CN116258192A - 日前调度计划生成模型训练方法、计划生成方法和装置 - Google Patents
日前调度计划生成模型训练方法、计划生成方法和装置 Download PDFInfo
- Publication number
- CN116258192A CN116258192A CN202211468613.9A CN202211468613A CN116258192A CN 116258192 A CN116258192 A CN 116258192A CN 202211468613 A CN202211468613 A CN 202211468613A CN 116258192 A CN116258192 A CN 116258192A
- Authority
- CN
- China
- Prior art keywords
- day
- ahead
- data
- output
- historical
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种日前调度计划生成模型训练方法、计划生成方法和装置,训练方法包括:根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;采用数据集训练预设的深度神经网络,以得到用于根据综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。本申请能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够提升综合能源基地运行的稳定性及安全性。
Description
技术领域
本申请涉及能源调度技术领域,尤其涉及日前调度计划生成模型训练方法、计划生成方法和装置。
背景技术
大型综合能源基地能将风、光、火电汇集后通过直流送出。大型能源基地的运行需要提前制定好风光火电的调度计划,避免由各种原因导致的备用容量不足或者由配置不合理导致的大量弃风弃光。
目前的日前调度计划生成方法主要依靠前一天的光伏、风电功率预测结果来制定,由于预测方法的误差和各类设备运行过程中的不确定性等原因,传统方法制定出的日前调度计划与实际调度存在较大差异,且很难对这种差异进行进一步的缩小。而部分考虑了风光出力不确定性的调度计划方法往往也仅是通过对功率模型添加指定分布的随机扰动来实现对不确定性的考虑,依然无法在本质上缩小日前调度计划与实际出力之间的差距,无法保证日前调度计划的可靠性,也就无法提升综合能源基地的安全稳定运行能力。
发明内容
鉴于此,本申请实施例提供了日前调度计划生成模型训练方法、计划生成方法和装置,以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的第一个方面提供了一种日前调度计划生成模型训练方法,包括:
根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;
采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
在本申请的一些实施例中,所述根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集,包括:
获取综合能源基地在多个历史采样时间点分别对应的历史日前功率预测数据样本,每个所述历史日前功率预测数据样本中均包括:历史日前光伏功率预测数据和历史日前风电功率预测数据;
获取各个所述历史日前功率预测数据样本各自对应的次日的历史实际出力数据样本,每个所述历史实际出力数据样本中均包括:历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比;
根据各个所述历史日前功率预测数据样本与各个所述历史实际出力数据样本之间的对应关系生成各个样本对,以得到包含有多个所述样本对的数据集。
在本申请的一些实施例中,在所述采用所述数据集训练预设的深度神经网络之前,还包括:
构建用于表示深度神经网络输出的出力调度计划数据与所述历史实际出力数据之间差异值的损失函数;
相对应的,所述采用所述数据集训练预设的深度神经网络,包括:
以所述损失函数的最小值为目标,基于所述数据集训练预设的深度神经网络。
在本申请的一些实施例中,所述历史日前功率预测数据和历史实际出力数据的类型均为时间序列数据;
相对应的,所述深度神经网络包括:LSTM模型。
在本申请的一些实施例中,所述LSTM模型包括:依次相接的编码网络、解码网络和输出层;
所述编码网络用于对输入的日前功率预测数据进行编码,并输出特征张量;
所述解码网络用于对所述特征张量进行解码,得到所述日前功率预测数据对应的出力预测数据;
所述输出层用于根据Softmax函数对所述出力预测数据进行概率分配以输出对应的出力调度计划数据。
本申请的第二个方面提供了一种综合能源基地的日前调度计划生成方法,包括:
获取综合能源基地的日前功率预测数据;
将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;
其中,所述日前调度计划生成模型预先基于所述的日前调度计划生成模型训练方法训练得到。
本申请的第三个方面还提供了一种日前调度计划生成模型训练装置,包括:
数据集生成模块,用于根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;
模型训练模块,用于采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
本申请的第四个方面还提供了一种综合能源基地的日前调度计划生成装置,包括:
数据获取模块,用于获取综合能源基地的日前功率预测数据;
模型预测模块,用于将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;
其中,所述日前调度计划生成模型预先基于所述的日前调度计划生成模型训练方法训练得到。
本申请的第五个方面还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的日前调度计划生成模型训练方法,或者,实现所述的综合能源基地的日前调度计划生成方法。
本申请的第六个方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的日前调度计划生成模型训练方法,或者,实现所述的综合能源基地的日前调度计划生成方法。
本申请提供的日前调度计划生成模型训练方法,通过根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型,能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
本申请的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本申请实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
为了更清楚地说明本发明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,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为本申请一实施例中的日前调度计划生成模型训练方法的一种流程示意图。
图2为本申请一实施例中的日前调度计划生成模型训练方法的另一种流程示意图。
图3为本申请另一实施例中的日前调度计划生成方法的流程示意图。
图4为本申请另一实施例中的日前调度计划生成模型训练装置的结构示意图。
图5为本申请另一实施例中的日前调度计划生成装置的结构示意图。
图6为本申请应用实例中提供的日前调度计划生成模型训练及日前调度计划生成方法的流程示意图。
图7为本申请应用实例中LSTM模型的结构举例示意图。
具体实施方式
下面将结合附图对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤,而省略了与本申请关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本申请的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
为了解决现有的日前调取计划生成方法存在的无法有效缩小日前调度计划与实际出力之间的差距,无法保证日前调度计划的可靠性,且无法提升综合能源基地的安全稳定运行能力的问题,本申请首先考虑到综合能源基地的历史预测数据与历史实际出力数据中包含有大量信息,若能有效运用这些历史信息并从中学习经验数据,就能够缩小日前调度计划与实际出力之间的差距。然而,若直接利用历史信息,需要耗费大量的人力及时间成本,在每次需要生成日前调度计划时,都需要花费大量时间来统计历史数据等。
基于此,为了在不影响日前调度计划生成效率的基础上,实现日前调度计划与实际出力之间的差距的有效缩小,本申请实施例提供一种日前调度计划生成模型训练方法,通过采用深度神经网络,并利用综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据将该深度神经网络训练成能够根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型,后续即可以直接采用该日前调度计划生成模型快速且有效地根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据,不但能够保证日前调度计划生成效率,还能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
具体通过下述实施例进行详细说明。
本申请实施例提供一种可由日前调度计划生成模型训练装置实现的日前调度计划生成模型训练方法,参见图1,所述日前调度计划生成模型训练方法具体包含有如下内容:
步骤100:根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集。
在步骤100中,日前调度计划生成模型训练装置可以接收自综合能源基地的数据库中采集的历史日前功率预测数据以及对应的历史实际出力数据。可以理解的是,历史日前功率预测数据以及对应的历史实际出力数据具体是指:在各个历史采样时间点分别采集的历史日前功率预测数据样本,以及获取每一个历史日前功率预测数据样本的历史采样时间点对应当日的次日历史实际出力数据样本。例如,若历史日前功率预测数据样本采集时间为第一天,则该历史日前功率预测数据样本对应的历史实际出力数据为第二天的历史实际出力数据样本。
可以理解的是,所述数据集中存储历史日前功率预测数据以及历史实际出力数据之间的对应关系,该对应关系是指所述数据集中不仅存储有历史日前功率预测数据以及历史实际出力数据的内容,还存储有历史日前功率预测数据以及历史实际出力数据之间的一对一关系。
步骤200:采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
在步骤200中,采用所述数据集训练预设的深度神经网络,具体是指:可以将数据集作为训练集对深度神经网络进行训练;还可以将数据集划分为训练集、验证集及测试集等等,以在根据训练集对深度神经网络进行训练后,再根据验证集及测试集对深度神经网络进行进一步优化等等,以提高模型训练结果的可靠性及有效性,具体可以根据实际应用情形设置。
在本申请的一个或多个实施例中,所述日前调度计划生成模型是指用于生成日前调度计划生成的机器学习模型,该模型的架构与其深度神经网络这一基础架构相同,也就是说,日前调度计划生成模型即是指当前训练完成的深度神经网络,后续还可以根据实际应用需求,定期自综合能源基地的数据库采集最新更新的历史日前功率预测数据以及对应的历史实际出力数据,然后利用这些更新的历史日前功率预测数据以及对应的历史实际出力数据对所述日前调度计划生成模型进行优化迭代,得到更新后的日前调度计划生成模型,以进一步提高模型训练结果的可靠性及有效性,以更适用于综合能源基地的状态变更。
从上述描述可知,本申请实施例提供的日前调度计划生成模型训练方法,能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
为了进一步提高用于训练模型的数据基础的有效性及可靠性,在本申请实施例提供的一种日前调度计划生成模型训练方法中,参见图2,所述日前调度计划生成模型训练方法的步骤100具体包含有如下内容:
步骤110:获取综合能源基地在多个历史采样时间点分别对应的历史日前功率预测数据样本,每个所述历史日前功率预测数据样本中均包括:历史日前光伏功率预测数据和历史日前风电功率预测数据。
步骤120:获取各个所述历史日前功率预测数据样本各自对应的次日的历史实际出力数据样本,每个所述历史实际出力数据样本中均包括:历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比。
可以理解的是,同一历史实际出力数据样本中的历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比的总和为1。
步骤130:根据各个所述历史日前功率预测数据样本与各个所述历史实际出力数据样本之间的对应关系生成各个样本对,以得到包含有多个所述样本对的数据集。
具体来说,可以对历史日前功率预测数据与实际出力比例进行ΔT分段采样,制作数据集。ΔT分段采样的举例为:24小时的预测数据每隔15分钟采样一次。
为了进一步提高训练得到模型的应用有效性,在本申请实施例提供的一种日前调度计划生成模型训练方法中,参见图2,所述日前调度计划生成模型训练方法的步骤200之前还具体包含有如下内容:
步骤010:构建用于表示深度神经网络输出的出力调度计划数据与所述历史实际出力数据之间差异值的损失函数。
在步骤010中,深度神经网络输出的出力调度计划数据与所述历史实际出力数据之间差异值可以根据出力调度计划数据与所述历史实际出力数据之间的差值平方的平均值来确定。
相对应的,参见图2,所述日前调度计划生成模型训练方法的步骤200具体包含有如下内容:
步骤210:以所述损失函数的最小值为目标,基于所述数据集训练预设的深度神经网络,得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
为了进一步提高模型映射学习的可靠性,在本申请实施例提供的一种日前调度计划生成模型训练方法中,所述历史日前功率预测数据和历史实际出力数据的类型均为时间序列数据;相对应的,所述深度神经网络包括:LSTM模型。
可以理解的是,LSTM模型是指长短期记忆(Long short-term memory)模型。
为了进一步提高模型训练的可靠性及应用的有效性,在本申请实施例提供的一种日前调度计划生成模型训练方法中,所述LSTM模型具体可以包含有:依次相接的编码网络、解码网络和输出层;
所述编码网络用于对输入的日前功率预测数据进行编码,并输出特征张量;
所述解码网络用于对所述特征张量进行解码,得到所述日前功率预测数据对应的出力预测数据;
所述输出层用于根据归一化指数Softmax函数对所述出力预测数据进行概率分配以输出对应的出力调度计划数据。其中,Softmax函数保证每个时间节点的出力占比数值之和为1。
基于上述日前调度计划生成模型训练方法的实施例,本申请还提供一种综合能源基地的日前调度计划生成方法的实施例,参见图3,所述综合能源基地的日前调度计划生成方法具体包含有如下内容:
步骤300:获取综合能源基地的日前功率预测数据。
步骤400:将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;其中,所述日前调度计划生成模型预先基于所述的日前调度计划生成模型训练方法训练得到。
本申请提供的综合能源基地的日前调度计划生成方法中的日前调度计划生成模型具体可以基于上述实施例中的日前调度计划生成模型训练方法的实施例的处理流程实现,其功能在此不再赘述,可以参照上述日前调度计划生成模型训练方法实施例的详细描述。
从上述描述可知,本申请实施例提供的日前调度计划生成方法,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
从软件层面来说,本申请还提供一种用于执行所述日前调度计划生成模型训练方法中全部或部分内的日前调度计划生成模型训练装置,参见图4,所述日前调度计划生成模型训练装置分别连接综合能源基地的数据库和日前调度计划生成装置,以自数据库调取历史数据,并将训练得到的模型发送给日前调度计划生成装置进行线上应用,日前调度计划生成模型训练装置具体包含有如下内容:
数据集生成模块10,用于根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集。
模型训练模块20,用于采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
本申请提供的日前调度计划生成模型训练装置的实施例具体可以用于执行上述实施例中的日前调度计划生成模型训练方法的实施例的处理流程,其功能在此不再赘述,可以参照上述日前调度计划生成模型训练方法实施例的详细描述。
从上述描述可知,本申请实施例提供的日前调度计划生成模型训练装置,能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
从软件层面来说,本申请还提供一种用于执行所述日前调度计划生成方法中全部或部分内的日前调度计划生成装置,参见图5,所述日前调度计划生成装置分别与所述日前调度计划生成模型训练装置和用户持有的客户端设备之间通信连接,进而能够自日前调度计划模型训练装置接收日前调度计划生成模型,并将预测得到的出力调度计划数据发送给客户端设备以便于用户查看,所述日前调度计划生成装置具体包含有如下内容:
数据获取模块30,用于获取综合能源基地的日前功率预测数据;
模型预测模块40,用于将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;
其中,所述日前调度计划生成模型预先基于所述的日前调度计划生成模型训练方法训练得到。
本申请提供的日前调度计划生成装置的实施例具体可以用于执行上述实施例中的日前调度计划生成方法的实施例的处理流程,其功能在此不再赘述,可以参照上述日前调度计划生成方法实施例的详细描述。
从上述描述可知,本申请实施例提供的日前调度计划生成装置,能够有效提高日前调度计划生成模型的训练有效性及可靠性,能够缩小日前调度计划生成模型输出的出力调度计划数据与实际出力之间的差距,能够提高模型输出准确性,并能够提高根据该输出对综合能源基地进行能源配置的合理性及有效性,进而能够保证综合能源基地运行的稳定性及安全性。
可以理解的是,所述日前调度计划生成模型训练装置进行日前调度计划生成模型训练的部分,以及,所述日前调度计划生成装置进行日前调度计划生成的部分,可以在客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器,用于日前调度计划生成模型训练和日前调度计划生成的具体处理。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
为了进一步说明本方案,本申请还提供一种日前调度计划生成模型训练及日前调度计划生成方法的具体应用实例,用于解决现有的日前调度计划生成方法存在的考虑风光出力的不确定性的传统出力调度计划制定方式无法进一步缩小调度计划与实际出力间的差距,而部分考虑风光出力不确定性的人工指定的扰动模型与实际情况差距较大,并不能有效缩小调度计划与实际出力之间的差距等问题。具体通过对由大型能源基地的历史功率预测数据、历史实际出力数据建立的数据集进行深度学习网络训练,获得由功率预测数据指向实际出力数据的映射模型,通过将日前功率预测数据输入该模型,输出日前调度计划。该方法能充分利用历史数据中包含的功率预测结果误差等信息,生成与实际出力更加接近的日前调度计划。
参见图6,本应用实例提供的日前调度计划生成模型训练及日前调度计划生成方法具体包含有如下内容:
S1.对历史日前功率预测数据与实际出力比例进行ΔT分段采样,制作数据集,数据集由如下数据组成。
1)历史日前光伏功率预测数据:
PPij|i=1,2...M;j=1,2...N
式中j表示日前功率预测数据的采样点,N为日前功率预测数据的采样数量,若将24小时的预测数据每隔15分钟采样一次,则N为96,M为样本总数,若有1000天的运行数据,则M为1000。
2)历史日前风电功率预测数据:
PWij|i=1,2...M;j=1,2...N
式中i表示日前功率预测数据的采样点,N为日前功率预测数据的采样数量,若将24小时的预测数据每隔15分钟采样一次,则N为96,M为样本总数,若有1000天的运行数据,则M为1000,后续命名规则与此相同。
与此光伏功率预测数据与风电功率预测数据对应的次日实际风光火出力占比:
Rpij|i=1,2...M;j=1,2...N
RWij|i=1,2...M;j=1,2...N
RTij|i=1,2...M;j=1,2...N
式中RPij为实际光伏出力占比,RWij为实际风电出力占比,RTij为实际火电出力占比,三个参数满足:
RPij+RWij+RTij=1
训练样本集由一个个样本对组成,一个样本对由某日的日前光伏、风电功率预测数据与当日实际光伏、风电、火电出力占比形成的数据对组成。即:
其中,左侧为模型输入、右侧为模型的输出目标。
S2.确定模型的损失函数,该损失函数反映了模型输出调度计划与当日实际调度计划之间的差距:
S3.建立深度神经网络模型
考虑到输入数据与输出数据均为时间序列数据,此处以LSTM结构为例,实际上在能实现该映射学习的前提下,可以采用其他结构的深度学习网络。
LSTM模型的结构举例参见图7,包括图7左侧的编码网络,将输入的Pi进行编码,得到特征张量,图7右侧为解码网络,将编码后的特征张量进行解码,得到每个时间节点的风光火出力占比Ri,Softmax函数保证每个时间节点的出力占比数值之和为1。
S4.利用步骤1中的数据集,以步骤2中的损失函数值最小为目标训练该网络。
S5.将日前预测数据输入训练好的模型,输出风光火出力调度计划。
综上所述,本申请应用实例提供的日前调度计划生成模型训练及日前调度计划生成方法,通过制作历史功率预测数据与历史调度数据匹配的数据集用于日前调度计划生成,使得基于历史数据的调度计划生成学习成为可能;通过设计输入为功率预测时间序列数据,输出为日前调度计划的深度网络,并通过历史数据集训练深度网络以实现日前调度计划生成的功能,能够实现输入为功率预测数据,输出为日前调度计划(以各类能源出力占比表示)的功能,以实现更准确的调度计划。
本申请实施例还提供了一种电子设备(也即电子设备),该电子设备可以包括处理器、存储器、接收器及发送器,处理器用于执行上述实施例提及的日前调度计划生成模型训练方法或日前调度计划生成方法,其中处理器和存储器可以通过总线或者其他方式连接,以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的日前调度计划生成模型训练方法或日前调度计划生成方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的日前调度计划生成模型训练方法或日前调度计划生成方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行实施例中的日前调度计划生成模型训练方法或日前调度计划生成方法。
在本申请的一些实施例中,用户设备可以包括处理器、存储器和收发单元,该收发单元可包括接收器和发送器,处理器、存储器、接收器和发送器可通过总线系统连接,存储器用于存储计算机指令,处理器用于执行存储器中存储的计算机指令,以控制收发单元收发信号。
作为一种实现方式,本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现,处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式,可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器,接收器和发送器功能的程序代码存储在存储器中,通用处理器通过执行存储器中的代码来实现处理器,接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述日前调度计划生成模型训练方法或日前调度计划生成方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体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。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本申请中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种日前调度计划生成模型训练方法,其特征在于,包括:
根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;
采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
2.根据权利要求1所述的日前调度计划生成模型训练方法,其特征在于,所述根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集,包括:
获取综合能源基地在多个历史采样时间点分别对应的历史日前功率预测数据样本,每个所述历史日前功率预测数据样本中均包括:历史日前光伏功率预测数据和历史日前风电功率预测数据;
获取各个所述历史日前功率预测数据样本各自对应的次日的历史实际出力数据样本,每个所述历史实际出力数据样本中均包括:历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比;
根据各个所述历史日前功率预测数据样本与各个所述历史实际出力数据样本之间的对应关系生成各个样本对,以得到包含有多个所述样本对的数据集。
3.根据权利要求1所述的日前调度计划生成模型训练方法,其特征在于,在所述采用所述数据集训练预设的深度神经网络之前,还包括:
构建用于表示深度神经网络输出的出力调度计划数据与所述历史实际出力数据之间差异值的损失函数;
相对应的,所述采用所述数据集训练预设的深度神经网络,包括:
以所述损失函数的最小值为目标,基于所述数据集训练预设的深度神经网络。
4.根据权利要求1所述的日前调度计划生成模型训练方法,其特征在于,所述历史日前功率预测数据和历史实际出力数据的类型均为时间序列数据;
相对应的,所述深度神经网络包括:LSTM模型。
5.根据权利要求4所述的日前调度计划生成模型训练方法,其特征在于,所述LSTM模型包括:依次相接的编码网络、解码网络和输出层;
所述编码网络用于对输入的日前功率预测数据进行编码,并输出特征张量;
所述解码网络用于对所述特征张量进行解码,得到所述日前功率预测数据对应的出力预测数据;
所述输出层用于根据Softmax函数对所述出力预测数据进行概率分配以输出对应的出力调度计划数据。
6.一种综合能源基地的日前调度计划生成方法,其特征在于,包括:
获取综合能源基地的日前功率预测数据;
将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;
其中,所述日前调度计划生成模型预先基于权利要求1至5任一项所述的日前调度计划生成模型训练方法训练得到。
7.一种日前调度计划生成模型训练装置,其特征在于,包括:
数据集生成模块,用于根据综合能源基地的历史日前功率预测数据以及对应的历史实际出力数据,生成数据集;
模型训练模块,用于采用所述数据集训练预设的深度神经网络,以得到用于根据所述综合能源基地的日前功率预测数据输出对应的出力调度计划数据的日前调度计划生成模型。
8.一种综合能源基地的日前调度计划生成装置,其特征在于,包括:
数据获取模块,用于获取综合能源基地的日前功率预测数据;
模型预测模块,用于将所述日前功率预测数据输入日前调度计划生成模型,以使该日前调度计划生成模型输出所述日前功率预测数据对应的出力调度计划数据;
其中,所述日前调度计划生成模型预先基于权利要求1至5任一项所述的日前调度计划生成模型训练方法训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的日前调度计划生成模型训练方法,或者,实现如权利要求6所述的综合能源基地的日前调度计划生成方法。
10.一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,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的日前调度计划生成模型训练方法,或者,实现如权利要求6所述的综合能源基地的日前调度计划生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468613.9A CN116258192A (zh) | 2022-11-22 | 2022-11-22 | 日前调度计划生成模型训练方法、计划生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468613.9A CN116258192A (zh) | 2022-11-22 | 2022-11-22 | 日前调度计划生成模型训练方法、计划生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258192A true CN116258192A (zh) | 2023-06-13 |
Family
ID=86678170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468613.9A Pending CN116258192A (zh) | 2022-11-22 | 2022-11-22 | 日前调度计划生成模型训练方法、计划生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293923A (zh) * | 2023-09-25 | 2023-12-26 | 南栖仙策(南京)高新技术有限公司 | 电网的日前调度计划生成方法、装置、设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211468613.9A patent/CN116258192A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293923A (zh) * | 2023-09-25 | 2023-12-26 | 南栖仙策(南京)高新技术有限公司 | 电网的日前调度计划生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
CN111928888B (zh) | 一种水域污染智能监控分析方法及系统 | |
US10951500B2 (en) | Method and apparatus for warning | |
CN202058215U (zh) | 在线安全巡查系统 | |
CN103595568B (zh) | 一种基于ls-svm的互联网实时信号传输方法 | |
CN116258192A (zh) | 日前调度计划生成模型训练方法、计划生成方法和装置 | |
Liu et al. | Sensors anomaly detection of industrial internet of things based on isolated forest algorithm and data compression | |
Stojmenovic et al. | Inaugural issue of ‘cyber-physical systems’ | |
Zhang et al. | Graph-based traffic forecasting via communication-efficient federated learning | |
CN115860153B (zh) | 基于个性化分组联邦学习的无线流量预测方法及系统 | |
CN112132519A (zh) | 一种基于物联网大数据的瓶装燃气交叉网络系统 | |
CN116258233A (zh) | 日前调度计划偏差度估计模型训练方法、估计方法和装置 | |
CN116029562A (zh) | 新能源消纳比例贡献评估模型训练方法、评估方法和装置 | |
CN116258232A (zh) | 综合能源基地的日前调度计划优化方法和装置 | |
CN112596457B (zh) | 一种餐厨处置收运智能控制方法及系统 | |
CN109831421A (zh) | 数据管理方法、系统以及计算机可读存储介质 | |
CN110826867B (zh) | 车辆管理方法、装置、计算机设备和存储介质 | |
CN116258312A (zh) | 端对端调度计划生成模型训练方法、计划生成方法和装置 | |
CN110166561A (zh) | 可穿戴设备的数据处理方法、装置、系统、设备及介质 | |
CN113610358A (zh) | 基于云平台的远程水质风险预警系统 | |
He et al. | [Retracted] Legal Path of Rural Revitalization for Decision‐Making Risk Prevention of Internet of Things Algorithm | |
CN115759236B (zh) | 模型训练方法、信息发送方法、装置、设备和介质 | |
Wang et al. | On-line traffic forecasting of mobile communication system | |
Liu | IoT, big data and edge computing to facilitate smart grid | |
CN115866019B (zh) | 一种连接保活时间的确定方法及装置 |
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 |