一种源荷储资源聚合控制网关装置及负荷和出力预测方法制造方法及图纸

本发明专利技术公开了一种源荷储资源聚合控制网关装置及负荷和出力预测方法，包括：神经网络节点寻优模块和预测神经网络训练模块，预测神经网络训练模块在板端由多个嵌入式神经网络处理器采用阵列排布方式形成嵌入式阵列式神经网络计算架构，采用此架构提出了一种负荷和出力预测神经网络模型的自训练、学习进化和预测计算方法，同时提出了架构的高低功率通信通道冗余低功耗控制策略。通过实施本发明专利技术，该装置在网络边端采用多个NPU相互配合算力叠加以低功耗实现了对多个多样化负荷和出力的预测，满足虚拟电厂“源荷储”数据采集一个周期内完成对应预测计算的要求。成对应预测计算的要求。成对应预测计算的要求。

【技术实现步骤摘要】
一种源荷储资源聚合控制网关装置及负荷和出力预测方法


[0001]本专利技术涉及电网虚拟电厂电力通信
，具体涉及一种源荷储资源聚合控制网关装置及负荷和出力预测方法。

技术介绍

[0002]虚拟电厂是实现智能配电网的重要技术之一，它是指通过分布式能源管理系统将配电网中分散安装的清洁能源、可控负荷和储能系统合并作为一个特别的电厂参与电网运行，从而很好地协调智能电网与分布式能源之间的矛盾，充分挖掘分布式能源为电网和用户所带来的价值和效益。
[0003]基于虚拟电厂的应用价值，其在电力系统的规模也在不断建设与发展；同时网络边端的“源荷储”多样化资源不断增加，其连接的聚合控制网关和终端源源不断的接入，逐步形成海量规模，导致目前由虚拟电厂云端调控服务器实现的集中式的供需预测、聚合调度控制的方式难以实现。
[0004]在网络边端通过聚合控制网关进行“源荷储”资源的聚合优化调控，为虚拟电厂的运行调度和能量管理提供决策支持，必须对用电负荷和新能源出力进行预测分析，该预测包括区域或相邻区域的分布式电源出力预测、区域负荷预测、分布式光伏出力预测、分布式风机电出力预测、风功率预测、分布式电源综合功率预测等，而这些预测又分为分钟级，小时级，日级等多时间尺度。因此采用现有的资源处理方式不能满足源荷储调控的需求。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了涉及一种源荷储资源聚合控制网关装置及负荷和出力预测方法，以解决现有技术中的资源处理方式不能满足源荷储调控的需求技术问题。
[0006]本专利技术提出的技术方案如下：
[0007]本专利技术实施例第一方面提供一种源荷储资源聚合控制网关装置，所述源荷储资源聚合控制网关装置设置在虚拟电厂边端，包括：神经网络节点寻优模块和预测神经网络训练模块，所述神经网络节点寻优模块将源荷储历史数据输入至所述预测神经网络训练模块；所述预测神经网络训练模块在板端由多个嵌入式神经网络处理器采用阵列排布方式形成嵌入式阵列式神经网络计算架构，每个嵌入式神经网络处理器处理源荷储历史数据生成一个权重和阈值优化训练后的负荷和出力预测神经网络模型，每个负荷和出力预测神经网络模型分别进行一种负荷或出力的预测计算。
[0008]可选地，所述神经网络节点寻优模块获取源荷储历史数据传送至每个嵌入式神经网络进行训练，所述神经网络节点寻优模块生成每个嵌入式神经网络所包含的神经元传导优化后的权重和阈值；所述嵌入式神经网络处理器将所述优化后的权重和阈值作为对应神经元的传导参数，生成对应的负荷和出力预测神经网络模型，根据所述负荷和出力预测神经网络模型分别进行相应的负荷和出力预测。
[0009]可选地，所述神经网络节点寻优模块包括：第一线程和第二线程，第二线程包括一
个误差反馈处理单元，2个线程并行执行；所述第一线程基于生物地理进化算法对初始权重和阈值进行迭代寻优，生成每个嵌入式神经网络的神经元优化后的权重和阈值；所述第二线程将实际采集的目标数据与所述负荷和出力预测神经网络模型根据影响因子数据预测的目标数据，通过所述误差反馈处理单元进行比较，根据比较结果调整修正每个嵌入式神经网络处理器中的各个神经元传导的权重和阈值，并传送至各个嵌入式神经网络处理器对应的神经网络包含的神经元，不间断的进行所述负荷和出力预测神经网络模型的实时优化学习。
[0010]可选地，所述生物地理进化算法中每一个栖息地的适应度指数代表一组参数，适应度指数变量代表每一个参数分量，寻找适应度指数最高的栖息地为获取优化后的权重和阈值。
[0011]可选地，所述嵌入式神经网络处理器将源荷储历史数据中的影响因子数据作为输入量通过n层神经传导，所述嵌入式神经网络处理器中设置为n－2层隐藏层，且每层的神经元设计成相同数目，每一层神经元内部都不互相连接，在所有的两个神经元之间的传导方向上赋予不同的权重，作为神经网络节点寻优模块线和预测神经网络训练模块训练的目标；
[0012]所述嵌入式神经网络处理器中每层神经元之间的传输表示为：
[0013]P(2，j)＝S(1，1)＊W(1，1)+S(1，2)＊W(1，2)+...+S(1，j)＊W(1，j)
[0014]P(3，k)＝S(2，1)＊W(2，1)+S(2，2)＊W(2，2)+...+S(2，k)＊W(2，k)
[0015]依次计算每层神经元之间的传输；
[0016]则P(n，m)＝S(n，1)＊W(n，1)+S(n，2)＊W(n，2)+...+S(n，m)＊W(n，m)
[0017]式中，W(n，m)表示所述嵌入式神经网络处理器的输入层的第n个神经元和隐藏层的第m个神经元之间的权重，S(1，1)，S(1，2)，S(1，3)...S(1，j)表示输入层传入的输入量，P(1，1)，P(1，2)，P(1，3)...P(1，m)表示嵌入式神经网络处理器输出，n、m以及j均为正整数，均表示神经元的行列位置序号；将多个影响因子进入神经网络经多层传导，转化为所述嵌入式神经网络处理器中的矩阵乘法计算。
[0018]可选地，该源荷储资源聚合控制网关装置还包括：神经网络扩展模块，所述神经网络扩展模块连接在所述神经网络节点寻优模块和所述预测神经网络训练模块之间，用于在所述神经网络节点寻优模块和所述预测神经网络训练模块之间进行数据传输。
[0019]可选地，所述神经网络扩展模块包括IMP－PCIE插槽、IMP－PCIE接口总线以及IMP－PCIE Switch交换子模块，所述神经网络扩展模块采用可扩展的IMP－PCIE插槽以及IMP－PCIE接口总线和每个嵌入式神经网络处理器连接，所述神经网络节点寻优模块通过memmap在内存中申请一段预留的连续地址空间，所述预测神经网络训练模块中的每个嵌入式神经网络处理器设置相应的地址与预留地址空间对应，所述神经网络节点寻优模块通过扫描IMP－PCIE Switch交换子模块接口预留地址空间，与每个嵌入式神经网络处理器之间采用地址编码映射的方式进行地址转换和数据的读取。
[0020]可选地，所述神经网络扩展模块利用寄存器的引脚配置重定义嵌入式神经网络处理器中被PCIE占用的引脚信号至IMP－PCIE的插槽的Reserved引脚和NC引脚。
[0021]可选地，该源荷储资源聚合控制网关装置还包括：多通道通信模块和低功耗控制模块，所述神经网络节点寻优模块通过所述多通道通信模块和外部连接，所述多通道通信
模块包括高功耗通道和低功耗通道，所述低功耗控制模块用于在所述源荷储资源聚合控制网关装置启动后控制装置进入低功耗工作状态，只启动所述低功耗通道，并等待消息事件；当收到源荷储数据采集定时器消息，所述低功耗控制模块控制所述高功耗通道启动，启动采集终端及传感器进行“源荷储”数据采集，根据采集的数据进行神经网络节点寻优模块和预测神经网络训练模块的并发计算；当收到低功耗通道源荷储资源调度召唤消息，且传输的数据量大于阈值时，所述低功耗控制模块控制所述高功耗通道启动，进行数据传输。
[0022]可选地，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种源荷储资源聚合控制网关装置，其特征在于，所述源荷储资源聚合控制网关装置设置在虚拟电厂边端，包括：神经网络节点寻优模块和预测神经网络训练模块，所述神经网络节点寻优模块将源荷储历史数据输入至所述预测神经网络训练模块；所述预测神经网络训练模块在板端由多个嵌入式神经网络处理器采用阵列排布方式形成嵌入式阵列式神经网络计算架构，每个嵌入式神经网络处理器处理源荷储历史数据生成一个权重和阈值优化训练后的负荷和出力预测神经网络模型，每个负荷和出力预测神经网络模型分别进行一种负荷或出力的预测计算。2.根据权利要求1所述的源荷储资源聚合控制网关装置，其特征在于，所述神经网络节点寻优模块获取源荷储历史数据传送至每个嵌入式神经网络进行训练，所述神经网络节点寻优模块生成每个嵌入式神经网络所包含的神经元传导优化后的权重和阈值；所述嵌入式神经网络处理器将所述优化后的权重和阈值作为对应神经元的传导参数，生成对应的负荷和出力预测神经网络模型，根据所述负荷和出力预测神经网络模型分别进行相应的负荷和出力预测。3.根据权利要求2所述的源荷储资源聚合控制网关装置，其特征在于，所述神经网络节点寻优模块包括：第一线程和第二线程，第二线程包括一个误差反馈处理单元，2个线程并行执行；所述第一线程基于生物地理进化算法对初始权重和阈值进行迭代寻优，生成每个嵌入式神经网络的神经元优化后的权重和阈值；所述第二线程将实际采集的目标数据与所述负荷和出力预测神经网络模型根据影响因子数据预测的目标数据，通过所述误差反馈处理单元进行比较，根据比较结果调整修正每个嵌入式神经网络处理器中的各个神经元传导的权重和阈值，并传送至各个嵌入式神经网络处理器对应的神经网络包含的神经元，不间断的进行所述负荷和出力预测神经网络模型的实时优化学习。4.根据权利要求3所述的源荷储资源聚合控制网关装置，其特征在于，所述生物地理进化算法中每一个栖息地的适应度指数代表一组参数，适应度指数变量代表每一个参数分量，寻找适应度指数最高的栖息地为获取优化后的权重和阈值。5.根据权利要求2所述的源荷储资源聚合控制网关装置，其特征在于，所述嵌入式神经网络处理器将源荷储历史数据中的影响因子数据作为输入量通过n层神经传导，所述嵌入式神经网络处理器中设置为n－2层隐藏层，且每层的神经元设计成相同数目，每一层神经元内部都不互相连接，在所有的两个神经元之间的传导方向上赋予不同的权重，作为神经网络节点寻优模块线和预测神经网络训练模块训练的目标；所述嵌入式神经网络处理器中每层神经元之间的传输表示为：P(2，j)＝S(1，1)＊W(1，1)+S(1，2)＊W(1，2)+...+S(1，j)＊W(1，j)P(3，k)＝S(2，1)＊W(2，1)+S(2，2)＊W(2，2)+...+S(2，k)＊W(2，k)依次计算每层神经元之间的传输；则P(n，m)＝S(n，1)＊W(n，1)+S(n，2)＊W(n，2)+...+S(n，m)＊W(n，m)式中，W(n，m)表示所述嵌入式神经网络处理器的输入层的第n个神经元和隐藏层的第m个神经元之间的权重，S(1，1)，S(1，2)，S(1，3)...S(1，j)表示输入层传入的输入量，P(1，1)，P(1，2)，P(1，3)...P(1，m)表示嵌入式神经网络处理器输出，n、m、k以及j均为正整数，均
表示神经元的行列位置序号；将多个影响因子进入神经网络经多层传导，转化为所述嵌入式神经网络处理器中的矩阵乘法计算。6.根据权利要求1所述的源荷储资源聚合控制网关装置，其特征在于，还包括：神经网络扩展模块，所述神经网络扩展模块连接在所述神经网络节点寻优模块和所述预测神经网络训练模块之间，用于在所述神经网络节点寻优模块和所述预测神经网络训练模块之间进行数据传输。7.根据权利要求6所述的源荷储资源聚合控制网关装置，其特征在于，所述神经网络扩展模块包括IMP－PCIE插槽、IMP－PCIE接口总线以及IMP－PCIESwitch交换子模块，所述神经网络扩展模块采用可扩展的IMP－PCIE插槽以及IMP－PCIE接口总线和每个嵌入式神经网络处理器连接，所述神经网络节点寻优模块通过memmap在内存中申请一段预留的连续地址空间，所述预测神经网络训练模块中的每个嵌入式神经网络处理器设置相应的地址与预留地址空间对应，所述神经网络节点寻优模块通过扫描IMP－PCIE Switch交换子模块接口预留地址空间，与每个嵌入式神经网络处理器之间采用地址编码映射的方式进行地址转换和数据的读取。8.根据权利要求7所述的源荷储资源聚合控制网关装置，其特征在于，所述神经网络扩展模块利用寄存器的引脚配置重定义嵌入...

【专利技术属性】
技术研发人员：鲍兴川，刘川，刘世栋，卜宪德，陶静，姚贤炯，赵建立，侯战胜，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：