CN117117923B - 一种基于大数据的储能控制并网管理方法及系统 - Google Patents
一种基于大数据的储能控制并网管理方法及系统 Download PDFInfo
- Publication number
- CN117117923B CN117117923B CN202311358950.7A CN202311358950A CN117117923B CN 117117923 B CN117117923 B CN 117117923B CN 202311358950 A CN202311358950 A CN 202311358950A CN 117117923 B CN117117923 B CN 117117923B
- Authority
- CN
- China
- Prior art keywords
- output power
- system output
- debugging
- determining
- sample
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 137
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 305
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000014509 gene expression Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims description 177
- 238000012512 characterization method Methods 0.000 claims description 163
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供了一种基于大数据的储能控制并网管理方法,过程中引入整合分类与回归策略的系统输出功率确定算法,通过分类确定策略协同完成系统输出功率数据的回归预测,通过多个算子维度学习对应不同系统输出功率范围的要素数据的隐藏向量表达,以及通过维度训练平衡算子学习各算子维度分别输出的隐藏向量表达的准确性,缓解系统输出功率数据的跳跃性和不显著问题引起的情况,提高系统输出功率确定结果的精度。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种基于大数据的储能控制并网管理方法及系统。
背景技术
储能控制并网管理是指对储能系统进行监测、控制和优化,以便将其与电力系统并网运行,主要涉及储能系统的调度、能量管理、功率平衡等方面。首先,储能控制并网管理需要对储能系统进行实时监测和控制。通过监测储能系统的状态和性能参数,可以实时获取储能系统的充放电情况、容量、效率、充放电效率、循环寿命、负荷数据、可再生能源数据(如监测的太阳能光伏、风能等可再生能源的产生量和波动情况)、环境数据(如温度、湿度等影响热管理的数据)等数据,并进行相应的控制策略调整。这有助于确保储能系统的安全稳定运行,并满足电力系统的需求。在功率平衡中,通过监测电力系统的以上各类数据,可以动态调整储能系统的输出功率,以确保电力系统的功率平衡和稳定运行,有助于提高电力系统的调度灵活性和可靠性。然而,在实际运行中,储能系统中的数据因为外部环境和用户需求的不确定性,系统负荷变化较大,储能系统在调节干预时,输出功率亦具有跳跃性和不显著性,换言之,可供参考的历史样本通常是稀疏的,对于根据实时储能系统数据进行输出功率控制干预的预测带来困难,预测得到的结果精度得不到保障。
发明内容
本发明的目的在于提供一种基于大数据的储能控制并网管理方法及系统,以改善上述问题。
本申请实施例的实现方式如下:
第一方面,本申请实施例提供一种基于大数据的储能控制并网管理方法,应用于储能控制并网管理系统,所述方法包括:
获取目标储能系统的对照要素数据集合;所述对照要素数据集合用于在储能系统输出功率确定过程中提供对照信息;
基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量;所述P>1,在所述系统输出功率确定算法的调试环节中,所述P个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达;
基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述对照要素数据集合,确定所述P个维度输出表征向量分别对应的影响偏心系数;
基于所述系统输出功率确定算法中的分类映射算子,通过所述P个维度输出表征向量和其分别对应的所述影响偏心系数,确定所述目标储能系统对应的目标低维映射表征向量;
通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果。
其中,作为一种实施方式,所述基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量,包括:
基于所述多维度算子中的公共特征表示网络,基于所述对照要素数据集合进行向量嵌入映射操作,得到对照输入表征向量;
基于所述多维度算子中的每个所述算子维度,对所述对照输入表征向量进行隐藏表征向量抽取操作,得到每个所述算子维度对应的维度输出表征向量;
所述基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述对照要素数据集合,确定所述P个维度输出表征向量分别对应的影响偏心系数,包括:
基于所述维度训练平衡算子中的前馈神经网络,通过所述对照要素数据集合,确定预测表征向量;所述预测表征向量中包括P个维数的关键数据项,所述P个维数的关键数据项与所述P个维度输出表征向量一一关联;
基于所述维度训练平衡算子中的归一化网络,对所述预测表征向量进行归一化操作,得到归一化预测表征向量;所述归一化预测表征向量中包括所述P个维度输出表征向量分别对应的影响偏心系数。
其中,作为一种实施方式,所述基于所述系统输出功率确定算法中的分类映射算子,通过所述P个维度输出表征向量和其分别对应的所述影响偏心系数,确定所述目标储能系统对应的目标低维映射表征向量,包括:
基于所述分类映射算子中的表征向量整合网络,通过所述P个维度输出表征向量分别对应的所述影响偏心系数,对所述P个维度输出表征向量进行融合操作,得到所述目标低维映射表征向量;
所述通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果,包括:
基于所述分类映射算子中的归一映射网络,通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果;
所述获取目标储能系统的对照要素数据集合,包括:
通过所述目标储能系统的系统编号,确定对应所述编号的历史储能监测数据;
获取所述目标储能系统在历史储能监测数据中的目标要素数据集合,作为所述对照要素数据集合。
其中,作为一种实施方式,所述方法还包括:
获取调试学习样例库;所述调试学习样例库中包括多个调试学习样例,每个所述调试学习样例包括样例要素数据和其对应的系统输出功率标签;
基于拟进行调试的系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述调试学习样例中的所述样例要素数据进行隐藏表征向量抽取操作,得到P个样例维度输出表征向量;所述P>1,所述P个算子维度分别用于学习对应不同系统输出功率范围的样例要素数据的隐藏向量表达;
基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述调试学习样例中所述样例要素数据,确定所述P个样例维度输出表征向量分别对应的样例影响偏心系数;
基于所述系统输出功率确定算法中的分类映射算子,通过所述P个样例维度输出表征向量和其分别对应的所述样例影响偏心系数,确定所述调试学习样例对应的样例低维映射表征向量;
通过所述样例低维映射表征向量,确定所述调试学习样例对应的系统输出功率样例确定结果;
通过所述调试学习样例库中各所述调试学习样例分别对应的系统输出功率样例确定结果、以及各所述调试学习样例分别包含的系统输出功率标签,确定系统输出功率误差;
基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量。
其中,作为一种实施方式,所述调试学习样例库中包括P个系统输出功率范围分别对应的调试学习样例集合,所述系统输出功率范围对应的调试学习样例集合中,各个所述调试学习样例分别包含的系统输出功率确定结果均属于所述系统输出功率范围;所述P个系统输出功率范围包括一个系统输出功率为预设范围的数值范围、以及O个系统输出功率不为预设范围的数值范围,所述O个系统输出功率不为预设范围的数值范围分别对应的调试学习样例集合包括的调试学习样例数量之间的作差结果符合结果阈值,其中,O=P-1;
所述方法还包括:
针对每个所述调试学习样例,通过所述调试学习样例包括的系统输出功率标签,确定所述调试学习样例对应的输出功率标记;所述输出功率标记中包括所述P个系统输出功率范围分别对应的输出功率标记数据,所述系统输出功率标签所属的系统输出功率范围对应的输出功率标记数据为Y,其它输出功率标记数据为N;
通过所述调试学习样例库中各所述调试学习样例分别对应的推理影响系数分布情况、以及各所述调试学习样例分别对应的输出功率标记,确定输出功率识别误差;所述调试学习样例对应的推理影响系数分布情况为所述维度训练平衡算子通过所述调试学习样例中的所述样例要素数据确定的样例影响偏心系数;
所述基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量,包括:
基于所述系统输出功率误差和所述输出功率识别误差,优化所述系统输出功率确定算法的算法参变量。
其中,作为一种实施方式,所述方法还包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签,确定共性评估误差;
所述基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量,包括:
基于所述系统输出功率误差和所述共性评估误差,优化所述系统输出功率确定算法的算法参变量。
其中,作为一种实施方式,所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签,确定共性评估误差,包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,确定低维映射共性二维数组;所述低维映射共性二维数组中的组成单元用以指示两个所述样例低维映射表征向量之间的共性度量结果;
通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,确定系统输出功率共性二维数组;所述系统输出功率共性二维数组中的组成单元用以指示两个所述系统输出功率标签之间的共性度量结果;
通过所述低维映射共性二维数组以及所述系统输出功率共性二维数组,确定所述共性评估误差。
其中,作为一种实施方式,所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,确定低维映射共性二维数组,包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,生成初始低维映射二维数组;
通过各所述调试学习样例分别对应的所述样例低维映射表征向量的欧几里得距离,生成标准低维映射二维数组;
通过所述初始低维映射二维数组和其对应的对偶数表、以及所述标准低维映射二维数组和其对应的对偶数表,确定所述低维映射共性二维数组。
其中,作为一种实施方式,所述通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,确定系统输出功率共性二维数组,包括:
通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,生成系统输出功率结果数组;所述系统输出功率结果数组中包括X行相同的系统输出功率标签行,所述系统输出功率标签行中包括X个所述系统输出功率标签,所述X为所述调试学习样例库中所述调试学习样例的数量;
通过所述系统输出功率结果数组和其对应的对偶数表,确定所述系统输出功率共性二维数组。
第二方面,本申请实施例提供一种储能控制并网管理系统,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如上所述的方法。
本申请具有的有益效果:
本申请实施例提供的基于大数据的储能控制并网管理方法,方法过程中引入整合分类与回归策略的系统输出功率确定算法,其中,先通过系统输出功率确定算法中基于分类确定策略的多维度算子和维度训练平衡算子,通过目标储能系统的对照要素数据集合,确定P个维度输出表征向量和P个维度输出表征向量分别对应的影响偏心系数;由于多维度算子中的P个算子维度在算法调校环节分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达,同时目标储能系统的对照要素数据集合势必对应其中的一个系统输出功率范围,那么,多维度算子中包含一个或多个算子维度可以从对照要素数据集合中精准挖掘得到对于预测系统输出功率具备强指导意义的隐藏向量表达(也即维度输出表征向量);进一步地,通过维度训练平衡算子输出的影响偏心系数,对指导意义强的维度输出表征向量进行加强,并对指导意义弱的维度输出表征向量进行减弱,以得到目标储能系统对应的目标低维映射表征向量,该目标低维映射表征向量可以精确体现目标储能系统的负荷波动与环境因素,通过该目标低维映射表征向量确定目标储能系统对应的系统输出功率确定结果,能确保该系统输出功率确定结果的精确度。基于此,通过分类确定策略协同完成系统输出功率数据的回归预测,通过多个算子维度学习对应不同系统输出功率范围的要素数据的隐藏向量表达,以及通过维度训练平衡算子学习各算子维度分别输出的隐藏向量表达的准确性,缓解系统输出功率数据的跳跃性和不显著问题引起的情况,提高系统输出功率确定结果的精度。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的应用场景的示意图。
图2是根据本申请的一些实施例所示的一种储能控制并网管理系统中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种基于大数据的储能控制并网管理方法的流程图。
图4是本申请实施例提供的储能控制并网管理装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的应用场景的组成示意图,包括相互之间通过网络200通信连接的储能控制并网管理系统100和储能系统300。储能控制并网管理系统100可以获取储能系统300的数据。
在一些实施例中,请参照图2,是储能控制并网管理系统100的架构示意图,该储能控制并网管理系统100包括储能控制并网管理装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。储能控制并网管理装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在储能控制并网管理系统100的操作系统(operating system,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如储能控制并网管理装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立储能控制并网管理系统100与储能系统300之间的通信连接,并用于通过网络收发数据。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解,图2所示的结构仅为示意,储能控制并网管理系统100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种基于大数据的储能控制并网管理方法的流程图,该方法应用于图1中的储能控制并网管理系统100,具体可以包括以下步骤S110~S140。在以下步骤S110~S140的基础上,将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
为了克服系统输出功率数据的跳跃性和不显著问题带来的预测障碍,本申请实施例提供一种基于大数据的储能控制并网管理方法,可以通过将分类确定策略和回归预测进行整合,得到的系统输出功率确定算法来进行系统输出功率确定,以此增加的系统输出功率确定结果的精度。
在实现过程中,先获取目标储能系统的对照要素数据集合,接着基于系统输出功率确定算法中的多维度算子包括的P个算子维度,通过对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量(P>1),在系统输出功率确定算法的调试环节中,P个算子维度分别学习对应不同系统输出功率范围的要素数据的隐藏向量表达。此外,基于系统输出功率确定算法中的维度训练平衡算子,通过对照要素数据集合,确定P个维度输出表征向量分别对应的影响偏心系数。最后基于该系统输出功率确定算法中的分类映射算子,通过P个维度输出表征向量和其分别对应的影响偏心系数,确定目标储能系统对应的目标低维映射表征向量,通过该目标低维映射表征向量确定目标储能系统对应的系统输出功率确定结果。因为多维度算子中的P个算子维度在算法调校环节分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达,同时目标储能系统的对照要素数据集合势必对应其中一个系统输出功率范围,那么多维度算子中包含一个或多个算子维度可以在对照要素数据集合中精确挖掘对于预测系统输出功率具备强指导意义的隐藏向量表达(维度输出表征向量)。进一步地,通过维度训练平衡算子输出的影响偏心系数对指导意义强的维度输出表征向量进行加强,对指导意义弱的维度输出表征向量进行减弱,得到目标储能系统对应的目标低维映射表征向量,目标低维映射表征向量可以精确体现目标储能系统的负荷波动与环境因素,通过目标低维映射表征向量确定目标储能系统对应的系统输出功率确定结果,能确保该系统输出功率确定结果的精确度。基于此,通过分类确定策略协同完成系统输出功率数据的回归预测,通过多个算子维度学习对应不同系统输出功率范围的要素数据的隐藏向量表达,通过维度训练平衡算子学习各算子维度分别输出的隐藏向量表达的准确性,缓解系统输出功率数据的跳跃性和不显著问题引起的情况,增加系统输出功率确定结果的精度。
下面对以上过程进行详细的介绍,本申请实施例提供的基于大数据的储能控制并网管理方法可以包括以下步骤:
步骤S110,获取目标储能系统的对照要素数据集合,该对照要素数据集合用于在系统输出功率确定过程中提供对照信息。
本申请实施例中,需要对目标储能系统进行系统输出功率预测确定时,获取该目标储能系统的对照要素数据集合,以通过该对照要素数据集合执行针对目标储能系统的系统输出功率确定过程。对照要素数据集合中,包含的要素数据是储能系统运行过程中作为分析依据的特征数据,如储能系统的充放电情况、容量、效率、充放电效率、循环寿命、负荷数据、可再生能源数据(如监测的太阳能光伏、风能等可再生能源的产生量和波动情况)、环境数据(如温度、湿度等影响热管理的数据)等数据。
作为一种实施方案,获取目标储能系统的对照要素数据集合可以包括:通过目标储能系统的系统编号,确定对应编号的历史储能监测数据;获取目标储能系统在该历史储能监测数据中的目标要素数据集合,将其确定为该目标储能系统的对照要素数据集合。可以理解,本申请实施例中,数据存储系统中存储有各个储能系统的系统编号和对应编号的历史储能监测数据,在需要对某一储能系统(即目标储能系统)进行输出功率预测时,调取对应编号的历史储能监测数据,以提供对照信息。可以理解,上述数据中可能具有离散数据,例如充放电状态,可以将离散数据编码为数值数据便于后续计算。
步骤S120,基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量。
其中,P>1,在系统输出功率确定算法的调试环节中,P个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达。本申请实施例中,算子维度可以理解为算子的通道,不同的维度对应不同的通道。本申请实施例在获取到目标储能系统的对照要素数据集合后,将该对照要素数据集合输入预先调试好的系统输出功率确定算法,该系统输出功率确定算法中的多维度算子基于对加载到的对照要素数据集合进行隐藏表征向量抽取操作,将得到多个维度输出表征向量,隐藏表征向量是对照要素数据集合的深度特征信息的矢量表征。在实现过程中,系统输出功率确定算法中包括P个并列的算子维度,P个算子维度同时基于对照要素数据集合进行隐藏表征向量抽取操作,对应获得P个维度输出表征向量。
本申请实施例中,系统输出功率确定算法为整合分类确定策略和回归预测的机器学习模型,例如神经网络模型,系统输出功率确定算法用于进行系统输出功率确定的过程,确定目标储能系统实时的系统输出功率。该系统输出功率确定算法为协同网络(Collaborative Network),作为可选的实施方式,系统输出功率确定算法的算法架构可以包括多维度算子(即多通道的网络层)、维度训练平衡算子(即一种针对通道训练的控制器,如 CLC)和分类映射算子(如全连接网络层)。其中,维度训练平衡算子、多维度算子中的每个维度算子均并行地与分类映射算子连接。其中,多维度算子用于对输入系统输出功率确定算法的对照要素数据集合进行隐藏表征向量抽取操作。多维度算子包括P个算子维度,例如算子维度1、算子维度2、算子维度3……算子维度p。在系统输出功率确定算法的调试环节中,P个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达,同时P个算子维度分别学习的要素数据对应的系统输出功率范围包含系统输出功率取值所有的范围区间。举例来说,如果P为5,系统输出功率的取值区间等于0KW~400KW,则算子维度1用于学习为零的系统输出功率对应的要素数据的隐藏向量表达,算子维度2用于学习(0~70KW]的系统输出功率对应的要素数据的隐藏向量表达,算子维度3用于学习[70KW~200KW)的系统输出功率对应的要素数据的隐藏向量表达,算子维度4用于学习[200KW~300KW)的系统输出功率对应的要素数据的隐藏向量表达,算子维度用于学习[300KW~500KW)的系统输出功率对应的要素数据的隐藏向量表达。
容易理解,以上多维度算子包括的算子维度的个数可以不同,同时各算子维度学习的要素数据对应的系统输出功率范围可以不同。
作为一种实施方案,可以基于以下方式,基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量:基于多维度算子中的公共特征表示网络(即适用于每一个维度算子进行特征表示,也即特征编码的网络),基于对照要素数据集合进行向量嵌入映射操作,得到对照输入表征向量。再基于该多维度算子中的每个算子维度对对照输入表征向量进行隐藏表征向量抽取操作,得到每个算子维度对应的维度输出表征向量。
系统输出功率确定算法在工作过程中,系统输出功率确定算法中的多维度算子包括公共特征表示网络和P个算子维度(分别是算子维度1、算子维度2、算子维度3、……、算子维度p)。多维度算子针对输入的对照要素数据集合U进行隐藏表征向量抽取操作时,先基于公共特征表示网络对对照要素数据集合U进行向量嵌入映射操作(即从高维映射到低维的向量,完成编码过程),得到便于各算子维度进行后续操作的对照要素数据集合V,对照要素数据集合V用于通过规范化的特征形态表征对照要素数据集合U的特征信息。进一步地,多维度算子中的每个算子维度分别对对照输入表征向量V进行隐藏表征向量抽取操作,得到每个算子维度输出的维度输出表征向量M,即得到维度输出表征向量M1、维度输出表征向量M2、维度输出表征向量M3……维度输出表征向量Mp。
基于此,多维度算子基于对照要素数据集合进行隐藏表征向量抽取操作,简化了各个算子维度的数据处理量。
步骤S130,基于系统输出功率确定算法中的维度训练平衡算子,通过对照要素数据集合,确定P个维度输出表征向量分别对应的影响偏心系数。
获取到目标储能系统的对照要素数据集合后,将对照要素数据集合输入事先调试完成的系统输出功率确定算法,该系统输出功率确定算法中的维度训练平衡算子基于对该对照要素数据集合进行分析,输出以上P个维度输出表征向量分别对应的影响偏心系数,影响偏心系数即各个维度输出表征向量分别对应的重要性的权重值。
本申请实施例中,系统输出功率确定算法包括维度训练平衡算子,该维度训练平衡算子用于通过输入的对照要素数据集合,预测对照要素数据集合对应于各系统输出功率范围,其中,各个系统输出功率范围即P个算子维度分别学习的要素数据对应的系统输出功率范围的概率,对照要素数据集合属于各系统输出功率范围的概率,即P个算子维度分别输出的维度输出表征向量对应的影响偏心系数。若维度训练平衡算子的输出表征输入的对照要素数据集合极大可能对应其中一个范围,而不是其他范围,则系统输出功率确定算法基于维度训练平衡算子输出的结果,加强多维度算子中对应的算子维度产生的维度输出表征向量,减弱多维度算子中其它算子维度产生的维度输出表征向量。
作为一种实施方案,基于系统输出功率确定算法中的维度训练平衡算子,通过对照要素数据集合,确定P个维度输出表征向量分别对应的影响偏心系数,具体可以包括:基于维度训练平衡算子中的前馈神经网络(也即感知机),通过对照要素数据集合,确定预测表征向量,预测表征向量中包括P个维数的关键数据项(即核心的重要的数据项),P个维数的关键数据项与P个维度输出表征向量一一关联。接着基于维度训练平衡算子中的归一化网络对预测表征向量进行归一化操作,得到归一化预测表征向量,归一化预测表征向量中包括P个维度输出表征向量分别对应的影响偏心系数。
例如,系统输出功率确定算法中的维度训练平衡算子包括前馈神经网络和归一化网络。维度训练平衡算子通过对照要素数据集合确定P个影响偏心系数时,先基于前馈神经网络对对照要素数据集合U进行处理,得到预测表征向量N;预测表征向量N的维数等于P,每个维度都包含不同的维度输出表征向量对应的关键数据项,关键数据项用以指示对应的维度输出表征向量的重要性程度,换言之,表征对照要素数据集合对应输出维度输出表征向量的算子维度对应的系统输出功率范围的概率。一般而言,预测表征向量N中的P维数据不能直接作为P个维度输出表征向量对应的影响偏心系数,需要基于归一化网络规范为归一化预测表征向量,归一化预测表征向量也包括P维数据,同时该P维数据的和等于1,每一维作为一个维度输出表征向量对应的影响偏心系数。
基于此,通过维度训练平衡算子,基于对照要素数据集合确定P个维度输出表征向量分别对应的影响偏心系数,能确保确定的影响偏心系数准确体现对照要素数据集合对应各系统输出功率范围的概率,换言之,确保确定的影响偏心系数准确体现P个维度输出表征向量的准确性,进一步使得系统输出功率确定结果的精度。同时维度训练平衡算子的架构不复杂,在调试和应用时的硬件环境要求低。
步骤S140,基于系统输出功率确定算法中的分类映射算子,通过P个维度输出表征向量和其分别对应的影响偏心系数,确定目标储能系统对应的目标低维映射表征向量;通过目标低维映射表征向量,确定目标储能系统对应的系统输出功率确定结果。
基于系统输出功率确定算法中的多维度算子得到P个维度输出表征向量,以及基于系统输出功率确定算法中的维度训练平衡算子得到P个维度输出表征向量分别对应的影响偏心系数后,可以将P个维度输出表征向量和其分别对应的影响偏心系数,输入系统输出功率确定算法中的分类映射算子,分类映射算子可以先通过P个维度输出表征向量和其分别对应的影响偏心系数,确定目标储能系统对应的目标低维映射表征向量,最后通过目标低维映射表征向量,确定目标储能系统对应的系统输出功率确定结果。
例如,本申请实施例提供的系统输出功率确定算法中包括分类映射算子,该分类映射算子用于通过多维度算子提供的P个维度输出表征向量以及维度训练平衡算子提供的P个维度输出表征向量分别对应的影响偏心系数,确定目标低维映射表征向量(即嵌入向量),目标低维映射表征向量是用以指示目标储能系统的负荷波动与环境因素的特征向量,分类映射算子还用于通过所确定目标低维映射表征向量得到系统输出功率确定结果。
作为一种实施方案,基于系统输出功率确定算法中的分类映射算子,通过P个维度输出表征向量和其分别对应的影响偏心系数,确定目标储能系统对应的目标低维映射表征向量,并通过目标低维映射表征向量,确定目标储能系统对应的系统输出功率确定结果,包括:基于分类映射算子中的表征向量整合网络,通过P个维度输出表征向量分别对应的影响偏心系数,对P个维度输出表征向量进行融合操作(例如相加、相加后再求和等方式),得到目标低维映射表征向量。最后基于分类映射算子中的归一映射网络(例如全连接网络),通过目标低维映射表征向量,确定目标储能系统对应的系统输出功率确定结果。
可选地,系统输出功率确定算法中的分类映射算子包括表征向量整合网络和归一映射网络。表征向量整合网络即进行特征整合的网络,其获取多维度算子输出的P个维度输出表征向量和维度训练平衡算子输出的这P个维度输出表征向量分别对应的影响偏心系数,接着表征向量整合网络可以基于以下公式,通过P个维度输出表征向量分别对应的影响偏心系数,对P个维度输出表征向量进行整合,得到目标低维映射表征向量。
F=
其中,F为目标低维映射表征向量,为第g个维度输出表征向量对应的影响偏心系数,Mg为第g个维度输出表征向量。
之后将目标低维映射表征向量输入归一映射网络,归一映射网络基于对加载到的目标低维映射表征向量进行处理,将输出目标储能系统对应的系统输出功率确定结果,归一映射网络进行的处理为全连接映射处理。
基于此,基于分类映射算子确定目标储能系统对应的系统输出功率确定结果,能够准确通过维度训练平衡算子确定的影响偏心系数,将多维度算子输出的P个维度输出表征向量进行整合,得到可以准确体现目标储能系统的负荷波动与环境因素的目标低维映射表征向量;进一步地,通过目标低维映射表征向量确定系统输出功率确定结果,能确保确定的系统输出功率确定结果的精确度。
本申请实施例提供的基于大数据的储能控制并网管理方法,提出整合分类确定策略和回归预测的系统输出功率确定算法。先通过系统输出功率确定算法中基于分类确定策略的多维度算子和维度训练平衡算子,通过目标储能系统的对照要素数据集合,确定P个维度输出表征向量和这P个维度输出表征向量分别对应的影响偏心系数;由于多维度算子中的P个算子维度在算法调校环节分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达,且目标储能系统的对照要素数据集合势必对应其中一个系统输出功率范围,那么,多维度算子中包含一个或多个算子维度可以从对照要素数据集合中精准挖掘得到对于预测系统输出功率具备强指导意义的隐藏向量表达(即维度输出表征向量)。进一步地,通过维度训练平衡算子输出的影响偏心系数,对指导意义强的维度输出表征向量进行加强,对指导意义弱的维度输出表征向量进行减弱,得到目标储能系统对应的目标低维映射表征向量,目标低维映射表征向量可以精确体现目标储能系统的负荷波动与环境因素。通过目标低维映射表征向量确定目标储能系统对应的系统输出功率确定结果,能确保该系统输出功率确定结果的精确度。基于此,通过分类确定策略协同完成系统输出功率数据的回归预测,即通过多个算子维度充分学习对应不同系统输出功率范围的要素数据的隐藏向量表达,并通过维度训练平衡算子学习各算子维度分别输出的隐藏向量表达的准确性,缓解系统输出功率数据的跳跃性和不显著问题引起的情况,增加系统输出功率确定结果的精度。
本申请实施例还提供系统输出功率确定算法的调试流程,具体可以包括以下步骤。
步骤S210,获取调试学习样例库。
该调试学习样例库包括多个调试学习样例(即调试用的样本数据),每个调试学习样例包括样例要素数据和对应的系统输出功率标签。
其中,样例要素数据与以上提及的对照要素数据集合相似,为调试系统输出功率确定算法时通过该系统输出功率确定算法处理的要素数据。调试学习样例中的系统输出功率标签与调试学习样例中的样例要素数据对应于同一储能系统,该系统输出功率标签为储能系统的实际系统输出功率,系统输出功率标签与调试的系统输出功率确定算法的系统输出功率确定过程相关。
作为一种实施方案,调试学习样例库可以包括P个系统输出功率范围分别对应的调试学习样例集合,一个系统输出功率范围对应的调试学习样例集合中各个调试学习样例分别包含的系统输出功率确定结果都属于该系统输出功率范围。P个系统输出功率范围包括一个系统输出功率为零的数值范围、以及O个系统输出功率不为零的数值范围,并且O个系统输出功率不为零的数值范围分别对应的调试学习样例集合包括的调试学习样例数量之间的作差结果符合结果阈值,其中,O=P-1。
出于均衡调试系统输出功率确定算法中多维度算子包括的P个算子维度的目的,生成调试学习样例库地过程中,可以生成P个系统输出功率范围分别对应的调试学习样例集合,该P个系统输出功率范围即P个算子维度分别学习的要素数据对应的系统输出功率范围。对于一个系统输出功率范围对应的调试学习样例集合来说,调试学习样例包括的系统输出功率标签应属于该系统输出功率范围。
可选的实施方式中,划分P个系统输出功率范围时,考虑到系统输出功率为预设数值范围,如[70KW~200KW)的储能系统在全部的储能系统中占比较多,那么,可以独自划分一个系统输出功率为预设范围的数值范围,该预设范围对应的调试学习样例集合中调试学习样例较多。其次,对于系统输出功率部位预设范围的取值,可以通过各系统输出功率取值分别对应的储能系统的分布情况划分余下的O个系统输出功率范围;其过程需要确保O个系统输出功率范围分别对应的调试学习样例集合包括的调试学习样例数量接近,换言之,O个调试学习样例集合分别包含的调试学习样例数量之间的作差结果应在结果阈值内,结果阈值为事先确定的,具体不做限定。
基于此,基于划分P个系统输出功率范围,以及预计次生成包括P个系统输出功率范围分别对应的调试学习样例集合的调试学习样例库,能确保除系统输出功率为零外的各系统输出功率范围分别对应的调试学习样例集合包括数量接近的调试学习样例,确保接下来调试系统输出功率确定算法时,能让其中各算子维度都学习对应不同系统输出功率范围的要素数据的隐藏向量表达,同时用于学习对应系统输出功率为预设范围的数值范围的要素数据的算子维度包含较强的隐藏表征向量学习能力,用于学习对应系统输出功率不为预设范围的各个范围的要素数据的各个算子维度的隐藏表征向量学习能力是均衡的。
步骤S220,基于拟进行调试的系统输出功率确定算法中的多维度算子包括的P个算子维度,基于调试学习样例中的样例要素数据进行隐藏表征向量抽取操作,得到P个样例维度输出表征向量;P>1,P个算子维度分别用于学习对应不同系统输出功率范围的样例要素数据的隐藏向量表达。
步骤S230,基于系统输出功率确定算法中的维度训练平衡算子,通过调试学习样例中样例要素数据,确定P个样例维度输出表征向量分别对应的样例影响偏心系数。
步骤S240,基于系统输出功率确定算法中的分类映射算子,通过P个样例维度输出表征向量和其分别对应的样例影响偏心系数,确定调试学习样例对应的样例低维映射表征向量;通过样例低维映射表征向量,确定调试学习样例对应的系统输出功率样例确定结果。
需要说明,为区分系统输出功率确定算法的使用环节和调试环节的数据,本申请实施例将在系统输出功率确定算法的调试环节产生的维度输出表征向量视为样例维度输出表征向量,将在系统输出功率确定算法的调试环节产生的维度输出表征向量对应的影响偏心系数视为样例影响偏心系数,将在系统输出功率确定算法的调试环节产生的目标低维映射表征向量视为样例低维映射表征向量,将在系统输出功率确定算法的调试环节产生的系统输出功率确定结果视为系统输出功率样例确定结果。样例维度输出表征向量与维度输出表征向量在本质上是一样的,样例影响偏心系数与影响偏心系数在本质上是一样的,样例低维映射表征向量与目标低维映射表征向量在本质上是一样的,系统输出功率样例确定结果与系统输出功率确定结果在本质上是一样的。
步骤S250,通过调试学习样例库中各调试学习样例分别对应的系统输出功率样例确定结果、以及各调试学习样例分别包含的系统输出功率标签,确定系统输出功率误差;基于系统输出功率误差,优化系统输出功率确定算法的算法参变量。
基于以上步骤S220~S240,通过拟进行调试的系统输出功率确定算法处理调试学习样例库中各个调试学习样例分别包含的样例要素数据,将得到各调试学习样例分别对应的系统输出功率样例确定结果。进一步地,通过各个调试学习样例分别对应的系统输出功率样例确定结果和各个调试学习样例分别包含的系统输出功率标签,确定系统输出功率误差。
在实现过程中,可以基于以下公式确定系统输出功率误差:
C1=()/X
其中,C1为系统输出功率误差;X为调试学习样例库中的调试学习样例的数量;Sh为调试学习样例库中第h个调试学习样例对应的系统输出功率样例确定结果,其是拟进行调试的系统输出功率确定算法通过第h个调试学习样例中的样例要素数据确定的;S’h为第h个调试学习样例中的系统输出功率标签。
之后通过梯度优化算法优化拟进行调试的系统输出功率确定算法的算法参变量,完成系统输出功率确定算法的调试。例如,系统输出功率确定算法时,基于调试学习样例库进行多代调试,在系统输出功率确定算法符合调试截止要求时为止,调试截止要求可以是系统输出功率确定算法的预测误差小于预设的误差阈值,或者调试的次数达到最大次数等。
本申请实施例上述调试过程,通过拟进行调试的系统输出功率确定算法中基于分类确定策略的多维度算子和维度训练平衡算子,通过调试学习样例中的样例要素数据,确定P个样例维度输出表征向量和P个样例维度输出表征向量分别对应的样例影响偏心系数。由于多维度算子中的P个算子维度分别用于学习对应不同系统输出功率范围的样例要素数据的隐藏向量表达,那么能充分学习各系统输出功率范围分别对应的样例要素数据,让各个算子维度都可以对对应于特定系统输出功率范围的要素数据精确挖掘其隐藏向量表达。此外,维度训练平衡算子也可以在调试环节中学习加载到的要素数据对应的系统输出功率范围的能力,进一步地,通过其输出的样例影响偏心系数对各个算子维度分别输出的样例维度输出表征向量进行加强或减弱,确定对应的样例低维映射表征向量。最后通过样例低维映射表征向量确定调试学习样例对应的系统输出功率样例确定结果,通过该系统输出功率样例确定结果与该调试学习样例包括的系统输出功率标签之间的误差对系统输出功率确定算法进行调试,提高系统输出功率确定算法的算法效果,可以精确地预测系统输出功率。
作为一种实施方案,除基于系统输出功率误差调试系统输出功率确定算法外,还将系统输出功率误差与输出功率识别误差进行联合,同时通过两误差调试系统输出功率确定算法。在事先过程中,确定输出功率识别误差时,包括:针对调试学习样例库中的每个调试学习样例,通过调试学习样例包括的系统输出功率标签,确定调试学习样例对应的输出功率标记,输出功率标记中包括P个系统输出功率范围分别对应的输出功率标记数据,调试学习样例中包括的系统输出功率标签所属的系统输出功率范围对应的输出功率标记数据为Y,其它输出功率标记数据为N。
进一步地,通过调试学习样例库中各调试学习样例分别对应的推理影响系数分布情况(即推理出的影响系数的分布情况,影响系数可以为对应的权值)、以及各调试学习样例分别对应的输出功率标记,确定输出功率识别误差,此处调试学习样例对应的推理影响系数分布情况为维度训练平衡算子通过调试学习样例中的样例要素数据确定的样例影响偏心系数。基于系统输出功率误差和输出功率识别误差,优化系统输出功率确定算法的算法参变量。
基于此确定调试学习样例库中各调试学习样例分别对应的输出功率标记后,可以基于下述公式确定输出功率识别误差C2:
C2=-()/X
其中,C2为输出功率识别误差;X为调试学习样例库中的调试学习样例的数量;为调试学习样例库中第h个调试学习样例对应的推理影响系数分布情况,其是调试的系统输出功率确定算法中的维度训练平衡算子通过该第h个调试学习样例中的样例要素数据确定的P个样例影响偏心系数;/>为该第h个调试学习样例对应的输出功率标记。
本申请实施例中,除可以通过调试学习样例包括的系统输出功率标签和调试学习样例对应的系统输出功率确定结果生成系统输出功率误差外,还可以通过调试学习样例对应的输出功率标记和推理影响系数分布情况生成输出功率识别误差。进一步地,将该系统输出功率误差和该输出功率识别误差进行加权求和,以调试系统输出功率确定算法。
基于此,在系统输出功率确定算法的调试环节中,引入通过系统输出功率确定算法中的维度训练平衡算子输出的结果和调试学习样例对应的输出功率标记确定的输出功率识别误差,将该输出功率识别误差和系统输出功率误差结合共同调试系统输出功率确定算法,在提升系统输出功率确定算法的回归能的基础上,提升了系统输出功率确定算法的分类能力,让系统输出功率确定算法中的维度训练平衡算子可以精确地进行分类,精确确定加载到的要素数据属于各系统输出功率范围的概率,便于对多维度算子中的每一算子维度分别输出的维度输出表征向量进行精确地加强或减弱。
作为一种实施方案,除基于系统输出功率误差和输出功率识别误差调试上述系统输出功率确定算法外,还可以将系统输出功率误差、输出功率识别误差与共性评估误差联合,以调试系统输出功率确定算法。共性评估误差在获取时,通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量和各调试学习样例分别包含的系统输出功率标签,确定共性评估误差。
其中,共性评估误差为本申请实施例中的新提出的误差,可以基于系统输出功率与低维映射表征向量之间的牵涉关系(即相关性)生成;具体地,若两个储能系统的真实系统输出功率具有很大的误差,则两个储能系统分别对应的样例低维映射表征向量的误差较大,储能系统对应的样例低维映射表征向量是系统输出功率确定算法中的分类映射算子确定得到,具体是分类映射算子通过多维度算子输出的P个样例维度输出表征向量和维度训练平衡算子输出的P个样例影响偏心系数确定的,P个样例维度输出表征向量和P个样例影响偏心系数都是基于储能系统的样例要素数据确定得到。基于此,本申请实施例提出了共性评估误差,该共性评估误差用于通过不同系统输出功率标签之间的误差调整对应的样例低维映射表征向量之间的相似性,通过共性评估误差能更好地摈弃系统输出功率确定算法的回归误差,增加系统输出功率确定算法的回归能力。
可选的实施方式中,通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量和各调试学习样例分别包含的系统输出功率标签,确定共性评估误差,包括:通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量,确定低维映射共性二维数组,该低维映射共性二维数组中的组成单元用以指示两个样例低维映射表征向量之间的共性度量结果(即相似性评估结果)。通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签,确定系统输出功率共性二维数组,该系统输出功率共性二维数组中的组成单元用以指示两个系统输出功率标签之间的共性度量结果。通过上述低维映射共性二维数组以及系统输出功率共性二维数组,确定共性评估误差。
在一个示例中,可以通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量,生成低维映射共性二维数组(即矩阵);在低维映射共性二维数组中,每个数组元素用以指示一个样例低维映射表征向量对对应的共性度量结果,样例低维映射表征向量对是将每两个样例低维映射表征向量进行组合得到的,一个样例低维映射表征向量对具有两个不同的样例低维映射表征向量。此外,还可以通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签,生成系统输出功率共性二维数组,在该系统输出功率共性二维数组中,每个数组元素用以指示一个系统输出功率标签对对应的共性度量结果,此处的系统输出功率标签对是将每两个系统输出功率标签组合得到的,一个系统输出功率标签对包含两个不同的系统输出功率标签。进一步地,通过低维映射共性二维数组和系统输出功率共性二维数组确定共性评估误差。
在实现过程中,通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量,确定低维映射共性二维数组,包括:通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量,生成初始低维映射二维数组;通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量的欧几里得距离,生成标准低维映射二维数组。通过初始低维映射二维数组和其对应的对偶数表、以及标准低维映射二维数组和其对应的对偶数表,确定低维映射共性二维数组。
例如,通过调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量组成初始低维映射二维数组,该初始低维映射二维数组中的每一行包括一个调试学习样例对应的样例低维映射表征向量。此外,可以获取调试学习样例库中各调试学习样例分别对应的样例低维映射表征向量的欧几里得距离,通过各调试学习样例分别对应的样例低维映射表征向量的欧几里得距离组成标准低维映射二维数组,该标准低维映射二维数组中的每一行包括一个样例低维映射表征向量的欧几里得距离,低维映射二维数组同时代表初始低维映射二维数组和标准低维映射二维数组。
进一步地,通过上述初始低维映射二维数组和其对应的对偶数表、以及标准低维映射二维数组和其对应的对偶数表,确定低维映射共性二维数组时,其中,低维映射共性二维数组Mats的计算公式可以为:
Mats=(m/ms)×(mT/ms T)
其中,m为初始低维映射二维数组,mT为初始低维映射二维数组对应的对偶数表,ms为标准低维映射二维数组,ms T为标准低维映射二维数组对应的对偶数表。
基于此,提供一种可能的低维映射共性二维数组的确定方式,可以确保确定的低维映射共性二维数组精确地体现调试学习样例库中每两个调试学习样例对应的样例低维映射表征向量的共性。
在实现过程中,通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签,确定系统输出功率共性二维数组,可以包括:通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签,生成系统输出功率结果数组,该系统输出功率结果数组中包括X行相同的系统输出功率标签行,系统输出功率标签行中包括X个系统输出功率标签,X为调试学习样例库中调试学习样例的数量。进一步地,通过系统输出功率结果数组和其对应的对偶数表,确定系统输出功率共性二维数组。
具体地,可以先通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签,生成一个行列长度相等的系统输出功率结果数组,即生成一个X×X的系统输出功率结果数组,X为调试学习样例库中包括的调试学习样例的数量。在该系统输出功率结果数组中包括X行相同的系统输出功率标签行,每个系统输出功率标签行中包括X个调试学习样例分别包含的系统输出功率标签。
进一步地,通过系统输出功率结果数组和其对应的对偶数表,确定系统输出功率共性二维数组的方式可以参照下述公式:
Ar=丨Mat-MatT丨
其中,Ar为系统输出功率共性二维数组,Mat为通过调试学习样例库中各调试学习样例分别包含的系统输出功率标签生成的系统输出功率结果数组,MatT为系统输出功率结果数组对应的对偶数表。
基于此,确定得到低维映射共性二维数组和系统输出功率共性二维数组后,可以基于以下公式,通过低维映射共性二维数组和系统输出功率共性二维数组,确定共性评估误差C3:
C3=(sofxmax(1-Mats)-sofxmax(Ar))2
基于此,可以确保确定的共性评估误差精确地体现样例低维映射表征向量与系统输出功率标签的关系,帮助通过共性评估误差优化调试的系统输出功率确定算法的回归能力。
在系统输出功率确定算法的调试环节中,除通过调试学习样例包括的系统输出功率标签和调试学习样例对应的系统输出功率确定结果生成系统输出功率误差,以及通过调试学习样例对应的输出功率标记和推理影响系数分布情况生成输出功率识别误差外,还可以通过调试学习样例包括的系统输出功率标签和调试学习样例对应的样例低维映射表征向量生成共性评估误差;进一步地,将系统输出功率误差、输出功率识别误差以及共性评估误差进行融合(如进行加权求和),以调试系统输出功率确定算法。
基于此,在系统输出功率确定算法的调试环节中,加入通过系统输出功率确定算法中的分类映射算子确定的样例低维映射表征向量和调试学习样例包括的系统输出功率确定结果确定的共性评估误差,将共性评估误差和系统输出功率误差、输出功率识别误差结合以共同调试系统输出功率确定算法,使得系统输出功率确定算法的分类回归能力均得到提高,确保调试的系统输出功率确定算法可以较精确地进行系统输出功率确定。
请参照图4,是本发明实施例提供的储能控制并网管理装置110的功能模块架构示意图,该储能控制并网管理装置110可用于执行基于大数据的储能控制并网管理方法,其中,储能控制并网管理装置110包括:
对照数据获取模块111,用于获取目标储能系统的对照要素数据集合;所述对照要素数据集合用于在储能系统输出功率确定过程中提供对照信息;
隐藏向量挖掘模块112,用于基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量;所述P>1,在所述系统输出功率确定算法的调试环节中,所述P个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达;
偏心系数计算模块113,用于基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述对照要素数据集合,确定所述P个维度输出表征向量分别对应的影响偏心系数;
输出功率确定模块114,用于基于所述系统输出功率确定算法中的分类映射算子,通过所述P个维度输出表征向量和其分别对应的所述影响偏心系数,确定所述目标储能系统对应的目标低维映射表征向量;通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果。
由于在上述实施例中,已经对本发明实施例提供的基于大数据的储能控制并网管理方法进行了详细的介绍,而该储能控制并网管理装置110的原理与该方法相同,此处不再对储能控制并网管理装置110的各模块的执行原理进行赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、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方式中,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,两个连续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,这依所涉及的功能而定。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,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明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,物联数据服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种基于大数据的储能控制并网管理方法,其特征在于,应用于储能控制并网管理系统,所述方法包括:
获取目标储能系统的对照要素数据集合;所述对照要素数据集合用于在储能系统输出功率确定过程中提供对照信息;
基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量;所述P>1,在所述系统输出功率确定算法的调试环节中,所述P个算子维度分别用于学习对应不同系统输出功率范围的要素数据的隐藏向量表达;
基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述对照要素数据集合,确定所述P个维度输出表征向量分别对应的影响偏心系数;
其中,所述基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述对照要素数据集合,确定所述P个维度输出表征向量分别对应的影响偏心系数,包括:
基于所述维度训练平衡算子中的前馈神经网络,通过所述对照要素数据集合,确定预测表征向量;所述预测表征向量中包括P个维数的关键数据项,所述P个维数的关键数据项与所述P个维度输出表征向量一一关联;
基于所述维度训练平衡算子中的归一化网络,对所述预测表征向量进行归一化操作,得到归一化预测表征向量;所述归一化预测表征向量中包括所述P个维度输出表征向量分别对应的影响偏心系数;
基于所述系统输出功率确定算法中的分类映射算子,通过所述P个维度输出表征向量和其分别对应的所述影响偏心系数,确定所述目标储能系统对应的目标低维映射表征向量;
通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果。
2.根据权利要求1所述的方法,其特征在于,所述基于系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述对照要素数据集合进行隐藏表征向量抽取操作,得到P个维度输出表征向量,包括:
基于所述多维度算子中的公共特征表示网络,基于所述对照要素数据集合进行向量嵌入映射操作,得到对照输入表征向量;
基于所述多维度算子中的每个所述算子维度,对所述对照输入表征向量进行隐藏表征向量抽取操作,得到每个所述算子维度对应的维度输出表征向量。
3.根据权利要求1所述的方法,其特征在于,所述基于所述系统输出功率确定算法中的分类映射算子,通过所述P个维度输出表征向量和其分别对应的所述影响偏心系数,确定所述目标储能系统对应的目标低维映射表征向量,包括:
基于所述分类映射算子中的表征向量整合网络,通过所述P个维度输出表征向量分别对应的所述影响偏心系数,对所述P个维度输出表征向量进行融合操作,得到所述目标低维映射表征向量;
所述通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果,包括:
基于所述分类映射算子中的归一映射网络,通过所述目标低维映射表征向量,确定所述目标储能系统对应的系统输出功率确定结果;
所述获取目标储能系统的对照要素数据集合,包括:
通过所述目标储能系统的系统编号,确定对应所述编号的历史储能监测数据;
获取所述目标储能系统在历史储能监测数据中的目标要素数据集合,作为所述对照要素数据集合。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述方法还包括:
获取调试学习样例库;所述调试学习样例库中包括多个调试学习样例,每个所述调试学习样例包括样例要素数据和其对应的系统输出功率标签;
基于拟进行调试的系统输出功率确定算法中的多维度算子包括的P个算子维度,基于所述调试学习样例中的所述样例要素数据进行隐藏表征向量抽取操作,得到P个样例维度输出表征向量;所述P>1,所述P个算子维度分别用于学习对应不同系统输出功率范围的样例要素数据的隐藏向量表达;
基于所述系统输出功率确定算法中的维度训练平衡算子,通过所述调试学习样例中所述样例要素数据,确定所述P个样例维度输出表征向量分别对应的样例影响偏心系数;
基于所述系统输出功率确定算法中的分类映射算子,通过所述P个样例维度输出表征向量和其分别对应的所述样例影响偏心系数,确定所述调试学习样例对应的样例低维映射表征向量;
通过所述样例低维映射表征向量,确定所述调试学习样例对应的系统输出功率样例确定结果;
通过所述调试学习样例库中各所述调试学习样例分别对应的系统输出功率样例确定结果、以及各所述调试学习样例分别包含的系统输出功率标签,确定系统输出功率误差;
基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量。
5.根据权利要求4所述的方法,其特征在于,所述调试学习样例库中包括P个系统输出功率范围分别对应的调试学习样例集合,所述系统输出功率范围对应的调试学习样例集合中,各个所述调试学习样例分别包含的系统输出功率确定结果均属于所述系统输出功率范围;所述P个系统输出功率范围包括一个系统输出功率为预设范围的数值范围、以及O个系统输出功率不为预设范围的数值范围,所述O个系统输出功率不为预设范围的数值范围分别对应的调试学习样例集合包括的调试学习样例数量之间的作差结果符合结果阈值,其中,O=P-1;
所述方法还包括:
针对每个所述调试学习样例,通过所述调试学习样例包括的系统输出功率标签,确定所述调试学习样例对应的输出功率标记;所述输出功率标记中包括所述P个系统输出功率范围分别对应的输出功率标记数据,所述系统输出功率标签所属的系统输出功率范围对应的输出功率标记数据为Y,其它输出功率标记数据为N;
通过所述调试学习样例库中各所述调试学习样例分别对应的推理影响系数分布情况、以及各所述调试学习样例分别对应的输出功率标记,确定输出功率识别误差;所述调试学习样例对应的推理影响系数分布情况为所述维度训练平衡算子通过所述调试学习样例中的所述样例要素数据确定的样例影响偏心系数;
所述基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量,包括:
基于所述系统输出功率误差和所述输出功率识别误差,优化所述系统输出功率确定算法的算法参变量。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签,确定共性评估误差;
所述基于所述系统输出功率误差,优化所述系统输出功率确定算法的算法参变量,包括:
基于所述系统输出功率误差和所述共性评估误差,优化所述系统输出功率确定算法的算法参变量。
7.根据权利要求6所述的方法,其特征在于,所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量、以及各所述调试学习样例分别包含的系统输出功率标签,确定共性评估误差,包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,确定低维映射共性二维数组;所述低维映射共性二维数组中的组成单元用以指示两个所述样例低维映射表征向量之间的共性度量结果;
通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,确定系统输出功率共性二维数组;所述系统输出功率共性二维数组中的组成单元用以指示两个所述系统输出功率标签之间的共性度量结果;
通过所述低维映射共性二维数组以及所述系统输出功率共性二维数组,确定所述共性评估误差。
8.根据权利要求7所述的方法,其特征在于,所述通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,确定低维映射共性二维数组,包括:
通过所述调试学习样例库中各所述调试学习样例分别对应的所述样例低维映射表征向量,生成初始低维映射二维数组;
通过各所述调试学习样例分别对应的所述样例低维映射表征向量的欧几里得距离,生成标准低维映射二维数组;
通过所述初始低维映射二维数组和其对应的对偶数表、以及所述标准低维映射二维数组和其对应的对偶数表,确定所述低维映射共性二维数组。
9.根据权利要求8所述的方法,其特征在于,所述通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,确定系统输出功率共性二维数组,包括:
通过所述调试学习样例库中各所述调试学习样例分别包含的所述系统输出功率标签,生成系统输出功率结果数组;所述系统输出功率结果数组中包括X行相同的系统输出功率标签行,所述系统输出功率标签行中包括X个所述系统输出功率标签,所述X为所述调试学习样例库中所述调试学习样例的数量;
通过所述系统输出功率结果数组和其对应的对偶数表,确定所述系统输出功率共性二维数组。
10.一种储能控制并网管理系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358950.7A CN117117923B (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的储能控制并网管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311358950.7A CN117117923B (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的储能控制并网管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117117923A CN117117923A (zh) | 2023-11-24 |
CN117117923B true CN117117923B (zh) | 2024-04-05 |
Family
ID=88798666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311358950.7A Active CN117117923B (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的储能控制并网管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117117923B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
CN113407834A (zh) * | 2021-06-18 | 2021-09-17 | 北京工业大学 | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 |
CN114019370A (zh) * | 2021-09-29 | 2022-02-08 | 西安交通大学 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
CN115860177A (zh) * | 2022-10-27 | 2023-03-28 | 国网江苏省电力有限公司南京供电分公司 | 基于组合式机器学习模型光伏发电功率预测方法及其应用 |
CN116884537A (zh) * | 2023-06-02 | 2023-10-13 | 中国石油大学(华东) | 一种页岩油与孔隙壁面相互作用能的数据库智能构建方法 |
-
2023
- 2023-10-19 CN CN202311358950.7A patent/CN117117923B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
CN113407834A (zh) * | 2021-06-18 | 2021-09-17 | 北京工业大学 | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 |
CN114019370A (zh) * | 2021-09-29 | 2022-02-08 | 西安交通大学 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
CN115860177A (zh) * | 2022-10-27 | 2023-03-28 | 国网江苏省电力有限公司南京供电分公司 | 基于组合式机器学习模型光伏发电功率预测方法及其应用 |
CN116884537A (zh) * | 2023-06-02 | 2023-10-13 | 中国石油大学(华东) | 一种页岩油与孔隙壁面相互作用能的数据库智能构建方法 |
Non-Patent Citations (1)
Title |
---|
融合注意力机制的 CNN-GRU 动车组蓄电池 SOC 估算方法;王升晖等;《控制与信息技术》(第5期);第83页-第90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117117923A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Cloud-based in-situ battery life prediction and classification using machine learning | |
CN111965545B (zh) | 锂电池自放电检测方法、装置及系统 | |
CN112164427A (zh) | 基于深度学习的药物小分子靶点活性预测方法和装置 | |
CN118151020B (zh) | 一种电池安全性能的检测方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
Diaz-Escobar et al. | Classification and characterization of damage in composite laminates using electrical resistance tomography and supervised machine learning | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117117923B (zh) | 一种基于大数据的储能控制并网管理方法及系统 | |
CN117630699A (zh) | 一种基于动态电压区间的电池状态评估方法、装置和设备 | |
CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
Liu et al. | Capacity Prediction Method of Lithium‐Ion Battery in Production Process Based on Improved Random Forest | |
CN115001057A (zh) | 复合微能源系统及其能量控制方法、装置、存储介质 | |
US8682817B1 (en) | Product testing process using diploid evolutionary method | |
CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
CN118033462B (zh) | 一种电池的剩余寿命预测方法、装置、设备及存储介质 | |
CN118281388B (zh) | 一种废旧电池的智能快速放电控制方法及相关装置 | |
CN114444569B (zh) | 一种电源控制系统健康状态评估算法 | |
CN118659501A (zh) | 一种锂电池组的智能控制系统 |
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 |