一种基于机器学习的园区能源大数据管理方法及系统技术方案

本发明专利技术公开了一种基于机器学习的园区能源大数据管理方法及系统，包括采用蒙特卡罗模拟法，基于园区能源的时间向量序列，在预设区间内随机选取预设数量的任意值进行模拟；对模拟后样本利用贝叶斯循环网络训练数据集，生成目标网络和判别目标网络权重的后验分布，并进行网络更新迭代；基于叶斯循环网络的输出层分类结果，控制切换能源类型。其能够不需要显式指定概率模型或拟合概率分布特征，且因为数据模型的特征性，决定了其具备无需进行采样抽样步骤和手动标记数据的便捷性，保证了精确度。另外引入贝叶斯公式概率推理设定网络权重参数的后验机制，也可以较好地生成海量可解释的、多样性的、高质量的高维运行场景。高质量的高维运行场景。高质量的高维运行场景。

【技术实现步骤摘要】
一种基于机器学习的园区能源大数据管理方法及系统


[0001]本专利技术涉及大数据管理
，尤其涉及一种基于机器学习的园区能源大数据管理方法及系统。

技术介绍

[0002]当前市面上园区智慧能源系统通常采用以中心服务器为硬件载体，以专业信息化软件为数据管理平台，来形成一套能源管控系统，但是对于大多数小型园区来说，由于园区规模较小，需要统计和处理的数据量有限，如果采用通常的方式，就需要针对园区内已经存在的集中式控制系统(PLC)，单片机控制系统以及大量的电表、水表、气表作专门的数据接入的处理，不仅不利于工程的顺利进行，而且也给日后系统故障下的系统维护埋下隐患，与此同时，工程建设的资金投入也相对较大。因此，基于分布式控制系统(DCS)被广泛运用在作为园区智慧能源系统的设计方法。DCS智慧能源管理系统主要包括监控主站、DPU控制器、各种类型的IO通讯卡件，是由他们组成的冗余的网络系统，对企业园区内的PLC控制系统、单片机控制系统、还有大量的水、气、电的计量仪器仪表的数据进行采集，这些系统包括冷热联供系统、环保技术试验系统、太阳能发电系统、照明控制系统、车辆管理系统、办公会议系统、能源计量管理系统等。
[0003]其中DCS智慧能源管理系统的硬件设备包括主动服务器、中心交换机、冗余DPU和通讯接口卡件。但由于DCS其本身通讯数量有限以及DCS上位软件开发环境的局限性，传统的DCS中基础的能源数据分析算法(统计算法和传统机器学习算法)无法很好有效的通过大量历史数据对能源数据进行合理高效的分析并优化其规划能力。并且对于含有可再生清洁能源发电和需求响应负荷的园区能源系统是一个具有非线性、不确定性和复杂性特征的高维动态大系统。传统的数据分析方法大多是基于概率模型，模型容量小，单纯利用春夏秋冬的季节场景和早中晚的时间场景只能抓住局部数据特征，不能充分刻画可再生能源和传统能源复杂高维大数据特征，不足以解决能源系统中新能源不确定性规划问题。

技术实现思路

[0004]本申请实施例通过提供一种基于机器学习的园区能源大数据管理方法及系统，至少部分解决了现有技术中无法有效提取和利用海量复杂高维场景数据集的关键信息的技术问题，实现了不需要显式指定概率模型或拟合概率分布特征，且无需进行采样抽样步骤和手动标记数据，提高了便捷性，保证了精确度的技术效果。
[0005]第一方面，为解决上述技术问题，本专利技术的实施例提供了如下技术方案：
[0006]一种基于机器学习的园区能源大数据管理方法，包括：
[0007]采用蒙特卡罗模拟法，基于园区能源的时间向量序列，在预设区间内随机选取预设数量的任意值进行模拟；
[0008]对模拟后样本利用贝叶斯循环网络训练数据集，生成目标网络和判别上述目标网络权重的后验分布，并进行网络更新迭代；
[0009]基于上述叶斯循环网络的输出层分类结果，控制切换能源类型。
[0010]可选的，在对模拟后样本利用贝叶斯循环网络训练数据集之前，上述方法还包括：
[0011]基于多个网络快照中的链路向量构造时间向量序列，并将时间序列作为上述贝叶斯循环网络的输入。
[0012]可选的，上述对模拟后样本利用贝叶斯循环网络训练数据集的步骤，还包括：
[0013]在输入上述时间序列后，利用上述叶斯循环网络提取节点间链路随时间的演化信息，根据上述演化信息输出下一时刻节点对间的连接状态。
[0014]可选的，上述方法还包括：
[0015]当样本数量低于预设数量时，对上述样本进行潮流计算，获取状态变量的数据特征，标记为目标数据集；
[0016]将目标数据集通过奇异性分析方法识别出预设能源转换场景外的弱异常场景，引入K近邻算法，以最大期望参与计算，保证典型场景集与原始场景具有符合预设条件的统计特性、相关特性和形状特性。
[0017]可选的，上述引入K近邻算法的步骤，还包括：
[0018]在K近邻算法中K值采用函数Cross_Val进行N折交叉检验。
[0019]可选的，上述方法还包括：
[0020]利用蚁群算法在中心交换机层面上，通过调整参数选取的速度和K值选取时的灵敏度，从而调整判断能源需求类型的响应时间以及能源类型切换的准确度。
[0021]可选的，上述控制切换能源类型的步骤，还包括：
[0022]利用机会网络在预设的不同场景下处理特定信息，得到影响节点间链路产生的因素，保留节点的位置和节点间的相关信息；基于上述相关信息定义能源类型及其对应设备连接切换的优先级。
[0023]第二方面，提供一种基于机器学习的园区能源大数据管理系统，上述系统包括：
[0024]模拟模块，用于采用蒙特卡罗模拟法，基于园区能源的时间向量序列，在预设区间内随机选取预设数量的任意值进行模拟；
[0025]深度学习模块，用于对模拟后样本利用贝叶斯循环网络训练数据集，生成目标网络和判别上述目标网络权重的后验分布，并进行网络更新迭代；
[0026]切换模块，用于基于上述叶斯循环网络的输出层分类结果，控制切换能源类型。
[0027]第三方面，提供一种电子设备，其特征在于，上述电子设备包括：存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面上述方法对应的步骤。
[0028]第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述方法对应的步骤。
[0029]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0030]采用建立蒙特卡罗模拟下基于贝叶斯循环神经网络的链路模型，对新能源出力和需求响应负荷进行不确定性的建模。并使用贝叶斯循环网络训练数据集，生成网络和判别网络权重的后验分布进行网络更新迭代。其利用机器学习神经网络的前馈特性，不需要显式指定概率模型或拟合概率分布特征，且因为数据模型的特征性，决定了其具备无需进行采样抽样步骤和手动标记数据的便捷性，保证了精确度。另外引入贝叶斯公式概率推理设
定网络权重参数的后验机制，也可以较好地生成海量可解释的、多样性的、高质量的高维运行场景。
附图说明
[0031]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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的附图。
[0032]图1为本申请提供的一种基于机器学习的园区能源大数据管理方法的流程图；
[0033]图2为本申请中贝叶斯循环神经网络数据构建示意图；
[0034]图3为本申请中贝叶斯循环神经网络结果示意图；
[0035]图4为本申请中奇异性分析方法原理示意图；
[0036]图5为本申请中根据样本的相似度进行预测回归值的示意图。
[0037]图6为本申请中K近邻算法中n个近邻数样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的园区能源大数据管理方法，其特征在于，所述方法包括：采用蒙特卡罗模拟法，基于园区能源的时间向量序列，在预设区间内随机选取预设数量的任意值进行模拟；对模拟后样本利用贝叶斯循环网络训练数据集，生成目标网络和判别所述目标网络权重的后验分布，并进行网络更新迭代；基于所述叶斯循环网络的输出层分类结果，控制切换能源类型。2.如权利要求1所述的方法，其特征在于，在对模拟后样本利用贝叶斯循环网络训练数据集之前，所述方法还包括：基于多个网络快照中的链路向量构造时间向量序列，并将时间序列作为所述贝叶斯循环网络的输入。3.如权利要求2所述的方法，其特征在于，所述对模拟后样本利用贝叶斯循环网络训练数据集的步骤，还包括：在输入所述时间序列后，利用所述叶斯循环网络提取节点间链路随时间的演化信息，根据所述演化信息输出下一时刻节点对间的连接状态。4.如权利要求1所述的方法，其特征在于，所述方法还包括：当样本数量低于预设数量时，对所述样本进行潮流计算，获取状态变量的数据特征，标记为目标数据集；将目标数据集通过奇异性分析方法识别出预设能源转换场景外的弱异常场景，引入K近邻算法，以最大期望参与计算，保证典型场景集与原始场景具有符合预设条件的统计特性、相关特性和形状特性。5.如权利要求4所述的方法，其特征在于，所述引入K近邻算法的步骤，还包括：在K近邻算法中K值采用函数Cross_...

【专利技术属性】
技术研发人员：黎炜，叶良顺，周梦甜，
申请(专利权)人：湖北省数字产业发展集团有限公司，
类型：发明
国别省市：