间，若预测模型输出的结果位于非正常数据区间，例如1-100，则预测分布式储能系统需要及时进行维护和优化；

若预测模型输出的结果位于缓冲数据区间，例如101-200，则预测分布式储能系统需要经常关注；

若预测模型输出的结果位于正常数据区间，例如201-300，则预测分布式储能系统不需要进行维护和优化。

步骤5、再根据预测的使用强度对分布式储能系统进行维护和优化。

在该步骤中，具体进行维护和优化的操作可以由人工或设备进行检修。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (6)

1.一种分布式储能系统功率预测优化的方法，其特征在于，所述方法包括：

步骤1、收集影响分布式储能系统使用强度的因素特征，构建分布式储能系统强度预测样本数据集；其中，所述影响分布式储能系统使用强度的因素特征包括：电动车辆规模、充电设施、出行日期类型、充电电价、交通路况、车辆性能、车主个人主观出行习惯特征；

步骤2、对所构建的样本数据集进行预处理，包括注意力增强和降维处理；

步骤3、建立基于改进随机森林的机器学习预测模型，利用步骤2处理后的样本数据集对预测模型进行训练；

步骤4、利用步骤3训练完成后的预测模型对未标记的样本数据进行分类识别，根据预测模型输出的结果对分布式储能系统的使用强度进行预测；

步骤5、再根据预测的使用强度对分布式储能系统进行维护和优化。

2.根据权利要求1所述分布式储能系统功率预测优化的方法，其特征在于，在步骤1中，对所述样本数据集进行预处理，具体过程为：

针对所述样本数据集的字符型特征，采用one-hot编码进行数值化操作，将影响分布式储能系统使用强度的因素特征编码成为样本数据集的特征向量；

为避免特征向量之间的量纲影响，采用MinMaxScaler()函数对数据进行归化处理，使得预处理的数据限定在[0,1]内；

然后将处理后的数据划分为训练集与测试集，并对训练集进行标注；其中，所述训练集用于后续模型的训练，所述测试集用于验证模型的精确度。

3.根据权利要求1所述分布式储能系统功率预测优化的方法，其特征在于，在步骤2中，对所构建的样本数据集进行注意力增强处理的过程具体为：

假设构建的样本数据集为X＝[X₁，X₂，X₃，...X_n]，将注意力机制应用到其中进行计算，引用一个查询向量q，然后经过打分函数S(x，q)计算模型输入X和查询向量q之间的关联，并输出一个分数结果；

然后将输出的分数结果输入到softmax函数进行归一化映射处理，处理后便得到了查询向量q在模型输入X上相对应的注意力分布a＝[a₁，a₂，a₃，...a_n]，注意力分布的计算公式如下：

其中，t∈[1，2，3，...，n]；打分函数S(x，q)通过下面方法计算：

s(x，q)＝v^Ttanh(Wx+Uq)

其中，W，U为能在训练过程中学习调整的参数，由人为设置，取值为[0，1]区间内的数值；

最终通过注意力分布a＝[a₁，a₂，a₃，...a_n]对模型的输入进行注意力选择，为重要的信息分配较高的权重，给不重要的信息分配较低的权重，并在这个过程中不断地进行迭代，得到基于注意力增强的样本数据D，D＝{D₁，D₂，...，D_n}，样本数据D中D_i的获取公式如下：

D_i＝a_t·x_i

其中，a_t为注意力分布；x_i为第i个输入的样本，i∈[1，2，3，...，n]。

4.根据权利要求3所述分布式储能系统功率预测优化的方法，其特征在于，在步骤2中，对注意力增强处理后的样本数据集进行降维处理的过程具体为：

注意力增强处理后的样本数据D的样本数量为n，假设样本空间为p维，则此时的数据矩阵为：

对数据进行标准化处理，标准化计算公式如下：

式中：x_ij为第j维变量的数据；

为第j维数据的算术平方根；s_j为第j维数据的标准差；

然后，计算样本的相关系数矩阵R：

R＝(r_ij)_n×p

r_ij为第i维和第j维变量的相关系数，计算公式如下：

该公式中右上角星号代表一个集合，左上角星号代表当前点与基于样本重构点的距离；

计算求解相关系数矩阵R的特征值：

λ₁，λ₂，…λ_p(λ₁＞λ₂＞λ_p)；

以及相对应的特征向量a₁，a₂，…a_p；

然后计算各特征值的贡献率，将累计贡献率大于0.05的前m个特征值作为选取重要特征的依据，m的取值是根据实际情况进行自主设定的，贡献率的计算公式为：

其中，λ代表相关系数矩阵R的特征值；p是特征序号；

累计贡献率的计算公式为：

利用选取出的前m个特征值构建映射矩阵W，通过映射空间将p维样本数据降维转换到m维矩阵Y中，Y＝{y₁，y₂，...，y_m}，其中：

式中：a_mp是相关系数矩阵R中第m个特征值对应的p维特征向量；y_m为筛选后特征的第m个向量。

5.根据权利要求1所述分布式储能系统功率预测优化的方法，其特征在于，所述步骤3的过程具体为：

基于传统的随机森林决策树，在决策树训练阶段，通过评估每棵决策树的分类性能，为能够准确分类少数类样本的决策树赋予一个更高的权重，并通过加权投票的方式获得最终的预测结果，将改进随机森林的预测结果H(T)定义为：

其中：T为决策树的数量；I(·)为指示函数；f_t(N)为第t棵决策树的预测结果；y表示类别；ω_t为第t棵决策树的投票权重；

当决策树的预测结果为真时，指示函数I(·)的值为1，反之为0；

将每棵决策树对失稳样本分类的精确率P_re(precision)和召回率R_ec(recall)的调和平均值F₁作为该决策树的权重，将每棵决策树的投票权值ω_t定义为：

其中，定义TP表示将稳定样本判别为稳定样本，FN表示将稳定样本判别为失稳样本，FP表示将失稳样本判别为稳定样本，TN表示将失稳样本判别为失稳样本；

则调和平均值F₁越大，表明该决策树对少数类样本的分类性能越好，再将降维处理后的样本数据输入到基于改进随机森林的预测模型中，求得的H(T)即为预测模型的预测结果。

6.根据权利要求1所述分布式储能系统功率预测优化的方法，其特征在于，在步骤4中，所述根据预测模型输出的结果对分布式储能系统的使用强度进行预测的过程具体为：

通过划分数据区间，若预测模型输出的结果位于非正常数据区间，则预测分布式储能系统需要及时进行维护和优化；

若预测模型输出的结果位于缓冲数据区间，则预测分布式储能系统需要经常关注；

若预测模型输出的结果位于正常数据区间，则预测分布式储能系统不需要进行维护和优化。

Images