CN117974366A - 基于工商业储能的能源管理系统 - Google Patents

Abstract

本发明公开了基于工商业储能的能源管理系统，系统包括：数据采集模块、数据预处理模块、平衡数据集模块、构建能源消耗预测模型模块、能源消耗预测模型参数搜索模块和能源管理模块。本发明属于能源管理技术领域，具体是指基于工商业储能的能源管理系统，本方案计算少数类样本与最近一个多数类样本的距离，计算样本数，得到少数类样本的权重和有限距离，合成样本；通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新；用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法。

Description

基于工商业储能的能源管理系统

技术领域

本发明属于能源管理技术领域，具体是指基于工商业储能的能源管理系统。

背景技术

能源管理系统通过工商业用户的能源消耗进行准确预测，生成能源管理策略，用于对储能设备进行能源管理。但是采集的能源消耗数据存在不平衡，而现有的合成样本算法在最近邻的K值设置不合适时，在少数类样本的K个最近邻样本中会没有多数类样本，导致过拟合和信息丢失的问题；现有的能源消耗预测模型存在梯度爆炸和梯度消失，导致模型不稳定无法收敛，以及更新速度慢和性能较差的问题；现有的能源消耗预测模型参数搜索时存在陷入局部最优、收敛速度慢和收敛精度低的技术问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了基于工商业储能的能源管理系统，针对采集的能源消耗数据存在不平衡，而现有的合成样本算法在最近邻的K值设置不合适时，在少数类样本的K个最近邻样本中会没有多数类样本，导致过拟合和信息丢失的问题，本方案直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，分别计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，根据需要合成的样本数据数量合成样本，构建平衡数据集，有助于减轻过拟合问题和保留多数类样本的关键信息，提高合成样本的质量和代表性；针对现有的能源消耗预测模型存在梯度爆炸和梯度消失，导致模型不稳定无法收敛，以及更新速度慢和性能较差的问题，本方案通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型，从而避免梯度爆炸和梯度消失的问题，使模型训练更加有效和稳定，提高了模型的收敛速度和泛化能力，提高了预测的准确性和可靠性；针对现有的能源消耗预测模型参数搜索时存在陷入局部最优、收敛速度慢和收敛精度低的技术问题，本方案用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索，增强个体的全局搜索能力和局部探索能力，降低了陷入局部最优的风险，更有利于寻找全局最优，从而提高模型性能。

本发明提供的基于工商业储能的能源管理系统，包括数据采集模块、数据预处理模块、平衡数据集模块、构建能源消耗预测模型模块、能源消耗预测模型参数搜索模块和能源管理模块；

所述数据采集模块采集能源消耗数据；

所述数据预处理模块进行数据清洗、去除异常值和删除噪声数据处理；

所述平衡数据集模块直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，合成样本并构建平衡数据集；

所述构建能源消耗预测模型模块通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型；

所述能源消耗预测模型参数搜索模块用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索；

所述能源管理模块基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，生成能源管理策略，对储能设备进行能源管理。

进一步地，所述数据采集模块是通过传感器采集能源消耗数据，能源消耗数据包括环境数据、储能设备状态数据和工商业用户的能源消耗量，将工商业用户的能源消耗量作为预测标签。

进一步地，所述数据预处理模块是对采集的数据进行数据清洗、去除异常值和删除噪声数据处理，数据清洗包括去除空值、填补缺失值和错误值。

进一步地，所述平衡数据集模块具体包括以下内容：

构建多数类样本集和少数类样本集，将预处理后的数据作为样本数据构建消耗数据集，每个预测标签代表一个类别，统计每个类别的样本数量，预先设定多数类和少数类的划分标准，根据类别和划分标准将样本分成多数样本集A₁和少数样本集A₂，N_X是少数样本集A₂中少数类样本的数量，N_Y是多数样本集A₁中多数类样本的数量；

计算样本数，对于少数样本集A₂中每个少数类样本x_j，j是少数类样本的索引，j=1，2，…，N_X，计算少数类样本x_j与多数样本集A₁中所有多数类样本的欧氏距离，将少数类样本x_j与其最近的一个多数类样本m_j之间的欧氏距离记为d，划分圆1和圆2，以少数类样本x_j为圆1的圆心，d为圆1的半径，计算圆1中少数类样本的样本数为P_j1；以少数类样本x_j最近的一个多数类样本m_j为圆2的圆心，d为圆2的半径，计算圆2中多数类样本的样本数为P_j2；

计算少数类样本的权重，所用公式如下：

；

式中，ω_j是第j个少数类样本的权重；

计算少数类样本的有限距离，所用公式如下：

；

式中，hy_j是第j个少数类样本的有限距离；

计算需要合成的样本数据数量，所用公式如下：

；

式中，New_j是第j个少数类样本需要合成的样本数据数量，是向上取整函数；

生成新样本，所用公式如下：

；

式中，x_new，s是基于第j个少数类样本生成的第s个新样本，r₁是第一随机数；

构建平衡数据集，基于生成的新样本和消耗数据集中的样本数据构建平衡数据集。

进一步地，所述构建能源消耗预测模型模块是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的样本数据，隐藏层进行数据处理和特征提取，输出层输出预测标签，神经网络参数更新具体包括以下内容：

计算目标函数相对于神经网络参数的梯度，所用公式如下：

；

式中，b_t是第t次更新时目标函数相对于神经网络参数的梯度，h_t是第t次更新时的模型，θ_t-1是第t-1次更新时的神经网络参数，是参数θ上的梯度，t是神经网络参数的更新次数索引；

计算神经网络参数梯度的L2范数，所用公式如下：

；

式中，b_t，norm是神经网络参数梯度b_t的L2范数，b_t，i是b_t的第i个元素，c是b_t的元素数量，i是元素索引；

计算历史梯度范数，所用公式如下：

f_t=εf_t-1+（1-ε）b_t，norm；

式中，f_t是第t次更新时的历史梯度范数，f_t-1是第t-1次更新时的历史梯度范数，ε是控制因子；

计算范数校正梯度，所用公式如下：

；

式中，w_t是第t次更新时的范数校正梯度；

计算一阶矩和二阶矩，所用公式如下：

q_t=λ₁q_t-1+（1-λ₁）w_t；

p_t=λ₂p_t-1+（1-λ₂）b_t ²；

式中，q_t是第t次更新时的一阶矩，q_t-1是第t-1次更新时的一阶矩，λ₁是一阶矩衰减率，p_t是第t次更新时的二阶矩，p_t-1是第t-1次更新时的二阶矩，λ₂是二阶矩衰减率；

偏置校正，所用公式如下：

；

；

式中，和/>分别是偏置校正后的一阶矩和二阶矩；

神经网络参数更新，所用公式如下：

；

式中，θ_t是第t次更新时的神经网络参数，η是学习率，是为了保持数值稳定性而设置的非常小的常数。

进一步地，所述能源消耗预测模型参数搜索模块具体包括以下内容：

初始化位置，用模型参数代表个体的位置，将基于模型参数建立的模型性能作为个体的适应度值，初始化个体位置所用公式如下：

；

式中，H_a，g是第a个个体在第g维度的位置，LB_g是个体搜索空间第g维的下边界，r₂是第二随机数，UB_g是个体搜索空间第g维的上边界，a是个体索引，N_H是个体总数量，g是维度索引，N_G是个体搜索空间维度；

计算全局最优位置，更新个体的适应度值，将具有最高适应度值的个体作为最优个体，最优个体的对应位置作为全局最优位置H_best；

计算自适应选择因子，所用公式如下：

；

式中，γ_a（z）是第z次迭代时第a个个体的自适应选择因子，z是迭代次数索引，E_a（z）是第z次迭代时第a个个体的适应度值，E_best（z）是第z次迭代时最优个体的适应度值；

计算社会感知因子，从个体中随机选择一个个体k，个体a≠个体k，所用公式如下：

；

式中，μ_a，g（z）是第z次迭代时第a个个体在第g维度的社会感知因子，H_a，g（z）是第z次迭代时第a个个体在第g维度的位置，H_k，g（z）是第z次迭代时第k个个体在第g维度的位置，r₃是第三随机数，δ_max是加权因子的最大值，δ_min是加权因子的最小值，ρ是学习因子；

位置更新，为每个个体随机生成一个随机数r_4，a（z），若r_4，a（z）≤γ_a（z），则使用第一种位置更新方法对个体a进行位置更新；否则使用第二种位置更新方法对个体a进行位置更新，内容如下：

第一种位置更新方法，所用公式如下：

；

式中，是使用第一种位置更新方法更新后的第a个个体在第g维度的位置，H_a，g（z-1）是第z-1次迭代时第a个个体在第g维度的位置；

第二种位置更新方法，当随机数r_4，a（z）>0.5时，则从适应度值比个体a的适应度值高的个体中随机选择一个个体o，再从所有个体中随机选择一个个体u，个体o≠个体u≠个体a，基于个体o和个体u的平均位置进行位置更新；否则，计算选择每个个体v进行位置替换的概率，选择具有最高概率的个体位置H_v，g（z）来进行位置更新，所用公式如下：

；

；

式中，是使用第二种位置更新方法更新后的第a个个体在第g维度的位置，P_v（z）是选择个体v进行位置替换的概率，sim_a，v是个体a和个体v之间的余弦相似度，max（E（z））是第z次迭代时的最高适应度值，E_v（z）是第z次迭代时第v个个体的适应度值，H_o，g（z）是第z次迭代时第o个个体在第g维度的位置，H_u，g（z）是第z次迭代时第u个个体在第g维度的位置；

模型参数确定，预先设定适应度值阈值Ψ和最大迭代次数Z，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值Ψ时，则基于当前模型参数构建能源消耗预测模型；否则，若达到最大迭代次数Z，则重新初始化位置；否则重新计算自适应选择因子和社会感知因子进行位置更新。

进一步地，所述能源管理模块是实时采集能源消耗数据，在对采集的数据进行预处理后，输入至能源消耗预测模型中进行预测，基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，依据能源消耗量预测数据生成能源管理策略，对储能设备进行能源管理。

采用上述方案本发明取得的有益效果如下：

（1）针对采集的能源消耗数据存在不平衡，而现有的合成样本算法在最近邻的K值设置不合适时，在少数类样本的K个最近邻样本中会没有多数类样本，导致过拟合和信息丢失的问题，本方案直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，分别计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，根据需要合成的样本数据数量合成样本，构建平衡数据集，有助于减轻过拟合问题和保留多数类样本的关键信息，提高合成样本的质量和代表性。

（2）针对现有的能源消耗预测模型存在梯度爆炸和梯度消失，导致模型不稳定无法收敛，以及更新速度慢和性能较差的问题，本方案通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型，从而避免梯度爆炸和梯度消失的问题，使模型训练更加有效和稳定，提高了模型的收敛速度和泛化能力，提高了预测的准确性和可靠性。

（3）针对现有的能源消耗预测模型参数搜索时存在陷入局部最优、收敛速度慢和收敛精度低的技术问题，本方案用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索，增强个体的全局搜索能力和局部探索能力，降低了陷入局部最优的风险，更有利于寻找全局最优，从而提高模型性能。

附图说明

图1为本发明提供的基于工商业储能的能源管理系统的示意图；

图2为构建能源消耗预测模型模块的示意图；

图3为能源消耗预测模型参数搜索模块的示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

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，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；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。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的基于工商业储能的能源管理系统，包括数据采集模块、数据预处理模块、平衡数据集模块、构建能源消耗预测模型模块、能源消耗预测模型参数搜索模块和能源管理模块；

所述数据采集模块采集能源消耗数据；

所述数据预处理模块进行数据清洗、去除异常值和删除噪声数据处理；

所述平衡数据集模块直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，合成样本并构建平衡数据集；

所述构建能源消耗预测模型模块通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型；

所述能源消耗预测模型参数搜索模块用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索；

所述能源管理模块基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，生成能源管理策略，对储能设备进行能源管理。

实施例二，参阅图1，该实施例基于上述实施例，数据采集模块是通过传感器采集能源消耗数据，能源消耗数据包括环境数据、储能设备状态数据和工商业用户的能源消耗量，将工商业用户的能源消耗量作为预测标签。

实施例三，参阅图1，该实施例基于上述实施例，数据预处理模块是对采集的数据进行数据清洗、去除异常值和删除噪声数据处理，数据清洗包括去除空值、填补缺失值和错误值。

实施例四，参阅图1，该实施例基于上述实施例，平衡数据集模块具体包括以下内容：

构建多数类样本集和少数类样本集，将预处理后的数据作为样本数据构建消耗数据集，每个预测标签代表一个类别，统计每个类别的样本数量，预先设定多数类和少数类的划分标准，根据类别和划分标准将样本分成多数样本集A₁和少数样本集A₂，N_X是少数样本集A₂中少数类样本的数量，N_Y是多数样本集A₁中多数类样本的数量；

计算样本数，对于少数样本集A₂中每个少数类样本x_j，j是少数类样本的索引，j=1，2，…，N_X，计算少数类样本x_j与多数样本集A₁中所有多数类样本的欧氏距离，将少数类样本x_j与其最近的一个多数类样本m_j之间的欧氏距离记为d，划分圆1和圆2，以少数类样本x_j为圆1的圆心，d为圆1的半径，计算圆1中少数类样本的样本数为P_j1；以少数类样本x_j最近的一个多数类样本m_j为圆2的圆心，d为圆2的半径，计算圆2中多数类样本的样本数为P_j2；

计算少数类样本的权重，所用公式如下：

；

式中，ω_j是第j个少数类样本的权重；

计算少数类样本的有限距离，所用公式如下：

；

式中，hy_j是第j个少数类样本的有限距离；

计算需要合成的样本数据数量，所用公式如下：

；

式中，New_j是第j个少数类样本需要合成的样本数据数量，是向上取整函数；

生成新样本，所用公式如下：

；

式中，x_new，s是基于第j个少数类样本生成的第s个新样本，r₁是第一随机数；

构建平衡数据集，基于生成的新样本和消耗数据集中的样本数据构建平衡数据集。

通过执行上述操作，针对采集的能源消耗数据存在不平衡，而现有的合成样本算法在最近邻的K值设置不合适时，在少数类样本的K个最近邻样本中会没有多数类样本，导致过拟合和信息丢失的问题，本方案直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，分别计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，根据需要合成的样本数据数量合成样本，构建平衡数据集，有助于减轻过拟合问题和保留多数类样本的关键信息，提高合成样本的质量和代表性。

实施例五，参阅图1和图2，该实施例基于上述实施例，构建能源消耗预测模型是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的样本数据，隐藏层进行数据处理和特征提取，输出层输出预测标签，神经网络参数更新具体包括以下内容：

计算目标函数相对于神经网络参数的梯度，所用公式如下：

；

式中，b_t是第t次更新时目标函数相对于神经网络参数的梯度，h_t是第t次更新时的模型，θ_t-1是第t-1次更新时的神经网络参数，是参数θ上的梯度，t是神经网络参数的更新次数索引；

计算神经网络参数梯度的L2范数，所用公式如下：

；

式中，b_t，norm是神经网络参数梯度b_t的L2范数，b_t，i是b_t的第i个元素，c是b_t的元素数量，i是元素索引；

计算历史梯度范数，所用公式如下：

f_t=εf_t-1+（1-ε）b_t，norm；

式中，f_t是第t次更新时的历史梯度范数，f_t-1是第t-1次更新时的历史梯度范数，预先设定历史梯度范数的初始值f₀为0，ε是控制因子，ε控制过去历史梯度范数f_t-1和当前梯度范数b_t，norm在计算新历史梯度范数f_t中的贡献；

计算范数校正梯度，所用公式如下：

；

式中，w_t是第t次更新时的范数校正梯度；

计算一阶矩和二阶矩，所用公式如下：

q_t=λ₁q_t-1+（1-λ₁）w_t；

p_t=λ₂p_t-1+（1-λ₂）b_t ²；

式中，q_t是第t次更新时的一阶矩，q_t-1是第t-1次更新时的一阶矩，λ₁是一阶矩衰减率，p_t是第t次更新时的二阶矩，p_t-1是第t-1次更新时的二阶矩，λ₂是二阶矩衰减率，预先设定一阶矩的初始值q₀和二阶矩的初始值p₀都为0；

偏置校正，所用公式如下：

；

；

式中，和/>分别是偏置校正后的一阶矩和二阶矩；

神经网络参数更新，所用公式如下：

；

式中，θ_t是第t次更新时的神经网络参数，η是学习率，η用于计算神经网络参数更新的有效步长，是为了保持数值稳定性而设置的非常小的常数。

通过执行上述操作，针对现有的能源消耗预测模型存在梯度爆炸和梯度消失，导致模型不稳定无法收敛，以及更新速度慢和性能较差的问题，本方案通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型，从而避免梯度爆炸和梯度消失的问题，使模型训练更加有效和稳定，提高了模型的收敛速度和泛化能力，提高了预测的准确性和可靠性。

实施例六，参阅图1和图3，该实施例基于上述实施例，能源消耗预测模型参数搜索模块具体包括以下内容：

初始化位置，用模型参数代表个体的位置，将基于模型参数建立的模型性能作为个体的适应度值，初始化个体位置所用公式如下：

；

式中，H_a，g是第a个个体在第g维度的位置，LB_g是个体搜索空间第g维的下边界，r₂是0到1内的第二随机数，UB_g是个体搜索空间第g维的上边界，a是个体索引，N_H是个体总数量，g是维度索引，N_G是个体搜索空间维度；

计算全局最优位置，更新个体的适应度值，将具有最高适应度值的个体作为最优个体，最优个体的对应位置作为全局最优位置H_best；

计算自适应选择因子，所用公式如下：

；

式中，γ_a（z）是第z次迭代时第a个个体的自适应选择因子，z是迭代次数索引，E_a（z）是第z次迭代时第a个个体的适应度值，E_best（z）是第z次迭代时最优个体的适应度值；

计算社会感知因子，从个体中随机选择一个个体k，个体a≠个体k，所用公式如下：

；

式中，μ_a，g（z）是第z次迭代时第a个个体在第g维度的社会感知因子，H_a，g（z）是第z次迭代时第a个个体在第g维度的位置，H_k，g（z）是第z次迭代时第k个个体在第g维度的位置，r₃是0到1内的第三随机数，δ_max是加权因子的最大值，δ_min是加权因子的最小值，ρ是学习因子；

位置更新，为每个个体随机生成一个0到1的随机数r_4，a（z），若r_4，a（z）≤γ_a（z），则使用第一种位置更新方法对个体a进行位置更新；否则使用第二种位置更新方法对个体a进行位置更新，内容如下：

第一种位置更新方法，所用公式如下：

；

式中，是使用第一种位置更新方法更新后的第a个个体在第g维度的位置，H_a，g（z-1）是第z-1次迭代时第a个个体在第g维度的位置；

第二种位置更新方法，当随机数r_4，a（z）>0.5时，则从适应度值比个体a的适应度值高的个体中随机选择一个个体o，再从所有个体中随机选择一个个体u，个体o≠个体u≠个体a，基于个体o和个体u的平均位置进行位置更新；否则，计算选择每个个体v进行位置替换的概率，选择具有最高概率的个体位置H_v，g（z）来进行位置更新，所用公式如下：

；

；

式中，是使用第二种位置更新方法更新后的第a个个体在第g维度的位置，P_v（z）是选择个体v进行位置替换的概率，sim_a，v是个体a和个体v之间的余弦相似度，max（E（z））是第z次迭代时的最高适应度值，E_v（z）是第z次迭代时第v个个体的适应度值，H_o，g（z）是第z次迭代时第o个个体在第g维度的位置，H_u，g（z）是第z次迭代时第u个个体在第g维度的位置；

模型参数确定，预先设定适应度值阈值Ψ和最大迭代次数Z，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值Ψ时，则基于当前模型参数构建能源消耗预测模型；否则，若达到最大迭代次数Z，则重新初始化位置；否则重新计算自适应选择因子和社会感知因子进行位置更新。

通过执行上述操作，针对现有的能源消耗预测模型参数搜索时存在陷入局部最优、收敛速度慢和收敛精度低的技术问题，本方案用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索，增强个体的全局搜索能力和局部探索能力，降低了陷入局部最优的风险，更有利于寻找全局最优，从而提高模型性能。

实施例七，参阅图1，该实施例基于上述实施例，能源管理模块是实时采集能源消耗数据，在对采集的数据进行预处理后，输入至能源消耗预测模型中进行预测，基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，依据能源消耗量预测数据生成能源管理策略，对储能设备进行能源管理。

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。

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，实际的结构并不局限于此。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 (7)

1.基于工商业储能的能源管理系统，其特征在于：包括数据采集模块、数据预处理模块、平衡数据集模块、构建能源消耗预测模型模块、能源消耗预测模型参数搜索模块和能源管理模块；

所述数据采集模块采集能源消耗数据；

所述数据预处理模块进行数据清洗、去除异常值和删除噪声数据处理；

所述平衡数据集模块直接计算少数类样本与最近的一个多数类样本之间的距离d，基于d划分圆1和圆2，计算其中少数类样本数和多数类样本数，得到少数类样本的权重和有限距离，合成样本并构建平衡数据集；

所述构建能源消耗预测模型模块通过计算神经网络参数梯度的L2范数得到历史梯度范数，通过比较历史梯度范数和当前梯度范数，得到范数校正梯度，优化一阶矩的更新方法，完成参数的更新并构建模型；

所述能源消耗预测模型参数搜索模块用自适应选择因子选择位置更新方法，引入社会感知因子生成第一种位置更新方法，使用余弦相似度生成第二种位置更新方法，基于最大迭代次数和适应度阈值完成参数的搜索；

所述能源管理模块基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，生成能源管理策略，对储能设备进行能源管理。

2.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述构建能源消耗预测模型模块是构建神经网络，神经网络包括输入层、输出层和隐藏层，输入层接收平衡数据集中的样本数据，隐藏层进行数据处理和特征提取，输出层输出预测标签，神经网络参数更新具体包括以下内容：

计算目标函数相对于神经网络参数的梯度，所用公式如下：

；

式中，b_t是第t次更新时目标函数相对于神经网络参数的梯度，h_t是第t次更新时的模型，θ_t-1是第t-1次更新时的神经网络参数，是参数θ上的梯度，t是神经网络参数的更新次数索引；

计算神经网络参数梯度的L2范数，所用公式如下：

；

式中，b_t，norm是神经网络参数梯度b_t的L2范数，b_t，i是b_t的第i个元素，c是b_t的元素数量，i是元素索引；

计算历史梯度范数，所用公式如下：

f_t=εf_t-1+（1-ε）b_t，norm；

式中，f_t是第t次更新时的历史梯度范数，f_t-1是第t-1次更新时的历史梯度范数，ε是控制因子；

计算范数校正梯度，所用公式如下：

；

式中，w_t是第t次更新时的范数校正梯度；

计算一阶矩和二阶矩，所用公式如下：

q_t=λ₁q_t-1+（1-λ₁）w_t；

p_t=λ₂p_t-1+（1-λ₂）b_t ²；

式中，q_t是第t次更新时的一阶矩，q_t-1是第t-1次更新时的一阶矩，λ₁是一阶矩衰减率，p_t是第t次更新时的二阶矩，p_t-1是第t-1次更新时的二阶矩，λ₂是二阶矩衰减率；

偏置校正，所用公式如下：

；

；

式中，和/>分别是偏置校正后的一阶矩和二阶矩；

神经网络参数更新，所用公式如下：

；

式中，θ_t是第t次更新时的神经网络参数，η是学习率，是为了保持数值稳定性而设置的非常小的常数。

3.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述能源消耗预测模型参数搜索模块具体包括以下内容：

初始化位置，用模型参数代表个体的位置，将基于模型参数建立的模型性能作为个体的适应度值，初始化个体位置所用公式如下：

；

式中，H_a，g是第a个个体在第g维度的位置，LB_g是个体搜索空间第g维的下边界，r₂是第二随机数，UB_g是个体搜索空间第g维的上边界，a是个体索引，N_H是个体总数量，g是维度索引，N_G是个体搜索空间维度；

计算全局最优位置，更新个体的适应度值，将具有最高适应度值的个体作为最优个体，最优个体的对应位置作为全局最优位置H_best；

计算自适应选择因子，所用公式如下：

；

式中，γ_a（z）是第z次迭代时第a个个体的自适应选择因子，z是迭代次数索引，E_a（z）是第z次迭代时第a个个体的适应度值，E_best（z）是第z次迭代时最优个体的适应度值；

计算社会感知因子，从个体中随机选择一个个体k，个体a≠个体k，所用公式如下：

；

式中，μ_a，g（z）是第z次迭代时第a个个体在第g维度的社会感知因子，H_a，g（z）是第z次迭代时第a个个体在第g维度的位置，H_k，g（z）是第z次迭代时第k个个体在第g维度的位置，r₃是第三随机数，δ_max是加权因子的最大值，δ_min是加权因子的最小值，ρ是学习因子；

位置更新，为每个个体随机生成一个随机数r_4，a（z），若r_4，a（z）≤γ_a（z），则使用第一种位置更新方法对个体a进行位置更新；否则使用第二种位置更新方法对个体a进行位置更新，内容如下：

第一种位置更新方法，所用公式如下：

；

式中，是使用第一种位置更新方法更新后的第a个个体在第g维度的位置，H_a，g（z-1）是第z-1次迭代时第a个个体在第g维度的位置；

第二种位置更新方法，当随机数r_4，a（z）>0.5时，则从适应度值比个体a的适应度值高的个体中随机选择一个个体o，再从所有个体中随机选择一个个体u，个体o≠个体u≠个体a，基于个体o和个体u的平均位置进行位置更新；否则，计算选择每个个体v进行位置替换的概率，选择具有最高概率的个体位置H_v，g（z）来进行位置更新，所用公式如下：

；

；

式中，是使用第二种位置更新方法更新后的第a个个体在第g维度的位置，P_v（z）是选择个体v进行位置替换的概率，sim_a，v是个体a和个体v之间的余弦相似度，max（E（z））是第z次迭代时的最高适应度值，E_v（z）是第z次迭代时第v个个体的适应度值，H_o，g（z）是第z次迭代时第o个个体在第g维度的位置，H_u，g（z）是第z次迭代时第u个个体在第g维度的位置；

模型参数确定，预先设定适应度值阈值Ψ和最大迭代次数Z，更新全局最优位置，当全局最优位置对应的适应度值高于适应度值阈值Ψ时，则基于当前模型参数构建能源消耗预测模型；否则，若达到最大迭代次数Z，则重新初始化位置；否则重新计算自适应选择因子和社会感知因子进行位置更新。

4.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述平衡数据集模块具体包括以下内容：

构建多数类样本集和少数类样本集，将预处理后的数据作为样本数据构建消耗数据集，每个预测标签代表一个类别，统计每个类别的样本数量，预先设定多数类和少数类的划分标准，根据类别和划分标准将样本分成多数样本集A₁和少数样本集A₂，N_X是少数样本集A₂中少数类样本的数量，N_Y是多数样本集A₁中多数类样本的数量；

计算样本数，对于少数样本集A₂中每个少数类样本x_j，j是少数类样本的索引，j=1，2，…，N_X，计算少数类样本x_j与多数样本集A₁中所有多数类样本的欧氏距离，将少数类样本x_j与其最近的一个多数类样本m_j之间的欧氏距离记为d，划分圆1和圆2，以少数类样本x_j为圆1的圆心，d为圆1的半径，计算圆1中少数类样本的样本数为P_j1；以少数类样本x_j最近的一个多数类样本m_j为圆2的圆心，d为圆2的半径，计算圆2中多数类样本的样本数为P_j2；

计算少数类样本的权重，所用公式如下：

；

式中，ω_j是第j个少数类样本的权重；

计算少数类样本的有限距离，所用公式如下：

；

式中，hy_j是第j个少数类样本的有限距离；

计算需要合成的样本数据数量，所用公式如下：

；

式中，New_j是第j个少数类样本需要合成的样本数据数量，是向上取整函数；

生成新样本，所用公式如下：

；

式中，x_new，s是基于第j个少数类样本生成的第s个新样本，r₁是第一随机数；

构建平衡数据集，基于生成的新样本和消耗数据集中的样本数据构建平衡数据集。

5.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述数据采集模块是采集能源消耗数据，能源消耗数据包括环境数据、储能设备状态数据和工商业用户的能源消耗量，将工商业用户的能源消耗量作为预测标签。

6.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述数据预处理模块是对采集的数据进行数据清洗、去除异常值和删除噪声数据处理，数据清洗包括去除空值、填补缺失值和错误值。

7.根据权利要求1所述的基于工商业储能的能源管理系统，其特征在于：所述能源管理模块是实时采集能源消耗数据，在对采集的数据进行预处理后，输入至能源消耗预测模型中进行预测，基于输出的预测标签得到未来工商业用户的能源消耗量预测数据，依据能源消耗量预测数据生成能源管理策略，对储能设备进行能源管理。