CN117494797A - 一种光伏储能方法和系统 - Google Patents
一种光伏储能方法和系统 Download PDFInfo
- Publication number
- CN117494797A CN117494797A CN202311555473.3A CN202311555473A CN117494797A CN 117494797 A CN117494797 A CN 117494797A CN 202311555473 A CN202311555473 A CN 202311555473A CN 117494797 A CN117494797 A CN 117494797A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- historical
- real
- time
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 128
- 238000013135 deep learning Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000010248 power generation Methods 0.000 claims description 19
- 230000002457 bidirectional effect Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000002779 inactivation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种光伏储能方法和系统,所述方法包括:通过TPOT工具,对用于容量优化的深度学习网络模型进行超参数优化,并将所述深度学习网络模型确定为优化学习网络模型;对所述优化学习网络模型进行训练,生成容量优化模型;使用所述容量优化模型输出最佳容量优化方案,本发明的有益效果是:通过使用TPOT工具对深度学习网络模型进行超参数优化,可以提高训练结果的精确度和准确度,优化后的超参数可以更好地适应数据集和模型结构,从而提高模型的性能。
Description
技术领域
本发明涉及光伏电站储能技术领域,具体为一种光伏储能方法和系统。
背景技术
在清洁能源需求迫切以及光伏电力成本快速下降的趋势中,光伏获得广泛应用。除了集中式和分布式工商业发电站的建设投用,光伏也走进了人们的家庭生活,大量光伏发电系统被安装至户用建筑上,为日常生活提供电力。未来将可能与其他户用系统设备(如新能源汽车、智能家居等)联接,构建低碳化、智能化的生活生态。
因光伏发电受昼夜、季节、光照、温度等自然因素的影响,具有波动性、随机性和间歇性等特点,往往需要储能系统与光伏组合,提高光伏供电的稳定性,以及提高光伏发电的利用率。然而现有的光伏储能系统存在以下问题:
1、大多数通过对深度学习网络模型进行训练,从而获取容量优化方案,但未对深度学习网络模型进行超参数优化,导致训练结果的精确度和准确度不高;
2、大多通过实时采集能源需求数据进行容量优化方案的预测,未考虑天气因素对发电量的影响,导致预测的容量优化方案的准确度和稳定度下降;
3、大多直接使用收集的数据,并未对数据进行处理,数据存在噪音和异常值,从而对模型训练和预测容量优化方案造成干扰。
发明内容
本发明的目的在于提供一种光伏储能方法和系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种光伏储能方法,包括以下步骤:
步骤S1:通过TPOT工具,对用于容量优化的深度学习网络模型进行超参数优化,并将所述深度学习网络模型确定为优化学习网络模型。
步骤S2:对所述优化学习网络模型进行训练,生成容量优化模型。
步骤S3:使用所述容量优化模型输出最佳容量优化方案。
所述步骤S1具体包括以下步骤:
步骤S1.1:确定所述深度学习网络模型的网络结构。
所述网络结构包括隐藏层数量、每层的神经元数量、激活函数及优化器。
步骤S1.2:确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
所述超参数包括学习率、批量大小、正则化参数及随机失活率,所述搜索空间包括最大值和最小值。
步骤S1.3:设置所述TPOT工具的主要参数。
所述主要参数包括迭代次数、个体的初始数量、新个体数、突变率和交叉速率,所述迭代次数为创建新个体的次数,所述个体用于创建所述新个体,所述新个体数为每次迭代创造的所述新个体的数量,所述突变率为出现属性值随机更改的概率,所述交叉速率为每次迭代应用交叉操作的概率。
步骤S1.4:所述TPOT工具输出所述优化学习网络模型
所述步骤S2具体包括以下步骤:
步骤S2.1:收集历史数据集,并对所述历史数据集进行预处理。
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
所述预处理包括数据清洗、数据归一化及数据增强。
步骤S2.2:利用所述第一数据集对所述优化学习网络模型进行训练,生成第一模型。
步骤S2.3:利用所述第二数据集对所述优化学习网络模型进行训练,生成所述第二模型。
步骤S2.4:将所述第一模型与所述第二模型结合,构建所述容量优化模型。
所述步骤S3具体包括以下步骤:
步骤S3.1:收集实时数据集,并对所述实时数据集进行所述预处理。
所述实时数据集包括实时天气数据及实时能源需求数据。
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
步骤S3.2:将所述实时天气数据输入至所述第一模型,所述第一模型输出预测能源需求数据。
所述预测能源需求数据包括预测发电量及预测负荷需求。
步骤S3.3:将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
所述融合能源需求数据包括融合发电量及融合负荷需求。
步骤S3.4:将所述融合能源需求数据输入至所述第二模型,所述第二模型输出所述最佳容量优化方案。
所述最佳容量优化方案包括最佳光伏储能容量及最佳充放电策略。
所述步骤S1.4具体包括以下步骤:
步骤S1.4.1:将所述网络结构和所述搜索空间作为所述TPOT工具的输入。
步骤S1.4.2:所述TPOT工具使用遗传算法搜索超参数组合。
步骤S1.4.3:所述TPOT工具生成初始种群,其中每个个体代表一个超参数组合。
步骤S1.4.4:对每个所述超参数组合进行准确率评估,得到评估结果。
步骤S1.4.5:根据所述评估结果,所述TPOT工具选择部分个体进行交叉和变异操作,生成新个体。
步骤S1.4.6:重复所述步骤1.4.4和所述步骤S1.4.5,直到达到所述迭代次数。
步骤S1.4.7:所述TPOT工具通过遗传算法,输出具有最优超参数组合的所述优化学习网络。
本发明提供如下技术方案:一种光伏储能系统,包括控制器、存储单元、网络优化单元、数据单元、模型训练单元及方案获取单元。
所述控制器与所述存储单元双向连接,所述网络优化单元与所述控制器双向连接,所述数据单元与所述存储单元双向连接,所述模型训练单元与所述存储单元双向连接,所述方案获取单元与所述存储单元双向连接。
所述控制器,用于控制所述光伏储能系统的执行程序,以实现以下步骤:
用于对深度学习网络模型进行超参数优化,获得优化学习网络模型。
训练所述优化学习网络模型,生成容量优化模型。
获取最佳容量优化方案。
所述存储单元包括:
网络模型存储模块,用于存储所述网络优化单元的数据。
数据存储模块,用于存储所述数据单元的数据。
优化模型存储模块,用于存储所述模型训练单元的数据。
优化方案存储模块,用于存储所述方案获取单元的数据。
所述网络优化单元,用于对所述深度学习网络模型进行超参数优化,获得所述优化学习网络模型。
所述网络优化单元包括:
结构确定模块,用于确定所述深度学习网络模型的网络结构。
超参数模块,用于确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
参数设置模块,用于设置所述TPOT工具的主要参数。
模型输出模块,用于所述TPOT工具通过遗传算法,得到所述优化学习网络模型。
所述数据单元包括:
数据收集模块,用于收集历史数据集及实时数据集。
数据预处理模块,用于对所述历史数据集及所述实时数据集进行预处理,所述预处理包括数据清洗、数据归一化及数据增强。
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
所述实时数据集包括实时天气数据及实时能源需求数据。
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
所述模型训练单元,用于训练所述优化学习网络模型,生成所述容量优化模型。
所述模型训练单元包括:
第一模型模块,用于根据所述第一数据集,生成第一模型。
第二模型模块,用于根据所述第二数据集,生成第二模型。
模型构建模块,用于将所述第一模型与所述第二模型结合,构建所述容量优化模型。
所述方案获取单元,用于获取所述最佳容量优化方案。
所述方案获取单元包括:
预测模块,用于根据所述实时天气数据,获取预测能源需求数据。
融合模块,用于将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
方案输出模块,用于根据所述融合能源需求数据,输出所述最佳容量优化方案。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
与现有技术相比,本发明的有益效果是:
1、通过使用TPOT工具对深度学习网络模型进行超参数优化,可以提高训练结果的精确度和准确度,优化后的超参数可以更好地适应数据集和模型结构,从而提高模型的性能;
2、通过加入由天气数据得到的预测能源需求数据,将预测能源需求数据与实时能源需求数据进行加权平均后,再使用得到的融合能源需求数据进行容量优化方案预测,从而提高预测的准确性和稳定性;
3、通过对收集的数据进行清洗、归一化和数据增强等预处理步骤,可以去除数据中的噪音和异常值,提高数据的质量和准确性,从而减少对模型训练和预测的干扰,提高模型的稳定性和可靠性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引申获得其他的实施附图。
图1为本发明整体流程图;
图2为本发明部分流程图一;
图3为本发明部分流程图二;
图4为本发明部分流程图三;
图5为本发明整体系统框图。
其中,1、控制器;2、存储单元;3、网络优化单元;4、数据单元;5、模型训练单元;6、方案获取单元;201、网络模型存储模块;202、数据存储模块;203、优化模型存储模块;204、优化方案存储模块;301、结构确定模块;302、超参数模块;303、参数设置模块;304、模型输出模块;401、数据收集模块;402、预处理模块;501、第一模型模块;502、第二模型模块;503、模型构建模块;601、预测模块;602、融合模块;603、方案输出模块。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
参见图1所示,本发明提供一种光伏储能方法,具体包括以下步骤:
步骤S1:通过TPOT工具,对用于容量优化的深度学习网络模型进行超参数优化,并将所述深度学习网络模型确定为优化学习网络模型。
所述TPOT工具是一种基于遗传算法优化机器学习管道的自动机器学习工具,通过使用TPOT工具对深度学习网络模型进行超参数优化,可以提高训练结果的精确度和准确度,优化后的超参数可以更好地适应数据集和模型结构,从而提高模型的性能。这种工作方式解决了现有技术中“大多数通过对深度学习网络模型进行训练,从而获取容量优化方案,但未对深度学习网络模型进行超参数优化,导致训练结果的精确度和准确度不高”的问题。
步骤S2:对所述优化学习网络模型进行训练,生成容量优化模型。
步骤S3:使用所述容量优化模型输出最佳容量优化方案。
所述步骤S1具体包括以下步骤:
步骤S1.1:确定所述深度学习网络模型的网络结构。
所述网络结构包括隐藏层数量、每层的神经元数量、激活函数及优化器。
所述网络结构影响所述深度学习网络模型的性能和学习能力,所述隐藏层数量和每层的所述神经元数量决定了所述深度学习网络模型的复杂度和表达能力,所述激活函数给所述深度学习网络模型引入非线性特征,所述优化器影响模型的收敛速度和稳定性。
步骤S1.2:确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
所述超参数包括学习率、批量大小、正则化参数及随机失活率,所述搜索空间包括最大值和最小值。
所述超参数影响所述深度学习网络模型的训练过程和泛化能力,所述学习率决定了参数更新的步伐大小,所述批量大小决定了每次参数更新所使用的样本数量,所述正则化参数控制所述深度学习网络模型的复杂度和防止过拟合,所述随机失活率增加所述深度学习网络模型的鲁棒性和泛化能力。
通过设置所述最大值和所述最小值,限制所述超参数的搜索范围,以提高搜索效率和避免无效的参数组合。
步骤S1.3:设置所述TPOT工具的主要参数。
所述主要参数包括迭代次数、个体的初始数量、新个体数、突变率和交叉速率,所述迭代次数为创建新个体的次数,所述个体用于创建所述新个体,所述新个体数为每次迭代创造的所述新个体的数量,所述突变率为出现属性值随机更改的概率,所述交叉速率为每次迭代应用交叉操作的概率。
通过设置所述主要参数,控制所述TPOT工具对所述深度学习网络模型的超参数优化过程的探索能力和收敛速度。
步骤S1.4:所述TPOT工具输出所述优化学习网络模型。
所述步骤S1.4具体包括以下步骤:
步骤S1.4.1:将所述网络结构和所述搜索空间作为所述TPOT工具的输入。
步骤S1.4.2:所述TPOT工具使用遗传算法搜索超参数组合。
步骤S1.4.3:所述TPOT工具生成初始种群,其中每个个体代表一个超参数组合。
步骤S1.4.4:对每个所述超参数组合进行准确率评估,得到评估结果。
步骤S1.4.5:根据所述评估结果,所述TPOT工具选择部分个体进行交叉和变异操作,生成新个体。
步骤S1.4.6:重复所述步骤1.4.4和所述步骤S1.4.5,直到达到所述迭代次数。
步骤S1.4.7:所述TPOT工具通过遗传算法,输出具有最优超参数组合的所述优化学习网络。
所述TPOT使用遗传算法自动搜索最佳的超参数组合,无需手动尝试不同的参数组合,可以节省时间和精力,从而提高优化的效率。
所述步骤S2具体包括以下步骤:
步骤S2.1:收集历史数据集,并对所述历史数据集进行预处理。
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
所述预处理包括数据清洗、数据归一化及数据增强。
步骤S2.2:利用所述第一数据集对所述优化学习网络模型进行训练,生成第一模型。
步骤S2.3:利用所述第二数据集对所述优化学习网络模型进行训练,生成所述第二模型。
步骤S2.4:将所述第一模型与所述第二模型结合,构建所述容量优化模型。
所述步骤S3具体包括以下步骤:
步骤S3.1:收集实时数据集,并对所述实时数据集进行所述预处理。
通过对所述历史数据集及所述实时数据集进行所述预处理,可以去除数据中的噪音和异常值,提高数据的质量和准确性,从而减少对模型训练和预测的干扰,提高模型的稳定性和可靠性。这种工作方式解决了现有技术中“大多直接使用收集的数据,并未对数据进行处理,数据存在噪音和异常值,从而对模型训练和预测容量优化方案造成干扰”的问题。
所述实时数据集包括实时天气数据及实时能源需求数据。
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
步骤S3.2:将所述实时天气数据输入至所述第一模型,所述第一模型输出预测能源需求数据。
所述预测能源需求数据包括预测发电量及预测负荷需求。
步骤S3.3:将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
所述融合能源需求数据包括融合发电量及融合负荷需求。
步骤S3.4:将所述融合能源需求数据输入至所述第二模型,所述第二模型输出所述最佳容量优化方案。
所述最佳容量优化方案包括最佳光伏储能容量及最佳充放电策略。
通过加入由所述实时天气数据得到的所述预测能源需求数据,将所述预测能源需求数据与所述实时能源需求数据进行加权平均后,再使用得到的所述融合能源需求数据进行所述最佳容量优化方案预测,从而提高预测的准确性和稳定性。这种工作方式解决了现有技术中“大多通过实时采集能源需求数据进行容量优化方案的预测,未考虑天气因素对发电量的影响,导致预测的容量优化方案的准确度和稳定度下降”的问题。
参见图2所示,本发明还提供一种光伏储能系统,包括控制器1、存储单元2、网络优化单元3、数据单元4、模型训练单元5及方案获取单元6。
所述控制器1与所述存储单元2双向连接,所述网络优化单元3与所述控制器1双向连接,所述数据单元4与所述存储单元2双向连接,所述模型训练单元5与所述存储单元2双向连接,所述方案获取单元6与所述存储单元2双向连接。
所述控制器1,用于控制所述光伏储能系统的执行程序,以实现以下步骤:
用于对深度学习网络模型进行超参数优化,获得优化学习网络模型。
训练所述优化学习网络模型,生成容量优化模型。
获取最佳容量优化方案。
所述存储单元2包括:
网络模型存储模块201,用于存储所述网络优化单元3的数据。
数据存储模块202,用于存储所述数据单元4的数据。
优化模型存储模块203,用于存储所述模型训练单元5的数据。
优化方案存储模块204,用于存储所述方案获取单元6的数据。
所述网络优化单元3,用于对所述深度学习网络模型进行超参数优化,获得所述优化学习网络模型。
所述网络优化单元3包括:
结构确定模块301,用于确定所述深度学习网络模型的网络结构。
超参数模块302,用于确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
参数设置模块303,用于设置所述TPOT工具的主要参数。
模型输出模块304,用于所述TPOT工具通过遗传算法,得到所述优化学习网络模型。
所述网络优化单元3将所述网络结构、所述超参数、所述搜索空间、所述主要参数及所述优化学习网络模型,通过所述控制器1发送至所述网络模型存储模块201存储。
所述TPOT使用遗传算法自动搜索最佳的超参数组合,无需手动尝试不同的参数组合,可以节省时间和精力,从而提高优化的效率。
所述网络结构包括隐藏层数量、每层的神经元数量、激活函数及优化器。
所述网络结构影响所述深度学习网络模型的性能和学习能力,所述隐藏层数量和每层的所述神经元数量决定了所述深度学习网络模型的复杂度和表达能力,所述激活函数给所述深度学习网络模型引入非线性特征,所述优化器影响模型的收敛速度和稳定性。
所述超参数包括学习率、批量大小、正则化参数及随机失活率,所述搜索空间包括最大值和最小值。
所述超参数影响所述深度学习网络模型的训练过程和泛化能力,所述学习率决定了参数更新的步伐大小,所述批量大小决定了每次参数更新所使用的样本数量,所述正则化参数控制所述深度学习网络模型的复杂度和防止过拟合,所述随机失活率增加所述深度学习网络模型的鲁棒性和泛化能力。
通过设置所述最大值和所述最小值,限制所述超参数的搜索范围,以提高搜索效率和避免无效的参数组合。
所述TPOT工具是一种基于遗传算法优化机器学习管道的自动机器学习工具,通过使用TPOT工具对深度学习网络模型进行超参数优化,可以提高训练结果的精确度和准确度,优化后的超参数可以更好地适应数据集和模型结构,从而提高模型的性能。这种工作方式解决了现有技术中“大多数通过对深度学习网络模型进行训练,从而获取容量优化方案,但未对深度学习网络模型进行超参数优化,导致训练结果的精确度和准确度不高”的问题。
所述主要参数包括迭代次数、个体的初始数量、新个体数、突变率和交叉速率,所述迭代次数为创建新个体的次数,所述个体用于创建所述新个体,所述新个体数为每次迭代创造的所述新个体的数量,所述突变率为出现属性值随机更改的概率,所述交叉速率为每次迭代应用交叉操作的概率。
通过设置所述主要参数,控制所述TPOT工具对所述深度学习网络模型的超参数优化过程的探索能力和收敛速度。
所述数据单元4包括:
数据收集模块401,用于收集历史数据集及实时数据集。
数据预处理模块402,用于对所述历史数据集及所述实时数据集进行预处理,所述预处理包括数据清洗、数据归一化及数据增强。
所述数据单元4将所述历史数据集及所述实时数据集发送至所述数据存储模块202存储。
通过对所述历史数据集及所述实时数据集进行所述预处理,可以去除数据中的噪音和异常值,提高数据的质量和准确性,从而减少对模型训练和预测的干扰,提高模型的稳定性和可靠性。这种工作方式解决了现有技术中“大多直接使用收集的数据,并未对数据进行处理,数据存在噪音和异常值,从而对模型训练和预测容量优化方案造成干扰”的问题。
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案。
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略。
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集。
所述实时数据集包括实时天气数据及实时能源需求数据。
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
所述模型训练单元5,用于训练所述优化学习网络模型,生成所述容量优化模型。
所述模型训练单元5包括:
第一模型模块501,用于根据所述第一数据集,生成第一模型。
第二模型模块502,用于根据所述第二数据集,生成第二模型。
模型构建模块503,用于将所述第一模型与所述第二模型结合,构建所述容量优化模型。
所述模型训练单元5将所述第一模型、所述第二模型及所述容量优化模型发送至所述优化模型存储模块203存储。
所述方案获取单元6,用于获取所述最佳容量优化方案。
所述方案获取单元6包括:
预测模块601,用于根据所述实时天气数据,获取预测能源需求数据。
融合模块602,用于将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据。
方案输出模块603,用于根据所述融合能源需求数据,输出所述最佳容量优化方案。
所述方案获取单元6将所述预测能源需求数据、所述融合能源需求数据及所述最佳容量优化方案发送至所述优化方案存储模块204存储。
通过加入由所述实时天气数据得到的所述预测能源需求数据,将所述预测能源需求数据与所述实时能源需求数据进行加权平均后,再使用得到的所述融合能源需求数据进行所述最佳容量优化方案预测,从而提高预测的准确性和稳定性。这种工作方式解决了现有技术中“大多通过实时采集能源需求数据进行容量优化方案的预测,未考虑天气因素对发电量的影响,导致预测的容量优化方案的准确度和稳定度下降”的问题。
所述控制器用于控制所述光伏储能系统的所述执行程序,具体包括以下步骤:
一、所述控制器1控制所述结构确定模块301,确定所述深度学习网络模型的所述网络结构。
二、所述控制器1控制所述超参数模块302,确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间。
三、所述控制器1控制所述参数设置模块303,设置用于所述深度学习网络模型超参数优化的所述TPOT工具的所述主要参数。
四、所述控制器1控制所述模型输出模块304,使用所述TPOT工具通过遗传算法,得到所述优化学习网络模型。
五、所述控制器1控制所述数据收集模块401,收集所述历史数据集。
六、所述控制器1控制所述数据预处理模块402,对所述历史数据集进行所述预处理。
七、所述控制器1控制所述第一模型模块501,从所述存储单元2中调取所述第一数据集及所述优化学习网络模型,并利用所述第一数据集对所述优化学习网络模型进行训练,生成所述第一模型。
八、所述控制器1控制所述第二模型模块502,从所述存储单元2中调取所述第二数据集及所述优化学习网络模型,利用所述第二数据集对所述优化学习网络模型进行训练,生成所述第二模型。
九、所述控制器1控制所述模型构建模块503,将所述第一模型与所述第二模型结合,构建所述容量优化模型。
十、所述控制器1控制所述数据收集模块401,实时收集所述实时数据集。
十一、所述控制器1控制所述数据预处理模块402,对所述实时数据集进行所述预处理。
十二、所述控制器1控制所述预测模块601,从所述存储单元2中调取所述实时天气数据及所述第一模型,并将所述实时天气数据输入至所述第一模型,所述第一模型输出所述预测能源需求数据。
十三、所述控制器1控制所述融合模块602,将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到所述融合能源需求数据。
十四、所述控制器1控制所述方案输出模块603,从所述存储单元2中调取所述第二模型,并将所述融合能源需求数据输入至所述第二模型,所述第二模型输出所述最佳容量优化方案。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的内容并不局限于此,总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.一种光伏储能方法,其特征在于,包括以下步骤:
步骤S1:通过TPOT工具,对用于容量优化的深度学习网络模型进行超参数优化,并将所述深度学习网络模型确定为优化学习网络模型;
步骤S2:对所述优化学习网络模型进行训练,生成容量优化模型;
步骤S3:使用所述容量优化模型输出最佳容量优化方案。
2.根据权利要求1所述的一种光伏储能方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤S1.1:确定所述深度学习网络模型的网络结构;
所述网络结构包括隐藏层数量、每层的神经元数量、激活函数及优化器;
步骤S1.2:确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间;
所述超参数包括学习率、批量大小、正则化参数及随机失活率,所述搜索空间包括最大值和最小值;
步骤S1.3:设置所述TPOT工具的主要参数;
所述主要参数包括迭代次数、个体的初始数量、新个体数、突变率和交叉速率,所述迭代次数为创建新个体的次数,所述个体用于创建所述新个体,所述新个体数为每次迭代创造的所述新个体的数量,所述突变率为出现属性值随机更改的概率,所述交叉速率为每次迭代应用交叉操作的概率;
步骤S1.4:所述TPOT工具输出所述优化学习网络模型。
3.根据权利要求2所述的一种光伏储能方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S2.1:收集历史数据集,并对所述历史数据集进行预处理;
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案;
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略;
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集;
所述预处理包括数据清洗、数据归一化及数据增强;
步骤S2.2:利用所述第一数据集对所述优化学习网络模型进行训练,生成第一模型;
步骤S2.3:利用所述第二数据集对所述优化学习网络模型进行训练,生成所述第二模型;
步骤S2.4:将所述第一模型与所述第二模型结合,构建所述容量优化模型。
4.根据权利要求3所述的一种光伏储能方法,其特征在于,所述步骤S3具体包括以下步骤:
步骤S3.1:收集实时数据集,并对所述实时数据集进行所述预处理;
所述实时数据集包括实时天气数据及实时能源需求数据;
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求;
步骤S3.2:将所述实时天气数据输入至所述第一模型,所述第一模型输出预测能源需求数据;
所述预测能源需求数据包括预测发电量及预测负荷需求;
步骤S3.3:将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据;
所述融合能源需求数据包括融合发电量及融合负荷需求;
步骤S3.4:将所述融合能源需求数据输入至所述第二模型,所述第二模型输出所述最佳容量优化方案;
所述最佳容量优化方案包括最佳光伏储能容量及最佳充放电策略。
5.根据权利要求2所述的一种光伏储能方法,其特征在于,所述步骤S1.4具体包括以下步骤:
步骤S1.4.1:将所述网络结构和所述搜索空间作为所述TPOT工具的输入;
步骤S1.4.2:所述TPOT工具使用遗传算法搜索超参数组合;
步骤S1.4.3:所述TPOT工具生成初始种群,其中每个个体代表一个超参数组合;
步骤S1.4.4:对每个所述超参数组合进行准确率评估,得到评估结果;
步骤S1.4.5:根据所述评估结果,所述TPOT工具选择部分个体进行交叉和变异操作,生成新个体;
步骤S1.4.6:重复所述步骤1.4.4和所述步骤S1.4.5,直到达到所述迭代次数;
步骤S1.4.7:所述TPOT工具通过遗传算法,输出具有最优超参数组合的所述优化学习网络。
6.一种光伏储能系统,其特征在于,包括控制器(1)、存储单元(2)、网络优化单元(3)、数据单元(4)、模型训练单元(5)及方案获取单元(6);
所述控制器(1)与所述存储单元(2)双向连接,所述网络优化单元(3)与所述控制器(1)双向连接,所述数据单元(4)与所述存储单元(2)双向连接,所述模型训练单元(5)与所述存储单元(2)双向连接,所述方案获取单元(6)与所述存储单元(2)双向连接;
所述控制器(1),用于控制所述光伏储能系统的执行程序,以实现以下步骤:
用于对深度学习网络模型进行超参数优化,获得优化学习网络模型;
训练所述优化学习网络模型,生成容量优化模型;
获取最佳容量优化方案;
所述存储单元(2)包括:
网络模型存储模块(201),用于存储所述网络优化单元(3)的数据;
数据存储模块(202),用于存储所述数据单元(4)的数据;
优化模型存储模块(203),用于存储所述模型训练单元(5)的数据;
优化方案存储模块(204),用于存储所述方案获取单元(6)的数据。
7.根据权利要求6所述的一种光伏储能系统,其特征在于,所述网络优化单元(3),用于对所述深度学习网络模型进行超参数优化,获得所述优化学习网络模型;
所述网络优化单元(3)包括:
结构确定模块(301),用于确定所述深度学习网络模型的网络结构;
超参数模块(302),用于确定所述深度学习网络模型需要优化的超参数,并为每个所述超参数设置搜索空间;
参数设置模块(303),用于设置所述TPOT工具的主要参数;
模型输出模块(304),用于所述TPOT工具通过遗传算法,得到所述优化学习网络模型。
8.根据权利要求6所述的一种光伏储能系统,其特征在于,所述数据单元(4)包括:
数据收集模块(401),用于收集历史数据集及实时数据集;
数据预处理模块(402),用于对所述历史数据集及所述实时数据集进行预处理,所述预处理包括数据清洗、数据归一化及数据增强;
所述历史数据集包括历史天气数据数据和对应的历史能源需求数据,还包括所述历史能源需求数据对应的历史容量优化方案;
所述历史天气数据包括历史光照强度、历史温度及历史湿度,所述历史能源需求数据包括历史发电量及历史负荷需求,所述历史容量优化方案包括光伏储能容量及充放电策略;
将所述历史天气数据及所述历史能源需求数据确定为第一数据集,将所述历史能源需求数据及所述历史容量优化方案确定为第二数据集;
所述实时数据集包括实时天气数据及实时能源需求数据;
所述实时天气数据包括实时光照强度、实时温度及实时湿度,所述实时能源需求数据包括实时发电量及实时负荷需求。
9.根据权利要求7所述的一种光伏储能系统,其特征在于,所述模型训练单元(5),用于训练所述优化学习网络模型,生成所述容量优化模型;
所述模型训练单元(5)包括:
第一模型模块(501),用于根据所述第一数据集,生成第一模型;
第二模型模块(502),用于根据所述第二数据集,生成第二模型;
模型构建模块(503),用于将所述第一模型与所述第二模型结合,构建所述容量优化模型。
10.根据权利要求4所述的一种光伏储能系统,其特征在于,所述方案获取单元(6),用于获取所述最佳容量优化方案;
所述方案获取单元(6)包括:
预测模块(601),用于根据所述实时天气数据,获取预测能源需求数据;
融合模块(602),用于将所述实时能源需求数据与所述预测能源需求数据进行加权平均,得到融合能源需求数据;
方案输出模块(603),用于根据所述融合能源需求数据,输出所述最佳容量优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555473.3A CN117494797A (zh) | 2023-11-21 | 2023-11-21 | 一种光伏储能方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555473.3A CN117494797A (zh) | 2023-11-21 | 2023-11-21 | 一种光伏储能方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117494797A true CN117494797A (zh) | 2024-02-02 |
Family
ID=89676275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311555473.3A Pending CN117494797A (zh) | 2023-11-21 | 2023-11-21 | 一种光伏储能方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494797A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255973A (zh) * | 2021-05-10 | 2021-08-13 | 曙光信息产业(北京)有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN116526530A (zh) * | 2023-04-28 | 2023-08-01 | 国网江苏电力设计咨询有限公司 | 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
-
2023
- 2023-11-21 CN CN202311555473.3A patent/CN117494797A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255973A (zh) * | 2021-05-10 | 2021-08-13 | 曙光信息产业(北京)有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN116526530A (zh) * | 2023-04-28 | 2023-08-01 | 国网江苏电力设计咨询有限公司 | 基于多元马尔科夫链模型和优化热启动的储能容量配置方法及装置 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Non-Patent Citations (2)
Title |
---|
UDAYA BASKAR G 等: "《Support Vector Machine based Short Term Solar Power Prediction》", 《PROCEEDINGS OF THE SIXTH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS 2022)》, 8 June 2022 (2022-06-08), pages 264 - 265 * |
来包番茄沙司: "《⾃动机器学习库:TPOT の 学习笔记》", pages 1 - 6, Retrieved from the Internet <URL:《https://blog.csdn.net/weixin_45928096/article/details/125840325》> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
CN107256436B (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
CN112952820A (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
CN107276121A (zh) | 一种计及不确定性因素的家庭并网协同经济调度优化方法 | |
CN113452033A (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
CN115940292A (zh) | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN116522795A (zh) | 基于数字孪生模型的综合能源系统仿真方法及系统 | |
CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
CN116862077A (zh) | 基于多模态组合模型的电采暖运行成本预测方法和介质 | |
CN117494797A (zh) | 一种光伏储能方法和系统 | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
Samuel et al. | A modified genetic approach to long-term generation maintenance scheduling to enhance the reliability of the units | |
CN112069676A (zh) | 一种含清洁能源的微电网能量管理方法 | |
CN111859780A (zh) | 一种微电网运行优化方法和系统 | |
CN113516269A (zh) | 一种多能互补能源枢纽设备的管理方法 | |
CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 |
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 |