储电设备供电量预测方法、装置及计算机可读介质制造方法及图纸

本发明专利技术公开了储电设备供电量预测方法、装置及计算机可读介质，属于机器学习技术领域，要解决的技术问题为如何预测用电量并对储电设备供电功率进行预测指导。包括如下步骤：以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；构建用电预测模型，基于历史用电量数据训练所述用电预测模型；构建发电预测模型，基于历史发电量数据和天气数据训练所述发电预测模型；构建供电功率预测模型，所述供电功率模型中配置有代价函数；优化上述代价函数，基于优化后代价函数，根据时段进行pv值的优选，得到供电功率预测。得到供电功率预测。得到供电功率预测。

【技术实现步骤摘要】
储电设备供电量预测方法、装置及计算机可读介质


[0001]本专利技术涉及机器学习
，具体地说是储电设备供电量预测方法、装置及计算机可读介质。

技术介绍

[0002]每个新场景都能产生没有见过的数据模式，当一个机器学习模型部署在边缘端设备上后，当模型遇到新的数据模式后，已经固化的模型就不能对新的数据模式进行正确响应，因此会产生错误的结果。此外，用一个上下文的数据训练模型部署到另一个上下文的环境中，通常不会产生期望的结果。实际上，对不同上下文环境训练不同的模型通常是不可行的，因为需要各个模型收集、标注、处理数据并对模型进行调参，因此边缘端设备应该具备本地收集数据并增量训练。
[0003]如何预测用电量并对储电设备供电功率进行预测指导，是需要解决的技术问题。

技术实现思路

[0004]本专利技术的技术任务是针对以上不足，提供储电设备供电量预测方法、装置及计算机可读介质，来解决如何预测用电量并对储电设备供电功率进行预测指导的技术问题。
[0005]第一方面，本专利技术的储电设备供电量预测方法，包括如下步骤：
[0006]以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；
[0007]构建用电预测模型，所述用电预测模型为以用电量数据为输入、以每天的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出的时序模型，基于历史用电量数据训练所述用电预测模型；
[0008]构建发电预测模型，所述发电预测模型为以天气数据为输入、发电量数据为输出的线性回归模型，基于历史发电量数据和天气数据训练所述发电预测模型；
[0009]构建供电功率预测模型，所述供电功率模型中配置有代价函数，所述代价函数表示为：∑L(t)＝(pu(t)
‑
(pg(t)+pr)*Δt
‑
pv)*pp(t)
[0010]其中，pu(t)为当前时段的用电功耗预测，pg(t)为当前时段的发电功率预测，pr为储电设备的剩余电量数据，Δt为当前时段的变化值，pv为储电设备的供电功率，pp(t)为当前的电价；
[0011]通过训练后用电预测模型获取当前时段的用电功耗，通过训练后发电预测模型获取当前时段的发电功率，并获取当前电价以及储电设备的剩余电量数据，优化上述代价函数，基于优化后代价函数，根据时段进行pv值的优选，得到供电功率预测。
[0012]作为优选，所述时序模型包括：
[0013]连续时序模型，所述连续时序模型共一个，以连续N周的用电量数据为输入，预测并输出每天以小时为单位的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出；
[0014]离线时序模型，所述离散时序模型共七个，一周的周一至周日每天对应一个离线时序模型，对于每个离散时序模型，一周中与其对应的一天为作为目标天，以M周中所有目标天以小时为单位的用电量数据为输入，预测并输出目标天的用电量波动周期、用电量变化趋势以及用电量随机波动残差。
[0015]所述N为大于4的自然数，M为大于8的自然数。
[0016]作为优选，通过训练后的用电预测模型得到用电功耗预测的计算公式为：
[0017]pu(t)＝∑P_d/∑P_c*P_c(t)
[0018]其中，∑P_d表示对离散时序模型的预测值的求和，
[0019]∑P_c表示对连续时序模型的预测值求和；
[0020]P_c(t)表示连续时序模型一天中t时刻的预测值。
[0021]作为优选，通过梯度下降方法优化上述代价函数。
[0022]作为优选，通过梯度下降方法优化上述代价函数，包括如下步骤：
[0023]通过迭代实验确定步长L和常数max，所述常数max为限制随机梯度下降次数的上限；
[0024]对于每次迭代，将数据进行batch加载并计算梯度，当前梯度的计算公式为：
[0025]g_s＝1/n∑(i＝1,n)f_i
’
(x_s)
[0026]其中，t属于[1,max]中的随机值且符合分布：∑(t＝1,max)(1
‑
L)^(max
‑
t)，n为当前样本数，x_s为当前的样本值，f_i
’
(x_s)表示第i个样本的函数映射的梯度；
[0027]从g_s中减去f_i
’
(x_s)并加入f_i
’
(y_(s,t))，以保证期望是一个随机变量i，服从均匀分布，f_i
’
(y_(s,t))中的t表示第t次梯度下降，y_s与x_s等价；
[0028]将y_(s,t+1)的梯度更新为y_s,t
–
L*(g_s
‑
f_i
’
(y_s,t
‑
f_i
’
(x_s))，根据y_s,t
–
L*(g_s
‑
f_i
’
(y_s,t
‑
f_i
’
(x_s))进行梯度更新。
[0029]作为优选，所述天气数据包括温度、湿度和云量。
[0030]第二方面，本专利技术的装置，包括：至少一个存储器和至少一个处理器；
[0031]所述至少一个存储器，用于存储机器可读程序；
[0032]所述至少一个处理器，用于调用所述机器可读程序，执行第一方面任一所述的方法。
[0033]第三方面，本专利技术的计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面任一所述的方法。
[0034]本专利技术的储电设备供电量预测方法、装置及计算机可读介质具有以下优点：
[0035]1、收集每天家庭各个用电节点或设备的用电量、储电设备的发电量、储电设备的余量等数据，进行时间序列建模预测，可根据第二天的天气情况进行发电量预估，并结合家庭储电设施的余量进行统筹供电，削峰填谷，优化用电费用；
[0036]2、家庭用电的预测中，进行实时数据收集和周期性离线训练和模型迭代更新，提高了运算效率和准确率。
附图说明
[0037]为了更清楚地说明本专利技术实施例中的技术方案，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专利技术的一些
实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]下面结合附图对本专利技术进一步说明。
[0039]图1为实施例1储电设备供电量预测方法的流程框图。
具体实施方式
[0040]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定，在不冲突的情况下，本专利技术实施例以及实施例中的技术特征可以相互结合。
[0041]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.储电设备供电量预测方法，其特征在于包括如下步骤：以一个小时为收集周期，收集每天家庭用电节点及用电设备的用电量作为历史用户量数据并存储至边缘设备；构建用电预测模型，所述用电预测模型为以用电量数据为输入、以每天的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出的时序模型，基于历史用电量数据训练所述用电预测模型；构建发电预测模型，所述发电预测模型为以天气数据为输入、发电量数据为输出的线性回归模型，基于历史发电量数据和天气数据训练所述发电预测模型；构建供电功率预测模型，所述供电功率模型中配置有代价函数，所述代价函数表示为：∑L(t)＝(pu(t)
‑
(pg(t)+pr)*Δt
‑
pv)*pp(t)其中，pu(t)为当前时段的用电功耗预测，pg(t)为当前时段的发电功率预测，pr为储电设备的剩余电量数据，Δt为当前时段的变化值，pv为储电设备的供电功率，pp(t)为当前的电价；通过训练后用电预测模型获取当前时段的用电功耗，通过训练后发电预测模型获取当前时段的发电功率，并获取当前电价以及储电设备的剩余电量数据，优化上述代价函数，基于优化后代价函数，根据时段进行pv值的优选，得到供电功率预测。2.根据权利要求1所述的储电设备供电量预测方法，其特征在于所述时序模型包括：连续时序模型，所述连续时序模型共一个，以连续N周的用电量数据为输入，预测并输出每天以小时为单位的用电量波动周期、用电量变化趋势以及用电量随机波动残差为输出；离线时序模型，所述离散时序模型共七个，一周的周一至周日每天对应一个离线时序模型，对于每个离散时序模型，一周中与其对应的一天为作为目标天，以M周中所有目标天的用电量数据为输入，预测并输出目标天的以小时为单位用电量波动周期、用电量变化趋势以及用电量随机波动残差。所述N为大于4的自然数，M为大于8的自然数。3.根据权利要求2所述的储电设备供电量预测方法，其特征在于通过训练后的用电预测模型得到用电功耗预测的计算公式为：pu(t)＝∑P_d/∑P_c*P_c(t)其中，∑P_d表示对离散时序模型的预测值的求和，∑P_c表示对连续时序模型的预测值求和；P_c(t)表示连续时序模型一天中t时刻的预测值。4.根据权利要求1
...

【专利技术属性】
技术研发人员：段强，李锐，张晖，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：