一种多站融合模型搭建方法技术

本发明专利技术公开了一种多站融合模型搭建方法，具体涉及多站融合技术领域，包括影响因素数据整合

【技术实现步骤摘要】
一种多站融合模型搭建方法


[0001]本专利技术涉及多站融合
，更具体地说，本专利技术涉及一种多站融合模型搭建方法
。

技术介绍

[0002]随着时间的推移，在“新基建”的推动下，传统的变电站也在悄悄地发生着变化
。
所谓“多站融合”，就是将传统的变电站
、
冷热供应站等“新基建”要素融合在一起，形成一种集电力
、
冷热为一体的新型基础设施，为用户提供云
、5G
和充电服务
。“多站融合”技术正逐步进入人们的生活，它给人们带来了更高效率
、
更方便的综合性能源服务
。
多站融合能够对城市资源进行最优整合，将变电站
、
光伏站
、
储能站
、
充电站
、
数据中心等融合为一的智慧综合能源站能够实现综合能源管理，解决用电供需平衡问题，提供综合能源服务，实现能源综合高效利用，对推动我国电网“源网荷储”融合
、
发展综合性能源互联网
、
建设新型电网等方面具有重要的理论和实践意义
。
而在多站融合模型的实际运用中，由于外部因素变化过大，易出现储能的可行性与经济性矛盾的问题，为了解决上述问题，现提供一种技术方案
。

技术实现思路

[0003]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种多站融合模型搭建方法，通过卷积神经网络模型对数据进行特征提取，将提取后的特征构建成序列形式，再将序列输入至
Transformer
多站融合模型中进行训练，通过注意力机制将不同模态的特征进行融合得到融合后的特征，通过对融合后的特征建立储能成本波动预测模型，得到储能成本波动指标，根据储能成本波动指标数值判断储能设备运行的可行性，储能成本波动预测模型有助于实时监测储能系统的运行状况，及时发现潜在的成本波动风险，有助于保障多站融合系统的稳定性，避免因成本波动导致的系统故障，以解决上述
技术介绍
中提出的问题
。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种多站融合模型搭建方法，包括如下步骤：
[0006]步骤一，影响因素数据整合：收集储能设备的充电效率
、
放电效率
、
循环使用寿命
、
购置成本
、
运行成本
、
维护成本
、
市场需求度
、
月均太阳能
、
储能技术的成熟度
、
电池成本
、
原材料成本以及能源成本，生成影响因素数据库；
[0007]步骤二，基于
Transformer
多站融合模型融合特征：通过卷积神经网络模型对数据进行特征提取，将提取后的特征构建成序列形式，再将序列输入至
Transformer
多站融合模型中进行训练，通过注意力机制将不同模态的特征进行融合得到融合后的特征，将融合后的特征输入至回归任务模型中进行任务处理，再通过交叉验证对模型结果进行评估；
[0008]步骤三，建立储能成本波动预测模型：通过对融合后的特征建立储能成本波动预测模型，得到储能成本波动指标，根据储能成本波动指标数值判断储能设备运行的可行性
。
[0009]作为本专利技术进一步的方案，步骤二基于
Transformer
多站融合模型融合特征的具体步骤为：
[0010]步骤
S1
，数据预处理：通过将影响因素数据库进行数据清洗处理
、
异常值处理以及缺失值处理；
[0011]步骤
S2
，特征提取：通过最大池化将不同模态的数据进行对齐使其具有相同的维度，再通过卷积神经网络模型对处理后的影响因素数据库进行特征提取；
[0012]步骤
S3
，基于
Transformer
多站融合模型训练：将提取后的特征构建成序列形式，再将序列输入至
Transformer
多站融合模型中进行训练；
[0013]步骤
S4
，特征融合：将不同模态的特征进行对齐并计算不同模态特征之间的相似性，通过注意力机制将不同模态的特征进行融合得到融合后的特征，将融合后的特征输入至回归任务模型中进行任务处理；
[0014]步骤
S5
，模型评估：通过交叉验证对
Transformer
多站融合模型进行评估
。
[0015]作为本专利技术进一步的方案，步骤
S4
特征融合将不同模态的特征进行对齐并计算不同模态特征之间的相似性，其中，不同模态特征之间的相似性通过曼哈顿距离计算，且曼哈顿距离数值越小，不同模态特征之间的相似性越高，曼哈顿距离的计算公式为：
[0016]z
＝
|x1‑
x2|+|y1‑
y2|
；
[0017]式中：
z
为曼哈顿距离，
x1为一特征在标准坐标系上的横坐标，
y1为一特征在标准坐标系上的纵坐标，
x2为另一特征在标准坐标系上的横坐标，
y2为另一特征在标准坐标系上的纵坐标
。
[0018]作为本专利技术进一步的方案，骤
S4
特征融合通过注意力机制将不同模态的特征进行融合得到融合后的特征，其中，注意力机制的输入为储能设备的充电效率
、
放电效率
、
循环使用寿命
、
购置成本
、
运行成本
、
维护成本
、
市场需求度
、
月均太阳能
、
储能技术的成熟度
、
电池成本
、
原材料成本以及能源成本，输出为储能设备的运行效率
、
运行成本
、
融资难度以及市场需求度
。
[0019]作为本专利技术进一步的方案，融合后的特征为储能设备的运行效率
、
运行成本
、
融资难度以及市场需求度
。
[0020]作为本专利技术进一步的方案，步骤
S4
特征融合将融合后的特征输入至回归任务模型中进行任务处理，其中，回归任务模型的公式为：
[0021][0022]式中：
MA
为绝对误差，
N
为融合后的特征的个数，
y
i
为融合后的特征的真实值，为融合后的特征的预测值
。
[0023]作为本专利技术进一步的方案，步骤三建立储能成本波动预测模型通过对融合后的特征建立储能成本波动预测模型，得到储能成本波动指标，融合后的特征包括储能设备的运行效率
、
运行成本
、
融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多站融合模型搭建方法，其特征在于，包括如下步骤：步骤一，影响因素数据整合：收集储能设备的充电效率
、
放电效率
、
循环使用寿命
、
购置成本
、
运行成本
、
维护成本
、
市场需求度
、
月均太阳能
、
储能技术的成熟度
、
电池成本
、
原材料成本以及能源成本，生成影响因素数据库；步骤二，基于
Transformer
多站融合模型融合特征：通过卷积神经网络模型对数据进行特征提取，将提取后的特征构建成序列形式，再将序列输入至
Transformer
多站融合模型中进行训练，通过注意力机制将不同模态的特征进行融合得到融合后的特征，将融合后的特征输入至回归任务模型中进行任务处理，再通过交叉验证对模型结果进行评估；步骤三，建立储能成本波动预测模型：通过对融合后的特征建立储能成本波动预测模型，得到储能成本波动指标，融合后的特征包括储能设备的运行效率
、
运行成本
、
融资难度以及市场需求度，其中，储能成本波动预测模型的计算公式具体为：式中：
P
MO
为储能成本波动指标，
R
MI
为储能设备的运行效率，
R
ME
为储能设备的运行成本，
R
MV
为储能设备的融资难度，
R
MQ
为储能设备的市场需求度；通过对融合后的特征建立储能成本波动预测模型，得到储能成本波动指标，储能成本波动预测模型根据储能成本波动指标数值判断储能设备运行的可行性，具体为：当
0≤P
MO
<30
％时，储能设备运行正常且成本低；当
30≤P
MO
<50
％时，储能设备运行正常而成本较高；当
50≤P
MO
<70
％时，储能设备运行损耗较高且成本高；当
70≤P
MO
<100
％时，储能设备运行损耗高且成本高，需停止运行
。2.
根据权利要求1所述的一种多站融合模型搭建方法，其特征在于，步骤二基于
Transformer
多站融合模型融合特征的具体步骤为：步骤
S1
，数据预处理：通过将影响因素数据库进行数据清洗处理
、
异常值处理以及缺失值处理；步骤
S2
，特征提取：通过最大池化将不同模态的数据进行对齐使其具有相同的维度，再通过卷积神经网络模型对处理后的影响因素数据库进行...

【专利技术属性】
技术研发人员：马心良，周久勤，轩梦辉，
申请(专利权)人：漯河汇力实业集团有限公司，
类型：发明
国别省市：