一种光储分布式能源管理系统的SOC预测方法及装置制造方法及图纸

本发明专利技术涉及光伏发电领域，具体涉及一种光储分布式能源管理系统的SOC预测方法及装置。该方法及装置包括：采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量。本发明专利技术能够提高光储分布式能源管理系统需求电量预测模型的泛化性与准确率。需求电量预测模型的泛化性与准确率。需求电量预测模型的泛化性与准确率。

【技术实现步骤摘要】
一种光储分布式能源管理系统的SOC预测方法及装置


[0001]本专利技术涉及光伏发电领域，具体而言，涉及一种光储分布式能源管理系统的SOC预测方法及装置。

技术介绍

[0002]传统的循环神经网络，随着训练时间的加长以及网络层数的增多，出现梯度爆炸或者梯度消失的问题，导致无法处理较长序列数据，从而无法获取长距离数据的信息，而使用GRU不仅能解决梯度爆炸或者梯度消失的问题，并且相比之下更容易进行训练，能够很大程度上提高训练效率，因此很多时候会更倾向于使用GRU，以提高光储分布式能源管理系统需求电量预测模型的泛化性与准确率，但GRU的使用在一定方面也存在局限性。

技术实现思路

[0003]本专利技术实施例提供了一种光储分布式能源管理系统的SOC预测方法及装置，以提高光储分布式能源管理系统需求电量预测模型的泛化性与准确率。
[0004]根据本专利技术的一实施例，提供了一种光储分布式能源管理系统的SOC预测方法，包括以下步骤：
[0005]S101:采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；
[0006]S102:使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；
[0007]S103:使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量。
[0008]进一步地，步骤S101包括：
[0009]采集光储分布式能源管理系统不同时段的特征数据，绘制电量变化曲线，建立能源管理系统电量变化模型，收集能源管理系统电量变化数据，然后根据电量变化数据进行电量需求预测，获得第一初步预测需求电量。
[0010]进一步地，特征数据包括：不同时段的充放电频次、开路电压、温度状态。
[0011]进一步地，在步骤S01与步骤S102之间，方法还包括：
[0012]利用卡尔曼滤波对采集到的特征数据进行去噪。
[0013]进一步地，步骤S102包括：
[0014]结合Informer深度学习预测模型，利用能源管理系统早期数据进行训练，基于数据驱动的Informer深度学习预测模型准确的根据能源管理系统的不同数段充放电次数、电量变化数据，将电量需求预测出来，获得第二初步预测需求电量。
[0015]进一步地，步骤S103包括：
[0016]使用深度学习GRU神经网络将融合后的数据进行特征提取，利用GRU的更新门和重
置门，对融合的数据进行更新、遗忘和学习，对GRU每次训练后输出的特征进行预测，预测需求电量与真实电量的损失值，利用最小梯度下降法更新GRU神经网络参数，并结合第一初步预测需求电量及第二初步预测需求电量，最终得到能源管理系统需求电量预测。
[0017]进一步地，深度学习GRU神经网络包括门控循环单元。
[0018]根据本专利技术的另一实施例，提供了一种光储分布式能源管理系统的SOC预测装置，包括：
[0019]第一初步需求电量预测单元，用于采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；
[0020]第二初步需求电量预测单元，用于使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；
[0021]最终需求电量预测单元，用于使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量。
[0022]一种存储介质，存储介质存储有能够实现上述任意一项光储分布式能源管理系统的SOC预测方法的程序文件。
[0023]一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的光储分布式能源管理系统的SOC预测方法。
[0024]本专利技术实施例中的光储分布式能源管理系统的SOC预测方法及装置，采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量，以提高光储分布式能源管理系统需求电量预测模型的泛化性与准确率。
附图说明
[0025]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0026]图1为本专利技术光储分布式能源管理系统的SOC预测方法的流程图；
[0027]图2为本专利技术光储分布式能源管理系统的SOC预测装置的模块图。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例1
[0031]根据本专利技术的一实施例，提供了一种光储分布式能源管理系统的SOC预测方法，参见图1，包括以下步骤：
[0032]S101:采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；
[0033]S102:使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；
[0034]S103:使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量。
[0035]本专利技术实施例中的光储分布式能源管理系统的SOC预测方法，采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光储分布式能源管理系统的SOC预测方法，其特征在于，包括以下步骤：S101:采集光储分布式能源管理系统不同时段的特征数据，根据特征数据进行电量需求预测，获得第一初步预测需求电量；S102:使用Informer深度学习预测模型根据特征数据预测需求电量，获得第二初步预测需求电量；S103:使用深度学习GRU神经网络对特征数据进行特征提取，预测需求电量与真实电量之间的损失值，并结合第一初步预测需求电量及第二初步预测需求电量，预测出光储分布式能源管理系统的最终需求电量。2.根据权利要求1所述的光储分布式能源管理系统的SOC预测方法，其特征在于，步骤S101包括：采集光储分布式能源管理系统不同时段的特征数据，绘制电量变化曲线，建立能源管理系统电量变化模型，收集能源管理系统电量变化数据，然后根据电量变化数据进行电量需求预测，获得第一初步预测需求电量。3.根据权利要求2所述的光储分布式能源管理系统的SOC预测方法，其特征在于，特征数据包括：不同时段的充放电频次、开路电压、温度状态。4.根据权利要求1所述的光储分布式能源管理系统的SOC预测方法，其特征在于，在步骤S01与步骤S102之间，所述方法还包括：利用卡尔曼滤波对采集到的特征数据进行去噪。5.根据权利要求1所述的光储分布式能源管理系统的SOC预测方法，其特征在于，步骤S102包括：结合Informer深度学习预测模型，利用能源管理系统早期数据进行训练，基于数据驱动的Informer深度学习预测模型准确的根据能源管理系统的不同数段充放电次数、电量变化数据，将电量需求预测出来，获得第二初步预测需...

【专利技术属性】
技术研发人员：杨之乐，郭媛君，赵正源，陈云乔，吴承科，冯伟，王尧，邓蕴晔，刘潇，
申请(专利权)人：广东碳中和研究院韶关，
类型：发明
国别省市：