【技术实现步骤摘要】
本专利技术涉及数据处理，具体而言，涉及一种基于集成风光储能的多元数据管理方法及系统。
技术介绍
1、随着能源行业的快速发展和智能化水平的不断提升，储能设备在能源供应系统中扮演着越来越重要的角色。储能设备能够有效地平衡能源供需，提高能源利用效率，并减少能源浪费。然而，如何优化储能设备的能源供应策略，以满足不同场景下的能源需求，是当前亟待解决的问题。
2、传统的能源供应优化方法往往基于固定的模型和算法，对于复杂多变的能源需求和储能设备特性难以适应。此外，这些方法通常缺乏对先验学习知识的有效利用，导致优化策略的准确性和效率受到限制。
技术实现思路
1、为了改善上述问题，本专利技术提供了一种基于集成风光储能的多元数据管理方法及系统。
2、本专利技术实施例的第一方面，提供了一种基于集成风光储能的多元数据管理方法，应用于多元数据管理系统，所述方法包括：
3、获取不具有先验学习知识的第一储能设备源数据集示例，将所述第一储能设备源数据集示例加载到第一能源供应优化决策网络执行第一优化决策任务，输出能源供应优化参考策略，其中，所述第一能源供应优化决策网络为已调试所述第一优化决策任务且未调试第二优化决策任务的深度决策树网络，所述第一储能设备源数据集示例为调试所述第一优化决策任务时使用的储能设备源数据集示例之外的任意储能设备源数据集；
4、将所述第一储能设备源数据集示例加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略，基于
5、获取第二储能设备源数据集示例，将所述第二储能设备源数据集示例加载到所述第二能源供应优化决策网络执行所述第二优化决策任务，生成第二能源供应优化预测策略，基于所述第二能源供应优化预测策略确定第二网络训练代价；
6、基于所述第一网络训练代价和所述第二网络训练代价确定目标网络训练代价，基于所述目标网络训练代价对所述第二能源供应优化决策网络进行调试；
7、获取待处理储能设备源数据集，将所述待处理储能设备源数据集加载到调试后的所述第二能源供应优化决策网络执行目标优化决策任务，生成目标能源供应优化策略。
8、优选的，所述基于所述第一网络训练代价和所述第二网络训练代价确定目标网络训练代价，包括：
9、确定所述第一储能设备源数据集示例的调试示例学习权重；
10、基于所述调试示例学习权重对所述第一网络训练代价强化后与所述第二网络训练代价进行加和运算，得到目标网络训练代价。
11、优选的，所述确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
12、获取所述能源供应优化参考策略中各个能源分配指导信息的第一判别可能性；
13、根据若干个所述第一判别可能性的平均求和结果，得到所述第一储能设备源数据集示例的调试示例学习权重。
14、优选的，确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
15、获取第三储能设备源数据集示例和第四储能设备源数据集示例，其中，所述第一储能设备源数据集示例和所述第三储能设备源数据集示例为具有时序关联性的运行状态数据，所述第一储能设备源数据集示例与所述第四储能设备源数据集示例不具有时序关联性；
16、确定所述第三储能设备源数据集示例与所述能源供应优化参考策略之间的第一源数据共性评分，确定所述第四储能设备源数据集示例与所述能源供应优化参考策略之间的第二源数据共性评分；
17、基于所述第一源数据共性评分和所述第二源数据共性评分之间的作差结果得到所述第一储能设备源数据集示例的调试示例学习权重。
18、优选的，所述将所述第一储能设备源数据集示例加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略，包括：
19、获取所述第一优化决策任务的索引信息，将所述索引信息与所述第一储能设备源数据集示例进行组合，得到储能设备组合源数据集；
20、将所述储能设备组合源数据集加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略。
21、优选的，所述将所述储能设备组合源数据集加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略包括：
22、将所述储能设备组合源数据集加载到第二能源供应优化决策网络；
23、基于所述索引信息获取所述第一优化决策任务的判别置信因子，确定所述第一储能设备源数据集示例中各个能源分配指导信息在调试样例集中的热力置信因子；
24、基于所述判别置信因子与各个所述热力置信因子的加权结果，对所述第二能源供应优化决策网络的特征挖掘分支生成的各个所述能源分配指导信息对应的描述特征进行特征强化，得到所述特征挖掘分支的目标能源供应分配特征；
25、基于所述目标能源供应分配特征执行所述第一优化决策任务，生成第一能源供应优化预测策略。
26、优选的，所述将所述第二储能设备源数据集示例加载到所述第二能源供应优化决策网络执行所述第二优化决策任务之前，所述基于集成风光储能的多元数据管理方法还包括：
27、从所述第一储能设备源数据集示例或者所述第二储能设备源数据集示例中获取第五储能设备源数据集示例，将所述第五储能设备源数据集示例加载到所述第二能源供应优化决策网络执行对应的所述第一优化决策任务或者所述第二优化决策任务，得到第三能源供应优化预测策略；
28、基于所述第三能源供应优化预测策略确定第三网络训练代价，确定使得所述第三网络训练代价最大时所述第二能源供应优化决策网络的特征挖掘分支对应的最大变化评估系数；
29、基于所述最大变化评估系数确定用于对所述特征挖掘分支进行要素调整的目标调整权重，将所述目标调整权重设置到所述特征挖掘分支。
30、优选的，所述获取不具有先验学习知识的第一储能设备源数据集示例，包括：
31、获取若干个不具有先验学习知识的初始储能设备源数据集示例，调用预先调试好的特征提取网络分别对各个所述初始储能设备源数据集示例进行特征提取，得到各个所述初始储能设备源数据集示例的储能设备源数据集特征；
32、根据任意两个所述储能设备源数据集特征确定对应的两个所述初始储能设备源数据集示例之间的特征差异；
33、基于所述特征差异对若干个所述初始储能设备源数据集示例进行分团，得到至少一个储能设备源数据分团；
34、将处于至少一个所述储能设备源数据分团的分团参考位置的所述初始储能设备源数据集示例确定为不具有先验学习知识的第一储能设备源数据集示例。
35、优选的，所述基于所述第一网络训练代价和所述第二网络训练代价确定目标网络训练代价本文档来自技高网...
【技术保护点】
1.一种基于集成风光储能的多元数据管理方法，其特征在于，应用于多元数据管理系统，所述方法包括：
2.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述基于所述第一网络训练代价和所述第二网络训练代价确定目标网络训练代价，包括：
3.根据权利要求2所述的基于集成风光储能的多元数据管理方法，其特征在于，所述确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
4.根据权利要求2所述的基于集成风光储能的多元数据管理方法，其特征在于，确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
5.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述将所述第一储能设备源数据集示例加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略，包括：
6.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述将所述第二储能设备源数据集示例加载到所述第二能源供应优化决策网络执行所述第二优化决策任务之前，所述基于集成风光储能的多元数据管理方法还包括：<...
【技术特征摘要】
1.一种基于集成风光储能的多元数据管理方法，其特征在于，应用于多元数据管理系统，所述方法包括：
2.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述基于所述第一网络训练代价和所述第二网络训练代价确定目标网络训练代价，包括：
3.根据权利要求2所述的基于集成风光储能的多元数据管理方法，其特征在于，所述确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
4.根据权利要求2所述的基于集成风光储能的多元数据管理方法，其特征在于，确定所述第一储能设备源数据集示例的调试示例学习权重，包括：
5.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述将所述第一储能设备源数据集示例加载到第二能源供应优化决策网络执行所述第一优化决策任务，生成第一能源供应优化预测策略，包括：
6.根据权利要求1所述的基于集成风光储能的多元数据管理方法，其特征在于，所述将所述第二储能...
【专利技术属性】
技术研发人员：代英飞，李仲家，崔涛，翟雪莲，赵东风，
申请(专利权)人：北京岳能科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。